基于改进的PCA与Fisher鉴别相结合的人脸识别

摘要

人脸识别是生物特征识别技术的一个重要分支,被广泛应用于身份认证、公共安全、机器视觉等领域。人脸识别早在上世纪六十年代就引起了研究者广泛关注,原因是其拥有着非接触性与易获取性等多种友好特性。人脸识别技术涉及了多个领域的知识,包括图像处理、模式识别、计算机视觉等技术,是一门综合性的交叉学科。人脸识别已经成为人工智能、模式识别等领域的一个前沿研究课题。人脸图像通常是典型的高维非线性数据,易受到光照、表情、姿态、年龄等影响而产生变化。为寻求更高的识别精度的方法,研究者至今仍面临着严峻挑战。
　　论文首先介绍了人脸识别的技术的研究背景和主要方法,总结了人脸识别技术中存在的技术难点,展望了人脸识别技术的发展趋势。针对传统主成分分析(PCA)方法在特征提取方面存在的问题,本文将其与Fisher鉴别准则进行结合,实现对图像的综合降维,从而能够更好的确定图像的分类方向。在PCA+Fisher的基础上,本文又对算法进行改进,进一步提高了人脸识别的正确率。
　　本文以剑桥大学的ORL人脸库作为识别对象,该库包括40个人的400张面部图像,库中人员照片的姿态、表情都有一定变化,部分图像还佩戴了饰物,20％以内的尺度变化,较为充分地反应了同一人不同人脸图像的变化和差异,因此识别结果能够很好评价算法的实用性。论文实现了用改进PCA+Fisher的方法对400张图像的识别,较高的识别率很好证明了改进以后算法的有效性。并且本文针对以往关于人脸识别的论文中,较多的只是关注整体图库的识别效果而忽略具体到每一个类的每一张照片的识别结果的不足之处,建立了识别结果库,从而能够对出错的结果进行具体分析,也为算法改进或者照片预处理的修正提供依据。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 人脸识别研究的背景和意义

1.2 人脸识别的国内外研究情况

1.3 人脸识别的主流研究方法

1.4 人脸识别技术存在的主要难点

1.5 人脸识别系统的性能指标

1.6常用人脸库

1.7 课题的目的和任务

第2章 基于PCA的人脸特征提取

2.1 主成分分析

2.2 主成分分析在人脸识别中的应用

2.3 奇异值分解（SVD）定理

2.4 PCA提取人脸特征的具体方案应用

2.5 本章小结

第3章 PCA与Fisher 鉴别的结合

3.1 线性鉴别分析（LDA）

3.2 Fisher鉴别线性分析方法

3.3 基于PCA+Fisher的人脸特征提取

3.4 本章小结

第4章 改进PCA与Fisher鉴别的结合

4.1 传统PCA存在的一些缺点

4.2 关于PCA的改进

4.3 基于改进PCA+Fisher的人脸特征提取

4.4 本章小结

第5章 分类器的设计

5.1 基本思想

5.2 几种最小距离分类器

5.3 人脸图像特征分类

第6章 人脸识别结果及分析

第7章 总结

参考文献

致谢