学位论文 > 优秀研究生学位论文题录展示

基于PCA和BP_Adaboost强分类器的人脸识别研究

作　者: 常向阳
导　师: 邓记才; 张云龙
学　校: 郑州大学
专　业: 物理电子学
关键词: 人脸识别特征提取主成分分析神经网络 BP_Adaboost强分类器
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 131次
引　用: 0次
阅　读: 论文下载

内容摘要

人的脸部信息在我们日常的交流中起着重要作用,人们能够根据自己的记忆对他人进行识别。对于计算机而言,它必须提取出人脸图像中的典型信息,跟存储器中数据进行比对分析,才能有效地进行识别。由于利用计算机进行人脸识别是模式识别和人工智能领域中的热门课题,而且人脸识别系统在安全监控、刑事侦查、出入境关口管理、机场检查等领域有着广阔的应用前景,因此吸引着广大研究人员开展人脸识别研究。特征提取和分类器设计是人脸识别技术两个主要的研究方面。本文查阅和分析了国内外多年来关于人脸识别的众多学术成果,对人脸识别技术相关理论进行了分析研究。主要研究工作包括以下几个方面：1.首先介绍了人脸识别技术的研究背景和主要方法,概述人脸识别技术存在的技术难点,总结人脸识别技术的发展趋势。2.分析了主成分分析法在提取特征方面的问题,通过人脸重构证明了主成分分析能够很好的提取出人脸的特征,为接下来进行人脸分类提供了可靠的理论支持。3.研究分析了基于神经网络进行人脸识别的方法,并针对其优缺点,提出了基于BP_Adaboost强分类器的人脸识别方法。4.在ORL人脸图像库上进行仿真,实验的结果表明基于主成分分析和BP_Adaboost强分类器的人脸识别比其他方法具有更好的实用性和鲁棒性。

全文目录

摘要  4-5
Abstract  5-9
1 绪论  9-21
  1.1 人脸识别的背景和意义  9-10
  1.2 人脸识别的研究概述  10-20
    1.2.1 人脸识别技术的国内外研究情况  11-14
    1.2.2 人脸识别技术存在的难点  14-16
    1.2.3 人脸识别技术的发展趋势  16-18
    1.2.4 人脸识别系统的性能指标  18-19
    1.2.5 常用人脸库  19-20
  1.3 本文的主要工作及结构  20-21
2 基于PCA的人脸特征提取  21-26
  2.1 基于统计特征提取的理论基础  21-23
  2.2 PCA人脸特征提取方法  23-25
  2.3 本章小结  25-26
3 基于BP_Adaboost的人脸强分类器设计  26-43
  3.1 人工神经网络  26-33
    3.1.1 人工神经网络概述  26-28
    3.1.2 生物神经元  28-29
    3.1.3 神经网络拓扑结构  29-30
    3.1.4 人工神经网络的学习规则  30-33
  3.2 BP网络分类器  33-38
    3.2.1 BP神经网络模型  33-36
    3.2.2 BP神经网络的LM学习算法  36-38
  3.3 BP_Adaboost强分类器实现人脸识别  38-41
    3.3.1 Adaboost学习算法的基本原理  38
    3.3.2 BP_Adaboost算法实现人脸识别  38-41
  3.4 本章小结  41-43
4 基于PCA和BP_Adaboost的人脸识别仿真分析  43-57
  4.1 PCA提取人脸特征  43-47
  4.2 基于BP_Adaboost模型的人脸分类器设计  47-56
    4.2.1 BP神经网络用于人脸识别及实验分析  47-54
    4.2.2 BP_Adaboost强分类器用于人脸识别  54-56
  4.3 本章小结  56-57
5 总结和展望  57-59
  5.1 总结  57
  5.2 展望  57-59
参考文献  59-63
致谢  63-64
个人简历、在学期间发表的学术论文与研究成果  64

基于PCA和BP_Adaboost强分类器的人脸识别研究

内容摘要

全文目录

相似论文