复杂环境下的人脸识别系统研究

摘要

随着统计学、信息学和计算机科学等学科的发展，人脸识别技术也有了飞速的发展。作为生物鉴别技术的一种主要技术手段，人脸识别在视频监控、信息安全、图像检索、以及智能环境等领域得到了广泛的应用。由于环境干扰、拍摄条件限制、人脸复杂性等因素，使得人脸识别正确率不能达到实际应用的要求。同时，人脸识别算法的复杂度也会影响人脸识别系统的实时性，因而现有的人脸系统距离真正的应用还有很长的一段路。
　　本文针对人脸识别中存在的问题，进行了一系列的研究。压缩感知是近年来出现的一种信号处理新理论，本文深入探讨了该理论在人脸识别中的应用。所做的主要工作包括:
　　1.在深入研究了压缩感知理论的基础上，提出了一种基于压缩感知的人脸识别算法。
　　2.提出了对应于压缩感知理论中测量矩阵的优化设计方法，并通过人脸识别率实验验证了其可行性。
　　3.设计实现了基于MATLAB人脸识别平台，包括人脸识别系统设计、系统模块设计及人脸识别平台的MATLAB实现。并在MATLAB环境下进行预处理、训练样本数、提取特征维数等不同因素对人脸识别率影响的实验，得到实验结果并对结果做出了分析。
　　4.针对复杂环境下人脸图像识别率很低的问题，可通过人脸检测提取出图像中人脸以提高人脸识别率。在VC++环境下通过OPENCV实现人脸检测功能，从而设计出基于VC++人脸识别平台，实现了复杂环境下的人脸识别。

目录

声明

符号说明

摘要

插图

表格

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究进展及现状

1．3 人脸识别技术难点分析

1．4 人脸识别常用数据库

1．5 论文研究内容及章节安排

第2章 人脸识别系统概述

2．1 人脸图像预处理

2．2 人脸检测

2．3 特征提取

2．4 分类识别

2．5 本章小结

第3章 常用人脸检测识别方法

3．1 AdaBoost算法

3．2 基于子空间线性投影方法

3．2．1 主成分分析(PCA)算法

3．2．2 线性鉴别分析(LDA)算法

3．2．3 独立成分分析(ICA)算法

3．3 常见人脸分类方法

3．3．1 K-近邻(KNN)分类器

3．3．2 支持向量机(SVM)

3．4 本章小结

第4章 基于压缩感知的人脸识别方法

4．1 压缩感知理论简介

4．1．1 压缩感知基本原理

4．1．2 信号的稀疏表示

4．1．3 测量矩阵的选取

4．1．4 信号重构

4．2 基于稀疏表示的经典人脸识别算法

4．2．1 字典设计

4．2．2 测试样本稀疏表示

4．2．3 稀疏表示分类

4．2．4 完整算法描述

4．3 基于压缩感知的人脸识别算法

4．4 测量矩阵优化设计

4．5 算法实现及实验结果分析

4．5．1 测量矩阵优化参数设置

4．5．2 基于CS人脸识别算法性能测试

4．5．3 测量矩阵优化算法性能测试

4．6 本章小结

第5章 基于MATLAB人脸识别仿真实验及基于VC++人脸识别平台设计

5．1 基于MATLAB人脸识别平台设计

5．1．1 人脸识别系统设计

5．1．2 人脸识别系统模块设计

5．1．3 基于MATLAB人脸识别系统实现

5．2 基于VC++人脸识别平台设计

5．2．1 基于VC++人脸识别系统流程及模块设计

5．2．2 基于VC++人脸识别平台实现

5．3 基于MATLAB人脸识别实验及结果分析

5．3．1 预处理对识别率的影响

5．3．2 不同训练样本数对识别率的影响

5．3．3 不同提取特征维数对识别率的影响

5．3．4 同一降维方法下不同识别分类算法对识别率的影响

5．3．5 同一识别方法下不同降维算法对识别率的影响

5．3．6 同一降维识别方法下不同人脸库对识别率的影响

5．3．7 实时性分析

5．4 本章小结

第6章 总结与展望

6．1 本文总结

6．2 工作展望

参考文献

致谢

攻读学位期间参加的科研项目和成果