学位论文 > 优秀研究生学位论文题录展示

人脸识别技术的研究与应用

作　者: 白冬辉
导　师: 付晓玲
学　校: 北方工业大学
专　业: 计算机应用技术
关键词: 人脸检测人脸识别奇异值分解(SVM) BP神经网络隐马尔可夫模型(HMM)
分类号: TP391.41
类　型: 硕士论文
年　份: 2006年
下　载: 517次
引　用: 13次
阅　读: 论文下载

内容摘要

人脸识别技术的研究在近几年得到了高度重视,已经成为图像分析和理解中最成功的应用之一。但是,这些研究成果离这一问题的彻底解决还有很大的距离。因此,这一课题依然是当前研究的热点问题之一。文章研究了基于肤色模型的人脸检测方法,提出了一种基于肤色特征和眼睛位置的人脸定位方法,该方法利用差分图像方法得到一幅有人存在的图像,依据人的肤色信息,在YCrCb空间进行肤色映射生成二值图像,然后根据人脸的形状特征确定人脸所在位置,最后确定出人眼位置,根据人眼的位置准确定位出人脸的上下左右边界,从而得到人脸的准确定位。同时文章研究了基于特征脸、奇异值分解理论、小波理论、BP神经网络理论及HMM(隐马尔可夫模型)相结合的人脸识别方法,提出了一种改进的基于奇异值分解的人脸识别方法,该识别方法用一个采样窗对图像从上到下进行重叠采样,对得到的所有矩阵求奇异值,进行降维压缩,取每个矩阵最大的k个奇异值作为每一个采样窗的特征,得到一组向量,用这组向量作为人脸图像的特征进行识别。实验证明该识别方法具有较高的识别率。最后文章实现了一个基于人脸识别技术的考勤系统的原型。该系统采用了改进的奇异值分解和最小距离分类器相结合的识别方法。首先基于差分图像和肤色信息检测出人脸,其次使用改进的奇异值分解方法提取面部特征,最后运用最小距离分类器进行识别。为了提高系统对光照条件的鲁棒性,系统在人脸检测环节采用了光照补偿的方案,依据人脸模型,通过眼睛的精确定位,定位出人脸,提高了定位准确度;在识别环节引入了图像的灰度标准化处理,降低了灰度变化的影响。文章分为七个部分,第一部分简要介绍国内外相关课题的研究现状、相关理论、主要研究方法;第二部分简要介绍人脸检测技术相关的理论基础及本文中采用的人脸检测与定位算法;第三部分简要介绍了基于主成分分析的人脸识别算法的理论基础及算法实现;第四部分简要介绍了基于BP神经网络的人脸识别算法的理论基础及算法实现;第五部分简要介绍了隐马尔可夫模型;第六部分提出了一种改进的基于奇异值分解的人脸识别方法;最后,给出了一个基于人脸识别技术的考勤系统解决方案。

全文目录

摘要  4-6
Abstract  6-12
引言  12-14
1 自动人脸识别技术  14-22
  1.1 自动人脸识别系统  14-15
  1.2 人脸识别系统的性能  15
    1.2.1 主要性能指标  15
    1.2.2 影响人脸自动识别性能的因素  15
  1.3 人脸识别系统的应用  15-16
    1.3.1 在银行金融系统中的应用  16
    1.3.2 在政法系统中的应用  16
    1.3.3 在其他方面的应用  16
  1.4 人脸识别方法综述  16-22
    1.4.1 基于几何特征的人脸识别方法  17
    1.4.2 基于模板匹配的人脸识别方法  17-18
    1.4.3 特征脸方法  18-19
    1.4.4 隐马尔可夫模型  19
    1.4.5 基于神经网络的方法  19-20
    1.4.6 弹性图匹配方法  20-21
    1.4.7 其他人脸识别方法  21-22
2 基于肤色特征和眼睛位置的人脸检测与定位  22-31
  2.1 基于差分图像的人所在区域提取  23-24
  2.2 基于肤色的人脸检测  24-26
    2.2.1 色彩空间的选取  24-25
    2.2.2 肤色聚类模型的建立  25
    2.2.3 基于肤色的人脸区域提取  25-26
  2.3 根据人脸特征检测出人脸  26-27
  2.4 确定眼睛位置进行人脸精确定位  27-31
    2.4.1 人眼位置估计  27-29
    2.4.2 人脸定位与图像归一化  29-31
3 基于主成分分析(PCA)的人脸识别算法  31-38
  3.1 基于SVM人脸识别算法  31-34
    3.1.1 奇异值特征提取  31-32
    3.1.2 奇异值降维压缩  32
    3.1.3 奇异值矢量标准化  32-33
    3.1.4 奇异值矢量排列  33
    3.1.5 奇异值分解算法实现  33-34
  3.2 基于K-L变换的特征脸识别算法  34-38
    3.2.1 基于K-L变换的特征提取  34-36
    3.2.2 特征脸识别算法实现  36-38
4 基于神经网络人脸识别算法  38-48
  4.1 神经网络的基本原理  38-39
    4.1.1 神经网络的结构  38
    4.1.2 神经网络的学习和训练  38-39
  4.2 一些典型的常用于模式识别的神经网络模型  39-41
    4.2.1 BP网络  39
    4.2.2 竞争学习和侧抑制  39-40
    4.2.3 自组织特征映射  40
    4.2.4 Hopfield网络  40-41
  4.3 神经网络用于模式识别  41-43
    4.3.1 神经网络模式识别系统概述  41-42
    4.3.2 多层前馈网络用于模式识别  42-43
  4.4 基于BP神经网络的人脸识别  43-48
    4.4.1 BP神经网络  43
    4.4.2 人脸识别特征的选取  43-46
    4.4.3 神经网络设计  46
    4.4.4 BP学习算法步骤  46-48
5 基于HMM模型的人脸识别算法  48-58
  5.1 HMM的基本思想  48-51
    5.1.1 Markov链  48-49
    5.1.2 HMM的概念  49
    5.1.3 HMM的基本算法  49-51
  5.2 人脸识别的隐马尔可夫模型  51-55
    5.2.1 人脸识别的一维HMM模型  51-52
    5.2.2 人脸识别的伪二维 HMM模型  52-53
    5.2.3 HMM学习与识别算法  53-55
  5.3 基于奇异值分解和隐马尔可夫模型的人脸识别方法的实现  55-58
6 人脸识别算法的改进  58-61
  6.1.1 一种改进的人脸识别算法  58-59
  6.1.2 实验结果  59-61
7 人脸识别技术在考勤系统中的应用  61-72
  7.1 人脸考勤系统的结构与原理  61-63
    7.1.1 系统结构  61-62
    7.1.2 工作原理  62-63
  7.2 系统设计  63-68
    7.2.1 通讯协议  63-65
    7.2.2 客户端  65-67
    7.2.3 服务器端  67-68
  7.3 人脸识别技术实现  68-69
  7.4 实验结果  69-72
结论  72-74
参考文献  74-76
在学研究成果  76-77
致谢  77

人脸识别技术的研究与应用

内容摘要

全文目录

相似论文