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技术研究

作　者: 苏宏涛
导　师: 赵荣椿
学　校: 西北工业大学
专　业: 计算机应用技术
关键词: 人脸识别特征脸线性鉴别分析人脸检测预处理分类器神经网络支持向量机小波变换多特征频谱特征脸虚拟脸
分类号: TP391.4
类　型: 博士论文
年　份: 2004年
下　载: 1213次
引　用: 32次
阅　读: 论文下载

内容摘要

由于在安全验证方面,视频监控方面,甚至家庭娱乐等方面潜在的巨大应用前景,人脸识别技术近年来已经受到许多学者、政府部门、企业界的普遍关注,并已成为生物特征识别领域的一个研究热点。实际上,在身份验证中,相对于其他生物特征识别而言,人脸特征识别是最直接,最方便友好的手段。本文的主要研究内容是人脸识别技术,重点研究了利用统计特征进行人脸识别的方法。本文的主要创新点有: (1) 提出了两种基于小波变换和多特征的人脸识别方法:一种是将多特征和多分类器结合的识别方法:另一种方法则是利用多特征组成混合特征,并引入了“支持向量机”(Support Vector Machine)进行分类的方法。两种方法均取得了满意的识别结果。 (2) 提出了基于人脸局部特征融合的识别方法。首先根据人脸的分布知识对人脸特征进行分割,提取各局部特征的特征脸特征,再分别利用支持向量机和Boosting算法进行融合和分类。实验证明这种方法的识别率高于传统的直接利用整幅人脸图像的特征的方法。 (3) 结合了小波变换和图像频谱的频谱脸,在人脸识别方面具有相当高的应用价值,本文进一步提取了频谱脸的特征脸和线性鉴别特征作为分类特征,并利用了不同的分类方法进行识别,这种基于频谱的方法可以有效提高识别率,我们称之为频谱特征脸法。同时在这种特征提取基础上,还提出了一种利用多特征和径向基函数网络进行人脸识别的算法,并将该算法应用到了单训练样本情况,获得了较好的识别结果。 (4) 为了克服人脸识别中由于小幅度的姿态、表情,光照变化所带来的困难,本文提出了一种利用“互信息”(Mutual Information)和混合特征的两步人脸识别算法,并在几个不同的人脸库上进行了实验,证明了该算法可以在人脸图像存在小幅度的姿态、表情,光照变化的情况下可以保证较高的识别率。 (5) 在人脸识别研究中,由于获得的人脸图像常常是不同视角,不同光照方向的,因此会给识别带来较大的困难,我们提出了两个针对不同具体情况的解决光照变化情况下的人脸识别方法,第一种是光照子空间法,第二种是利用径向基函数网络产生虚拟光照条件下的人脸图像或特征来增加训练样本的方法,称为虚拟脸方法。两种方法都可以在一定程度上解决识别中光照问题所带来的

全文目录

第一章绪论  11-24
  1.1 人脸识别技术概论  11-20
    1.1.1 人脸识别技术的研究内容  11-12
    1.1.2 人脸检测和识别的主要方法  12-20
      1.1.2.1 人脸检测方法  12-16
      1.1.2.2 人脸识别方法  16-20
  1.2 人脸识别发展现状及应用前景  20-21
  1.3 论文题目来源  21
  1.4 本文的工作和创新点  21-22
  1.5 论文结构  22-24
第二章基于统计的人脸识别方法  24-42
  2.1 引言  24
  2.2 特征脸方法  24-32
    2.2.1 K-L变换  24-26
    2.2.2 K-L展开式的性质  26-28
    2.2.3 K-L坐标系的产生矩阵  28
    2.2.4 特征脸方法  28-32
  2.3 独立元分析方法  32-34
  2.4 线性鉴别分析方法  34-37
  2.5 奇异值分解特征法  37-41
  2.6 小结  41-42
第三章基于多特征的人脸识别方法  42-72
  3.1 引言  42
  3.2 基本理论  42-58
    3.2.1 小波理论及多分辨率分析  42-44
    3.2.2 支持向量机  44-53
      3.2.2.1 最优分类超平面  45-46
      3.2.2.2 构造最优超平面  46-48
      3.2.2.3 线性不可分情况下构造最优超平面  48-49
      3.2.2.4 构造广义最优超平面  49-50
      3.2.2.5 支持向量机的原理和实现  50-53
    3.2.3 分类器  53-58
      3.2.3.1 最小距离分类器  53-54
      3.2.3.2 最大相关分类器  54-55
      3.2.3.3 最近邻特征线分类器  55-58
  3.3 一种新的多特征和多分类器结合的识别算法  58-66
    3.3.1 预处理  58-59
    3.3.2 特征提取  59-61
      3.3.2.1 局部自相关特征  60-61
      3.3.2.2 混合特征的构建  61
    3.3.3 分类  61-63
    3.3.4 实验  63-66
  3.4 一种新的利用多特征和支持向量机的识别方法  66-71
    3.4.1 特征提取  67
    3.4.2 算法描述  67-68
    3.4.3 多类分类问题的解决  68-70
    3.4.4 实验及结果  70-71
  3.5 小结  71-72
第四章基于局部特征融合的人脸识别方法  72-87
  4.1 引言  72
  4.2 基本原理  72-83
    4.2.1 人脸局部特征检测  72-79
      4.2.1.1 灰度标准化  72-73
      4.2.1.2 方向投影及变化投影函数  73-76
      4.2.1.3 人脸器官分布的知识规则  76-79
    4.2.2 特征提取  79-80
    4.2.3 融合和分类  80-83
      4.2.3.1 Boosting原理  80-82
      4.2.3.2 一种基于Boosting的新型组合分类器  82-83
    4.2.4 算法框架  83
  4.3 实验  83-84
  4.4 实验结果  84-85
  4.5 小结  85-87
第五章基于频谱和径向基函数网络的人脸识别方法  87-109
  5.1 引言  87
  5.2 基本理论  87-97
    5.2.1 傅立叶变换和傅立叶频谱  88-91
      5.2.1.1 一维傅立叶变换  88
      5.2.1.2 二维傅立叶变换  88-89
      5.2.1.3 幅度谱、相位谱、能量谱  89
      5.2.1.4 二维傅立叶变换的性质  89-91
    5.2.2 频谱脸  91-92
    5.2.3 径向基函数网络  92-97
      5.2.3.1 用于插值的径向基函数  92-93
      5.2.3.2 用于模式识别的径向基函数  93-94
      5.2.3.3 径向基函数网络  94-97
  5.3 特征提取和频谱特征脸  97-98
  5.4 算法  98-100
  5.5 实验  100-107
    5.5.1 人脸库  100-103
    5.5.2 实验一及结果  103-104
    5.5.3 实验二及结果  104-107
      5.5.3.1 多特征+RBFN算法与其他算法的比较  104-105
      5.5.3.2 对于单训练样本情况的实验及结果  105-107
  5.6 小结  107-109
第六章利用互信息和混合特征的人脸识别方法  109-120
  6.1 引言  109
  6.2 熵和互信息  109-111
  6.3 两步人脸识别算法  111-113
    6.3.1 为什么使用互信息  111
    6.3.2 具体算法  111-113
  6.4 实验  113-119
    6.4.1 实验用的人脸库  113-116
    6.4.2 实验结果  116-119
  6.5 小结  119-120
第七章光照条件变化的人脸识别的研究  120-137
  7.1 引言  120-122
  7.2 光照子空间方法  122-129
    7.2.1 多视角子空间  122-123
    7.2.2 多光照子空间  123-126
    7.2.3 实验  126-129
    7.2.4 实验结果  129
  7.3 虚拟脸  129-135
    7.3.1 基本原理  130
    7.3.2 具体算法描述  130-132
    7.3.3 实验和结果  132-135
  7.4 小结  135-137
第八章结束语  137-140
  8.1 本文的主要工作  137-138
  8.2 本文的不足及未来展望  138-140
致谢  140-141
参考文献  141-152
附录：攻读博士学位期间所做科研工作及发表的论文  152-154
西北工业大学学位论文知识产权声明书  154
西北工业大学学位论文原创性声明  154

基于统计特征的人脸识别技术研究

内容摘要

全文目录

相似论文