基于特征描述子的人脸识别方法研究

摘要

人脸识别技术是生物特征识别领域中的一个研究热点，其主要任务是根据人脸图像中的有效消息进行个体的身份识别。一个典型的人脸识别系统包含以下环节:人脸检测，图像预处理，特征提取/特征选择，分类器设计。人脸图像维数非常高，含有较多的冗余信息。为了更好地提取有利于分类的信息，出现了两大技术流:特征生成（即基于特征描述子的方法）和特征提取（主要指维数约减）。特征生成就是将原始的输入特征（如原始图像）加以某种全局的或局部的变换，从而将原始样本空间映射到一个（一般为较高维数的）特征空间。特征提取的基本思想是将原始样本映射（或变换）到某一个低维特征空间，以得到最能够反映样本本质的低维样本特征，这样能较好地减少样本的处理速度和存储容量，来实现人脸的自动分类。本文主要关注于特征生成，特征提取。
　　本文的主要贡献如下:
　　(1)基于统计的局部纹理模式的人脸识别方法，在局部纹理描述子基础上，我们引入局部区域均值和中值作为阈值，给出了一种基于均值/中值的局部纹理描述子的人脸识别方法。
　　(2)基于多流形学习的Gabor小波人脸识别方法，在Gabor小波基础上，我们引入多流形鉴别分析的思想，给出了一种基于Gabor小波的多流形学习人脸识别方法和一种基于局部Gabor二值模式的多流形学习的人脸识别方法。

目录

声明

摘要

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1．1 人脸识别的背景及意义

1．2 人脸识别的研究历史及现状

1．3 人脸识别技术

1．4 本文的内容安排

第二章 人脸识别技术概述

2．1 人脸识别分类

2．2 人脸识别主要研究范围

2．3 人脸识别系统产品

2．4 人脸识别方法

2．4．1 子空间方法

2．4．2 隐马尔可夫模型方法

2．4．3 基于支持向量机的方法

2．4．4 基于表示的人脸识别方法

2．4．5 人脸识别的其他方法

2．5 常用人脸数据库

2．6 算法实验环境

2．7 本章小结

第三章 基于均值的局部纹理模式特征生成方法

3．1 引言

3．2 局部二值模式(Local Binary Patterns，LBP)

3．3 局部三值模式(Local Ternary Patterns，LTP)

3．4 改进局部纹理模式

3．4．1 基于均值的局部纹理模式

3．4．2 基于中值的局部纹理模式

3．5 实验

3．5．1 在ORL人脸库上的实验

3．5．2 在AR人脸库上的实验

3．6 本章小结

第四章 基于Gabor小波的多流形学习人脸识别方法

4．1 Gabor人脸表示

4．2 流形学习方法

4．3 基于Gabor表示的多流形学习人脸识别方法

4．4 实验与分析

4．4．1 在FERET人脸库上实验

4．4．2 在ORL人脸库上的实验

4．4．3 在AR人脸库上的实验

4．5 本章小结

第五章 结束语

参考文献

致谢

作者简介