基于特征的Gabor小波人脸识别算法改进

论文摘要

人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一,它在公共安全、信息安全、人机交互等领域中有着广泛的应用前景。一般来说,人脸识别系统包括人脸检测、特征点定位、图像预处理、人脸特征提取以及人脸识别。本文在前人的基础上,对相关问题进行了的研究,主要做了以下工作:(1)首先介绍了人脸识别研究的背景和意义,简述了人脸识别技术发展历程,以及在国内外的研究与发展的现状。然后从人脸识别系统构建入手,讨论了整个人脸识别过程中的各个主要步骤,对各环节所需的技术、算法作了介绍和研究。(2)在人脸特征提取阶段,针对二维Gabor小波变换后特征集合维数过高、识别时间无法满足实时性要求的问题,本文提出一种改进算法:首先利用分块采样与顺序浮动前进法对特征采样点进行筛选,然后对Gabor人脸表示的特征集合进行特征重组得到40个特征矩阵,并利用主成分分析(PCA)算法进行降维降噪处理,最后通过构造支持向量机(SVM)分类器来识别人脸。(3)通过在ORL和Yale人脸库上的实验证明,与传统基于二维Gabor小波的算法相比,识别速度得到大幅的提高,并能够有效解决人脸识别中“小样本”情况下识别率不高的问题。同时此算法对特征提取过程中使用的PCA和SVM算法的参数选择具有很好的系统鲁棒性,这一特点不仅在一定程度上解决了SVM核参数选择难的问题,还使本文算法的应用范围更加广阔。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 人脸识别技术发展历程
• 1.3 在国外的研究与发展的现状
• 1.4 在国内的研究与发展的现状
• 1.5 人脸识别系统简介
• 1.5.1 人脸识别分类
• 1.5.2 人脸识别系统
• 1.6 人脸识别相关学术资源
• 1.6.1 人脸识别图像库
• 1.6.2 其他相关学术资源
• 1.7 本文的研究内容及结构安排
• 第二章 人脸的检测与跟踪
• 2.1 人脸跟踪定位
• 2.1.1 帧差法
• 2.1.2 基于运动目标预测的人脸跟踪
• 2.1.3 基于模型的人脸跟踪
• 2.1.4 基于人脸局部特征的人脸跟踪
• 2.2 人脸的检测
• 2.3 基于Adaboost算法的人脸检测
• 2.3.1 Adaboost算法概述
• 2.3.2 基于Adaboost算法的人脸检测的系统
• 第三章 人脸特征点的定位以及人脸标准化
• 3.1 人脸面部特征点定位意义
• 3.2 人脸特征点定位主要技术及分类
• 3.2.1 基于先验规则的方法
• 3.2.2 基于几何特征的方法
• 3.2.3 基于模型的方法
• 3.3 人眼特征点精确定位意义
• 3.4 眼睛特征识别的经典算法
• 3.4.1 灰度积分投影算法
• 3.4.2 基于边缘提取及Hough变换的提取算法
• 3.4.3 快速旋转对称变换人眼定位算法
• 3.4.4 模板匹配法
• 3.5 基于Adaboost算法和投影峰的眼睛定位方法
• 3.5.1 人眼区域粗定位
• 3.5.2 图象预处理
• 3.5.3 眼睛的精确定位
• 3.6 人脸的标准化
• 3.6.1 旋转
• 3.6.2 人脸图像剪裁
• 3.6.3 人脸图像缩放
• 3.6.4 插值处理
• 3.6.5 人脸图像灰度归一化
• 3.6.6 人脸图像Mask
• 第四章 基于改进的Cabor人脸特征提取与人脸识别方法
• 4.1 人脸识别特征提取一般方法
• 4.1.1 几何特征的提取
• 4.1.2 统计特征的提取
• 4.1.3 代数特征的提取
• 4.1.4 频域特征的提取
• 4.2 Gabor小波特征提取
• 4.2.1 二维Gabor小波变换
• 4.2.2 二维Gabor小波参数影响
• 4.2.3 人脸的Gabor表示
• 4.2.4 人脸图像Gabor表示的优点和不足
• 4.3 特征采样点选取的改进
• 4.3.1 分块采样
• 4.3.2 顺序浮动前进法筛选特征采样点
• 4.4 重组二维Gabor提取的特征
• 4.5 应用PCA算法对特征集合降维降噪处理
• 4.6 基于SVM的人脸识别
• 4.6.1 最优分类面
• 4.6.2 SVM
• 4.6.3 SVM的核函数
• 4.6.4 多类支持向量机算法
• 4.6.5 构造SVM分类器识别人脸
• 第五章 基于Gabor特征改进算法的实验结果及分析
• 5.1 实验采用人脸库介绍
• 5.2 实验主要流程
• 5.2.1 人眼精确定位以及人脸标准化
• 5.2.2 人脸图片特征提取与识别
• 5.2.3 k重交叉验证法和留一法
• 5.3 实验结果及分析
• 实验1: 顺序浮动前进法（SFFS）筛选特征采样点
• 实验2: SRPSVM识别方法与传统基于Gabor变换识别算法的比较
• 实验3: SRPSVM算法相关参数选择试验
• 实验4: SRPSVM在小样本情况下的试验结果
• 第六章 总结与展望
• 致谢
• 参考文献
• 攻读学位期间发表的论文