学位论文 > 优秀研究生学位论文题录展示
基于像素变化信息的人脸识别方法研究
作 者: 姚璐
导 师: 徐勇
学 校: 哈尔滨工业大学
专 业: 计算机科学与技术
关键词: 人脸识别 特征抽取 像素变化信息 Interest算子 梯度信息
分类号: TP391.41
类 型: 硕士论文
年 份: 2008年
下 载: 61次
引 用: 0次
阅 读: 论文下载
内容摘要
人脸识别是生物特征识别的一个重要分支,它在身份鉴定,信用卡验证,人机交互等领域有着广阔的应用前景。人脸识别的任务是通过计算机分析人脸图像,从中抽取出有效识别信息,并将此识别信息用于辨认身份。但由于人脸图像可能会受到光照、遮挡、面部表情以及姿态等多种因素的影响,使得对其进行正确识别存在一定的难度,因此,如何消除这些不利因素的影响成为人脸识别问题的关键。特征抽取是决定人脸识别效果的关键。目前用于人脸识别的特征抽取方法可大致分为两类:线性特征抽取方法和非线性特征抽取方法。常用的线性特征抽取方法有:PCA(Principal Component Analysis), FLD (Fisher Linear Analyze), 2DPCA, 2DFLD。常用的非线性特征抽取方法有核PCA,核Fisher方法。这些方法被广泛用于人脸识别中,但是当人脸图像处于复杂环境下时,这些方法往往无法抽取出对复杂环境具有较强识别能力的特征,从而导致识别准确率较低。Interest算子是近期被用于解决人脸识别问题的一种较有效的方法,就其本质而言,采用Interest算子对图像进行过滤的过程也就是分不同方向抽取图像的像素变化信息的过程。基于Interest算子的人脸识别方法同时是一种基于像素变化信息的人脸识别方法。基于Interest算子人脸识别方法的高效性证明了基于像素变化信息人脸识别方法的可行性。梯度信息反映了图像像素信息变化幅度的大小。一般认为梯度信息对图像边缘敏感,对光照等变化不敏感。基于梯度信息的人脸识别方法能够有效地抽取出图像的纹理特征同时缓解光照等变化对人脸识别的影响,对复杂环境具有一定的鲁棒性。本文首先将常用的线性特征抽取方法,非线性特征抽取方法,以及原始Interest算子运用于人脸识别中。在此基础上,提出Interest算子的三种改进思想。此外,我们提出了三种新的基于梯度信息的人脸识别算法。实验表明,本文所提方法对复杂环境具有较好的鲁棒性,能得到较高的识别结果。同时,同以往方法相比较,该方法易于理解和掌握,且计算复杂度低,对人脸识别具有重要意义。
|
全文目录
摘要 4-5 Abstract 5-9 第1章 绪论 9-16 1.1 生物特征识别概述 9-10 1.2 人脸识别 10-12 1.2.1 人脸识别技术的意义 10-11 1.2.2 人脸识别系统的框架 11 1.2.3 人脸识别问题的挑战 11-12 1.3 常用的特征抽取方法 12-14 1.4 基于像素变化信息的人脸识别方法 14-15 1.5 本文主要工作及结构安排 15-16 第2章 线性特征抽取方法 16-27 2.1 引言 16 2.2 常见方法 16-21 2.2.1 主成分分析(PCA) 16-18 2.2.2 Fisher 线性鉴别分析(FLD) 18-20 2.2.3 二维主成分分析(2DPCA) 20 2.2.4 二维Fisher 线性分析(2DFLD) 20-21 2.3 实验结果 21-26 2.3.1 ORL 库实验结果 21-23 2.3.2 FERET 库实验结果 23-24 2.3.3 AR 库实验结果 24-26 2.4 本章小结 26-27 第3章 非线性特征抽取方法 27-34 3.1 引言 27-28 3.2 核PCA 28-29 3.3 核Fisher 29-31 3.4 实验结果 31-33 3.5 本章小结 33-34 第4章 基于Interest 算子的人脸识别方法 34-48 4.1 引言 34 4.2 基于原始Interest 算子的人脸识别方法 34-37 4.2.1 Interest 算子 34-36 4.2.2 算法实现 36-37 4.3 原始Interest 算子的改进 37-41 4.3.1 重叠分区的Interest 算子 37-39 4.3.2 公式改进 39-40 4.3.3 两方向的Interest 算子 40-41 4.4 实验结果 41-46 4.4.1 原始Interest 算子 41-43 4.4.2 重叠分区算子 43-44 4.4.3 改进公式的算子 44-45 4.4.4 两方向Interest 算子 45-46 4.5 本章小结 46-48 第5章 基于梯度信息的人脸识别方法 48-63 5.1 引言 48-49 5.2 基于梯度幅值的人脸识别方法 49-50 5.3 基于方向梯度的人脸识别方法 50-51 5.4 基于相对梯度的人脸识别方法 51-53 5.5 实验结果 53-61 5.5.1 基于梯度幅值以及方向梯度的人脸识别方法 53-55 5.5.2 基于原始相对梯度算子和改进相对梯度算子人脸识别方法 55-61 5.6 本章小结 61-63 结论 63-64 参考文献 64-70 攻读学位期间发表的学术论文 70-72 致谢 72
|
相似论文
- 2D人脸模板保护算法研究,TP391.41
- 基于加权投票和关键帧提取的视频流人脸识别方法研究,TP391.41
- 基于差分演化的人脸识别方法研究,TP391.41
- 基于神经树的人脸识别方法研究,TP391.41
- 基于AdaBoost算法的人脸识别研究,TP391.41
- 基于MMTD的人脸识别方法研究,TP391.41
- 分子三次、分母二次有理样条权函数神经网络研究及应用,TP183
- 心电特征提取及分类方法研究,TN911.7
- 基于人脸识别的图像美化系统设计与实现,TP391.41
- 基于特征融合的人脸识别算法研究,TP391.41
- 面向电力营销服务的客户身份自动识别系统设计,TP391.41
- 基于小波变换和线性子空间的人脸识别技术研究,TP391.41
- 基于局部二元模式和韦伯局部描述符的人脸识别,TP391.41
- 基于HVS的图像质量评价研究,TP391.41
- 基于稀疏表达的人脸识别算法研究,TP391.41
- 彩色人脸检测与识别研究,TP391.41
- 食品(虾仁)分拣系统中的图像处理算法研究,TP391.41
- 可变光照和遮挡条件下的人脸识别技术研究及其应用,TP391.41
- 基于稀疏表示的人脸图像识别方法研究,TP391.41
- 基于子空间分析的人脸识别算法研究,TP391.41
- 分数阶微分数字图像处理及支持向量机在人脸识别中的应用研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|