基于改进2D-PCA和2D-LDA的人脸识别方法研究

摘要

作为一种生物特征识别技术，人脸识别涉及了图像处理和计算机视觉等多学科的技术。人可以在各种复杂情况下迅速识别出人脸，但如何实现计算机的高精度自动人脸识别仍然是一个困难的课题。目前，随着人脸识别的应用发展，训练库越来越大，存储人脸数据和大数据提取匹配计算等问题值得研究。如何准确而又精简的提取出最能代表人脸的特征是应用的关键。本文在前人的算法基础上，进行了一些创新和改进，主要工作如下:
　　(1)传统的一维主成分分析(PCA)由于需先把图像转换为向量，维度非常高，所以训练时间长，本文采用在二维图像矩阵上直接进行特征提取的2D-PCA算法，并针对个别样本可能离散程度较大的问题，提出了基于样本间距离偏移各类均值的改进2D-PCA算法。在ORL人脸库上的识别结果表明2D-PCA比传统的PCA减少了大量计算量，并提高了识别率。考虑到主成分分析算法训练时未使用训练库的类别信息，在分析和验证了类内平均脸在二维主成分分析的不可取之处后提出了均值偏移的2D-PCA方法。其基本思想是利用距离判定样本重要程度，赋予各样本不同系数来偏移均值，可以提高一定识别率并增强鲁棒性。
　　(2)使用线性鉴别分析(LDA)结合PCA的Fisher face经典算法具有比较高的识别率和更少的计算时间，本文在总结了现有的人脸检测技术和特征提取算法的基础上，提出了使用均值偏移的2D-PCA结合2D-LDA的方法。该方法利用主成分分析进行特征降维，再通过线性鉴别分析寻找最佳分类投影方向，解决了主成分分析识别率不够、线性鉴别分析小样本的类内散度矩阵不可逆问题，同时提高了算法的鲁棒性。
　　(3)将上述的各种算法，包括基于Adaboost的人脸检测方法、图像预处理方法以及本文介绍和提出的各种特征提取算法应用在人脸识别系统中，验证了算法的可行性。

目录

声明

致谢

摘要

1 引言

1．1 生物特征识别技术

1．2 人脸识别技术

1．2．1 人脸识别的国内外发展现状

1．2．2 人脸识别的研究内容

1．2．3 人脸识别的研究方法

1．3 人脸识别的难点

1．3．1 人脸的共性与差异

1．3．2 外界环境的影响

1．3．3 系统性能限制

1．4 论文的主要研究内容及章节安排

1．4．1 论文的主要研究内容

1．4．2 论文的章节安排

2 人脸检测和图像预处理

2．1 基于知识的人脸检测方法

2．2 基于学习的人脸检测方法

2．2．1 Haar矩形特征

2．2．2 基于Adaboost的特征选择

2．2．3 级联分类器结构

2．3 几何矫正

2．3．1 旋转

2．3．2 裁剪

2．3．3 尺度归一化

2．4 光照处理

2．4．1 直方图均衡化

2．4．2 直方图匹配法

2．5 图像二值化

2．6 噪声处理

2．7 人脸数据库

2．8 本章小结

3 基于PCA的特征提取

3．1 分类器设计

3．1．1 最近邻分类器

3．1．2 线性分类器

3．1．3 Adaboost分类器

3．2 主成分分析

3．2．1 K-L变换

3．2．2 PCA算法

3．2．3 PCA的快速算法

3．3 二维主成分分析

3．3．1 2D-PCA算法

3．3．2 基于2D-PCA的图像重构

3．3．3 2D-PCA的识别效果

3．4 线性鉴别分析

3．4．1 LDA算法

3．4．2 Fisherface算法

3．5 本章小结

4 改进算法和系统实现

4．1 改进的二维主成分分析

4．1．1 类内均值脸2D-PCA

4．1．2 均值偏移的2D-PCA

4．2 二维线性鉴别分析

4．3 改进的2D-PCA结合2D-LDA的方法

4．4 结果与分析

4．5 人脸识别系统的实现

4．6 本章小结

5 结论

5．1 论文总结

5．2 后续工作和展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集