基于SIFT降维和BP网络的人脸识别方法的研究

摘要

人脸识别技术作为生物特征识别中的一个重要的热点课题和研究领域，其应用前景广泛，具有较高的研究价值。人脸识别就是将人的面部特征作为鉴别身份的标签，使用人工智能方法，提取人脸的几何、颜色、统计等特征后，对不同人脸进行区分。然而，现实中人脸图像经常会受到光照、旋转、尺度等环境因素的影响，基于尺度不变的特征提取算法(SIFT)的特性可适应环境变化对人脸识别的影响，但是SIFT算法提取的特征维数较高，影响了人脸识别的效率。
　　为了解决SIFT算法存在的问题，本文对SIFT算法进行改进，并结合BP神经网络设计了一种新的人脸识别方法，有效的提高了人脸识别的效率和准确率。
　　论文首先分析了人脸识别的研究背景和国内外研究现状，研究了人脸识别相关技术以及人脸识别当中常用的主成分分析(PCA)算法、BP算法。
　　其次，本文在SIFT特征提取算法的基础上加以改进，提出了基于PCA的SIFT特征提取降维算法:深入研究了SIFT特征提取算法。SIFT算法使得人脸图像具有缩放、平移、旋转不变的特性，能够解决环境因素对人脸识别的影响。但是普通SIFT算法提取的特征维数较高，而这些特征并不都是对识别分类有贡献的特征，存在大量的冗余和不相关特征，增加了计算开销。为解决此问题，通过PCA算法将SIFT算法提取出的类别相关性强的特征挑选出来，从而剔除冗余特征，降低特征维数，提高后续算法的识别效率。在Matlab平台下进行验证，经实验证明了该算法的有效性。
　　最后，本文提出了基于SIFT降维和BP网络的人脸识别方法:研究了BP网络结构和BP算法基本原理。设计关于降维的SIFT特征的BP网络结构以及BP算法的实现步骤，并将BP网络作为分类识别器与基于PCA的SIFT特征提取降维算法相结合形成人脸识别系统。在Matlab平台下，采用ORL人脸数据库对该系统进行验证，经实验证明本文提出的方法提高了人脸识别的正确率和效率。

目录

声明

摘要

第1章 引言

1．1 研究背景与意义

1．2 人脸识别的研究现状

1．3 论文的研究内容

1．4 论文的组织结构

第2章 相关基础知识

2．1 人脸识别技术

2．1．1 人脸检测

2．1．2 人脸图像的预处理

2．1．3 特征提取

2．1．4 人脸分类识别

2．2 PCA算法

2．2．1 主成分分析算法的实现原理

2．2．2 小结

2．3 BP神经网络

2．3．1 BP神经网络模型结构

2．3．2 BP神经网络中各层的设计

2．3．3 BP算法

2．4 本章小结

第3章 基于PCA的SIFT特征提取降维算法

3．1 SIFT算法

3．1．1 构建高斯差分尺度空间

3．1．2 关键点的定位

3．1．3 关键点方向分配

3．1．4 关键点的描述

3．2 SIFT算法存在的不足

3．3 基于PCA的SIFT特征提取降维算法

3．4 仿真验证

3．4．1 仿真平台介绍

3．4．2 仿真结果

3．5 本章小结

第4章 基于SIFT降维和BP网络的人脸识别

4．1 基于降维的SIFT的BP网络设计

4．2 基于BP网络的人脸识别算法

4．3 数据实验

4．3．1 实验环境

4．3．2 实验过程

4．3．3 实验结果与分析

4．4 小结

第5章 结语

5．1 论文总结

5．2 进一步展望

参考文献

致谢

攻读硕士学位期间发表的论文

附录