学位论文 > 优秀研究生学位论文题录展示

人脸特征提取和识别算法的研究与实现

作　者: 宋盈
导　师: 赵丽红
学　校: 东北大学
专　业: 电路与系统
关键词: 图像处理小波变换离散余弦变换支持向量机二维主成分分析
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 124次
引　用: 0次
阅　读: 论文下载

内容摘要

人脸识别是人工智能领域和模式识别领域的一个前沿课题,它涉及模式识别、图像处理、神经网络以及生理学、心理学等诸多学科的内容。由于人脸识别具有非接触、隐蔽、快捷等优势,以及难度大、多学科的特点,针对人脸识别的研究具有重要的学术价值,并且已经作为一种重要的生物识别方式被应用到刑侦破案,证件验证,门禁系统,视频监视等场合中。人脸自动识别系统一般包括人脸检测,特征提取,人脸识别三个部分。本文着重研究了应用于特征提取和人脸识别两个部分的算法。首先,本文从原理上分别讨论了小波变换,频域变换,支持向量机(Vector Support Machine, SVM)分类器和二维主成分分析(2-Dimensional Principal Component Analysis,2D PCA)等方法,并分别在ORL人脸库和Yale人脸库进行实验,找出了小波变换适合于人脸识别的小波函数和子图像选取方式,最有利于提高识别率的滤波函数,离散余弦变换的系数选择比例,最佳的SVM惩罚因子和核参数,以及最佳的2DPCA的主成分个数等。其次,本文按识别步骤的不同讨论和比较了空间滤波、频域滤波和基于均值调整算法等三种预处理方法；比较了小波变换、离散余弦变换和2DPCA等三种特征提取方法的效果,并给出了它们在ORL人脸库和Yale人脸库上的识别结果。最后,本文将讨论过的各种方法结合,以求达到最高的识别率。结合小波理论、图像处理、SVM分类器和2DPCA理论,通过反复实验,本文得到了一些有价值的结论。在ORL人脸库上,在5个训练样本,5个测试样本的情况下,采用本文提出的结合图像变换预处理和多种特征提取结合的方式进行人脸识别,利用“一对多”SVM分类器,最大识别率可达98%；在Yale人脸库上,在5个训练样本,6个测试样本的条件下,可以得到最高93.3%的识别率。

全文目录

摘要  5-6
Abstract  6-11
第1章绪论  11-21
  1.1 人脸识别的研究背景  11-16
  1.2 人脸识别的特点  16-17
  1.3 人脸识别系统的构成  17-18
  1.4 人脸识别的研究价值  18
  1.5 人脸库简介  18-19
  1.6 本论文的内容安排  19-21
    1.6.1 主要研究内容  19-20
    1.6.2 论文的组织结构  20-21
第2章基于小波变换的人脸识别  21-37
  2.1 小波变换理论  21-25
    2.1.1 小波变换的理论基础  21-23
    2.1.2 两种小波变换  23-25
  2.2 小波的种类  25-28
    2.2.1 经典小波  25-27
    2.2.2 正交小波  27-28
  2.3 二维离散小波变换  28-31
    2.3.1 二维正交小波变换  28-30
    2.3.2 二维正交小波变换应用于图像变换  30-31
  2.4 实验结果及分析  31-34
    2.4.1 小波函数的选取  32
    2.4.2 小波分解分量的选择  32-33
    2.4.3 小波分解层数的选择  33-34
  2.5 本章小结  34-37
第3章频域变换应用于人脸识别  37-47
  3.1 傅里叶变换  37-41
    3.1.1 一维傅里叶变换  37
    3.1.2 两种二维傅里叶变换  37-38
    3.1.3 二维傅里叶变换的功率谱  38
    3.1.4 二维傅里叶变换的性质  38-40
    3.1.5 用于人脸识别的频谱脸  40-41
  3.2 离散余弦变换  41-44
    3.2.1 DCT原理简介  41-42
    3.2.2 DCT应用于人脸识别  42-44
  3.3 实验结果及分析  44-46
  3.4 本章小结  46-47
第4章基于SVM的人脸识别  47-59
  4.1 支持向量机  47-53
    4.1.1 线性SVM  48-51
    4.1.2 非线性SVM  51-52
    4.1.3 支持向量机的核函数  52-53
  4.2 多分类支持向量机  53
    4.2.1 多分类支持向量机简介  53
  4.3 基于SVM的人脸识别实验  53-58
    4.3.1 支持向量机参数的选择  53-55
    4.3.2 识别率比较  55-58
  4.4 本章小结  58-59
第5章二维主成分分析应用于人脸识别  59-67
  5.1 主成分分析  59-61
    5.1.1 概述  59
    5.1.2 主成分分析的基本原理  59-60
    5.1.3 PCA应用人脸识别的原理  60-61
  5.2 二维主成分分析  61-63
    5.2.1 概述  61
    5.2.2 二维主成分分析的基本原理  61-62
    5.2.3 二维主成分分析应用于人脸识别  62-63
  5.3 实验结果及分析  63-65
  5.4 本章小结  65-67
第6章实验结果及分析  67-87
  6.1 预处理方法比较  67-72
    6.1.1 基于空间滤波的预处理  68
    6.1.2 基于频域滤波的预处理  68-69
    6.1.3 基于均值调整的预处理  69-72
  6.2 基于离散余弦变换的人脸识别实验  72-76
    6.2.1 离散余弦变换降维的参数选择  72-75
    6.2.2 DCT变换进一步降维实验  75-76
  6.3 基于小波的人脸识别实验  76-79
    6.3.1 简单图像压缩降维  76-77
    6.3.2 基于小波变换的人脸库实验  77-79
  6.4 基于2D PCA方法的人脸识别  79-82
    6.4.1 基于2D PCA的主成分个数的选取  79-80
    6.4.2 基于2D PCA的人脸库实验  80-82
  6.5 几种处理方法的结合  82-85
  6.6 本章小结  85-87
第7章总结与展望  87-91
  7.1 本文工作总结  87-89
  7.2 未来工作展望  89-91
参考文献  91-95
致谢  95-97
攻读硕士期间发表的论文  97

人脸特征提取和识别算法的研究与实现

内容摘要

全文目录

相似论文