学位论文 > 优秀研究生学位论文题录展示

基于统计特征的人脸识别方法的分析改进及实现

作　者: 刘文超
导　师: 陈力
学　校: 汕头大学
专　业: 信号与信息处理
关键词: 人脸识别奇异值分解奇异值奇异向量
分类号: TP391.41
类　型: 硕士论文
年　份: 2006年
下　载: 106次
引　用: 0次
阅　读: 论文下载

内容摘要

人脸识别技术对比于其它生物特征识别技术，具有无接触、易采集、识别率高等优点，因而普遍受到人们的欢迎，是目前人脸识别领域的一大研究热点。目前人脸识别的特征抽取与描述方式可分为基于几何特征和基于统计特征两大类。本课题的研究领域是基于统计特征的人脸识别方法。主要系统分析了基于主元分析方法、基于线性判别分析方法和基于奇异值分析方法等多种统计特征的方法，并对它们进行实验比较。一方面，找出了当前这些识别方法存在的缺陷和发现了可以提高识别率的新空间，提出了相应的改进方法；另一方面，详细阐述了改进方法的原理并对各种方法进行了大量深入的实验分析比较，实验数据证实了改进方法的优越性；最后，把这些原方法和改进方法的算法都采用C／C++语言实现，并实现了友好的界面，简化了用户的操作，简单明了。

全文目录

中文摘要  2-3
英文摘要  3-4
目录  4-6
第1章绪论  6-16
  1.1 论文研究的背景和意义  6-9
  1.2 国内外发展情况综述及分析  9-11
  1.3 影响人脸识别技术性能的因素及解决方法  11-12
    1.3.1 主要性能指标  11-12
    1.3.2 影响人脸识别性能的因素及解决方法  12
  1.4 相关人脸库的简介  12-15
    1.4.1 ORL人脸库  13
    1.4.Z Yale人脸库  13
    1.4.3 UMIST人脸库  13-14
    1.4.4 FERET人脸库  14
    1.4.5 AR人脸库  14-15
  1.5 本章小结  15-16
第2章基于子空间方法的分析及改进  16-32
  2.1 基于主元分析方法的分析及改进  16-24
    2.1.1 PCA方法  16-17
    2.1.2 MPCA方法  17-18
    2.1.3 2DPCA方法  18-19
    2.1.4 KPCA方法  19-20
    2.1.5 改进方法—局部二维主元分析方法(LTDPCA)  20-24
  2.2 基于线性判别分析方法的分析及改进  24-30
    2.2.1 LDA方法  25-26
    2.2.2 基于零空间的LDA方法  26-27
    2.2.3 MFLD方法  27
    2.2.4 基于核的线性判别分析  27
    2.2.5 Fisher最优判据的改进方法  27-30
  2.3 其它的一些方法  30-31
    2.3.1 独立主元分析方法(ICA)  30-31
  2.4 本章小结  31-32
第3章基于奇异值分解的学位论文">奇异值分解方法的分析及改进  32-44
  3.1 图像的奇异值分解  32-33
  3.2 基于右奇异向量的人脸识别新方法  33-36
    3.2.1 训练与测试  34
    3.2.2 实验结果与分析  34-36
  3.3 基于局部右奇异向量的人脸识别新方法  36-39
    3.3.1 训练与测试  36-37
    3.3.2 实验结果与分析  37-39
  3.4 基于奇异向量与奇异值的人脸识别新方法  39-43
    3.4.1 正交奇异值方法  39-40
    3.4.2 训练阶段  40
    3.4.3 测试及识别阶段  40-41
    3.4.4 不同方法识别率的比较  41
    3.4.5 本方法的性能分析  41-43
    3.4.6 图像重建  43
  3.5 本章小结  43-44
第4章静态人脸识别系统设计与实现  44-49
  4.1 系统设计与功能介绍  44-45
  4.2 程序说明与实现  45-48
    4.2.1 PGM格式的说明  46
    4.2.2 数学库的调用  46-47
    4.2.3 一些编程要注意的问题  47
    4.2.4 编程步骤的简要说明  47-48
  4.3 本章小结  48-49
结束语  49-50
参考文献  50-54
附录  54-62
  附录 1:静态人脸识别系统的部分源代码  54-62
致谢  62-63
攻读硕士学位期间发表论文情况  63

基于统计特征的人脸识别方法的分析改进及实现

内容摘要

全文目录

相似论文