学位论文 > 优秀研究生学位论文题录展示

基于图像特征的稀疏表示人脸识别算法研究

作　者: 李志星
导　师: 陈书贞
学　校: 燕山大学
专　业: 电路与系统
关键词: 人脸识别稀疏表示主成分分析 Gabor小波变换分块
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 427次
引　用: 0次
阅　读: 论文下载

内容摘要

人脸图像在采集时往往会存在光照、表情和姿态的变化的影响，使得在实际应用中识别率很难满足人们的期望。基于图像的稀疏表示人脸识别是近期出现的将压缩感知理论应用于模式识别中的新方法，其在克服光照、表情、姿态变化等方面具有很强的鲁棒性。针对以上问题，本文在研究国内外相关研究成果和最新研究进展的基础上，对稀疏表示人脸识别进行了深入研究。首先，本文利用主成分分析方法在最近邻和K近邻两种不同分类器上进行了实验，并从实际应用出发，对该算法加入拒识情况进行了详细的分析，得出了拒识情况下算法性能最高时的拒识参数值以及其他性能指标的值。其次，稀疏表示人脸识别通常是将直接对图像进行下采样提取的脸部特征用于稀疏表示人脸识别中。本文对其进行了改进，利用PCA对人脸图像优秀的描述特征，对人脸图像进行特征提取，将该整体特征应用于稀疏表示人脸识别中。实验结果取得了比下采样更好的效果，说明在鲁棒性上，基于特征脸的稀疏表示强于图像下采样特征的稀疏表示。最后，利用Gabor小波可以从多尺度和多方向提取人脸局部特征的优良特性，将局部特征应用于稀疏表示，并提出了基于Gabor小波能量子带分块的稀疏表示人脸识别算法，该算法将Gabor小波变换的子带特征进行固定大小分块，再进行特征融合，得到增强的Gabor特征，将该增强的局部特征应用于稀疏表示人脸识别。实验结果表明，本文算法识别率高于单纯的利用Gabor变换的稀疏表示人脸识别，其对光照、表情及姿态变化具有很强的鲁棒性。考虑到实用性，对该算法加入拒识情况进行分析，实验表明本文算法在存在拒识情况性能仍优于基于单纯利用Gabor变换进行稀疏表示人脸识别的算法。

全文目录

摘要  5-6
Abstract  6-8
目录  8-11
第1章绪论  11-17
  1.1 课题研究的背景及意义  11-14
    1.1.1 课题研究的背景  11
    1.1.2 人脸识别技术的优势与难点  11-13
    1.1.3 人脸识别研究的意义及发展趋势  13-14
  1.2 国内外研究现状  14-15
  1.3 本文的研究内容及思路  15-16
  1.4 论文结构安排  16-17
第2章人脸识别系统架构  17-33
  2.1 人脸图像预处理  17-23
    2.1.1 灰度变换  17-19
    2.1.2 直方图均衡化  19-20
    2.1.3 图像的几何校正  20-21
    2.1.4 图像滤波  21-23
  2.2 特征提取与识别方法综述  23-27
    2.2.1 基于知识的人脸识别  23-24
    2.2.2 基于代数特征的人脸识别  24-25
    2.2.3 基于机器学习的人脸识别  25-27
    2.2.4 基于压缩感知的人脸识别  27
  2.3 人脸识别系统性能分析  27-29
    2.3.1 识别系统的要求  27-28
    2.3.2 算法性能评判指标  28-29
  2.4 人脸数据库介绍  29-32
    2.4.1 国内人脸数据库  29-30
    2.4.2 国外人脸数据库  30-32
  2.5 本章小结  32-33
第3章基于主成分分析的人脸特征提取  33-49
  3.1 引言  33
  3.2 PCA 方法原理  33-37
    3.2.1 K-L 变换  33-36
    3.2.2 奇异值定理  36-37
  3.3 分类器设计  37-38
    3.3.1 最近邻分类器  37-38
    3.3.2 K 近邻分类器  38
  3.4 基于特征脸(Eigenface)的特征提取  38-43
    3.4.1 特征脸方法  39-42
    3.4.2 特征脸方法的优点与不足  42-43
  3.5 实验结果及分析  43-47
    3.5.1 ORL 人脸库中实验  43-44
    3.5.2 Yale 人脸库中实验  44-46
    3.5.3 加入拒识情况分析  46-47
  3.6 本章小结  47-49
第4章基于特征脸的稀疏表示人脸识别  49-59
  4.1 引言  49
  4.2 人脸图像的稀疏表示  49-53
    4.2.1 人脸图像的稀疏表示模型  49-50
    4.2.2 稀疏表示系数的求解  50-51
    4.2.3 稀疏表示的分类规则  51-53
  4.3 基于特征脸的稀疏表人脸识别  53-54
    4.3.1 图像下采样  53-54
    4.3.2 基于特征脸的稀疏表示人脸识别  54
  4.4 实验结果及其分析  54-57
    4.4.1 Extended YaleB 人脸库下实验  54-56
    4.4.2 AR 人脸库下实验  56-57
  4.5 本章小结  57-59
第5章基于局部特征的稀疏表示人脸识别  59-73
  5.1 引言  59-60
  5.2 二维 Gabor 小波变换  60-62
    5.2.1 Gabor 小波核函数  60-61
    5.2.2 人脸图像的 Gabor 小波特征  61-62
  5.3 二维 Gabor 滤波器对人脸图像的响应特性  62-64
    5.3.1 位置响应  63
    5.3.2 边缘响应  63-64
    5.3.3 亮度响应  64
  5.4 基于 Gabor 小波能量子带分块的稀疏表示人脸识别  64-67
    5.4.1 Gabor 小波能量子带分块  64-66
    5.4.2 基于 Gabor 小波能量子带分块的稀疏表示人脸识别  66-67
  5.5 实验结果及其分析  67-72
    5.5.1 Extended YaleB 人脸库下实验  67-69
    5.5.2 AR 人脸库下实验  69
    5.5.3 算法复杂度对比  69-70
    5.5.4 算法性能分析  70-72
  5.6 本章小结  72-73
结论  73-75
参考文献  75-79
攻读硕士学位期间承担的科研任务与主要成果  79-80
致谢  80-81
作者简介  81

基于图像特征的稀疏表示人脸识别算法研究

内容摘要

全文目录

相似论文