本文選題：人臉識(shí)別 + 貝葉斯壓縮感知��； 參考：《廣西大學(xué)》2016年碩士論文

【摘要】：人臉識(shí)別技術(shù)最友好、自然、直接的生物特征識(shí)別手段,在社會(huì)公共安全、政府機(jī)關(guān)、視頻監(jiān)控、電子商務(wù)等領(lǐng)域都有著廣泛的應(yīng)用空間,人臉識(shí)別技術(shù)可分為人臉檢測(cè)和識(shí)別兩個(gè)基本過程。首先在視頻錄像中檢測(cè)和定位到人臉圖像。然后,通過算法利用數(shù)據(jù)庫(kù)進(jìn)行識(shí)別匹配,從而鑒別目標(biāo)人臉,其中光照、人臉姿態(tài)、遮擋、表情等變化給人臉識(shí)別帶來了巨大的挑戰(zhàn)。壓縮感知算法(Compressed Sensing,CS)因?yàn)椴皇軅鹘y(tǒng)Nyquist定理的限制,近年來成為一個(gè)研究熱門領(lǐng)域,在一開始數(shù)據(jù)采集的時(shí)候,去掉多余的信息將信息進(jìn)行壓縮,再利用重構(gòu)算法又能從稀疏的系數(shù)中恢復(fù)成原來的數(shù)據(jù)。后來有學(xué)者將貝葉斯理論與CS相結(jié)合,提出來貝葉斯壓縮感知算法(Bayesian Compressive Sensing,BCS),BCS是從貝葉斯統(tǒng)計(jì)學(xué)的角度去通過后驗(yàn)分布函數(shù)對(duì)信號(hào)和噪聲進(jìn)行估計(jì),所以在信號(hào)恢復(fù)時(shí),一定范圍內(nèi)可以減少噪聲的干擾。BCS因?yàn)槎鄬酉闰?yàn)的引入,在求解后驗(yàn)分布時(shí)算法復(fù)雜度高。視覺詞袋模型和局部特征統(tǒng)計(jì)都是常用的特征提取方法,詞袋模型要用K均值聚類來得到視覺字典,聚類大小的選取對(duì)特征提取的影響,以及更新字典要花費(fèi)很長(zhǎng)的時(shí)間。局部特征統(tǒng)計(jì)特征提取算法雖然具有光照和旋轉(zhuǎn)不變性,但對(duì)于人臉圖像多尺度的變化效果不是很理想。針對(duì)以上敘述的問題,論文提出了三個(gè)新的算法來解決：核貝葉斯壓縮感知算法(Kernel Bayesian Compressive Sensing,KBCS)、壓縮稀疏金字塔(Compressed Spatial Pyramid Model)和多層局部特征統(tǒng)計(jì)(Multi-level Statistical Local Feature,MSLF)。 KBCS是將BCS進(jìn)行核擴(kuò)展,加快貝葉斯壓縮感知的運(yùn)算速率,提高算法魯棒性。CSPM是利用CS的思想將詞袋模型加以改進(jìn),提高了算法的運(yùn)算效率。MSLF是局部特征統(tǒng)計(jì)與空間金字塔模型的結(jié)合,使算法在一定范圍上能克服人臉圖像不匹配的問題,在常用Extended Yale B、AR、CMU PIE和FERET人臉數(shù)據(jù)庫(kù)上驗(yàn)證了算法的有效性。
[Abstract]:This paper puts forward three new algorithms to solve the problems mentioned above , such as Kernel Bayesian Estimation ( KBCS ) , Compressed Spatial Data Model and Multi - level Statistical Local Feature ( MSLF ) . KBCS ( KBCS ) is used to improve the computational efficiency of Bayesian compression perception and improve the robustness of the algorithm . CSPM is the combination of local feature statistics and spatial pyramid model , which makes the algorithm overcome the problem of mismatch of face images in a certain range , and verifies the effectiveness of the algorithm on the commonly used extended Yale B , AR , cmu PIE and FERET face databases .
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 溫寶全;可靠性的貝葉斯及經(jīng)驗(yàn)貝葉斯估計(jì)[J];杭州電子工業(yè)學(xué)院學(xué)報(bào);1995年02期

2 任偉建;山茂泉;謝鋒;王文東;;基于粒子濾波和貝葉斯估計(jì)的目標(biāo)跟蹤[J];大慶石油學(xué)院學(xué)報(bào);2008年03期

3 劉昌盛;擺玉龍;厲樹忠;鄭岳意;;后向散射系數(shù)的貝葉斯估計(jì)[J];計(jì)算機(jī)仿真;2007年08期

4 武東;張青;湯銀才;;指數(shù)分布步加試驗(yàn)的貝葉斯估計(jì)[J];電子產(chǎn)品可靠性與環(huán)境試驗(yàn);2007年06期

5 林小蘭;李傳珍;王暉;王京玲;;基于貝葉斯理論的單音音樂節(jié)奏提取[J];中國(guó)傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

6 李擁軍;曾標(biāo);徐克付;李陽;;復(fù)雜背景下基于貝葉斯-全概率聯(lián)合估計(jì)的前景檢測(cè)[J];電子與信息學(xué)報(bào);2012年02期

7 汪西原;;基于貝葉斯估計(jì)的復(fù)小波域圖像去噪[J];陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年04期

8 張霞;于宏毅;楊白薇;;基于貝葉斯估計(jì)的無線傳感器網(wǎng)絡(luò)鏈路選擇算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年02期

9 張世英,劉金塘;小樣本參數(shù)的貝葉斯估計(jì)方法[J];天津大學(xué)學(xué)報(bào);1989年03期

10 胡戰(zhàn)虎;基于貝葉斯估計(jì)的多分辨圖像濾波方法[J];電子學(xué)報(bào);2002年01期

相關(guān)碩士學(xué)位論文 前10條

1 王韜;基于貝葉斯網(wǎng)絡(luò)的###動(dòng)車組牽引傳動(dòng)系統(tǒng)可靠性分析[D];西南交通大學(xué);2015年

2 楊帆;廣義Logistic模型的貝葉斯參數(shù)估計(jì)[D];吉林大學(xué);2016年

3 黃琴;基于貝葉斯估計(jì)與分布的關(guān)聯(lián)分析方法研究[D];華南理工大學(xué);2016年

4 周凱;基于貝葉斯壓縮感知的人臉識(shí)別研究[D];廣西大學(xué);2016年

5 李小華;結(jié)構(gòu)參數(shù)識(shí)別的貝葉斯估計(jì)方法及應(yīng)用研究[D];中國(guó)地震局工程力學(xué)研究所;2009年

6 章欣已;基于貝葉斯估計(jì)多品種小批量生產(chǎn)的統(tǒng)計(jì)過程控制研究[D];上海交通大學(xué);2013年

7 張玉潔;基于評(píng)分的貝葉斯網(wǎng)融合方法[D];云南大學(xué);2011年

8 王朝祿;基于貝葉斯網(wǎng)的廣告點(diǎn)擊率預(yù)測(cè)方法及實(shí)現(xiàn)[D];云南大學(xué);2013年

9 唐思思;基于離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的信息安全風(fēng)險(xiǎn)評(píng)估方法的研究[D];東北大學(xué);2013年

10 朱家明;帶有單側(cè)區(qū)間信息的正態(tài)均值的貝葉斯估計(jì)[D];華東師范大學(xué);2002年

，

本文編號(hào)：2019436