自适应加权子模式主分量分析及人脸识别应用

摘要

特征提取是模式识别研究的核心内容之一;其基本过程是根据实际需要,定义一个函数映射,将数据从原始输入空间投影到一个新的特征空间,从而提取出感兴趣的信息.本文的主要研究对象为基于统计的主分量分析方法(PCA).在已有工作基础上,本文提出了自适应加权子模式主分量分析方法(Aw-SpPCA),成功地将此应用于人脸识别,并最终构建了一个基于.Net的人脸识别原型系统.主分量分析是一种有效和流行的特征提取方法,在人脸识别领域也已成为人脸识别系统的工业评估标准之一.由于基于整幅人脸的PCA方法仅能提取人脸的全局信息,难以顾及人脸的局部信息,故在复杂的人脸表情和光照条件下此方法并不十分有效.先前提出的子模式主分量分析(SpPCA)通过先划分输入模式为子模式,然后在各个子模式中分别提取局部信息的策略部分克服了传统PCA的局限性,经实验证实了该方法较PCA更为有效;但是它对每个子模式都赋予了同样的分类重要性,从而易导致信息的冗余和后期分类性能的下降.本文提出了自适应加权子模式主分量分析方法.该方法试图强化人脸局部信息对人脸识别的贡献;并且能自适应地计算出人脸的不同部位对识别的不同预期贡献,并把此预期贡献作为权值结合到分类器中,以提高人脸识别性能.最后,在三个国际标准数据集(AR、ORL和Yale)上的实验结果证明了所提方法的有效性与可行性.基于以上研究工作,我们采用Microsoft的.NET技术在微机平台上构建了一个人脸识别原型系统.该系统集成了图像采集、预处理、信息存储、人脸识别等一系列过程,为今后开发产品级的人脸识别系统提供了可行性分析依据以及相应的技术储备.

目录

文摘

英文文摘

承诺书

注释表

第一章绪论

1.1模式识别

1.2特征提取

1.3本文主要研究工作

1.4本文的内容安排

第二章主分量分析(PCA)方法研究

2.1主分量分析方法回顾

2.2主分量分析方法的局限性

2.2.1 PCA方法局限性一

2.2.2 PCA方法局限性二

2.2.3 PCA方法局限性三

2.2.4 PCA方法局限性四

2.2.5 PCA方法局限性五

2.3基于主分量分析方法的研究进展

2.3.1针对PCA方法局限性一的研究

2.3.2针对PCA方法局限性二的研究

2.3.3针对PCA方法局限性三的研究

2.3.4针对PCA方法局限性四的研究

2.3.5针对PCA方法局限性五的研究

第三章自适应加权子模式主分量分析及人脸识别应用

3.1子模式主分量分析(Subpattern-based PCA，SpPCA)

3.1.1问题提出

3.1.2算法描述

3.2模块主分量分析(Modular PCA，mPCA)

3.2.1问题提出

3.2.2算法描述

3.3自适应加权子模式主分量分析(Adaptively weighted Sub-pattern PCA,Aw-SpPCA)

3.3.1问题提出

3.3.2算法描述

3.4实验

3.4.1数据集描述及预处理

3.4.2实验过程及结果分析

3.5本章小结

第四章基于.NET的人脸识别原型系统

4.1商用人脸识别应用现状

4.2系统设计考虑

4.3系统架构

4.4系统功能模块详细描述

4.4.1视频采集模块

4.4.2人脸图像预处理模块

4.4.3人脸图像特征提取模块

4.4.4数据存取模块

4.4.5人脸识别模块

4.5系统实现要点

4.5.1.NET中的GDI+

4.5.2 MATLAB的应用程序接口

4.6应用实例

4.7本章小结

第五章总结与展望

5.1已有工作总结

5.2后继工作展望

致谢

硕士研究生期间已录用或发表的学术论文

参考文献