线性子空间人脸识别方法的研究与仿真

论文摘要

由于计算机人脸识别技术具有广阔的应用前景,对计算机人脸识别方法和技术的研究已经成为国内外模式识别领域内研究的热点。本文从人脸特征提取角度,对当前一些较新的人脸识别方法进行了讨论分析,并给出了相应的改进算法该文研究了基于图像矩阵的特征提取问题,并提出新的图像矩阵特征提取方法,即2DMMC plus 2DFDA鉴别矢量集人脸识别方法。同时,本文利用了基于图像矩阵的2DMMC准则获得行和列方向最优鉴别矢量集,再同时对人脸图像矩阵压缩方法即（ （2D）2MMDA）,对此方法进行探索和研究。人脸识别仿真试验证明本文提出（2D）2MMDA的方法具有较高的识别率和较好的稳定性。该文通过分块PCA （Modular PCA）的思想--直接从人脸图像矩阵出发,在模式识别之前,先对图像矩阵进行分块,对分块得到的子图像矩阵使用主成分分析进行鉴别分析。在此基础上,本文提出了分块MMC（Modular MMC,MMMC）。其大体思想和分块PCA（MPCA）相似,但其加入类别信息,使鉴别轴更具有鉴别性。在ORL人脸库上检验了这种方法的识别性能,实验结果表明这种方法MMMC抽取的鉴别特征有较强的鉴别能力。该文深入研究了人脸识别的独立成份分析方法。首先,研究了线性特征提取情况下的独立成份分析及其在人脸识别中的应用,通过理论分析和仿真试验,探索了独立成份分析人脸识别方法的理论本质和识别性能。在此基础上,本文提出了一种新形式的核独立成份分析算法并应用于人脸识别问题。在大型人脸库上的仿真试验证明了本文提出的方法不仅具有有效性,且在一定程度上优于已有的核独立成份分析人脸识别算法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的提出
• 1.2 课题研究的意义
• 1.3 子空间人脸识别方法概述
• 1.3.1 线性子空间人脸识别方法概述
• 1.3.2 非线性子空间方法概述
• 1.4 课题研究的具体内容
• 第二章 基于图像子模式鉴别矢量集的人脸识别
• 2.1 引言
• 2.2 基于图像主成份分析的人脸识别方法
• 2.3 基于图像矩阵2DMMC PLUS 2DFDA 方法
• 2.3.1 2DMMC 的思想和算法
• 2.3.2 2DMMC plus 2DFDA 算法实现
• 2.3.3 基于图像矩阵的2DMMC plus 2DFDA 算法
• 2.3.4 实验与分析
• 2.3.5 结论
• 2.4 双向压缩的二维特征提取算法
• 2.4.1 二维投影特征提取
• 2MMDA 的算法'>2.4.2 （2D）²MMDA 的算法
• 2.4.3 特征提取的算法和分类
• 2.4.4 实验与分析
• 2.4.5 结论
• 第三章 分块理论的应用
• 3.1 引言
• 3.2 分块PCA 的思想
• 3.3 分块MMC
• 3.3.1 矢量MMC 的思想
• 3.3.2 分块MMC 的思想
• 3.3.3 特征提取
• 3.3.4 分类
• 3.3.5 实验结果与分析
• 3.3.6 结论
• 第四章 人脸识别的ICA 方法
• 4.1 引言
• 4.2 人脸识别的ICA 方法概述
• 4.2.1 独立成份分析（ICA）的基本概念
• 4.2.2 如何使用ICA 进行人脸识别
• 4.2.3 试验与分析
• 4.2.4 结论
• 4.3 非线性ICA 进行人脸识别
• 4.3.1 核ICA 算法概述
• 4.3.2 基于第一种架构的KICA
• 4.3.3 试验与结果分析
• 4.3.4 结论
• 结束语
• 参考文献
• 硕士期间发表的文章
• 详细摘要