人脸识别中的特征向量优化算法研究

摘要

生物特征识别技术是指用人体生物特征来进行身份验证的技术。人体的生物特征主要分为两类，一类是生理特征，另一类是行为特征。生理特征包括虹膜，DNA，掌纹，指纹，人脸等一系列特征，而语音，笔迹步态等特征属于行为特征。生物特征识别技术为身份识别提供了一个解决方案，是计算机视觉和模式识别中的一个研究热点。人脸识别是通过人脸进行身份确认或者身份查找的技术或系统，在人机交互，生物身份认证，视频检测与视频资料检索等方面有着广泛的应用。与其他的识别技术相比，人脸识别具有直接，友好，方便，非接触等优点。同时，由于年龄，姿态，表情，光照等因素对人脸图像的影响，人脸识别面临多方面的挑战。人脸识别中，通常是把人脸图像投影由特征向量组成的空间中，特征向量决定了人脸识别的效果。同一人的人脸图像在好的特征向量上的投影应具有较集中的分布，反之亦然。 本文介绍了近年来人脸识别技术发展的背景及本文的研究的目的及贡献；然后在相关文献的基础上，对当前流行的人脸数据库、人脸特征提取以及人脸分类等技术进行综述，从微观意义上提出了每个向量的识别能力的概念，通过计算识别能力的大小，选择具有较大的识别能力的特征向量。为了使每个向量在识别中发挥与其识别能力相对应的作用，根据每个向量的识别能力对它们进行均衡化处理，赋予不同权重，提高了识别率。通过在ORL、Yale人脸数据库上进行试验，验证了该方法的有效性。本研究主要包含有两大创新点：其一，主成分分析方法（PCA）是人脸识别最基本的方法之一，PCA算法提供了一个从高维空间到低维空间的线性变换矩阵，它是在最小均方差意义上对原图像的估计，具有计算效率高，概念清晰，推广性强等优点。传统的PCA算法中，选取那些较大特征值对应的特征向量用于识别，即主分量特征，也有选择较小的特征值对应的特征向量，即次分量特征。两种方法的效果都不是很好，因此将识别能力选取特征向量及根据它们的识别能力进行均衡的方法与PCA结合起来，取得了很好的效果；其二，分析了识别能力选取与LDA的关系，并提出进一步的改进，提高了识别的效果。并进一步将识别能力选取均衡策略与2DPCA方法结合起来。2DPCA是基于2维图像矩阵而不是一维向量，因此特征提取的方法更简单、直接，计算效率更高。

目录

文摘

英文文摘

论文说明:符号说明

声明

第一章绪论

1.1生物识别技术简介

1.2人脸识别技术简介

1.2.1人脸识别技术的发展背景

1.2.2人脸识别技术的研究内容

1.2.3目前存在的问题及发展方向

1.3本文研究的目的和贡献

1.4本文结构安排

第二章人脸识别相关技术综述

2.1人脸数据库纵览

2.2人脸检测算法

2.2.1基于底层特征的人脸检测

2.2.2基于统计的人脸检测方法

2.3人脸特征提取技术

2.3.1基于几何性质的人脸特征提取

2.3.2基于统计的人脸特征提取

2.3.3基于连接机制的人脸特征提取

第三章PCA识别能力选取及均衡策略

3.1 PCA人脸特征提取算法

3.2 PCA特征向量的选择

3.2.1基于遗传算法的人脸特征向量选择

3.2.2基于识别能力的人脸特征向量选择

3.3识别能力选取实验结果及分析

3.4特征向量优化

3.4.1遗传算法特征向量识别能力优化

3.4.2基于识别能力的特征向量均衡

3.4.3识别能力均衡中参数

3.5实验设计及结果分析

第四章识别能力均衡与LDA，2DPCA

4.1识别能力均衡与LDA

4.1.1 LDA人脸特征提取算法

4.1.2识别能力均衡与LDA

4.1.3实验设计与结果分析

4.2识别能力均衡与2DPCA

4.2.1 2DPCA人脸特征提取算法

4.2.2识别能力均衡与2DPCA

4.2.2实验设计与结果分析

第五章总结与展望

附录

参考文献

致谢

攻读学位期间发表的学术论文