基于小波分析和稀疏表示融合的人脸识别算法研究

摘要

人脸识别技术作为生物识别领域中最重要的一门技术，已经具有几十年的发展历史了，随着技术的不断成熟已经渐渐的应用到了安全监控、人机交互以及远程教育等多领域中。具有应用价值的人脸识别技术要求能有效地提取高维人脸数据中的人脸特征，以及抑制光照、表情和遮挡等影响因素对识别性能的干扰，同时还要求具有精准的识别性能和高效的识别效率。可以说，人脸识别技术的研究是一项长期而艰难的任务。　　当人脸图像受到光照阴影干扰时，利用基于小波变换的光照不变量提取算法得到的人脸光照不变特征会产生伪轮廓的影响。因此，本文在原算法的基础上结合近似轴对称人脸预处理方法来消除人脸的伪轮廓现象，并采用实验对比的方式在不同的人脸库中找到适合的小波基及收缩参数的组合形式，使算法识别性能达到最佳状态。最后通过与其他算法的对比实验表明，本算法的识别性能要优于其他算法。　　加权近邻稀疏表示算法可以解决传统稀疏表示算法，对非线性样本分类能力弱的缺陷，但通过该算法中加权矩阵得到的测试样本重构系数的稀疏程度不够，因此本文通过负指数函数转化的方式，将赋予离测试样本距离较远的训练样本一个无效的权值，赋予离测试样本距离较近的训练样本一个较大的权值，使得改进后算法得到的重构系数变得更加稀疏，最后通过对比试验，证明改进后的算法具有更优秀的分类识别性能。　　提出一种基于小波融合与稀疏表示的人脸识别算法。该算法为了得到更加丰富的人脸特征信息，利用高斯平滑滤波器对低频分量进行特征提取，并将其与高频分量中的光照不变特征相融合作为最终的人脸特征信息。然后采用改进后的稀疏人脸分类器进行分类识别。通过在不同的人脸库上的仿真实验，来选取最合适的小波基，并证明了稀疏分类器具有最佳的分类识别效果。最后对多种不同算法的对比实验结果表明，本算法具有更加优秀的分类识别性能。

目录

声明

致谢

摘要

1绪论

1．1研究目的及意义

1．2国内外研究现状

1．3人脸识别技术的概述

1．3．1人脸识别的基本概念

1．3．2人脸识别的常用方法

1．4人脸识别技术中的难点

1．5本文研究内容与章节安排

2人脸识别中的光照处理方法

2．1传统光照预处理方法

2．2基于光照模型的方法

2．3光照不变量提取方法

2．4本章小结

3基于小波的光照不变量算法研究

3．1小波变换的基础知识

3．1．1连续小波变换

3．1．2离散小波变换

3．1．3多分辨分析

3．2基于小波光照不变量提取算法

3．2．1朗伯光照模型

3．2．2对数变换的应用

3．3基于小波光照不变量的改进算法

3．3．1基于近似轴对称人脸预处理方法

3．3．2改进后的算法过程

3．3．3仿真实验效果图对比

3．3．4不同小波基对算法性能的影响

3．3．5不同收缩参数λ对算法性能的影响

3．3．6本章算法与其他算法的性能比较

3．4本章小结

4基于稀疏表示的人脸识别算法

4．1传统的稀疏表示

4．1．1稀疏表示人脸识别算法

4．1．2稀疏表示算法的优点和缺点

4．2加权近邻稀疏表示的人脸识别方法

4．3加权近邻稀疏表示的改进算法

4．4仿真实验

4．5本章小结

5基于小波融合与稀疏表示的人脸识别算法

5．1对数域下的小波低频人脸特征提取

5．1．1高斯平滑滤波原理

5．1．2低频人脸特征提取过程

5．2基于小波融合与稀疏表示的人脸识别

5．2．1小波融合人脸特征模型

5．2．2基于小波融合与稀疏表示的算法步骤

5．3实验与分析

5．3．1融合人脸特征效果图对比

5．3．2不同小波基对于算法性能的影响

5．3．3不同分类器对算法性能的影响

5．3．4本章算法与传统光照算法的性能对比实验

5．3．5本章算法与传统算法的性能对比实验

5．4本章小结

6结论与展望

参考文献

作者简历

学位论文数据集