本文選題：多尺度分析　切入點：人臉識別　出處：《青島科技大學(xué)》2017年碩士論文

【摘要】：在當(dāng)今社會中,人類日常生活中的目標(biāo)變得越來越復(fù)雜,但無論目標(biāo)變得多么復(fù)雜,目標(biāo)中仍存在一些不變的特征。在對復(fù)雜目標(biāo)的不變特征進(jìn)行提取時,待檢測特征點在不同尺度上表現(xiàn)形式不盡相同,因此需要在不同的尺度上對特征點進(jìn)行檢測,以保證檢測到的特征點能夠準(zhǔn)確、有效的對目標(biāo)進(jìn)行描述和分析。本文的主要工作及創(chuàng)新性如下:(1)針對傳統(tǒng)的特征提取方法無法在多個尺度上檢測圖像特征點的問題,提出了將多尺度分析與特征提取方法相結(jié)合,在不同的尺度上對原始目標(biāo)圖像進(jìn)行特征點提取的方法。(2)在粗尺度上,選取不會產(chǎn)生噪聲積累的形態(tài)學(xué)梯度算子對人臉圖像的輪廓特征進(jìn)行提取,形成一個新的人臉庫—ORL輪廓人臉庫,然后分別采用SIFT算法與CNN模型對ORL輪廓人臉庫進(jìn)行識別與匹配。使用ORL輪廓人臉庫進(jìn)行識別時,SIFT算法的識別率提高了1.78%,識別速度提高了34.35%;CNN模型的識別率提高了1.96%,識別速度提高了35.19%。(3)針對ORL輪廓人臉庫中的人臉目標(biāo)圖像的紋理信息大量丟失,識別過程中容易出現(xiàn)差錯的問題,提出了對ORL人臉庫的輪廓進(jìn)行提取后,進(jìn)行相似度對比,將相似度較大的輪廓圖像的原始圖像進(jìn)行整合,形成一個新的人臉庫—ORL縮減人臉庫,然后分別采用SIFT算法與CNN模型對ORL縮減人臉庫進(jìn)行識別與匹配。使用ORL縮減人臉庫進(jìn)行識別時,SIFT算法的識別率提高了4.78%,識別速度提高了45.80%;CNN模型的識別率提高了5.88%,識別速度提高了47.69%。
[Abstract]:In today's society, the goal in human daily life becomes more and more complex, but no matter how complex the goal becomes, there are still some invariable features in the target. The feature points to be detected are different in different scales, so it is necessary to detect the feature points on different scales to ensure the accuracy of the detected feature points. The main work and innovation of this paper are as follows: 1) aiming at the problem that traditional feature extraction methods can not detect image feature points at multiple scales, This paper proposes a method of feature point extraction from original target image at different scales, which combines multi-scale analysis with feature extraction method. The morphological gradient operator, which does not produce the accumulation of noise, is selected to extract the contour features of the face image, and a new face store-ORL contour face database is formed. Then the ORL contour face database is recognized and matched by SIFT algorithm and CNN model respectively. The recognition rate of sift algorithm is improved by 1.78 when using ORL contour face database, and the recognition rate of ORL contour model is improved by 1.96. The recognition speed is improved 35.19 / 3) the texture information of the face target image in ORL contour face database is lost a lot. It is easy to make mistakes in the recognition process. After the contour of ORL face database is extracted, the similarity degree is compared, and the original image of contour image with high similarity is integrated to form a new face database-ORL reduced face database. Then, SIFT algorithm and CNN model are used to recognize and match ORL reduced face database respectively. The recognition rate of sift algorithm is increased by 4.78 when using ORL reduced face database, and the recognition rate of ORL reduced face database is increased by 5.88, and the recognition speed is increased by 45.80%. The recognition speed increased by 47.69.
【學(xué)位授予單位】：青島科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 凌鳳彩;康牧;林曉;;改進(jìn)的Canny邊緣檢測算法[J];計算機(jī)科學(xué);2016年08期

2 趙春暉;郭蘊(yùn)霆;;一種快速的基于稀疏表示和非下采樣輪廓波變換的圖像融合算法[J];電子與信息學(xué)報;2016年07期

3 譚躍生;鄭政宇;顧瑞春;;一種改進(jìn)的圖像局部不變特征提取方法[J];計算機(jī)應(yīng)用與軟件;2016年04期

4 何振紅;;基于離散Curvelet變換和LS-SVM的虹膜特征提取與識別[J];工業(yè)儀表與自動化裝置;2016年01期

5 肖化超;周詮;鄭小松;;基于IHS變換和Curvelet變換的衛(wèi)星遙感圖像融合方法[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2016年01期

6 徐巍;孔建益;陳東方;;基于平穩(wěn)脊波變換的圖像降噪[J];武漢科技大學(xué)學(xué)報;2015年05期

7 聶海濤;龍科慧;馬軍;劉金國;;采用改進(jìn)尺度不變特征變換在多變背景下實現(xiàn)快速目標(biāo)識別[J];光學(xué)精密工程;2015年08期

8 聶海濤;龍科慧;馬軍;張雷;馬喜強(qiáng);;基于快速SIFT算法和模糊控制的人臉識別[J];吉林大學(xué)學(xué)報(工學(xué)版);2016年02期

9 李文娜;孔祥勇;高立群;崔兆華;;基于條帶波變換的圖像水印算法[J];東北大學(xué)學(xué)報(自然科學(xué)版);2013年08期

10 陳抒tb;李勃;董蓉;陳啟美;;Contourlet-SIFT特征匹配算法[J];電子與信息學(xué)報;2013年05期

相關(guān)碩士學(xué)位論文 前2條

1 包翔;基于尺度空間理論的自適應(yīng)圖像分割研究[D];江蘇大學(xué);2016年

2 馬科;紅外圖像的多尺度幾何分析理論及應(yīng)用研究[D];電子科技大學(xué);2014年

，

本文編號：1658988