融合局部线性嵌入与线性判别分析的人脸识别技术研究

论文摘要

人脸识别技术在近十几年来成为图像处理与模式识别领域的一个研究热点,不但在理论研究上具有挑战性,而且在现实生活中具有广阔的应用前景与应用市场。局部线性嵌入为人们处理非线性降维问题提供了一种新鲜的思路,它能提供高维数据的低维紧致坐标表示,从而为我们研究高维数据带来极大的帮助,作为一种降维工具,在人脸识别研究领域具有很大的应用潜力。本文的研究主要是围绕融合非线性与线性特征的人脸识别方法展开。鉴于线性方法存在的忽略数据内在结构信息,不能较好地挖掘出非线性结构的缺点,本文提出融合LLE与LDA的人脸识别方法。首先,将样本集与测试集中的图像分别求取其线性与非线性人脸特征;其次,为了提取更有利的人脸识别信息,利用当前的特征融合技术,将由流形学习算法LLE提取的局部非线性特征与LDA提取的全局线性特征融合在一起,扬长避短发挥各自的优势;最后,根据所选样本集的融合特征,选择匹配度最大的分类特征值作为分类结果输出。本文提出的融合LLE与LDA的人脸识别方法,实现了将人脸的非线性与线性特征的融合。由于既加入了线性特征又加入了非线性特征,因此,研究发现融合LLE与LDA的人脸识别系统的识别率比单独使用LLE,LDA或将两种方法进行简单组合的方法有显著提高。

论文目录

• 论文摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景及意义
• 1.2 国内外在该领域的研究
• 1.3 两种人脸识别方法简介
• 1.3.1 特征脸方法
• 1.3.2 流形学习方法
• 1.4 论文主要工作与研究内容
• 1.4.1 论文的主要工作与特点
• 1.4.2 论文的组织结构
• 第二章 特征提取
• 2.1 流形学习算法
• 2.1.1 流形学习方法介绍
• 2.1.2 谱分析方法介绍
• 2.1.3 局部线性嵌入方法
• 2.2 线性判别分析
• 2.2.1 LDA 基本原理
• 2.2.2 LDA 算法内容
• 第三章 融合线性与非线性特征
• 3.1 特征融合理论与研究现状
• 3.2 特征融合
• 3.2.1 特征融合匹配度介绍
• 3.2.2 特征融合方法介绍
• 3.3 本系统特征融合过程
• 第四章 实验结果及其分析
• 4.1 人脸库简介
• 4.2 人脸库规一化过程
• 4.3 LLE 与LDA 进行特征融合
• 4.3.1 实验参数选取
• 4.3.2 算法可行性验证
• 4.3.3 融合方法性能比较
• 4.4 LLE 邻域参数的研究
• 4.4.1 邻域选取方法
• 4.4.2 邻域选取影响
• 4.4.3 测试数据处理
• 4.4.4 算法距离改进
• 第五章 总结与展望
• 攻读研究生期间发表的论文
• 致谢
• 参考文献