论文摘要
人脸识别研究始于二十世纪六十年代中后期,近40年来得到了飞速的发展,取得了一些巨大的进步,也得到了广泛的应用。但随着人脸识别研究和应用的深入,近年来出现了单样本人脸识别问题,单样本人脸识别给人脸识别的研究带来了巨大的挑战,解决这个问题,不仅可以拓宽人脸识别的应用范围,还有助于解决模式识别中的小样本问题,所以近年来受到越来越多的研究人员关注。本文对单样本人脸识别展开了积极的有成效的探索和研究。本文所做的主要工作如下:(1)综述了单样本人脸识别的国内外研究现状,分析了各种方法的优缺点,阐明了单样本人脸识别技术所面临的挑战,并对未来单样本人脸识别技术的发展方向进行了展望。(2)实现了主分量分析(PCA)、核主分量分析(KPCA)和针对单样本人脸识别问题而提出的奇异值扰动的主分量分析(SPCA),重点探讨了SPCA中参数对识别的影响,分析了SPCA的优缺点。(3)把非监督的学习方法——两个方向上的二维主分量分析((2D)~2PCA)引入到单样本人脸识别中,重点是对其进行了改进,提出了加权的两个方向上的二维主分量分析(W(2D)~2PCA),讨论了权值中参数对识别结果的影响,探索了取得最佳识别结果时权值参数的取值,分析了W(2D)~2PCA优于(2D)~2PCA的原因。(4)把图像分块的方法与W(2D)~2PCA相结合提出了分块加权的两个方向上的二维主分量分析(MW(2D)~2PCA),以更有效地提取人脸图像的局部特征。讨论了分块方式对识别结果的影响,分析了图像分块的优缺点。(5)编程构建了单样本人脸识别系统,在ORL人脸库上进行试验,测试和对比了本文提出的方法与PCA、KPCA、SPCA及其他方法的识别效果。结果表明本文提出的方法用于单样本人脸识别能取得较好的识别效果。
论文目录
摘要ABSTRACT第1章 绪论1.1 课题研究的背景、目的和意义1.1.1 单样本人脸识别问题的提出1.1.2 研究单样本人脸识别技术的意义1.2 单样本人脸识别研究动态1.2.1 基于几何特征的方法1.2.2 样本扩张法1.2.3 特征子空间扩展法1.2.4 通用学习框架法1.2.5 图像增强法1.2.6 神经网络法1.2.7 其他方法1.3 单样本人脸识别面临的挑战1.4 单样本人脸识别的发展趋势1.5 本文单样本人脸识别系统的总体框架结构1.6 本文的主要工作和内容安排第2章 基于经典主分量分析的单样本人脸识别2.1 图像的奇异值分解2.2 主分量分析法(PCA)2.2.1 离散K-L变换2.2.2 K-L变换用于人脸识别2.3 核主分量分析法(KPCA)2.3.1 KPCA算法原理2.3.2 特征空间的内积计算2.3.3 KPCA算法实现步骤2A)'>2.4 结合投影的主分量分析法((PC)2A)2.5 奇异值扰动的主分量分析法(SPCA)2.5.1 SPCA算法2.5.2 SPCA算法的实现步骤2.6 本章小结第3章 基于二维主分量分析的单样本人脸识别3.1 二维主分量分析(2DPCA)3.1.1 算法原理3.1.2 特征提取3.1.3 分类方法3.1.4 图像重建3.1.5 二维主分量分析的优缺点2PCA)'>3.2 两个方向上的二维主分量分析((2D)2PCA)3.2.1 行方向上的二维主分量分析3.2.2 列方向上的二维主分量分析3.2.3 行列二维主分量分析2PCA)'>3.3 加权的两个方向上的二维主分量分析(W(2D)2PCA)2PCA的局部特征提取和融合'>3.4 基于MW(2D)2PCA的局部特征提取和融合3.4.1 图像分块概述3.4.2 本文图像分块和局部特征提取策略3.4.3 本文局部特征融合策略2PCA算法实现步骤'>3.5 MW(2D)2PCA算法实现步骤3.6 本章小结第4章 单样本人脸识别方法实验结果及分析4.1 PCA的实验结果4.2 KPCA的实验结果4.3 SPCA的实验结果及分析4.4 本文方法的实验结果及分析4.4.1 权值对识别结果的影响4.4.2 分块方式对识别结果的影响4.5 ORL人脸库上各种方法的识别率对比4.6 CAS-PEAL人脸库上各种方法的实验结果4.7 人脸识别演示4.8 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
相关论文文献
标签:单样本人脸识别论文; 主分量分析论文; 二维主分量分析论文; 分块图像论文; 局部特征论文;