基于非采样Contourlet变换的人脸识别技术研究

论文摘要

人脸识别是生物特征识别中的一项关键技术,在模式识别、图像处理和计算机视觉中已经成为一个十分重要的研究方向,研究识别率高的人脸识别算法具有重要的理论研究意义和商业应用价值。伴随着信息技术的发展,人脸识别技术在身份识别、公共安全、人机交互、智能空间和视频监控等领域发挥着越来越重要的作用。本文首先研究了基于Contourlet变换(Contourlet Transform, CT)的人脸识别技术。利用Contourlet变换对人脸图像进行分解,得到多尺度和多方向信息的Contourlet系数。研究表明,低频系数能够很好的描绘人脸的基本特征。同时高频系数反映的是图像的轮廓和方向信息,它对于图像的光照变化不是很敏感,具有一定的识别特性。因此,在本文的人脸识别算法中既选择了低频系数也选择了高频系数来进行研究：①选择低频系数和部分高频方向信息作为人脸特征,利用支持向量机(Support Vector Machine, SVM)分类器对提取的人脸特征进行训练和测试,从而实现人脸识别的目标；②选择低频系数和全部高频方向信息作为人脸特征,利用主成份分析(Primary Component Analysis, PCA)对人脸特征进行降维处理,降维之后的人脸特征可以用于人脸识别。实验结果证明,该方法能够有效的提高人脸识别的效率和识别率在上述方法的基础上,本文提出了基于非采样Contourlet变换(Nonsubsampled Contourlet Transform, NSCT)的人脸识别算法。非采样Contourlet变换不仅具有Contourlet变换的性质,同时它还具有平移不变性,能够避免在图像的奇异点处产生伪吉普斯现象,使得分解之后的方向系数更加准确。由于NSCT是非采样分解,因此图像经过NSCT分解之后得到的系数特征维数比原来图像的维数大很多。为了解决维数过高的问题,本文利用小波融合技术将NSCT分解之后的低频系数和高频系数融合到一起,这样可以有效地解决人脸特征维数过高的问题。将小波融合之后的人脸特征进行SVM训练和测试,从而实现了人脸识别算法。实验结果表明,该方法具有很好的人脸识别率。同样,将小波融合之后的人脸特征进行PCA处理也取得了很好的效果。综上所述,本文在研究了基于Contourlet变换的人脸识别方法之后,提出了基于NSCT的人脸识别方法。新方法在ORL人脸库和YALE人脸库上均取得了理想的实验效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 人脸识别技术的应用及发展
• 1.3 人脸识别方法及国内外研究现状
• 1.3.1 人脸识别方法概述
• 1.3.2 国内外研究现状
• 1.4 本文主要工作与论文组织结构
• 1.4.1 本文的主要工作
• 1.4.2 论文组织结构
• 第二章 Contourlet变换的基本原理
• 2.1 Contourlet变换
• 2.1.1 拉普拉斯金字塔分解
• 2.1.2 迭代方向滤波器组
• 2.1.3 多尺度和多方向分解:离散Contourlet变换
• 2.2 Contourlet和多方向多分辨率分析
• 2.2.1 多尺度分析
• 2.2.2 多方向性分析
• 2.3 Contourlet变换的性质
• 2.4 非采样Contourlet变换
• 2.4.1 非采样金字塔（NSP）
• 2.4.2 非采样方向滤波器组（NSDFB）
• 2.4.3 NSCT中NSP与NSDFB的结合
• 2.5 本章小结
• 第三章 人脸识别算法
• 3.1 基于Contourlet变换的人脸识别方法
• 3.1.1 基于Contourlet变换与支持向量机的方法
• 3.1.2 基于Contourlet变换与主成份分析的方法
• 3.2 基于非采样Contourlet变换的人脸识别方法
• 3.2.1 基于非采样Contourlet变换与支持向量机的方法
• 3.2.2 基于非采样Contourlet变换与主成份分析的方法
• 3.3 本章小结
• 第四章 实验结果及分析
• 4.1 人脸数据库的准备
• 4.2 实验环境
• 4.3 实验结果和分析
• 4.3.1 Contourlet变换+SVM的方法
• 4.3.2 Contourlet变换+PCA的方法
• 4.3.3 非采样Contourlet变换+SVM的方法
• 4.3.4 非采样Contourlet变换+PCA的方法
• 4.4 本章小结
• 第五章 总结与展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 攻读学位期间参与的科研项目情况
• 学位论文评阅及答辩情况表