基于小波变换和改进PCA与SVM的人脸识别算法研究

论文摘要

随着社会经济条件的发展,人们对信息安全的要求越来越高,因此,近年来具有唯一性的生物特征识别取得了飞速的发展。在众多的生物特征中人脸识别由于具有非接触、直接、友好、方便等特征,容易被用户接受,所以利用人脸特征进行身份识别取得了广泛的应用。随着各种人脸识别技术的发展,目前在可控的环境中,人脸识别率已经达到了能够被接受的范围。人脸识别系统首先是对采集到的图像或者视频进行一些预处理,然后检测和定位其中的人脸部分,再对人脸图像进行特征提取,最后对这些人脸特征进行分类,从而得到待识别人的信息。针对人脸识别的整个流程,本文对各个步骤的算法进行一些分析和研究。具体内容如下：(1)由于受位置、光照、噪声等客观因素的影响,采集到的人脸图像需要进行人脸图像预处理,本文详细研究的预处理算法主要包括灰度化处理、归一化处理、去噪处理等。本文还研究了一种常用的基于Adaboost人脸检测算法,该算法能达到实时的人脸检测,而且人脸检测的准确率高。(2)介绍了一种结合小波变换和改进PCA的特征提取算法。首先深入研究了基于主成分分析(PCA)的人脸特征提取算法,详细阐述了主成分分析算法的基本原理并采用了一种改进的PCA人脸特征提取算法。通过小波变换获得的人脸低频信息可以较好的描述人脸特征,因此本文采用小波变换和改进的PCA特征提取算法解决了由于样本总体散布矩阵维度大而导致特征提取时间过长的不足,实验表明识别率不但没有降低,而且缩短了特征提取的时间。(3)重要研究了支持向量机的基本原理以及如何用支持向量机来解决一对多的人脸特征分类问题。由于支持向量机在解决小样本问题、非线性及高维识别问题中表现了许多特有的优势,本文介绍了一种结合小波变换和改进PCA来提取人脸特征,SVM用作分类器的人脸识别方法。最后在ORL人脸库、Yale人脸库与自制的人脸库上,通过实验表明本文所采用的人脸识别方法取得了较高的识别率。(4)针对本文所采用的人脸识别算法,给出了人脸识别系统的设计方案,并实现了一个原型系统。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 人脸识别技术的研究背景及意义
• 1.2 国内外人脸识别研究历史与现状
• 1.2.1 人脸识别研究历史
• 1.2.2 人脸识别研究现状
• 1.3 本文研究的主要内容
• 1.4 论文结构
• 第二章 人脸图像预处理与人脸检测
• 2.1 引言
• 2.2 人脸图像预处理算法
• 2.2.1 人脸图像灰度化处理
• 2.2.2 人脸图像的归一化处理
• 2.2.3 人脸图像的去噪处理
• 2.3 人脸检测算法
• 2.3.1 基于Adaboost的人脸检测算法原理
• 2.3.2 基于Adaboost的人脸检测实验分析
• 2.4 本章小结
• 第三章 人脸特征提取算法
• 3.1 引言
• 3.2 人脸图像的小波分解
• 3.3 K-L变换
• 3.3.1 K-L变换的基本原理
• 3.4 基于主成分分析算法（PCA）人脸特征提取算法
• 3.4.1 主成分分析算法原理
• 3.4.2 基于PCA算法的人脸识别
• 3.4.3 基于PCA算法的人脸识别的缺点
• 3.5 基于改进的PCA人脸特征提取方法
• 3.6 基于小波变换和改进PCA的人脸特征提取
• 3.7 本章小结
• 第四章 基于支持向量机的人脸特征分类
• 4.1 引言
• 4.2 几种主要特征分类器综述
• 4.2.1 最近邻分类器
• 4.2.2 贝叶斯分类器
• 4.2.3 神经网络分类器
• 4.2.4 支持向量机分类器
• 4.3 支持向量机的分类识别方法
• 4.3.1 支持向量机的原理简介
• 4.4 基于支持向量机的人脸特征分类
• 4.4.1 支持向量机的人脸特征分类步骤
• 4.4.2 人脸识别算法实验分析
• 4.5 本章小结
• 第五章 人脸识别系统原型设计
• 5.1 引言
• 5.2 系统流程图
• 5.3 系统原型
• 5.3.1 模块划分
• 5.3.2 人脸识别系统的原型界面
• 5.3.3 原型系统中存在的问题
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 进一步工作
• 致谢
• 参考文献
• 附录A （攻读学位期间发表论文目录）