基于改进局部保持投影算法的人脸识别研究与实现

摘要

由于计算机技术的飞速发展，人脸识别不仅在日常生活中应用广泛，而且也是当前热门的模式识别与人工智能等领域的研究课题之一。许多信息处理都涉及到降维技术。在众多的特征提取算法中，局部保持投影算法是一种能够很好的保持相邻数据集局部结构的线性映射算法，并且它还是非线性拉普拉斯算法的线性近似，相对于线性算法来说更能有效地描述流形架构的特征信息。但是复杂对象的特征之间往往存在着某种关联性，样本之间也呈现出非线性特征，由此本文在基于 LPP 算法的基础上提出一种改进的LPP算法-KLPP(核局部保持投影)算法来解决样本之间的非线性特征的问题。
　　本文简单介绍了人脸识别的发展、研究现状、内容以及人脸识别所面临的一些问题。并在此基础上从多方面详细的介绍了特征提取算法中一些具有代表性的算法通过分析找到一种稳定性和识别率相对较高的 LPP 算法，并在此算法不完善方面进行改进。最后设计实现了简单的人脸识别系统，将PCA、LPP和KLPP三种特征提取算法应用到了实际应用中，并对实验结果进行了分析。实验表明本文提出的KLPP算法具有更好的稳定性和准确性。

目录

封面

授权

致谢

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究背景和意义

1.2 研究现状

1.3 本文的研究内容与创新点

2 人脸识别的相关理论

2.1 人脸识别发展阶段

2.2 人脸识别技术的研究内容

2.3 人脸识别的基本步骤

2.4 人脸识别的主要问题

2.5 人脸识别研究与开发方向

3 特征提取算法研究

3.1 经典的Eigenface算法

3.2 PCA（主成分分析）算法

3.3 拉普拉斯（Laplacian Eigelumap）算法

3.4 LPP(局部保持投影)算法

3.5 PCA、LPP和LE算法的分析比较

3.6 改进的LPP算法—KLPP（核局部保持投影算法）

4 人脸识别系统的实现及结果分析

4.1 人脸库的选择

4.2 人脸识别主要框架

4.3 人脸识别函数功能分析

4.4 人脸识别实验过程

4.5 实验结果分析

参考文献

作 者 简 历

声明

学位论文数据集