人脸识别中特征提取方法的研究

论文摘要

人脸识别是模式识别领域的一大研究热点,是利用计算机分析人脸图像,从而提取出有效的识别信息,用来辨认身份的一门技术。可以广泛地应用到安全部门、身份鉴别、数字监控等领域。人脸识别是一项极具有发展潜力的生物特征识别技术,研究人脸识别技术具有十分重要的理论和应用价值。近些年来,越来越受到研究者的重视和关注,各种各样的人脸识别方法层出不穷。本文的主要研究内容包括以下方面：首先,深入分析了主成分分析（PCA）方法,把经典PCA和2D-PCA进行比较。PCA方法是利用K-L变换提取较少数量的特征尽可能精确地表示模式样本。PCA方法在处理人脸图像时,要将二维图像矩阵转换成一维的列向量,使图像的维数达到上万维,计算工作量非常大。2D-PCA方法基于图像二维矩阵,不需要先将图像矩阵展开成一维向量,直接利用图像矩阵来构建样本协方差矩阵,减少了训练时间。实验表明,2D-PCA比PCA的识别率更高。为了克服PCA方法易受光照条件等易变因素的影响,本文引入了Fisher线性判别分析（Linear Discriminate Analysis）方法。FLD以样本的可分性最好为目标,能提取出类间距离大而类内距离小即分类能力强的特征,在理论上优于PCA方法,但FLD应用于人脸识别时存在小样本和计算量大两个问题。2D-FLD是近年来出现的一种新的FLD改进方法。2D-FLD直接用图像的二维矩阵进行类内和类间散度矩阵的计算。2D-FLD不但避免了庞大的计算量,而且在绝大多数情况下解决了小样本类内散度矩阵奇异性的问题。最后,本文提出一种基于DCT和2D-FLD相结合的人脸识别方法。首先利用DCT压缩并重建人脸图像,然后通过2D-FLD进行特征提取得到人脸特征,最后采用最近邻分类器进行识别。实验表明,这种方法取得了比PCA,2D-PCA,FLD和：2D-FLD四种方法更好的识别率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 人脸识别技术的研究动态及现状
• 1.3 研究趋势
• 1.4 人脸识别系统的基本构成
• 1.5 本文的主要工作及论文内容
• 第二章 基于PCA的特征提取方法
• 2.1 图像预处理
• 2.2 基于一维PCA的特征提取
• 2.2.1 离散K-L变换
• 2.2.2 基于PCA的人脸特征提取
• 2.3 基于2D-PCA方法的特征提取
• 2.3.1 2D-PCA的基本思想
• 2.4 最近邻分类器
• 2.5 实验与分析
• 第三章 基于Fisher准则的特征提取方法
• 3.1 Fisher线性判别法
• 3.1.1 Fisher线性判别理论
• 3.1.2 多类问题的Fisher线性判别分析
• 3.1.3 Fisher线性判别的人脸识别
• 3.2 2D-Fisher线性判别算法
• 3.2.1 基本原理
• 3.2.2 二维Fisher线性判别方法的步骤
• 3.3 实验与分析
• 第四章 基于DCT和2D-FLD的特征提取方法
• 4.1 离散余弦变换
• 4.1.1 一维DCT
• 4.1.2 二维DCT
• 4.2 基于DCT与二维FLD的特征提取
• 4.2.1 图像的离散余弦变换
• 4.2.2 基于2D-FLD的特征提取
• 4.3 基于DCT与2D-FLD的人脸识别实验
• 4.3.1 实验1 图像分辨率对识别率的影响
• 4.3.2 实验2 DCT系数的个数对识别率的影响
• 4.3.3 实验3 训练样本的数目对识别率的影响
• 4.3.4 实验4 训练样本的选择对识别率的影响
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录A 攻读学位期间发表论文