基于DCT和RBF神经网络的人脸识别系统

论文摘要

人脸识别是生物识别技术中的一种。与其他生物识别技术不同,人脸识别具有使用者友好和可以被大量应用的显著优点,而这也使得它成为模式识别的一个具有挑战性的课题。人脸识别覆盖了图像处理、模式识别、计算机视觉和神经网络等多个领域的内容。由于快速增长的应用需求以及神经网络、小波分析、计算机图形学和计算机视觉等技术的发展,人们对人脸识别的兴趣不断升温,研究工作也异常活跃。当前,许多针对人脸识别的方法已经被提了出来,并且它们也都取得了一定的成绩,但是对于计算机来说,要想快速、准确地识别出一张人脸,仍然是一个较为困难的任务。特别是在多变的环境里,比如有光照的变化、姿势的变化、表情的变化、是否戴有遮饰物等等,更加要求识别算法具有良好的鲁棒性。同时,人脸本身之间的相似性,以及不可预测的变化则进一步给识别工作带来了困难。本文提出了基于离散余弦变换（DCT）、fisher线性判别（FLD）和径向基神经网络（RBF）的识别方法,将由DCT+FLD变换得到的整体特征加上精心选取的局部特征,共同组成最能表征人脸的特征向量送进RBF神经网络进行学习和分类。从DCT的低频系数中选取的特征集中了人脸大部分的信息量,经由FLD最佳投影将这些特征尽可能地分开,便得到了具有较好鲁棒性的整体特征;而精心选取的局部特征则弥补了整体特征在区分人脸之间相似性方面的不足。最后的RBF神经网络分类器不仅结构简单、速度快而且准确率也比较高,使得本文提出的方法相应地具有了识别速度快,识别率较高的特点。实验表明,本文提出的方法在速度快和识别率高之间提供了一个很好的折衷。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 人脸识别的背景及研究意义
• 1.2 国内外研究现状
• 1.2.1 理论方面的发展现状
• 1.2.2 应用方面的发展现状
• 1.3 人脸识别系统及评价指标
• 1.4 研究目的和研究内容
• 1.4.1 研究目的
• 1.4.2 研究内容
• 2 人脸特征提取
• 2.1 主要的降维技术
• 2.2 离散余弦变换（DCT）
• 2.1.1 DCT 的定义
• 2.1.2 DCT 的重要性质
• 2.3 fisher 线性判别
• 2.3.1 一维fisher 线性判别
• 2.3.2 多维fisher 线性判别
• 2.4 DCT＋FLD 方法的优缺点
• 2.5 人脸的局部特征提取
• 3 RBF 神经网络的基本原理
• 3.1 人工神经网络发展概要
• 3.2 人工神经网络的特点
• 3.3 RBF 神经网络的基本原理
• 3.3.1 RBF 神经网络的基本结构
• 3.3.2 RBF 神经网络隐含层的学习
• 3.4 对网络结构和中心选择的改进
• 3.5 RBF 神经网络的泛化能力
• 3.5.1 结构复杂性
• 3.5.2 样本质量和数量
• 3.5.3 先验知识
• 3.5.4 初始的权值
• 3.5.5 训练时间
• 3.6 RBF 神经网络的优点及问题
• 4 基于 DCT 和 RBF 神经网络的人脸识别系统
• 4.1 系统描述
• 4.2 人脸数据库
• 4.3 人脸特征提取
• 4.3.1 提取整体特征
• 4.3.2 提取局部特征
• 4.3.3 特征个数的确定
• 4.4 RBF 神经网络分类器
• 4.4.1 为什么选择RBF
• 4.4.2 实验平台
• 4.4.3 RBF 参数的优化
• 4.4.4 仿真结果和分析
• 5 总结
• 致谢
• 参考文献
• 附录