基于人脸信息识别的信息安全技术研究

摘要

该文首先介绍了国内外人脸识别的研究现状、方法和发展方向,然后分别讨论了人脸图像的预处理、人脸特征的抽取和分类器设计等内容.在图像预处理过程中,首先利用数码相机获取人脸数字图像,然后将24位图像转换成256级灰度图像,并利用中值滤波的方法对图像进行去噪处理,接着对图像进行二值化处理,最后采用积分投影的方法将人脸分割出来并进行归一化,最终得到标准人脸图像.在人脸特征提取过程中,对经过预处理的标准人脸图像,以类间散布矩阵为产生矩阵,通过K-L变换降维并结合奇异值分解来提取人脸代数特征.在分类器设计过程中,考虑到单一分类器的识别率不是很高,该文将最小距离分类器与模糊神经网络分类器结合起来构成一个组合分类器,以期提高人脸识别率.最后,该文给出了人脸识别实验结果,并对实验结果进行了分析.

目录

文摘

英文文摘

1绪论

1.1引言

1.2人脸识别研究的难点及意义

1.2.1人脸识别研究的难点

1.2.2人脸识别研究的意义

1.3人脸识别技术研究现状

1.3.1人脸的检测和定位

1.3.2人脸表示

1.3.3人脸鉴别

1.3.4表情/姿态分析

1.3.5生理分类

1.4人工神经网络及其在人脸识别中的应用

1.4.1神经网络的基本工作原理

1.4.2神经网络的构成

1.4.3神经网络在人脸识别中的应用

1.5本论文的研究目标及主要研究内容

2人脸图像的预处理

2.1人脸图像的获取

2.2人脸图像的平滑及噪声消除

2.3人脸边缘检测

2.3.1人脸边缘检测

2.3.2人脸图像的二值化

2.4人脸图像的分割

2.4.1积分投影原理[36]

2.4.2人脸轮廓的确定

2.4.3人脸的分割

2.5人脸图像的归一化

2.5.1尺寸归一化

2.5.2灰度归一化

2.5.3去均值

2.5.4幅度归一化

2.6小结

3人脸特征的抽取

3.1 K-L变换

3.1.1K-L展开式[41]

3.1.2 K-L变换的性质

3.2奇异值分解(SVD)[43]

3.3人脸特征的提取

3.3.1人脸特征提取原理

3.3.2人脸特征提取算法的实现

3.4小结

4 MD+FNN组合分类器研究

4.1最小距离分类器[41]

4.2模糊神经网络分类器

4.2.1模糊数学的基本知识[41]

4.2.2神经网络分类器

4.2.3模糊BP网[41]

4.3组合分类器

4.4小结

5人脸识别实验及分析

5.1识别系统的组成

5.2人脸识别的实现

5.2.1图像的获取

5.2.2人脸图像的预处理

5.2.3人脸特征的选择与提取

5.2.4分类器设计

5.3人脸识别实验结果与分析

5.3.1不同训练样本数下的识别结果

5.3.2不同训练人数下的识别结果

5.3.3组合分类器方法与其它分类方法的识别结果的比较

5.4小结

6结论与展望

6.1全文总结

6.2结论

6.3研究展望

参考文献

致谢