基于半监督学习和支持向量机的眉毛识别方法研究

摘要

随着全球范围内电子商务的迅速兴起，对人类自身身份识别的准确性、安全性与实用性提出了更高要求。传统的身份鉴别方法，如ID卡和密码等，存在携带不便、容易遗失等诸多问题，而生物特征识别技术能够较好地克服传统身份鉴别方法的缺点，因此逐步受到重视。目前，常用的生物特征包括人脸，指纹，虹膜，掌纹，声音，步态，笔迹等等。眉毛作为人脸上的一个重要特征，尽管有相关文献表明眉毛在人脸识别中的作用甚至大于眼睛，但纯粹利用眉毛进行识别的研究却很少见。本文将半监督学习方法和支持向量机模型运用到眉毛识别中，对人的眉毛作为一种独立生物特征使用的可能性和可行性作进一步的研究，主要的工作包括以下几个方面： 1)基于半监督学习的眉毛图像分割方法。该方法只需要手工在眉毛图像上简单画上几条线标注部分眉毛点和非眉毛点就能完成眉毛图像分割。本文的实验结果表明，基于半监督的眉毛图像分割方法具有非常好的分割效果，可用于眉毛识别的前期预处理，不足之处在于运算比较缓慢，对大小为768*576的24位彩色图像，如果分块的大小为7×7，则分割时间一般需要1-2分钟以上。 2)基于半监督学习和哈希索引的眉毛图像分割方法。该方法利用局部敏感的哈希方法对基于半监督眉毛图像分割方法进行改进，实验结果表明，改进后的眉毛图像分割技术对大小为768*576的24位彩色图像，分块的大小为7×7，分割时间为20秒以内。 3)基于傅立叶变换和Gabor滤波的眉毛特征提取方法。该方法首先利用离散傅立叶变换或者Gabor滤波对眉毛特征进行提取，然后利用主成分分析(Principal Component Analysis，PCA)对高维的眉毛特征进行降维，从而提取出恰当的眉毛特征。 4)基于支持向量机的眉毛识别方法。研究应用支持向量机进行眉毛识别的方法，以及不同的核和特征提取方法对眉毛识别效果的影响。本文在40人共400张眉毛图像，100人共1000张眉毛图像和114人11400张眉毛图像的眉毛数据库上的识别率最高分别可以达到90．5％、82．1053％和77．7193％。

目录

文摘

英文文摘

声明

第1章 绪论

1.1 课题研究的背景和意义

1.1.1 研究的背景

1.1.2 课题的意义

1.2 本论文的内容安排

1.2.1 主要研究内容

1.2.2 存在的主要困难

1.3 本文组织结构

第2章 半监督学习技术与支持向量机综述

2.1 半监督学习技术

2.2 支持向量机

2.3 本章小结

第3章 基于半监督学习的眉毛图像分割方法

3.1 引言

3.2 眉毛图像库

3.3 基于半监督学习的眉毛图像分割方法

3.3.1 基于图的半监督学习方法简介

3.3.2 半监督图方法在眉毛图像分割中的应用

3.3.3 实验及结果分析

3.4 本章小结

第4章 基于半监督学习和哈希索引的眉毛图像分割方法

4.1 引言

4.2 半监督学习和哈希索引相结合的眉毛图像分割

4.2.1 局部敏感的哈希索引方法简介

4.2.2 哈希搜索方法在基于图的半监督学习技术中的应用

4.2.3 基于半监督学习和哈希索引的眉毛图像分割

4.2.4 实验及结果分析

4.3 本章小结

第5章 眉毛特征提取

5.1 引言

5.2 基于离散傅里叶变换的眉毛特征提取

5.5 基于Gabor滤波的眉毛特征提取

5.6 应用主成分分析对眉毛特征向量进行降维

5.7 本章小结

第6章 基于支持向量机的眉毛识别

6.1 引言

6.2 基于支持向量机的眉毛识别方法

6.2.1 支持向量机方法简介

6.2.2 支持向量机方法在眉毛识别中的应用

6.3 基于支持向量机的眉毛识别方法的实验结果及分析

6.4 本章小结

结论

1 工作总结

2 展望

参考文献

攻读硕士学位期间所发表的学术论文

致谢