基于小波变换与KPCA人脸识别技术研究

论文摘要

人脸识别由于人脸的非刚体性和易变性,成为一个复杂、涉及面广且应用前景广阔的课题,近年来掀起研究热潮并取得突破性进展。前人在人脸识别技术上虽然积累了丰富的成果,但是也遇到了一些困难。例如:有效人脸特征的提取,识别率和识别速率的提高等。人脸识别涉及的技术很多,其中关键的是特征提取和分类方法,本文围绕人脸识别问题对人脸特征的有效提取、提高识别率和识别速率进行了探讨和研究,提出了一种基于特征组合的特征提取算法,取得了较好的效果。本文的具体内容和创新点包括:(1)对人脸识别所涉及到的理论进行了介绍与研究。(2)针对人脸在图像中的大小、位置、旋转角度以及光照等条件的不同对特征提取的影响,本文对人脸图像进行预处理。(3)依据小波系数的不同特点:低频部分刻画的是图像的整体(形状),而高频部分包含了相当数量的细节信息。因此对原始图像进行三层小波分解,选用一、二、三层的低频平滑子带作为小波特征。这样既保留了面部的全局形状,又淡化了局部细节。同时降低了人脸图像的维数,提高了识别率识别速度。(4)针对特征提取在整个人脸识别中的作用,本文对得到的小波特征运用核主成分分析,获得特征空间上的三组主分量特征。(5)研究了特征维数与识别率之间的关系,指出传统特征提取方法的不足。并设计了一种新的基于特征组合的特征提取算法,即对获得的三组主分量特征进行主特征向量和次特征向量的划分,再由主特征向量和次特征向量组合为每个原始样本的最终分类特征向量。最后将得到的最终分类特征向量输入到分类器进行分类识别。实验证明本文提出的特征组合算法优于只将某一类小波特征作为识别特征的传统方法。而且,在识别的速度也有一定的优势。(6)以多项式核函数构造了支持向量机,并根据“一对一”策略设计多分类支持向量机。最后,总结了全文的工作,并指出了若干有待于今后进一步研究的内容。本文对所论述的算法均进行了MATLAB数据仿真,并给出了详实的实验数据。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 课题研究的背景与意义
• 1.2.1 研究的背景
• 1.2.2 课题的意义
• 1.3 人脸识别研究的现状与技术难点
• 1.3.1 研究现状
• 1.3.2 存在的困难
• 1.4 人脸识别方法综述
• 1.4.1 基于几何特征的人脸识别方法
• 1.4.2 基于模板匹配的人脸识别方法
• 1.4.3 特征脸方法
• 1.4.4 隐马尔科夫模型的人脸识别方法
• 1.4.5 人工神经网络方法
• 1.4.6 弹性图匹配方法
• 1.5 本文的工作和创新点
• 1.6 论文结构
• 2 人脸图像预处理
• 2.1 引言
• 2.2 人脸图象库
• 2.3 人脸图象预处理
• 2.3.1 人脸图像归一化
• 2.3.2 人脸图像灰度直方图的修正
• 2.4 人脸图像的小波分解
• 2.4.1 小波分析的背景
• 2.4.2 连续小波变换
• 2.4.3 离散小波变换
• 2.4.4 二维离散小波变换快速算法
• 2.4.5 多分辨分析
• 2.4.6 Mallat算法
• 2.4.7 人脸图像的小波分解及试验分析
• 3 基于核主成分分析的人脸特征提取
• 3.1 特征提取的意义
• 3.2 基于主成分分析的人脸特征提取
• 3.2.1 K-L变换原理
• 3.2.2 K-L变换特征提取
• 3.2.3 基于 PCA的人脸识别
• 3.2.4 PCA人脸识别方法
• 3.2.5 PCA的优缺点分析
• 3.3 基于核主成分分析的人脸特征提取
• 3.3.1 核方法基本概念
• 3.3.2 核主元分析（KPCA）
• 3.3.3 基于 KPCA人脸识别方法
• 3.3.4 KPCA的优缺点分析
• 4 统计学习理论与支持向量机
• 4.1 机器学习的基本问题
• 4.1.1 机器学习问题的表示
• 4.1.2 经验风险最小化
• 4.1.3 复杂性与推广能力
• 4.2 统计学习理论
• 4.2.1 函数集的 VC维
• 4.2.2 推广能力的界
• 4.2.3 结构风险最小化
• 4.3 支持向量机
• 4.3.1 概述
• 4.3.2 线性支持向量机
• 4.3.3 非线性支持向量机
• 4.3.4 多分类支持向量机
• 5 实验仿真结果及讨论
• 5.1 基于核主成分分析人脸识别方法
• 5.1.1 实验人脸图像库
• 5.1.2 实验与分析
• 5.1.3 结论
• 5.2 基于特征组合的人脸识别方法
• 5.2.1 算法实现
• 5.2.2 实验与分析
• 5.2.3 结论
• 6 结束语
• 6.1 本文总结
• 6.2 人脸识别技术展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢