基于曲波变换的人脸识别算法研究

论文摘要

由于小波变换的多分辨分析思想在处理面部图像信息时具有较好的效果,因此小波分析广泛的应用在人脸识别领域。然而,一些新的多分辨分析工具如Curvelet变换、Contourlet变换等方法还没有得到重视。Curvelet是近年来提出的一种新的多分辨分析方法,它不仅具有小波变换的多分辨率特性和时频局域特性,还具有非常强的方向性和各向异性,可以很好的提取图像的几何特征。对于解决高维情况,如二维图像的边缘奇异性等具有很好的效果。本文介绍了图像多尺度几何分析的概念,Curvelet变换的基本理论及第一代、第二代Curvelet变换的实现过程。运用实例研究了Curvelet系数的分布特征、能量统计特性。然后做了如下主要工作：首先介绍了现有的人脸识别方法,对于同一个人脸数据库使用主成分分析(PCA)线性判别分析(LDA)等方法进行了分析,并通过仿真实验,比较了它们的优点和存在的问题。其次提出了一种基于Curvelet变换的人脸识别算法。该算法通过以下三个步骤实现：(1)人脸图像的预处理及Curvelet变换系数的特征提取；(2)结合PCA和LDA进行降维处理；(3)对降维后的系数进行分类,进而对人脸进行识别。为了研究表情及光照对人脸识别的影响,分别采用了ORL与Yale人脸数据库,将该算法与小波变换的识别结果进行了对比。实验结果表明,Curvelet变换后的低频分量系数可以很好的反映人脸的姿态不变性和面部特征,与基于小波变换的人脸识别算法相比,该算法具有更高的识别率。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景与研究意义
• 1.1.1 生物特征识别技术
• 1.1.2 人脸识别的特点
• 1.1.3 人脸识别的应用领域
• 1.1.4 国内外公用的二维人脸库
• 1.2 人脸识别技术的研究现状
• 1.2.1 弹性图匹配方法
• 1.2.2 神经网络方法
• 1.2.3 隐马尔可夫方法
• 1.2.4 特征脸识别方法
• 1.2.5 基于小波变换方法
• 1.3 本文的主要研究内容及安排
• 第2章 人脸识别系统概述
• 2.1 人脸识别中的关键问题
• 2.1.1 光照问题
• 2.1.2 姿态估计与匹配
• 2.1.3 时间变化特征的提取与消除
• 2.2 人脸检测与定位
• 2.2.1 基于知识的人脸检测方法
• 2.2.2 基于模板匹配的检测方法
• 2.2.3 基于统计模型的人脸检测方法
• 2.3 人脸的特征提取方法
• 2.3.1 基于几何特征的提取方法
• 2.3.2 基于代数特征的提取方法
• 2.4 几种人脸识别方法研究与实现
• 2.4.1 基于主成份分析（PCA）的人脸识别方法
• 2.4.2 基于Fisher鉴别分析（LDA）的人脸识别方法
• 2.4.3 基于独立成份分析（ICA）的人脸识别方法
• 2.4.4 基于小波变换在人脸识别中的应用
• 2.5 本章小结
• 第3章 Curvelet变换理论
• 3.1 图像的多尺度分析方法
• 3.1.1 自适应方法
• 3.1.2 非自适应方法
• 3.2 第一代Curvelet变换
• 3.2.1 Radon变换
• 3.2.2 Ridgelet变换
• 3.2.3 第一代Curvelet变换
• 3.3 第二代Curvelet变换
• 3.3.1 连续Curvelet变换
• 3.3.2 离散Curvelet变换
• 3.3.3 第二代离散Curvelet变换的实现
• 3.4 CurveIet变换的系数分析
• 3.5 本章小结
• 第4章 基于Curvelet变换的人脸识别算法实验
• 4.1 图像预处理
• 4.1.1 ORL人脸数据库简介
• 4.1.2 Yale人脸数据库简介
• 4.1.3 图像预处理主要方法
• 4.2 基于Curvelet变换的特征脸提取
• 4.3 基于PCA+LDA方法人脸识别流程
• 4.3.1 PCA方法的人脸识别流程
• 4.3.2 LDA方法的人脸识别流程
• 4.3.3 PCA+LDA方法的人脸识别流程
• 4.4 实验结果分析
• 4.4.1 ORL人脸库的实验结果
• 4.4.2 Yale人脸库的实验结果
• 4.4.3 对比实验分析
• 4.4.4 结论
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢