基于外貌图像的统计方法人脸识别研究

摘要

本文回顾了人脸识别的研究历史和发展现状，讨论了人脸识别中的特征提取与选择的基本原理，然后按照线性和非线性两种特征提取方法着重对其展开了论述。在线性特征提取中，主分量分析(PCA)是基于数据描述的人脸识别方法，它是在最小方差意义下的最优变换。线性判别分析(LDA)是基于数据分类的人脸识别方法，它寻找使类间距离最大、类内距离最小的投影方向，最大的保留了原样本的判别信息。实验对上述两种线性特征提取方法进行了对比，发现在训练样本数较少时PCA方法与LDA方法相比可以具有比较好的人脸识别性能，并解释了这种现象。研究了人脸识别中的非线性特征提取方法，提出了一种改进的基于KPCA-ICA特征提取的人脸识别方法，核主分量分析(KPCA)是PCA的非线性推广，它能够提取人脸图像的非线性信息，独立分量分析(ICA)是基于数据高阶统计的，它可以提取人脸图像像素的高阶统计信息，并对图像的局部进行编码，本文将这两种方法结合进行特征提取。实验结果表明所提出的改进方法具有良好的识别性能。

目录

文摘

英文文摘

东南大学学位论文独创性声明及东南大学学位论文使用授权声明

第1章绪论

1.1研究背景和意义

1.2人脸识别问题描述

1.3人脸识别的性能评价

1.4本文主要工作和结构安排

第2章人脸识别综述

2.1研究的历史、发展和现状

2.2常用人脸识别算法简介

2.2.1子空间分析方法

2.2.2基于弹性图匹配的方法

2.2.3神经网络方法

2.3本章小结

第3章特征提取与选择

3.1引言

3.2类别可分离性判据

3.2.1基于空间距离的可分离判据

3.2.2基于条件概率的可分离判据

3.2.3基于熵的可分离判据

3.3特征选择

3.3.1最优搜索算法

3.3.2次优搜索算法

3.3.3遗传算法

3.3.4人脸识别中的特征提取与选择

3.4本章小结

第4章基于线性特征提取的人脸识别

4.1引言

4.2人脸图像的预处理

4.2.1人脸图像的尺寸归一化

4.2.2人脸图像的光照归一化

4.3主分量分析方法

4.3.1基本原理

4.3.2在人脸识别中的特殊处理

4.3.3 PCA的重建性能分析

4.4线性判别分析方法

4.4.1基本原理

4.4.2 LDA与PCA识别实验分析与性能比较

4.5本章小结

第5章基于非线性特征提取的人脸识别

5.1引言

5.2统计学习理论与核主分量分析

5.2.1理论概述

5.2.2支撑矢量机(SVM)

5.2.3核主分量分析(KPCA)

5.3基于KPCA-ICA特征提取的人脸识别

5.3.1独立分量分析与本文特征提取方法介绍

5.3.2实验方法与结果

5.4本章总结与讨论

总结与展望

参考文献

致谢

附录人脸图像库简介