本文選題：人臉識別 + 特征提取��； 參考：《太原科技大學(xué)》2016年碩士論文

【摘要】：煤礦視頻監(jiān)控系統(tǒng)克服了打卡考勤中人卡不一致的缺陷,在礦工身份認(rèn)證及災(zāi)后應(yīng)急救援等實(shí)際應(yīng)用中發(fā)揮重要作用。現(xiàn)有的人臉識別方法在可控環(huán)境中表現(xiàn)良好,但在存在遮擋變化、光照不充足等因素的非可控環(huán)境下識別效果并不可觀。本文針對井下存在煤塵、粉塵、聲音等各種噪聲的干擾,監(jiān)控識別難度加大的人臉識別的關(guān)鍵技術(shù)及過程展開研究,具有較大的應(yīng)用價值。針對井下人臉圖像易受煤塵干擾且一般局部化方法對噪聲較敏感的問題,本文提出基于Shearlet變換的煤礦井下圖像差異性特征提取方法。該方法利用Shearlet變換具有的方向選擇特性及圖像特征表示能力,并運(yùn)用Shannon熵理論對特征子圖賦予不同權(quán)值以及實(shí)部特征進(jìn)行編碼融合,有效降低了維數(shù)。實(shí)驗(yàn)結(jié)果表明,本文方法對受煤塵污染與噪聲影響的人臉圖像特征提取與抗噪能力效果良好。針對原稀疏描述方法因計(jì)算復(fù)雜度高以及對訓(xùn)練樣本個數(shù)敏感的問題,本文提出一種差異性Shearlet特征的快速稀疏描述人臉識別方法。首先,本文提出的匹配得分融合方法在稀疏描述方法優(yōu)勢的基礎(chǔ)上再次考慮了“當(dāng)前”測試樣本,具有“稀疏優(yōu)勢”;其次,根據(jù)匹配得分選取訓(xùn)練樣本集的一個子集來表示測試樣本,排除了與測試樣本很不相似的訓(xùn)練樣本對分類結(jié)果的干擾;最后,運(yùn)用快速稀疏描述方法較好的解決了L0范數(shù)的優(yōu)化問題。實(shí)驗(yàn)結(jié)果表明,本文提出的人臉識別算法在保證高識別率的同時,降低了計(jì)算復(fù)雜度。以煤礦視頻監(jiān)控系統(tǒng)為背景,本文重點(diǎn)研究了人臉識別流程中的圖像特征提取與分類識別過程,取得一些研究進(jìn)展,下一步將對Shearlet變換中分解尺度方向數(shù)與識別結(jié)果之間的關(guān)系做進(jìn)一步研究,還計(jì)劃將人臉識別技術(shù)與精確人員定位技術(shù)進(jìn)行有效結(jié)合,更好地提高災(zāi)后救援的有效性。
[Abstract]:The video monitoring system of coal mine overcomes the defect of inconsistency between the people and the card in the process of checking on the work and attendance, and plays an important role in the practical application of mine identity authentication and emergency rescue after the disaster. The existing face recognition methods perform well in controllable environment, but the recognition effect is not significant in the uncontrollable environment with the change of occlusion and insufficient illumination. In this paper, the key technology and process of face recognition, which is difficult to monitor and recognize, is studied in view of the interference of coal dust, sound and other noises, which has great application value. Aiming at the problem that the downhole face image is susceptible to coal dust interference and the general localization method is sensitive to noise, this paper presents a method of extracting the difference feature of underground coal mine image based on Shearlet transform. This method utilizes the direction selection characteristic of Shearlet transform and the ability of image feature representation, and uses Shannon entropy theory to encode and fuse different weights and real part features of feature subgraphs, thus effectively reducing the dimension. The experimental results show that the proposed method has a good effect on feature extraction and anti-noise ability of face images affected by coal dust pollution and noise. Aiming at the problem of high computational complexity and sensitivity to the number of training samples in the original sparse description method, this paper proposes a fast sparse face recognition method based on different Shearlet features. Firstly, based on the advantages of sparse description method, the matching score fusion method proposed in this paper again considers the "current" test sample, which has "sparse advantage"; secondly, According to the matching score, a subset of the training sample set is selected to represent the test sample, which eliminates the interference of the training sample which is not similar to the test sample to the classification results. The problem of L _ 0 norm optimization is well solved by using the fast sparse description method. Experimental results show that the proposed face recognition algorithm not only guarantees high recognition rate, but also reduces the computational complexity. Based on the coal mine video surveillance system, this paper focuses on the process of image feature extraction and classification recognition in the process of face recognition. The next step will be to further study the relationship between the decomposition scale direction number and the recognition results in Shearlet transform. It is also planned to effectively combine face recognition technology with accurate human location technology to improve the effectiveness of post-disaster rescue.
【學(xué)位授予單位】：太原科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TD76;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王萍,王漢芝,岳斌,林孔元,劉還珠;一種大規(guī)模樣本數(shù)據(jù)的特征提取方法[J];天津輕工業(yè)學(xué)院學(xué)報(bào);2003年04期

2 方瑩;;多角度的特征提取方法[J];鄭州輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年03期

3 周生祥,馮培恩,潘雙夏;材焊接結(jié)構(gòu)加工特征提取方法[J];浙江大學(xué)學(xué)報(bào)(自然科學(xué)版);1997年04期

4 王云鵬;刁智華;宋寅卯;王歡;;棉花葉部害螨病斑形態(tài)特征提取[J];鄭州輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年04期

5 徐瑞芬;;基于冗余提升形態(tài)小波的非對稱表面特征提取研究[J];機(jī)電工程;2012年08期

6 吳響;錢建生;王海燕;秦海初;;微震信號多尺度非線性特征提取與辨識研究[J];儀器儀表學(xué)報(bào);2014年05期

7 吳雅娟;徐亞軍;趙鵬;;分級特征提取在中子壽命深度校正中的應(yīng)用[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年03期

8 趙劍;許金濤;顧凌榕;;蛋白質(zhì)序列在頻率域上的一種特征提取方法[J];南京工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

9 陶晨;印梅芬;王棟;;面料摩擦聲音特征提取[J];絲綢;2014年03期

10 李鵬;劉民;吳澄;;一種基于特征提取方法的智能預(yù)測算法[J];控制與決策;2007年12期

相關(guān)會議論文 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識別中特征提取的一種改進(jìn)方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動目標(biāo)的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議�？痆C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機(jī)械工程學(xué)會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：1942236