基于PCA的人脸识别

论文摘要

生物特征识别是利用人类特有的生理或行为特征来识别个人身份的技术,它提供了一种高可靠性、高稳定性的身份鉴别途径。人脸检测和识别是目前生物特征识别中最受人们关注的一个分支,是当前图像处理、模式识别和计算机视觉领域内的一个热门研究课题,在公安部门罪犯搜索、安全部门动态监视识别、银行密码系统等许多领域有广泛的研究,本文对此进行了较为深入的研究。首先描述了人脸识别技术的研究内容、方法、应用前景,对人脸自动检测与识别技术进行了综述。并且详细介绍了人脸识别很重要的一个步骤——“人脸预处理”,文中提到的人脸预处理方法都是从图像处理的角度着手的,主要目的是使人脸图像标准化,并在一定程度上消除光照的影响。本文介绍了几种主要的预处理方法,如几何归一化,灰度归一化。其次,本文重点描述了人脸识别的经典方法,PCA方法。主成分分析方法(Principal Component Analysis,PCA),即离散K—L变换,是图像压缩中的一种最优正交变换。它用一个低维子空间来描述人脸图像,同时又能在一定程度上保存所需要的识别信息。其基本原理为：由高维图像空间经K—L变换后得到一组新的正交基,对这些正交基作一定的取舍,保留其中的一部分生成低维的人脸空间,即人脸的特征子空间,识别时将测试图像投影到此空间,得到一组投影系数,通过与各个人脸图像比较进行识别。这种方法使得压缩前后的均方误差最小,且变换后的低维空间有很好的分辨能力。但在这种人脸识别技术中,二维的人脸图像矩阵必须先转化为一维的图像向量,才能进行PCA分析,而在这种转化后,造成图像向量的维数一般较高,使整个特征抽取过程所耗费的计算量相当可观。为了克服传统PCA的不足,本文研究了另一种人脸识别方法,2DPCA方法。与PCA不同,2DPCA是基于2维图像矩阵而不是1维向量,因而特征提取的时候图像不必预先转化成一个向量。直接使用原始图像矩阵来构建图像协方差矩阵,它的特征向量用来作特征提取。本文讨论了这两种方法在人脸识别中的应用,并在ORL和AR人脸库上进行了实验,所有试验表明2DPCA的识别率都高于PCA,实验结果也显示了2DPCA在特征提取的效率上要更高于PCA。

论文目录

• 摘要
• Abstract
• 创新点摘要
• 第一章 绪论
• 1.1 本文研究的目的意义
• 1.2 人脸识别的定义及主要研究内容
• 1.3 人脸识别的应用
• 1.4 人脸识别问题中的难点及发展方向
• 1.4.1 人脸识别问题中的难点
• 1.4.2 人脸识别的发展方向
• 1.5 本文研究的主要内容
• 第二章 人脸识别的基本原理及相应的数学基础
• 2.1 引言
• 2.2 人脸检测的常用方法
• 2.2.1 基于知识的方法
• 2.2.2 基于特征的方法
• 2.2.3 模板匹配
• 2.2.4 基于外观的方法
• 2.3 人脸识别的常用方法
• 2.3.1 基于几何特征的方法
• 2.3.2 基于特征脸的识别方法
• 2.3.3 基于弹性匹配的人脸识别方法
• 2.3.4 基于神经网络的人脸识别方法
• 2.3.5 其它方法
• 2.4 人脸图像预处理
• 2.4.1 人脸图像库
• 2.4.2 人脸图像预处理方法
• 2.4.2.1 图像去噪
• 2.4.2.2 图像归一化
• 2.5 本章小结
• 第三章 人脸识别方法讨论
• 3.1 引言
• 3.2 基于PCA的人脸识别方法
• 3.2.1 K-L变换
• 3.2.1.1 K-L变换的原理
• 3.2.1.2 特征压缩
• 3.2.2 主成分分析理论
• 3.2.3 PCA在人脸识别中的应用
• 3.2.4 特征向量的选取
• 3.2.5 距离函数的选择
• 3.2.6 SVD定理
• 3.2.7 PCA的优缺点分析
• 3.3 基于2DPCA的人脸识别方法
• 3.3.1 2DPCA的基本原理
• 3.3.2 人脸特征提取
• 3.3.3 2DPCA的人脸识别
• 3.3.4 2DPCA的图像重建
• 3.3.5 2DPCA的优缺点分析
• 3.4 本章小结
• 第四章 本文主要采用的识别方法介绍及实验分析
• 4.1 引言
• 4.2 在ORL人脸库的实验
• 4.2.1 PCA的识别率与维数的关系
• 4.2.2 PCA与2DPCA的分析
• 4.3 在AR人脸库的实验
• 4.4 本章小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要