统计人脸识别系统的研究

论文题目: 统计人脸识别系统的研究

论文类型: 硕士论文

论文专业: 信号与信息处理

作者: 黄轩宇

导师: 吴乐南

关键词: 人脸识别,变换,奇异值特征向量,贝叶斯

文献来源: 东南大学

发表年度: 2005

论文摘要: 人脸识别技术是模式识别与人工智能的研究热点之一。在生物特征识别中,人脸识别占有极为重要的地位。它在访问控制、司法应用、电子商务和视频监控等领域都有广泛的应用。人脸识别的过程主要分为三个阶段,即预处理、特征提取、分类。随具体应用的不同,预处理的方法和难度也会有所不同。特征提取是识别过程的核心,特征的有效性直接影响到分类的速度和识别的性能。本文主要从统计模式识别的角度出发,来研究人脸图像的特征提取问题。本文分析并比较了5种人脸识别技术:基于表征的PCA特征脸识别方法、基于辨别特征的LDA识别方法、基于奇异值特征向量的识别方法、基于Gabor变换特征的识别方法和贝叶斯识别方法。在基于表征的PCA特征脸识别方面,我们首先分析了KL变换,了解其重建性能,也分析了人脸周围附属物对识别性能的影响。我们在几个标准人脸库上(包括ORL,Yale和Manchester人脸库)的实验取得了较好的效果。在这个基础上,我们研究了类均值脸的识别性能,无论是数值计算还是识别性能,都具有较好的稳定性。并且发现均值PCA可以用较少的特征达到传统PCA的水平。PCA是经典的图像处理方法,它并不是专门用于识别分类的。作为模式识别中的经典方法,Fisher准则使类内散布S_w最小,而类间散布S_b最大,可以将原来的多个模式在新的空间中最好的分开。但是一般情况下,不能直接将Fisher引入人脸识别,因为其存在小样本问题。我们用两种方法来解决:第一个解决方案是先将数据在PCA空间上降维,在降维后的空间上直接运用Fisher方法。另一个方法就是先求得S_w的零空间,分析这个零空间以得到投影矩阵。由于Fisher辨识空间一般是非正交的,特征信息之间有冗余。我们通过Gram-Schmidt正交化法则求得一个正交的辨识空间,试验表明,基于Fisher辨识的方法能比传统PCA获得更好的效果。在人脸识别中,最重要的是提取出对识别最有用的信息,由于Gabor函数和人眼识别特性的相似性,Gabor变换被应用到人脸识别中来。本文首先回顾了Gabor小波编码的一些问题,然后探讨了空频域采样的情况。在文中,我们认为不同频带的辨别信息是不同的,低频分量中较丰富,而高频分量中较少。基于这种考虑,我们提出一种非均匀的采样模式,识别结果证明了这种模式的优越性。奇异值特征向量由于具有很好的代数和几何不变性,它也可以作为一个很好的分类特征。我们用图像的奇异值特征向量来代替它的像素表示,在特征值向量上运用PCA和LDA识别方法,获得了比在像素级别上识别更好的效果。贝叶斯方法是模式识别中的最优方法,Pentland在他的论文中将其运用到人脸识别中去。通过建立一个类内差异人脸库和一个类间差异人脸库,他把识别问题转化为图像之差属于哪个人脸库的问题。本文简化了最初的贝叶斯匹配得分公式,获得两个新的相似度计算公式,在这之上进行的实验证明了该方法的优越性。

论文目录:

摘要

ABSTRACT

第一章 绪论

1.1 研究背景

1.2 人脸识别的应用领域

1.3 人脸识别大规模应用的主要难点

1.4 人脸识别的发展及现状

1.5 如何进行人脸识别---人脸识别的步骤及方法

1.5.1 人脸的图像表示

1.5.2 人脸的检测与定位

1.5.3 图像预处理

1.5.4 特征提取

1.5.5 分类器

1.6 统计人脸识别的含义及性能评估

1.7 本文的主要工作及结构安排

第二章 基于KL 变换的PCA 人脸识别方法

2.1 引言

2.2 数据向量的有限KL 展开

2.3 采用KL 变换的分类特征提取

2.3.1 按模式总体的协方差矩阵作KL 变换

2.3.2 按模式的类内散布矩阵作KL 变换

2.3.3 按类间距离的KL 变换

2.4 基于KL 变换的特征脸识别方法

2.4.1 特征脸的计算

2.4.2 用特征脸进行识别

2.4.3 实验

2.5 均值PCA 方法

2.5.1 均值PCA 生成矩阵的计算

2.5.2 实验

2.6 小结

第三章 基于Fisher 辨别的人脸识别方法

3.1 引言

3.2 两类问题的Fisher 判别

3.2.1 Fisher 鉴别向量

3.2.2 最优鉴别平面

3.3 多类问题的Fisher 判别

3.4 基于PCA 的Fisher 线性判别人脸识别

3.4.1 投影矩阵推导

3.4.2 实验

3.5 基于矩阵对角化的Fisher 线性判别人脸识别

3.5.1 投影矩阵推导

3.5.2 实验

3.6 辨识空间的正交化

3.7 小结

第四章 基于Gabor 变换域的人脸识别

4.1 引言

4.2 小波描述人脸特征的优点

4.3 Gabor 变换应用于人脸识别领域的优点

4.4 Gabor 变换

4.5 Gabor 小波的选取

4.6 实验

4.6.1 图像的Gabor 表示

4.6.2 实验结果

4.7 小结

第五章 基于奇异特征值的人脸识别

5.1 引言

5.2 奇异特征值向量

5.2.1 奇异值特征向量的提取

5.2.2 奇异特征值向量的重要性质

5.3 基于奇异特征值向量的人脸识别技术

5.3.1 基于奇异值特征向量的PCA 人脸识别方法

5.3.2 基于奇异值特征向量的LDA 人脸识别方法

5.4 实验

5.5 小结

第六章 贝叶斯人脸识别方法

6.1 引言

6.2 传统贝叶斯上的判别公式推导

6.3 贝叶斯公式的简化

6.3.1 公式的推导

6.3.2 具体的计算

6.4 实验

6.5 小结

结束语

致谢

参考文献

附录 人脸图像库简介

发布时间: 2007-06-11

参考文献

• [1].基于Gabor小波与PCA的人脸识别研究[D]. 温红艳.昆明理工大学2011
• [2].基于Gabor小波和PCA相结合的人脸识别算法研究[D]. 黄三妹.湖南师范大学2015
• [3].基于PCA和二维Gabor小波变换的人脸识别[D]. 韩子硕.西安科技大学2014
• [4].基于Gabor小波的2DPCA+PCA人脸识别算法设计与实现[D]. 韩幼宁.东北大学2012
• [5].基于Gabor小波的人脸识别方法及应用[D]. 欧阳文.兰州理工大学2013
• [6].基于环形对称Gabor变换子空间的人脸识别[D]. 王进军.山东大学2009
• [7].基于Gabor特征的人脸识别[D]. 邢金星.河北师范大学2013
• [8].基于能量的局部Gabor特征人脸识别[D]. 马妍妍.青岛理工大学2013
• [9].基于Gabor特征的人脸识别方法[D]. 牟海军.中南民族大学2013
• [10].基于特征的Gabor小波人脸识别算法改进[D]. 俞燕.江苏大学2010

相关论文

• [1].人脸识别中光照预处理方法研究[D]. 杜波.中国科学院研究生院（计算技术研究所）2005
• [2].基于神经网络的人脸识别算法研究[D]. 袁崇涛.大连理工大学2006
• [3].人脸识别技术的研究与实现[D]. 杨春晖.大连理工大学2006
• [4].人脸识别系统中关键问题研究[D]. 金蒙.天津大学2006
• [5].人脸识别技术及应用研究[D]. 李波.西安电子科技大学2007
• [6].改进的加权主成分分析算法实现人脸识别[D]. 白小曼.北京交通大学2006
• [7].人脸识别技术研究[D]. 温福喜.西安电子科技大学2007
• [8].基于统计学习的人脸识别方法研究[D]. 王华华.上海交通大学2007
• [9].关于人脸识别系统中的PCA算法[D]. 马晓普.电子科技大学2004
• [10].人脸识别系统的研究与实现[D]. 黄朝兴.西南交通大学2006

标签：人脸识别论文;  变换论文;  奇异值特征向量论文;  贝叶斯论文;