基于分块加权（2D）PCA的单样本人脸识别

摘要

人脸是人类视觉中最常见的图像，对人脸的识别是人类视觉研究的一个重要方面。长期以来，如何利用计算机对人脸图像进行自动识别，一直是图像处理与模式识别领域的研究热点与难点，特别是在每个人只有一个训练样本的情况下实现人脸识别更加困难。本文在研究经典人脸识别方法的基础上，采用了行列两个方向上的二维主分量分析方法，结合分块和加权的思想，对训练样本进行特征提取，且通过对比训练样本和未知样本的特征，根据最大隶属度原则确定未知样本的身份，最终完成识别。 本文主要研究工作如下： 1．阐述了单样本人脸识别研究的目的和意义，对国内外研究现状进行了分析，系统归纳了单样本人脸识别中的常用方法，重点分析了特征子空间扩展法。 2．在基于经典主分量分析的单样本人脸识别方法中，详细讨论了主分量分析、核主分量分析以及奇异值扰动的主分量分析方法，阐述了它们的原理和算法的具体实现步骤。 3．在分析和研究一种结合行、列方向上的2DPCA人脸识别方法的基础上，对算法进行了改进，研究了一种分块加权(2D)2PCA算法，该算法通过加权突出了不同的特征值对应的特征向量对识别结果的影响，同时把图像进行分块以便更有效的提取人脸的局部特征。在识别阶段，根据最大隶属度原则，给出待识别图像的确定身份。 4．在Windows XP平台下编制程序，在ORL人脸库上进行了大量的实验，实现了PCA、KPCA、SPCA及分块加权(2D)2PCA方法，分析了SPCA算法中两个参数对识别率的影响，重点分析了分块加权(2D)2pcA算法中权值、分块方式对识别率的影响，并给出了最优权值和分块方式，并与PCA、KPCA、SPCA及其他方法进行识别对比，分块加权(2D)2PCA方法在ORL人脸库上的识别效果要优于其他方法。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题研究的目的和意义

1.2单样本人脸识别的国内外研究动态

1.3论文的研究内容

第2章单样本人脸识别方法概述

2.1基于几何特征的方法

2.2样本扩张法

2.3特征子空间扩展法

2.4通用学习框架法

2.5图像增强法

2.6神经网络法

2.7其他方法

2.8本章小结

第3章基于经典主分量分析的单样本人脸识别

3.1图像的奇异值分解

3.2主分量分析法(PCA)

3.2.1离散K-L变换

3.2.2 K-L变换用于人脸识别

3.3核主分量分析法(KPCA)

3.3.1 KPCA算法原理

3.3.2特征空间的点积计算

3.3.3 KPCA算法实现步骤

3.4结合投影的主分量分析法

3.5奇异值扰动的主分量分析法(SPCA)

3.5.1 SPCA算法

2.5.2 SPCA算法的实现步骤

3.6本章小结

第4章 基于二维主分量分析的单样本人脸识别

4.1二维主分量分析(2DPCA)

4.1.1算法原理

4.1.2特征提取

4.1.3分类方法

4.1.4图像重建

4.1.5二维主分量分析的优缺点

4.2行列2个方向的上2DPCA

4.2.1行方向上的2DPCA

4.2.2列方向上的2DPCA

4.2.3两个方向上的2DPCA

4.3改进的行列2个方向的2DPCA

4.4基于图像分块的局部特征提取和融合

4.4.1图像分块概述

4.4.2本文图像分块和局部特征提取策略

4.4.3本文局部特征融合策略

4.5本文算法实现步骤

4.6本章小结

第5章 人脸识别系统实验结果分析

5.1本文的实验平台

5.2 PCA的实验结果

5.3 KPCA的实验结果

5.4 SPCA的实验结果及分析

5.5本文方法的实验结果及分析

5.5.1权值对识别结果的影响

5.5.2分块方式对识别结果的影响

5.6算法的识别率及识别结果对比分析

5.7本章小结

第6章结论与展望

6.1本文的主要工作

6.2展望

参考文献

致 谢

攻读硕士学位发表论文和参加科研情况