基于小波变换的加权人脸识别方法的研究

论文摘要

人脸识别因其在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、系统公安(罪犯识别等)等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。但是人脸识别技术(FRT)在实际应用中仍面临着很严峻的问题,因为人脸五官的分布是非常相似的,而且人脸本身又是一个柔性物体,表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。本文针对人脸识别中难以克服的表情影响识别率这一点,将小波变换应用于分割后的人脸,该方法减少了表情变化对识别率的影响。由于人脸检测是人脸识别的重要前期工作,本文分析了当前人脸检测的常用方法。而图像的预处理是确保整个系统准确工作的基础,没有这个可靠的基石就无法顺利完成后面庞大的识别过程。针对该处理阶段,本文给出了图像预处理的几种基本方法,包括图像归一化、光照补偿、灰度变换、二值化、边缘检测及其处理后的效果图像。本文针对人脸识别中难以克服的表情影响,将小波变换应用于分割后的人脸,该方法首先把人脸图像分成上中下三部分,并对各个部分分别进行小波变换,有效地将各个部分图像进行降维,留下其中的低频分量和水平高频分量,去除识别率低的垂直高频分量和斜线高频分量。然后将人脸分割图像的上中下三部分各自对应的低频分量和水平高频分量并行进行特征脸识别,得出识别结果,最终对每张人脸图像低频分量和水平高频分量的上中下三部分的识别结果分别加权求和,根据取不同权值时的识别效果最后得出最佳权值,并且最终确定识别效果最好的一组分量。试验证明,和传统方法相比,该方法具有良好的抗畸变能力。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的背景与研究现状
• 1.1.1 人脸识别与生物特征识别
• 1.1.2 人脸识别的特点
• 1.1.3 人脸识别的研究现状
• 1.2 人脸识别的应用
• 1.3 本文工作概要
• 2 人脸识别理论综述
• 2.1 概述
• 2.1.1 人脸检测问题的分类
• 2.1.2 人脸检测算法概述
• 2.1.3 人脸识别算法概述
• 2.2 小波变换的基础理论
• 2.2.1 小波变换的定义及性质
• 2.2.2 离散小波变换和Mallat算法
• 3 图像的预处理
• 3.1 图像归一化
• 3.2 图像的光照补偿
• 3.2.1 直方图均衡
• 3.2.2 其他补偿光照的方法
• 3.2.3 试验结果
• 3.3 灰度化处理
• 3.4 二值化
• 3.5 图像去噪
• 3.6 边缘检测
• 4 基于小波变换的特征脸识别方法
• 4.1 特征点定位与分割
• 4.1.1 人脸左右边界的确定
• 4.1.2 眉毛位置的确定
• 4.1.3 鼻端位置的确定
• 4.1.4 分割结果
• 4.2 特征脸识别方法
• 4.2.1 基本原理
• 4.2.2 特征脸的生成
• 4.2.3 特征向量选择
• 4.2.4 距离函数的选取
• 4.3 改进的特征脸识别算法
• 4.3.1 小波变换在图像处理中的应用
• 4.3.2 小波基的选择和小波分解层数的确定
• 4.3.3 基于小波变换的特征脸识别算法步骤
• 5 试验及结果分析
• 5.1 试验图像
• 5.2 结果及分析
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢