基于子空间方法的人脸识别技术研究

论文摘要

人脸识别是生物特征识别技术的一种,由于人脸识别技术在安全和人机交互等领域有着非常广泛的应用,因此它成为了近几十年来模式识别领域最热门的研究课题之一。在众多人脸识别方法中子空间方法由于其计算复杂度小,描述能力强及分离效果好的特点成为目前人脸识别的主流研究方向。本文将基于子空间方法的人脸识别作为研究的重点,主要做了以下几方面的工作：1.详细介绍了几种经典的子空间方法PCA、LDA、ICA的基本原理及其在人脸识别中的应用,通过仿真对这几种算法的识别性能进行了比较。2.针对2DPCA算法中求得的不同投影向量对于识别的影响不同,本文提出了一种加权的2DPCA算法,利用单投影向量的识别率对2DPCA的投影向量集进行加权,在ORL人脸库的仿真验证新的投影向量集具有更好的识别效果。3.DCT变换是目前国际主流的图像压缩算法如JPEG、MPEG等普遍采用的一种压缩变换。本文将DCT变换与2DPCA算法相结合,提出了一种DCT+2DPCA的特征抽取方法,从而大大降低了用于识别的特征维数和识别的时间。另外本文研究了2DPCA算法在经过分块DCT变换处理后的人脸图像中的应用,验证了算法的可行性。4.针对二维子空间方法不能提取非线性信息的不足,本文提出了一种基于核方法二维线性判决分析的人脸识别方法。利用核主成分分析对二维线性判决分析方法进行改进,通过仿真实验证明了算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 人脸识别的发展历程
• 1.2.2 人脸识别的主要研究内容
• 1.2.3 人脸识别方法概述
• 1.3 论文内容安排
• 第2章 基于线性子空间方法的人脸识别
• 2.1 引言
• 2.2 基于主成分分析的人脸识别方法
• 2.2.1 主成分分析方法的算法原理
• 2.2.2 基于主成分分析方法的人脸识别实现
• 2.2.3 基于主成分分析的人脸识别算法的优缺点
• 2.3 基于线性判别分析的人脸识别方法
• 2.3.1 线性判决分析的算法原理
• 2.3.2 Fisherface人脸识别方法的实现
• 2.3.3 基于线性判决方法的优缺点
• 2.4 基于独立分量分析的人脸识别方法
• 2.4.1 独立分量分析的算法原理
• 2.4.2 基于独立分量分析的人脸识别实现
• 2.4.3 基于独立分量分析的人脸识别算法的优缺点
• 2.5 人脸库介绍及算法仿真
• 2.5.1 人脸库
• 2.5.2 三种子空间方法的实验仿真
• 2.6 本章小结
• 第3章 基于二维主成分分析的人脸识别方法
• 3.1 引言
• 3.2 基于2DPCA的人脸识别方法
• 3.2.1 二维主成分分析的算法原理
• 3.2.2 二维主成分分析算法的人脸识别实现
• 3.2.3 二维主成分分析算法的优缺点
• 3.2.4 根据单投影向量加权的2DPCA方法
• 3.2.5 加权函数与加权步骤
• 3.3 DCT域的2DPCA算法
• 3.3.1 离散余弦变换的原理
• 3.3.2 DCT的特性及JPEG压缩
• 3.3.3 2DPCA算法可以用于DCT域的证明
• 3.3.4 DCT+2DPCA算法流程
• 3.3.5 分块DCT对2DPCA算法识别性能的影响
• 3.4 算法仿真及分析
• 3.5 本章小结
• 第4章 核方法在人脸识别中的应用
• 4.1 引言
• 4.2 核函数方法在特征抽取中的应用
• 4.2.1 核函数的基本原理
• 4.2.2 几种典型的核函数
• 4.2.3 核函数的主要特点
• 4.3 基于核函数的二维线性判别分析的人脸识别方法
• 4.3.1 2DLDA初次特征抽取
• 4.3.2 KPCA二次特征抽取
• 4.3.3 基于核方法的二维线性判决分析的算法原理
• 4.3.4 算法的具体步骤
• 4.4 算法仿真及分析
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢