基于非参数化判别分析的人脸识别研究

摘要

生物特征识别技术以其独特的优势，已成为身份鉴别和认证的一个重要研究方向。人脸识别技术作为生物特征识别技术中的一种，同其它生物特征识别技术相比，具有直接、方便、易接受等特点，因而受到广泛关注。论文从经典的线性最佳描述特征入手，针对具有更好判别性能的判别分析方法，深入研究了子空间方法中典型的主成分分析、Fisher判别分析的人脸特征提取方法，并进行了大量的实验分析，主要内容如下： 1.详细研究主成分分析(Principal Component Analysis，PCA)和线性判别分析(Linear Discriminant Analysis，LDA)的基本原理。分析了基于PCA的人脸识别方法；在分析PCA方法不能提取有效分类特征的缺点的基础上，实现了基于LDA的人脸识别方法，并进行了大量分析。实验结果表明，LDA可以获得优于PCA的识别率，缺点是不适用于线性不可分数据，不能提取隐藏在图象空间的非线性结构。 2.针对LDA不能有效地提取图象空间的非线性结构，且最多只能提取c-1个判别特征，使得分类性能不够理想等问题，研究了基于非参数化判别分析(Nonparametric Discriminant Analysis，NDA)的人脸识别方法。该方法借助非线性结构局部近似线性的思想，定义了新的类间散布矩阵和类内散布矩阵，然后通过最大化类间散布矩阵和最小化类内散布矩阵准则提取最优投影方向，使得投影后的特征不仅有效地保持了类内的局部结构，且类内分布具有较好的紧凑性，类间分布具有较好的可分性。此外，NDA提取的特征个数不受类别的限制。在ORL和AR数据库上的实验结果证实了算法的有效性。 3.设计了基于NDA的人脸识别系统。详细介绍了实时人脸识别系统的设计原理、评价指标、模块的构成、流程图，并进行了分析。

目录

文摘

英文文摘

声明

第一章绪论

1.1人脸识别研究背景及意义

1.2人脸识别的应用领域

1.3人脸识别技术的发展

1.4人脸识别的研究内容及方法

1.4.1人脸识别的研究内容

1.4.2人脸识别方法

1.5论文主要研究内容及安排

第二章基于线性特征提取的人脸识别算法

2.1特征提取

2.2主成分分析法（Principal Component Analysis,PCA）

2.2.1离散Karhunen-Loeve变换

2.2.2特征脸方法(Eigenface)

2.2.3实验分析

2.2.4 PCA方法存在问题

2.3线性判别分析方法(Linear Discriminant Analysis,LDA)

2.3.1判别函数基本概念

2.3.2 Fisher线性判别

2.4 PCA+LDA算法

2.4.1基本原理

2.4.2算法步骤

2.4.3实验分析

2.5小结

第三章基于非参数化判别分析的人脸识别

3.1非线性判别分析

3.1.1 NDA思想

3.1.2 NDA算法基本原理

3.1.3特征提取及分类

3.2算法实现

3.2.1相关矩阵的对角化

3.2.2算法实现

3.3实验分析

3.3.1预处理前实验

3.3.2预处理后实验

3.4小结

第四章实时人脸识别系统设计

4.1系统组成结构和工作流程

4.1.1系统组成结构

4.1.2工作流程

4.2系统的评价指标

4.2.1识别率

4.2.2误识率与拒识率

4.2.3接受者操作特征曲线

4.2.4识别时间

4.2.5数据存储量

4.3系统设计与实现

4.3.1系统设计

4.3.2系统实现

4.4小结

第五章总结与展望

5.1本文工作总结

5.2工作展望

致 谢

参考文献