基于ICA的人脸识别研究

论文摘要

随着社会发展的需要,各行业对快速有效的身份验证有着迫切的需要。由于生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此人脸识别成为模式识别、图像处理等学科的研究热点。人脸识别过程主要由三部分构成:数据预处理、特征提取和分类识别。本文针对人脸在表情和光照上的变化,重点研究了如何提取有效的人脸特征信息。数据预处理部分主要完成对人脸图像的直方图均衡、白化等处理。这样能有效地改善图像质量,降低计算复杂度,从而有效地提高后续算法的计算速度和收敛速度。在特征提取部分,本文首先采用主分量分析（Principal Components Analysis ,PCA）方法对训练图像进行降维处理,以去除图像的二阶冗余信息,并把PCA处理后的人脸特征空间作为ICA（Independent Component Analysis）方法的输入数据。当训练样本庞大时,训练时间呈指数形式增加,该处理能有效的减少计算量并提高识别率。然后,针对人脸图像的特殊性,采用基于负熵的快速定点ICA（Fast Fixed-point ICA,FastICA）算法来提取人脸的特征信息,该方法有很好的特征表征能力。采用定点迭代的自适应学习方法,计算量小,收敛性好。除此之外,本文提出了KICA（Kernel Independent Component Analysis）方法——一种基于非线性函数空间的ICA方法,用核函数来代替两向量间的内积运算来实现非线性变换,具有更好的灵活性,对于人脸的表情变化和光照变化有很好的鲁棒性。最后,在分类识别上,针对ICA算法提取的人脸特征空间,本文采用了最直接也最常用的最近邻分类器。本文所论述的算法均在Yale人脸库和AR人脸库上进行了Matlab数据仿真,取得了良好的识别效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 人脸识别的发展历史及研究现状
• 1.3 人脸识别的研究内容
• 1.4 人脸识别的难点
• 1.5 人脸识别测试数据库
• 1.6 论文的主要工作和章节安排
• 第2章 预备知识
• 2.1 模式识别概述
• 2.2 特征提取
• 2.3 传统的特征提取方法
• 2.3.1 主分量分析
• 2.3.2 奇异值分解
• 2.3.3 投影追踪
• 2.4 识别方法
• 2.5 相关数学知识
• 2.5.1 概率论知识
• 2.5.2 统计知识
• 2.5.3 信息论知识
• 第3章 独立成分分析（ICA）
• 3.1 独立成分分析的发展简史
• 3.2 独立成分分析的定义
• 3.2.1 盲信号分离问题
• 3.2.2 独立成分分析的线性模型
• 3.2.3 复杂条件下的ICA
• 3.3 基于信息论的独立成分分析算法
• 3.3.1 快速定点ICA 算法
• 3.3.2 Informax 算法
• 3.3.3 互信息最小算法
• 3.3.4 最大似然算法
• 3.4 本章小结
• 第4章 基于ICA 的人脸识别
• 4.1 人脸识别的过程
• 4.2 图像的预处理
• 4.2.1 直方图均衡
• 4.2.2 数据的白化
• 4.3 基于PCA/ICA 的特征提取与选择
• 4.4 分类识别
• 4.5 实验结果及分析
• 4.5.1 Yale 人脸库
• 4.5.2 AR 人脸库
• 4.5.3 实验结论
• 4.6 基于KICA 的人脸识别
• 4.6.1 核方法的基本理论
• 4.6.2 基于KICA 的算法步骤
• 4.6.3 实验结果及分析
• 第5章 总结与展望
• 5.1 论文总结
• 5.2 研究展望
• 致谢
• 参考文献
• 附录 攻读学位期间所发表的学术论文目录