基于核方法和零空间的人脸识别算法的研究

论文摘要

人脸识别技术也就是利用计算机分析人脸图像,进而从中提取出有效的识别信息,用来辨识身份的一门技术。它涉及了图像处理与分析、计算机视觉、人工智能、模式识别及生物学等多个研究领域,研究的成果有着广阔的应用前景。由于人脸图像的特殊性,人脸识别问题也是模式识别领域的一个相当难的问题,要使这一技术完全成熟还有很多工作需要去做。随着社会的发展与技术的进步,人脸识别技术的应用必然会越来越广泛。人脸识别主要包括图像预处理、特征提取和识别三个环节。在图像预处理阶段,首先对人脸图像进行人眼精确定位,然后根据人眼的位置裁剪图像,对裁剪后的图像进行缩放得到标准尺寸的人脸图像,最后进行灰度归一化。图像预处理能在一定程度上去除光照的影响。在进行人眼定位的过程中,采用了基于混合投影的人眼精确定位算法。混合投影函数综合考虑了积分投影函数和梯度投影函数的优点,既能反映出图像的灰度大小,又能反映出灰度沿某一方向的变化情况,具有较强的适应性和准确性。在特征提取阶段,本文系统地介绍了目前经典的人脸识别算法,包括传统主成分分析和Fisher判别分析,以及基于核方法的人脸识别算法,如核主成分分析和核Fisher判别分析等特征提取方法,并着重讨论了核函数的选择及相应的参数设置问题。此外,结合零空间,对特征提取算法进行了研究,能有效地提取有用的判别信息。在分类识别阶段,本文采用了最近邻法和支持向量机对人脸进行分类识别。实验表明,最近邻法能取得较好的分类效果,并得到了广泛的应用。此外,本文还对支持向量机进行了探讨,并将它成功地应用于人脸识别。但其参数调节问题还有待进一步的研究。最后,对预处理后的图像采用主成分分析、Fisher判别分析、核主成分分析、核Fisher判别分析等特征提取方法和最近邻、支持向量机等分类器结合起来进行识别工作。大量实验结果表明,基于混合投影函数的人眼定位方法能有效地去除头发和背景对人脸识别造成的干扰,从而使结合零空间和核Fisher判别分析等人脸识别算法更加有效地提取人脸的判别信息,能大幅度提高人脸的识别率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 人脸识别研究的现状与存在的困难
• 1.2.1 研究的现状
• 1.2.2 存在的主要困难
• 1.3 人脸识别相关技术
• 1.3.1 人脸识别系统概述
• 1.3.2 人脸识别方法简介
• 1.4 本文各章内容安排
• 第2章 人脸图像预处理
• 2.1 引言
• 2.2 人脸图像库
• 2.3 人脸图像的标准化
• 2.3.1 人眼定位
• 2.3.2 图像的几何归一化
• 2.3.3 图像的灰度归一化
• 2.4 本章小结
• 第3章 基于线性子空间的人脸识别算法
• 3.1 引言
• 3.2 基于PCA 的人脸识别
• 3.2.1 PCA 人脸识别方法
• 3.2.2 特征向量的选取
• 3.2.3 距离函数的选取
• 3.2.4 PCA 的优缺点分析
• 3.3 FISHER判别分析人脸识别方法
• 3.3.1 LDA 算法
• 3.3.2 基于Fisher 判别分析的人脸识别
• 3.3.3 Fisher 判别分析法的优缺点分析
• 3.4 基于零空间的FISHER判别分析法
• 3.4.1 零空间法
• 3.4.2 基于零空间的Fisher 判别分析法
• 3.4.3 基于零空间的Fisher 判别分析法的优缺点分析
• 3.5 实验结果分析
• 3.5.1 PCA 中子空间维数和训练样本个数与识别率的关系
• 3.5.2 几种线性特征提取算法的比较分析
• 3.6 本章小结
• 第4章 基于核方法的人脸识别方法
• 4.1 引言
• 4.2 核方法
• 4.3 基于KPCA 的人脸识别方法
• 4.3.1 KPCA 的基本原理
• 4.3.2 KPCA 算法
• 4.3.3 基于KPCA 的人脸识别算法
• 4.3.4 KPCA 的优缺点分析
• 4.4 基于KFDA 的人脸识别方法
• 4.4.1 KFDA 的基本原理
• 4.4.2 KFDA 算法
• 4.4.3 基于KFDA 的人脸识别算法
• 4.4.4 KFDA 的优缺点分析
• 4.5 基于零空间的KFDA 人脸识别方法
• 4.5.1 基于零空间的KFDA 的基本原理
• 4.5.2 基于零空间的LDA 算法
• 4.5.3 基于零空间的KFDA 人脸识别算法
• 4.5.4 基于零空间的KFDA 的优缺点分析
• 4.6 实验结果分析
• 4.6.1 核函数的选择
• 4.6.2 基于核方法的人脸识别算法的分析
• 4.7 本章小结
• 第5章 支持向量机
• 5.1 引言
• 5.2 统计学习理论
• 5.2.1 VC 维
• 5.2.2 结构风险最小化
• 5.3 支持向量机原理
• 5.3.1 支持向量机的基本思想
• 5.3.2 线性可分的情况
• 5.3.3 非线性可分的情况
• 5.3.4 核函数的选择
• 5.4 支持向量机的多类别分类方法
• 5.4.1 1-v-A（一对多）方法
• 5.4.2 1-v-1（一对一）方法
• 5.5 多类SVM 在人脸识别中的应用
• 5.6 实验结果分析
• 5.7 本章小结
• 结论
• 参考文献
• 致谢
• 附录A 攻读学位期间所发表的学术论文目录