基于图像统计特征的人脸识别研究

摘要

人脸识别技术是目前生物特征识别中最受人们关注的一个分支，是计算机视觉与模式识别领域非常活跃的一个研究方向。人脸图像的特征提取是人脸识别技术非常重要的组成部分，对于识别效果起着举足轻重的作用。其中基于统计特征(代数特征)的识别方法由于具有一定的稳定性和较快的识别速度而受到较大的关注。
　　 本文首先实现了三种经典的基于统计特征的人脸识别方法即特征脸法、Fisher线性判别分析法和奇异值分解法，并将其在同一人脸库上的实验结果进行了比较，对前人的一些结论进行了验证。
　　 其次，本文对Fisher线性判别分析法进行了更深一步的研究。先是用程序实现了两种前人提出的最优鉴别矢量集的求解，并通过对比发现，利用最优鉴别矢量集提取图像特征进行分类识别，效果明显好于仅仅用单个鉴别矢量。然而，在用文献[78]提出的方法求解最优鉴别矢量集时，发现文献[78]的方法存在一定的缺陷和不足。在此基础上，本文对基于Fisher判别准则的最优鉴别矢量集求解算法进行了改进，使得改进后的方法能更有效的进行识别。
　　 最后，对人脸图像矩阵分解出奇异值向量进行了统计分析与比较，证明了奇异值特征向量是图像灰度信息的表征，分析总结了奇异值与图像灰度的分布关系，即最大奇异值反映了图像灰度范围的位置，其他奇异值反映了灰度范围的宽度；找出了直接用奇异值特征向量作为特征进行分类存在的不足。进而，又对图像矩阵分解出的左右正交特征矩阵进行了研究，证实了图像的基空间决定了图像轮廓结构。在此基础上提出了基空间的人脸识别算法，并通过实验验证了该方法的有效性和对光照变化的稳定性以及奇异值对光照变化的敏感性。

目录

文摘

英文文摘

第一章 绪论

1.1 选题背景

1.2 国内外研究现状

1.3 主要研究工作

1.4 论文结构

第二章 人脸识别技术综述

2.1 人脸检测与定位

2.1.1 模版匹配方法

2.1.2 基于规则的特征搜索方法

2.1.3 人工神经网络方法和其他统计方法

2.2 人脸识别中的图像预处理

2.3 特征提取

2.3.1 直观几何特征

2.3.2 统计特征

2.4 识别方法

2.4.1 统计方法

2.4.2 神经网络方法

2.4.3 多分类器组合方法

2.5 常用人脸库介绍

2.5.1 FERET人脸数据库

2.5.2 ORL人脸数据库

2.5.3 AR人脸数据库

2.5.4 Yale人脸数据库

2.5.5 Harvard人脸数据库

2.6 本章小结

第三章 图像统计特征的提取方法

3.1 引言

3.2 特征脸法

3.3 Fisher线性判别分析法

3.3.1 Fisher线性判别函数

3.3.2 鉴别矢量的求解

3.4 奇异值分解法

3.4.1 奇异值分解定理

3.4.2 基于奇异值的识别算法

3.5 实验结果与分析

3.5.1 PCA方法实验结果分析

3.5.2 三种基于统计特征提取方法实验结果比较与分析

3.6 本章小结

第四章 Fisher线性判别分析方法的改进

4.1 基于Foley-Sammon最优鉴别准则的最优鉴别矢量集

4.1.1 Folev-Sammon最优鉴别准则

4.1.2 求解Foley-Sammon最优鉴别矢量集的方法

4.2 广义最优鉴别矢量集

4.2.1 广义最优鉴别变换

4.2.2 广义最优鉴别矢量的求解算法

4.3 求解最优鉴别矢量集的算法改进

4.3.1 求解最优鉴别矢量集改进算法

4.3.2 实验结果与分析

4.4 本章小结

第五章 基于基空间的人脸识别研究

5.1 引言

5.2 图像的奇异值比较与分析

5.2.1 不同图像的奇异值比较

5.2.2 奇异值与图像灰度的关系

5.3 人脸图像的基空间

5.3.1 人脸图像基空间的概念

5.3.2 人脸图像基空间的属性

5.4 基于基空间人脸识别算法

5.5 实验结果与分析

5.6 本章小结

第六章 总结及未来的工作

6.1 总结

6.2 未来的工作

致谢

攻读硕士学位期间发表及录用的论文

参考文献