论文摘要
在生物特征识别中,人脸识别占有极其重要的地位,它在访问控制、司法、电子商务和视频监控领域有十分广泛的应用。人脸识别是计算机模式识别领域非常活跃的研究课题。经过科研人员多年的努力,该领域已取得了较多的成果。但由于人脸识别问题自身的复杂性,要实现普遍的应用还有许多关键性的问题需要解决。本文首先介绍了人脸识别的发展概况和人脸识别的主要方法,然后采用了M-FastICA方法进行人脸特征提取,并以QGA-BP神经网络作为人脸识别的分类器,仿真实验具有较好的识别效果,这表明本文方法是一种可行的人脸识别方法。在人脸特征提取方面:本文研究了基于整体的代数特征提取算法PCA和FastICA,结果表明采用FastICA算法进行特征提取所得到的人脸特征更有效。但对于人脸识别这样的在线数据处理来说,FastICA算法存在计算量大的缺点,因此,本文采用了基于M-FastICA算法的人脸特征提取方法。该算法简化了牛顿迭代过程中的雅可比矩阵的计算。仿真结果表明,该算法不仅继承了FastICA算法所提取的人脸特征有效的优点,而且与FastICA算法相比可以进一步减少算法收敛的迭代次数和时间。在人脸识别方面:本文采用BP神经网络作为人脸识别分类器。重点研究了隐层节点与网络收敛速度及人脸识别率的关系,由实验结果可知,仿真实验具有一定的识别效果,但训练时间较长,不能满足人脸在线识别实时性的要求。针对这些问题,本文提出了用量子遗传算法对BP神经网络的连接权值进行优化,结果表明,该优化方法可以大大缩短神经网络权值搜索到全局最优解的时间。用量子遗传算法优化BP神经网络的连接权值,设计了基于量子遗传算法的BP神经网络分类器。采用该分类器在ORL人脸库上进行人脸识别分类实验,取得了95.83%的平均识别率。实验结果表明本文设计的基于量子遗传算法的BP神经网络分类器性能优于BP神经网络分类器。最后本文对人脸识别和量子遗传算法进行了分析和展望。
论文目录
中文摘要Abstract第1章 绪论1.1 人脸识别技术研究的背景和意义1.2 人脸识别技术的研究现状1.3 论文的主要内容和结构安排第2章 人脸图像预处理2.1 图像的归一化2.1.1 几何归一化2.1.2 灰度归一化2.2 图像二值化2.3 图像增强2.4 图像压缩2.4.1 DCT 变换2.4.2 小波包变换2.5 本文采用的人脸图像预处理方法2.6 本章小节第3章 人脸图像的特征提取3.1 PCA 算法在人脸特征提取中的应用3.1.1 PCA 基本算法3.1.2 基于PCA 算法的人脸特征提取3.2 ICA 算法在人脸特征提取中的应用3.2.1 基于负熵的快速独立分量分析（FastICA）算法原理3.2.2 基于FastICA 算法的人脸特征提取3.2.3 PCA 和ICA 算法的比较3.3 M-FastICA 算法在人脸特征提取中的应用3.3.1 M-FastICA 算法的原理3.3.2 M-FastICA 算法与FastICA 算法的性能比较3.4 本章小结第4章 BP 神经网络分类器的设计与实现4.1 人工神经网络4.2 BP 神经网络4.2.1 BP 神经网络的结构4.2.2 BP 神经网络算法4.2.3 BP 算法存在的缺点及改进4.3 基于BP 神经网络分类器的人脸识别4.3.1 BP 神经网络分类器的设计4.3.2 网络初始值的选择4.3.3 其他网络参数的选取4.3.4 BP 神经网络的训练过程4.3.5 BP 神经网络的训练4.3.6 隐含层节点数选择实验及人脸识别结果分析4.4 本章小结第5章 QGA-BP 神经网络分类器设计5.1 量子遗传算法5.1.1 概述5.1.2 量子比特编码5.1.3 量子旋转门调整策略5.1.4 量子遗传算法流程5.2 量子遗传算法与神经网络的结合5.2.1 量子遗传算法优化BP 神经网络权值方法的选择5.2.2 量子遗传算法优化BP 网络连接权值的步骤5.3 基于量子遗传算法的BP 神经网络分类器的设计5.3.1 参数的选取5.3.2 量子交叉和旋转门演化机制5.3.3 BP 神经网络参数设定5.4 算法的实现5.5 本章小结第6章 QGA-BP 人脸识别系统设计与实现6.1 本文设计的人脸识别系统6.2 人脸识别系统中各个模块的实现6.2.1 人脸图像预处理模块的实现6.2.2 特征提取模块的实现6.2.3 QGA-BP 分类器训练模块的实现6.2.4 人脸识别模块的实现6.3 本章小结第7章 总结与展望参考文献攻读学位期间公开发表的论文致谢
相关论文文献
标签：人脸识别论文; 神经网络论文; 量子遗传算法论文; 独立分量分析论文;
