人脸识别技术与研究

论文摘要

人脸识别技术是基于生物特征识别技术的一个重要分支，是模式识别和计算机视觉领域内研究的一个热点，有着重要的理论研究价值和应用价值，其目的是使计算机像人一样具有能从一幅图像中发现是否存在人脸以及对发现的人脸进行身份鉴别的能力。它提供了一种高可靠性、高稳定性的身份鉴别途径。人脸识别技术研究在近几年得到了高度重视，已成为图像分析和理解中最成功的应用之一。本文首先介绍了人脸识别技术的研究背景、研究内容及方法。然后在全面分析和对比了近几年来人脸检测和识别的几种典型算法基础上，分别采用了PCA（Principal Component Analysis）即主成分分析法和LDA（Linear DiscriminantAnalysis）即线性判别分析法进行人脸识别。PCA算法具有计算效率高、概念清晰、推广性强等特点。LDA是一种有效的特征抽取方法，使用这种方法能够使投影后的模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。本文详细讨论了PCA和LDA人脸识别算法的过程：在人脸数据库中每人选择一定数量的图像构成训练集，其余构成测试集，并将训练集训练形成子空间，把训练图像和测试图像分别投影到子空间中，最后选择合适的距离函数进行识别。本文在MATLAB开发环境下，基于本文提出的特征脸识别算法，进行了大量实验，编程实现了PCA和LDA人脸识别。在YALE人脸数据库和ORL人脸数据库选择不同的训练人脸数进行算法测试，并得到了理想的识别率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 研究状况与发展前景
• 1.2.1 研究状况
• 1.2.2 发展前景
• 1.3 本文内容安排
• 第二章 人脸识别技术内容
• 2.1 人脸识别的主要研究内容
• 2.2 人脸特征提取与识别方法
• 2.2.1 基于几何特征的方法
• 2.2.2 基于统计的人脸识别方法
• 2.2.3 基于连接机制的人脸识别方法
• 2.3 人脸数据库
• 2.4 人脸识别方法性能的指标
• 第三章 基于主成分分析的人脸识别
• 3.1 方法概述
• 3.2 离散K-L 变换
• 3.2.1 K-L 展开式的性质
• 3.2.2 K-L 坐标系的产生矩阵
• 3.3 矩阵构造
• 3.4 奇异值分解
• 3.5 分类器的构造方法
• 3.6 实验过程与实验结果分析
• 第四章 基于线性判别分析的人脸识别
• 4.1 Fisher 最佳线性判别
• 4.2 计算最优LDA 投影
• 4.3 Fisher 线性判别的步骤
• 4.4 LDA 判别的优缺点分析
• 4.5 实验结果分析
• 第五章 总结和展望
• 5.1 本文总结
• 5.2 未来工作展望
• 致谢
• 参考文献