基于Gabor小波与BP神经网络的人脸检测研究

论文摘要

利用人类具有的独特生物特征来进行身份识别的技术,称之为生物特征识别技术,它是一种高效、高稳定的身份识别方法。与此同时人脸检测也是当今生物特征识别项目中最被重视的分支之一,是计算机视觉与模式识别领域非常活跃的一个研究方向。它在安全鉴别、身份认证、以及在司法部门的相关活动中都有着非常重要的应用前景。就人脸检测而言,它是识别的第一步骤,长时间来人们都一直致力于寻求一种能够对人脸进行快速定位的算法。现在人脸检测的算法最普遍的有两种,启发式模型和统计式模型。本文研究了大量传统实现人脸检测的算法,为了提高人脸检测的速度减少错误率,提出了一种基于Gabor滤波器和改进BP神经网络的人脸检测方法,该方法主要是采用优化的Gabor滤波器对样本进行处理,从中提取出人类面部信息的特征矢量。在检测时,首先用双眼区域的亮度关系和脸部的对称特征,来快速的过滤摔大量的背景区域;其次在用Gabor滤波器空间位置与方向选择特性,采用八种不同方向,五个不同尺度的Gabor滤波器提取人脸图像特征;然后把这些提取出来的特征向量作为人脸与非人脸的分类器输入,并用模板遍历法对其进行降维;最后在运用降维后的特征量训练改进的BP神经网络。通过大量的仿真实验测试,该方法比传统的人脸检测方法检测率高。相对于传统人脸检测的算法,本文所提出的算法优势的主要表现在以下四个方面,一、相对于传统的全局图像Gabor特征提取,本文提出的是一种先特征定位,然后再Gabor滤波的方法,该方法大大的缩短了特征提取的时间。二、相对于传统的PCA降维方法,本文借鉴的是模板遍历思路,利用分层分块的原理进行特征矢量的降维,克服了传统PCA方法易受外界干扰的缺点。三、相对于传统的BP算法,本文采用的是一种变步长的改进BP算法,在完成相同次数的迭代运算,改进BP网络的收敛速度更快。四、相对于传统的标准人脸库,本文的人脸库全部采用纯手工制作,虽然缺少专业人脸样本库的标准性,但是却更加的具有普片的意义。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 选题意义
• 1.2 国内外研究动态
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 Gabor 滤波器简介
• 1.4 神经网络简介
• 1.5 论文的主要工作
• 1.5.1 研究内容
• 1.5.2 研究思路
• 1.5.3 研究路线
• 1.6 论文组织与安排
• 第2章 图像预处理
• 2.1 数字图像预处理
• 2.2 图像灰度化
• 2.3 灰度增强
• 2.3.1 灰度变换
• 2.3.2 高低帽变换与对比度增强
• 2.4 空间滤波
• 2.4.1 邻域平均法
• 2.4.2 中值滤波
• 2.4.3 锐化处理
• 2.5 本章小结
• 第3章 Gabor 滤波器特征提取
• 3.1 人脸候选区域定位
• 3.2 构建改进Gabor 小波滤波器
• 3.2.1 目标纹理特性分析
• 3.2.2 二维Gabor 滤波器的构成
• 3.2.3 Gabor 滤波器参数选择
• 3.3 Gabor 滤波器提取人脸特征
• 3.3.1 多通道快速Gabor 特征提取
• 3.3.2 特征降维及归一化处理
• 3.3.3 人脸特征向量表示
• 3.4 本章小结
• 第4章 分类器选择
• 4.1 分类规则
• 4.2 人工神经网络技术
• 4.2.1 单个神经元模型
• 4.2.2 多层前馈神经网络
• 4.3 传统BP 算法
• 4.3.1 BP 网络的网络结构
• 4.3.2 BP 网络的学习规则
• 4.3.3 BP 网络的训练
• 4.4 改进BP 算法
• 4.4.1 传统BP 算法的缺点
• 4.4.2 改进BP 算法的原理
• 4.4.3 改进BP 算法与传统BP 算法的对比
• 4.5 本章小结
• 第5章 测试结果
• 5.1 制作训练样本库
• 5.2 Gabor 小波与神经网络的结合
• 5.3 多目标识别测试
• 5.4 测试结果与分析
• 5.5 测试结果与对比
• 5.6 本章小结
• 结论
• 致谢
• 参考文献
• 攻读学位期间取得学术成果