学位论文 > 优秀研究生学位论文题录展示

基于整体特征和局部特征的人脸识别方法的研究

作　者: 李彬彬
导　师: 安建成
学　校: 太原理工大学
专　业: 计算机应用技术
关键词: 人脸识别整体特征局部特征 SIFT KPCA
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 178次
引　用: 1次
阅　读: 论文下载

内容摘要

随着模式识别、计算机视觉和图像处理技术在信息化社会中的快速发展,人脸识别作为一种身份验证的重要手段,目前已经得到社会各界的普遍关注,由于人脸识别具有唯一性、安全性、便捷性、有效性、非接触性和不易被察觉等特性而倍受青睐。现在人脸识别的商业产品也越来越多,像大多数机场、银行、港口等重要场所,都已安装和部署了人脸识别系统,人脸识别在我们的日常生活中发挥着重要作用。在人脸识别中,图像采集会受到光照干扰、视觉角度的变化、人脸表情变化、年龄变化以及遮挡等的影响,这样就可能使得同一个人的人脸图像表观差别很大,造成识别的困难,因此提高人脸识别系统识别的准确率是人脸识别技术研究的重要目标之一。本文首先介绍了人脸识别的课题背景和研究意义,接着介绍了与本课题相关的基础知识、相关理论和技术；然后阐述了基于局部特征和整体特征的人脸识别技术,并根据现在应用最广泛的基于尺度不变特征(Scale Invariant Feature Transform, SIFT)和核主元分析法(Kernel Principal Component Analysis, KPCA)的人脸识别技术,提出了本文实验中所采用的局部特征的提取方法和整体特征的提取方法。在对局部特征提取时,本文建立了人脸坐标系,根据美学分析报告,利用14个关键特征点作为局部特征点进行人脸识别；在对整体特征提取时,本文采用脸部器官间距离特征、角度特征、周长特征、面积特征、体积特征和面部比例特征等几个方面作为整体特征,并在得到特征向量组,利用这些特征向量组作为整体特征进行人脸识别。最后用AR人脸库中具有不同表情特征的6幅经典人脸图像对各个局部特征和整体特征进行了测试。本文最后采用一种的改进的D-S证据理论将人脸的局部特征和整体特征融合起来进行人脸识别。实验是采用OpenCV基础函数库,利用Microsoft Visual Studio C++6.0开发完成的。由于SIFT算法和KPCA算法应用比较广泛,本系统将本文的算法与上述两个算法在AR人脸库和JDL人脸库上进行了比较,实验结果表明本文的算法具有更高的识别率。

全文目录

摘要  3-5
ABSTRACT  5-11
第一章绪论  11-19
  1.1 课题背景和研究意义  11-13
  1.2 国内外研究现状  13-16
  1.3 论文的主要研究内容和结构安排  16-19
    1.3.1 论文的主要研究内容  16-17
    1.3.2 论文的结构安排  17-19
第二章人脸识别相关知识  19-25
  2.1 人脸识别主要步骤与基本内容  19-21
    2.1.1 人脸识别的主要步骤  19
    2.1.2 人脸识别基本内容  19-21
  2.2 常见的几种人脸识别方法  21-24
    2.2.1 基于几何特征的人脸识别  21
    2.2.2 基于子空间分析的人脸识别  21-22
    2.2.3 基于弹性图匹配的人脸识别  22-23
    2.2.4 基于神经网络的人脸识别  23
    2.2.5 基于隐马尔可夫模型的人脸识别  23-24
  2.3 本章小结  24-25
第三章基于局部特征的人脸识别技术  25-41
  3.1 结合非负矩阵稀疏分解二维小波变换  25-27
  3.2 基于非负矩阵分解的局部特征提取方法  27-29
    3.2.1 非负矩阵的分解方法  27-28
    3.2.2 运用非负矩阵分解方法提取局部特征  28-29
  3.3 基于子空间的人脸识别方法  29-30
  3.4 基于SIFT的人脸识别方法  30-34
    3.4.1 局部极值的确定  31-32
    3.4.2 关键点的确定  32-33
    3.4.3 SIFT特征的确定  33-34
  3.5 实验中局部特征提取方法  34-39
    3.5.1 局部特征点的提取  34-36
    3.5.2 实验中局部特征点的提取  36-39
  3.6 本章小结  39-41
第四章基于整体特征的人脸识别技术  41-55
  4.1 主成分分析方法  41-43
  4.2 核主元分析方法与全局特征提取  43-47
    4.2.1 核主元分析的人脸识别方法  43-46
    4.2.2 核主元分析方法在人脸识别中的应用  46-47
  4.3 人脸图像全局变量的提取  47-49
  4.4 实验中整体特征的提取方法  49-51
    4.4.1 整体特征中关键特征向量的选取和计算  49-51
    4.4.2 整体特征识别的阈值  51
  4.5 关键特征向量的选择和说明  51-54
    4.5.1 实验中整体特征的提取  51-54
  4.6 本章小结  54-55
第五章基于整体特征和局部特征的人脸识别技术  55-67
  5.1 整体特征和局部特征的融合方法  55-58
    5.1.1 Dempster-Shafer证据理论  55-56
    5.1.2 证据理论存在的问题及改进方法  56-58
  5.2 基于整体与局部特征的人脸识别实验系统工作流程  58-60
  5.3 基于整体与局部特征的人脸识别实验系统  60-63
  5.4 实验结果分析  63-65
  5.5 本章小结  65-67
第六章总结与展望  67-69
  6.1 总结  67
  6.2 进一步的研究展望  67-69
参考文献  69-73
致谢  73-75
攻读硕士论文期间发表的学术论文  75

基于整体特征和局部特征的人脸识别方法的研究

内容摘要

全文目录

相似论文