基于ART2网络的人脸识别研究

摘要

生物特征识别技术（指纹、虹膜、人脸）是通过把信息技术和生物技术这两个高科技结合起来的新型识别技术，人脸识别作为生物特征识别技术的主要方法之一，一直被广泛关注。国内外的研究方法分为四类:基于几何特征的方法、基于子空间的方法、基于人工神经网络的方法、基于小波特征的方法。
　　 现在应用比较广泛的神经网络模型有BP神经网络和Hopfield神经网络等，但是这些神经网络都没有的充分利用人脑的特点，ART2神经网络是一种基于自适应谐振理论的典型自组织网络。它采用的是一种无教师指导的学习方式，将网络中的学习和训练过程融合在一起，并利用了竞争学习和自稳机制原理对输入模式进行聚类，能够成功地应用于人脸识别。
　　 针对原始的ART2神经网络在人脸识别过程中对输入模式进行识别分类时，网络会对大样本数据花费大量的时间去学习和识别，降低了网络的工作效率，为此在聚类过程中引入一种基于粗分类的改进算法。改进后的ART2神经网络通过减少计算量缩短了输入模式的识别时间，从而有效地提高了网络的工作效率。
　　 人脸识别过程首先必须解决的就是人脸检测问题，利用Adaboost原理对人脸进行检测是现如今一种应用最广的基于统计理论的人脸检测方法，能够有效地提高人脸检测的速度，使得人脸识别过程能够实时进行，但实时获取的人脸检测结果，对于同一人不同姿态的人脸图像，其一致性很难保证。而最有效的方法是通过人眼定位对人脸图像进行旋转、分割和缩放。两种人脸检测方法的实验结果表明，人脸图像标准化在人脸识别过程中起着十分关键的作用，基于人眼定位的人脸检测方法可以大大提高人脸识别的准确率。

目录

声明

学位论文数据集

摘要

第一章 绪论

1．1 引言

1．2 课题研究背景及意义

1．3 人脸识别技术概述

1．3．1 人脸识别的研究内容

1．3．2 人脸识别技术的研究现状

1．3．3 人脸识别技术存在的难点

1．3．4 人脸识别技术的应用领域

1．4 本文的贡献及内容组织

1．4．1 本文的贡献

1．4．2 本文的内容组织

第二章 ART自适应谐振理论

2．1 自组织神经网络的提出

2．2 ART1网络结构及算法

2．2．1 ART1网络结构

2．2．2 ART1网络工作原理

2．3 ART2网络结构及算法

2．3．1 ART2网络结构

2．3．2 ART2网络工作原理

2．4 本章小结

第三章 基于粗分类的ART2神经网络

3．1 ART2网络在人脸识别中的优点和不足

3．1．1 ART2网络在人脸识别中的优点

3．1．2 ART2网络在人脸识别中的不足

3．2 ART2神经网络工作效率的改进

3．3 Adaboost算法原理

3．3．1 Harr特征与积分图

3．3．2 Adaboost算法步骤

3．4 实验结果与分析

3．4．1 训练眼镜分类器

3．4．2 实验结果对比分析

3．5 本章小结

第四章 基于人眼定位的人脸检测方法

4．1 人眼定位

4．2 Adaboost的人脸检测方法

4．3 改进的人脸检测方法

4．4 实验结果与分析

4．4．1 实验方案

4．4．2 两种人脸检测方法的识别率比较

4．5 本章小结

第五章 总结及展望

5．1 总结

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者及导师简介