基于非张量积小波及改进二维主成分分析的人脸识别算法研究

摘要

人脸识别是一项通过分析比较人脸视觉特征信息进行身份鉴别的计算机技术，早在20世纪60年代就引起了人们的研究兴趣．近年来，该项技术在安全验证系统，档案管理系统，信用卡验证，人机交互系统等领域都有一定范围的应用．然而要开发出真正鲁棒、实用的人脸识别系统仍是一大挑战，需要解决大量的关键问题，尤其需要研究高效的人脸特征描述方法及相应的高精度核心识别算法． 本文就人脸特征的描述与提取提出了一种基于非张量积小波和改进二维主成分分析技术的新的人脸识别方法．该方法运用最近构造出的非张量积小波，研究其有关性质，应用于人脸的特征提取与描述．我们利用非张量积小波分解的低频系数描述人脸特征，改善了可分小波用于人脸特征描述时信息冗余及对背景噪声敏感的状况，更加有效的提取了人脸特征．此外，为了降低计算复杂度，我们还改进了二维主成分分析方法，进一步用于人脸特征的提取．实验结果显示，相较于传统的人脸识别算法，该算法具备较好的识别率和稳定性，尤其在针对背景噪声，光照条件，表情变化等问题的表现上有一定程度的提高，取得了较令人满意的识别效果． 另外，针对人脸识别中分类器的设计问题，我们提出了一种基于密度混合模型的批处理竞争惩罚最大期望算法．这种方法具备自动选择模型的功能，解决了自适应算法中不易选择学习率的问题．该算法对高维数据也具备良好的分类效果，我们对其在人脸识别中的应用做了简要讨论． 本文共分为五个部分：第一部分，介绍了人脸识别研究现状及几种主要的人脸识别算法．第二部分，介绍了小波基本概念及新的非张量积小波的构造．第三部分，对几种常用的分类器作了介绍，并就提出的基于混合密度模型的批处理竞争惩罚最大期望算法作了相关讨论．第四部分，介绍了基于非张量积小波的特征描述方法以及改进的二维主成分分析技术，提出了新的人脸识别算法．第五部分，展示了实验结果．结论部分是对本文工作的小结及未来工作的展望．

目录

文摘

英文文摘

声明

第一章人脸识别

1.1人脸识别概述

1.2人脸识别的技术发展

1.3几种主要的人脸识别算法

1.3.1主成分分析(PCA)

1.3.2 Fisher线性判别(FLD)

第二章小波基本回顾及非张量积小波的构造

2.1小波的基本介绍

2.1.1一维小波变换与多分辨分析

2.1.2二维小波及在图像处理中的应用

2.2非张量积小波的构造

第三章人脸识别中的分类器设计问题

3.1最近邻分类器

3.2支持向量机(SVM)

3.2.1 SVM的基本概念

3.2.2 SVM在人脸识别中的应用

3.3基于密度混合模型的分类

3.3.1 MWL框架及自适应RPEM算法

3.3.2批处理RPEM算法及在人脸识别中的运用展望

第四章改进的人脸识别算法实现

4.1基于非张量积小波的人脸特征描述

4.2改进的2DPCA算法

4.2.1 2DPCA算法及其改进

4.2.2特征向量的选择

4.3人脸识别算法实现

第五章实验结果

5.1 ORL人脸库

5.1.1参数评价

5.1.2实验结果

5.2 FERET人脸库

5.3 MHMC人脸库

结论

参考文献

致谢

附：硕士期间发表的论文