基于主分量分析的单样本人脸识别方法研究

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