基于FKPCA+双子空间和信息属性KNN的小样本人脸识别研究

摘要

人脸识别技术因其具有重要的科学意义和实用价值，在近几年得到了研究者的高度重视，成为当前模式识别和人工智能领域的一个研究热点。人脸识别主要分为人脸检测、特征提取和模式分类三个步骤。人脸识别过程中会遇到各种问题，其中样本维数过高、类别数大、单人训练样本少以及识别的实时性都是亟待解决的难题。
　　 本文在综合分析了以往的人脸识别方法的基础上，着重从特征提取速度、特征信息的完备性和识别率三个方面考虑，提出基于FKPCA+双子空间和信息属性KNN分类器的小样本人脸识别算法，并设计实现相应的原型系统。本文的工作主要包括：
　　 (1)提出一种FKPCA+双子空间人脸特征信息提取新方法。该方法首先通过快速核主元分析(FKPCA)将低维空间线性不可分的人脸样本隐性映射到线性可分的高维空间，并在该空间中实现降维；然后，在FKPCA降维后的数据上，利用Fisher准则从值域空间中提取常规特征信息，利用类问散度准则从零空间提取非常规特征信息。该方法可提取到更加完备的特征信息，对提升识别率有很大的帮助。
　　 (2)提出信息属性K-近邻分类器算法。在深入研究传统的K-近邻分类器算法的基础上，针对K-近邻分类器中欧式距离不能很好的表示样本间相似度问题，采用以信息属性为权值对欧式距离进行加权的策略，有效地改进欧式距离；把加权后的欧式距离作为K-近邻分器度量样本间相似度的测度。该方法能够有效地弥补传统欧氏距离仅仅表示m维空间中两个点之间真实距离而不能很好地表示对象间相似程度的不足。
　　 (3)提出一种小样本人脸识别算法。首先使用FKPCA对样本进行线性降维；然后提取降维后数据的常规特征信息和非常规特征信息；接着利用改进后的欧式距离对常规特征信息和非常规特征信息分别计算测试样本到各训练样本的相似度，并把计算结果进行融合；最后利用K-近邻分类器使用融合结果进行分类。
　　 (4)人脸识别原型系统的实现。采用面向对象思想设计并开发了小样本人脸识别原型系统。该系统由图像预处理、FKPCA特征提取、双子空间两类信息提取和分类识别四个功能模块组成，实现了当训练样本较少时，系统仍能保持较高的正确识别率和较好的实时性。

目录

文摘

英文文摘

声明

第一章绪 论

1.1人脸识别的研究背景与意义

1.2人脸识别的国内外研究现状

1.3人脸识别的研究内容及主要方法

1.4本文的研究内容及主要工作

1.5论文的结构

第二章人脸图像的预处理

2.1人脸库的选取

2.2人脸图像预处理

2.2.1图像噪声滤波

2.2.2图像灰度均衡化

2.2.3图像旋转

2.2.4图像姿态归一化

2.2.5图像尺度归一化

2.3小结

第三章基于FKPCA和双子空间的特征提取

3.1快速核主元成分分析(FKPCA)

3.1.1核主元成分分析(KPCA)

3.1.2改进的KPCA—快速核主元成分分析(FKCPA)

3.2基于双子空间的特征提取

3.2.1总体散布矩阵的非零空间

3.2.2两类空间中最佳投影轴的确定

3.2.3鉴别特征提取

3.3基于FKPCA和双子空间的特征提取算法

3.4实验及结果分析

3.5小结

第四章信息属性KNN分类器

4.1 KNN算法分析

4.1.1算法理论

4.1.2 KNN算法优缺点

4.2信息属性KNN分类器

4.2.1基于信息属性的欧式距离

4.2.2信息属性KNN分类器

4.3实验及结果分析

4.5小结

第五章基于加权信息融合的小样本人脸识别

5.1融合策略分析

5.2小样本下的人脸识别

5.2.1特征提取

5.2.2基于加权的信息属性KNN融合识别

5.2.3小样本人脸识别算法思想描述

5.3试验及结果分析

5.4小结

第六章人脸识别原型系统的设计与实现

6.1原型系统的主要框架

6.2核心类的设计与实现

6.2.1图像处理基本类的设计

6.2.2矩阵类的设计

6.3原型系统实现

6.4小结

第七章总结与展望

7.1总结

7.2展望

参考文献

致 谢

攻读硕士期间发表的论文