基于PCA和BP神经网络的人脸识别方法研究

摘要

随着科学技术和互联网的发展和应用，平安城市和智慧城市的概念深入人心，各种各样先进的高清摄像头逐渐应用在城市的监控设备系统中，监控系统迫切的需要安装使用效率高、检测识别耗时少和交互体验良好的人脸识别系统来进行智能监控。人脸这一人类固有的生物特征具备诸多如采集方便、不变性和不会被盗取的优点，是人脸识别系统成功应用在各个领域的关键所在。如何改进人脸识别技术算法来提高检测识别速率、效率以及系统的操作易用性来满足城市的监控系统的需求是本文研究关注的重点。
　　原始图像的采集和检测、人脸的预处理、特征的提取和匹配分类是人脸识别系统当中四个缺一不可的关键步骤，本文集中对这四个步骤进行研究分析。首先，使用基于Haar-like特征(Haar-based)的人脸检测分类器检测处理已采集的原始图像，对检测出人脸的图像进行裁剪处理。其次，预处理裁剪出的人脸图像，详细步骤有:灰度化处理、去噪声处理、校正处理和归一化处理。在特征提取阶段，在使用LBP、PCA、A-PCA这三种特征提取算法在人脸库上做了大量对比实验及详细分析后可得，本文提出的基于类别模式的PCA算法(A-PCA)具有较高识别率和鲁棒性。在匹配识别阶段， BP神经网络具有很强的学习能力，可以处理非线性的、含有噪声的信号，适用于处理非线性分类识别，结合A-PCA算法在Yale、ORL和AR人脸数据库和自建人脸库上进行实验表明:A-PCA+BP神经网络具有较高的识别率，对光照变化，表情变化有较高的鲁棒性。
　　最后，本文使用MATLAB软件和OpenCV开源库搭建实现A-PCA+BP神经网络的人脸识别系统，系统能够实时检测人脸与识别，改进的算法得到了实现，提高了识别率，具有良好的交互体验，在平安智慧城市的监控系统中具有一定的实用价值。

目录

声明

摘要

第1章 绪论

1．1 本文研究的目的与意义

1．2 人脸识别研究的国内外现状

1．3 人脸识别技术的应用

1．4 神经网络在人脸识别方面的发展

1．5 人脸图像库

1．5．1 Yale人脸库

1．5．2 ORL人脸库

1．5．3 AR人脸库

1．6 本文主要研究内容

第2章 基于Haar-1ike的人脸检测原理及预处理

2．1 基于Haar-like特征的人脸检测

2．2 人脸图像预处理

2．2．1 灰度化处理

2．2．2 去噪处理

2．2．3 人脸校正处理

2．2．4 归一化

2．3 本章小结

第3章 基于类别模式的人脸特征提取

3．1 基于LBP的特征提取

3．2 基于PCA的特征提取

3．2．1 PCA的基本思想

3．2．2 PCA的算法原理

3．2．3 基于类别模式的方法研究

3．3 特征提取算法的性能分析

3．3．1 基于ORL和YALE库的三种算法性能分析

3．3．2 基于AR库三种算法性能分析

3．4 本章小结

第4章 基于BP神经网络的分类识别

4．1 模式识别分类器

4．1．1 最近邻分类器

4．1．2 支持向量机

4．1．3 神经网络

4．2 BP神经网络基本原理

4．2．1 BP神经网络的结构

4．2．2 标准的BP神经网络算法

4．2．3 基于弹性动量的权值调整方法

4．3 测试及分析

4．3．1 激励函数测试

4．3．2 隐藏层节点数测试

4．3．3 权值调整方法测试

4．3．4 PCA+BP神经网络性能测试

4．4 本章小结

第5章 人脸识别功能的设计与实现

5．1 开发平台和目标

5．1．1 OpenCV简介

5．1．2 Visual C++2010与MATLAB的混合编程方法

5．1．3 系统识别功能

5．2 系统设计与实现

5．2．1 系统功能模块设计

5．2．2 人脸识别系统的实现

5．3 本章小结

结论

参考文献

攻读硕士学位期间所发表的学术论文

致谢