线性特征提取及其在人脸识别中的应用

论文摘要

本论文主要研究了线性特征提取在人脸识别中的应用,论文首先概述了人脸识别的研究背景和常见的人脸识别技术,给出了人脸识别系统模块的设计框架,并介绍了各种特征提取的方法及应用特点。本文重点研究了近年来人脸识别领域中有关线性特征提取的主要方法,即PCA和LDA方法。首先对它们所基于的K-L变换原理及Fisher判别准则做了详细的介绍。其次研究了主成分分析（PCA）与线性判别分析（LDA）的线性特征提取方法,及它们在人脸识别中的应用情况。最后对文中讨论的上述方法的有效性,用ORL人脸数据进行了实验验证,结果表明,PCA和LDA方法是基本可行的,文中完成的系统也具有较好的实验结果。论文还对PCA和LDA方法的实验结果做了比较分析,结果表明在系统训练样本数相等的情况下,基于LDA算法的人脸识别系统的正确识别率要比基于PCA算法的人脸识别系统的正确识别率要高。因为虽然使用PCA方法和LDA方法都能大大降低原始特征空间的维数,然而,PCA方法得到的特征是最佳描述特征而不是最佳判别特征。最后,对人脸识别的发展趋势也做了简单的介绍。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 本论文的研究背景
• 1.2 人脸识别技术的研究现状
• 1.3 本论文的主要内容介绍
• 第二章 人脸识别技术介绍
• 2.1 人脸识别技术概述
• 2.2 人脸特征提取和识别方法介绍
• 2.3 人脸识别系统介绍
• 第三章 常用线性特征提取方法的相关原理
• 3.1 常用线性特征提取方法介绍
• 3.2 Fisher线性判别分析的基本原理
• 3.3 K-L变换的基本原理
• 第四章 LDA与PCA在人脸识别系统中的应用
• 4.1 基于PCA算法人脸识别系统的实现
• 4.2 基于LDA算法人脸识别系统的实现
• 4.3 实验结果分析与对比
• 第五章 总结与展望
• 参考资料
• 致谢