基于独立成分分析模型的人脸识别算法研究

摘要

在当今信息化、智能化时代，人们对信息安全的关注日益增加，人脸识别作为一种友好、准确的身份识别技术，成为科研人员的兴趣重点。本文的研究重点是基于子空间的人脸识别方法，并着重于基于独立成分分析的人脸识别方法。较传统的主成分分析方法，独立成分分析更能揭示数据的本质关系，更适合用来特征提取。
　　现行的子空间方法是寻找一组基来表示人脸，典型的如主成分分析方法，依靠二阶统计量来寻找变换矩阵。作为主成分分析的一般性推广，独立成分分析模型能分离出人脸图像中的高阶信息。独立成分的两种结构分别提取人脸的局部和全局特征，但是单一的特征并不能完全的表征人脸。本文的研究工作主要包括以下几个方面：
　　1.本文提出了独立成分的特征融合方法，包括基于串行和并行的特征融合。并给出了两个级别的特征融合：独立“基人脸”的融合和表示系数的融合。通过分析在三个标准人脸库的实验结果，验证了以上融合算法的可行性和有效性。在数据满足非高斯性的条件下，“基人脸”的融合效果整体要优于系数融合。
　　2.本文研究了独立成分分析提取的特征与分类器的整合问题。从识别率和运行时间（计算量）两个方面，对支持向量机、最近邻分类器和马氏距离分类器做了对比。结合实验结果分析了各分类器的优缺点，通过在ORL和YALEB人脸库上实验证明：“基人脸”的特征融合与SVM分类器结合获得了本文最高的识别率。

目录

封面

声明

中文摘要

英文摘要

缩略名词索引

目录

第一章 绪论

1.1 人脸识别研究意义和发展概况

1.2 独立成分分析模型

1.3 实验常用人脸库介绍

1.4 本文研究内容与章节安排

第二章 分类算法和ICA预处理算法

2.1 KNN分类器

2.2 支持向量机

2.3 常用距离或者相似度度量

2.4 小波变换

2.5 主成分分析PCA

2.6 PCA定义的白化矩阵

2.7实验一：离散小波变换的作用

2.8 本章小结

第三章 独立分析模型预备知识

3.1 中心极限定理

3.2 非高斯就是独立的

3.3 非高斯性的衡量

3.4实验二：峭度对非高斯性的衡量

3.5 本章小结

第四章 独立成分分析模型和求解算法

4.1 ICA模型的基本思想

4.2 ICA模型的基本统计假设和不确定性

4.3 基于负熵的FastICA算法

4.4 本章小结

第五章 ICA模型的两种结构和特征融合

5.1 结构I：ICA1统计独立的基人脸

5.2 结构II：ICA2因子表示

5.3 实验三：独立“基人脸”和因子表示

5.4 ICA两种结构的特征融合

5.5 实验四：串行和并行特征融合

5.6 本章小结

第六章 ICA和分类器

6.1 实验五：分类器的识别效果

6.2 实验六：ICA并行特征融合与SVM分类器

第七章 工作总结与展望

致谢

参考文献