基于统计特征的人脸识别算法研究

摘要

人脸识别是模式识别和图像处理的结合体，是一种最直接，最友好的生物特征认证技术，具有很高的研究价值和应用价值，主要运用于身份认证和安全监视邻域。人脸识别技术运用的是人体本身所固有的特征，具有很高的安全性，可靠性和有效性，是一种最容易被接受的身份认证方法，它具有其它识别方式所不具备的多种优势，如易采集，自然直接，普遍唯一，运用广泛等。
　　本文研究了人脸图像的特征提取法，并进行了人脸识别研究，内容如下：
　　(1)介绍了人脸识别系统中常用的图像预处理方法：消除图像噪声和图像归一化。图像预处理是提高算法识别率的关键，主要作用是将采集到的图像标准化，为后续的训练和识别工作做准备。
　　(2)给出了一种基于加权K-L算法的人脸识别方法，该方法增加了较小特征值对应的特征向量对识别结果影响的比重，比较了这种方法和传统K-L算法对不同人脸库图像和不同高斯白噪声信噪比仿真实验时的的识别效果，结果表明，相较于传统的K-L算法，基于加权K-L算法的人脸识别方法具有更高的识别率和更好的抗噪性能。
　　(3)针对用奇异值分解(SVD)算法进行人脸识别时识别率低的问题，采用了两种改进的识别方法：基于多尺度分割奇异值向量算法，基于K-L分解与SVD特征融合算法，并将这些方法对不同人脸库图像和不同信噪比噪声进行仿真试验，结果表明，这两种改进的算法都能够很好的提高识别率和抗噪性能。
　　(4)介绍了隐马尔可夫模型(HMM)中各种参数的初始化算法，为了提高识别率和降低模型中观测序列的维数，采用了基于K-L分解和奇异值分解(SVD)提取观测序列子图像特征作为观测序列来进行模型训练的方法，讨论了采样窗口和重叠窗口大小对识别效果的影响，通过对不同人脸库图像进行仿真实验，确定最佳的参数设置，并比较了K-L+HMM方法，SVD+HMM方法和DCT+HMM方法的识别效果。结果表明，K-L+HMM方法和SVD+HMM方法能够有效的提高模型的识别率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1人脸识别技术的概述和研究背景

1.2人脸识别的发展史

1.3人脸识别的方法

1.4本文工作安排

第二章 人脸图像预处理

2.1人脸图像库

2.2图像预处理

2.3本章小结

第三章 基于加权K-L变换算法的人脸识别

3.1 K-L变换原理

3.2基于加权K-L变换的人脸识别

3.3本章仿真实验

3.4本章小结

第四章 基于K-L变换特征与奇异值分解(SVD)特征融合算法的人脸识别

4.1奇异值分解(SVD)原理

4.2奇异值分解(SVD)在人脸识别中的应用

4.3基于多尺度分割奇异值向量算法的人脸识别

4.4基于K-L分解和奇异值分解(SVD)特征融合的人脸识别

4.5本章仿真实验

4.6本章小结

第五章 基于K-L+HMM和SVD+HMM的人脸识别

5.1马尔可夫过程

5.2马尔可夫链

5.3隐马尔可夫模型(HMM)

5.4隐马尔可夫模型(HMM)在人脸识别中的应用

5.5本章仿真实验

5.6本章小结

第六章 总结与展望

6.1全文总结

6.2人脸识别的难度与展望

致谢

参考文献