基于子空间的人脸识别系统研究

论文摘要

利用生物特征进行身份识别的技术已经被广泛使用于我们生活中的各个领域。与其他生物特征识别技术相比，人脸识别是一种远距离，用户非配合状态下的快速身份识别技术，现在已经成为生物识别技术的研究趋势和热点。人脸识别技术涉及数字图像处理、模式识别、计算机技术和心理学等多个科学领域，具有重要的科学研究价值和应用价值。本文系统性的研究了人脸识别的相关理论，提出了一种基于图像细节增强的PCA方法，并设计了一个人脸识别系统。主要工作如下：1.深入研究了人脸检测的Adaboost算法原理和分类器的训练过程，并在PC上实现了基于Adaboost的静态图像人脸检测与定位。2.学习和研究了关于人脸识别的预处理方法，包括几何归一化、灰度归一化和二值化。预处理的方法主要是基于图像处理。3.本文主要研究的是基于子空间的人脸识别算法，包括PCA和LDA。在PCA算法的基础上，提出了一种细节增强PCA算法。细节增强PCA算法融合了局部方差的图像增强处理算法和直方图均衡化方法，这种方法既能改善图像的动态范围又可以增强局部细节，通过在ORL和YALE人脸数据库上进行的实验表明，细节增强方法可以提高识别率并且对光照和表情具有一定的鲁棒性。研究了PCA和LDA算法的原理，为了解决LDA算法遇到的小样本问题，在2DPCA和Fisherface的基础上设计了人脸识别混合算法—2DPCA+LDA方法。实验结果表明细节增强2DPCA+LDA的方法可以提高识别率。4.设计了一个人脸识别系统，包括训练和识别功能模块，并测试了系统的功能性和识别效果。测试表明此系统可以满足人脸识别系统的一般要求。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 人脸识别研究的历史和现状
• 1.3 人脸识别系统
• 1.4 人脸识别算法
• 1.4.1 子空间方法
• 1.4.2 非子空间方法
• 1.5 主要研究内容及章节安排
• 第二章 人脸检测和预处理
• 2.1 引言
• 2.2 人脸检测方法
• 2.2.1 基于底层特征的人脸检测
• 2.2.2 基于机器学习的人脸检测
• 2.3 基于 Adaboost 方法的人脸检测
• 2.3.1 Haar 特征
• 2.3.2 Adaboost 算法训练
• 2.3.3 基于 Adaboost 算法的人脸检测过程
• 2.4 人脸的预处理算法
• 2.4.1 几何归一化
• 2.4.2 灰度归一化
• 2.4.3 图像二值化
• 2.5 人脸图像数据库
• 第三章 基于子空间的人脸识别混合算法
• 3.1 引言
• 3.2 PCA 人脸识别算法
• 3.2.1 K-L 变换
• 3.3 2DPCA 人脸识别算法
• 3.3.1 2DPCA 的基本原理
• 3.3.2 PCA 与 2DPCA 的比较
• 3.4 细节增强 PCA 算法
• 3.5 基于子空间的人脸识别混合算法
• 3.5.1 线性判别分析法（LDA）
• 3.5.2 基于 PCA 和 LDA 的人脸识别
• 3.5.3 基于 2DPCA 与 LDA 的人脸识别
• 第四章 实验设计与结果分析
• 4.1 实验环境与数据库
• 4.2 实验设计与结果分析
• 4.2.1 ORL 数据库人脸识别实验
• 4.2.2 YALE 数据库人脸识别实验
• 4.2.3 识别时间比较
• 4.2.4 新算法在自建人脸库上的检验
• 4.3 实验结论
• 第五章 人脸识别系统设计
• 5.1 系统开发和运行环境
• 5.2 视频捕获
• 5.3 采用的人脸检测和识别算法
• 5.4 系统框架
• 5.4.1 训练
• 5.4.2 识别
• 5.5 人脸识别系统测试
• 5.6 系统测试结果
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读硕士期间发表的论文及所取得的研究成果
• 致谢