本文關(guān)鍵詞：混合噪聲人臉識(shí)別研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：因?yàn)槿四樀姆�(wěn)定性、非侵犯性、安全性等特點(diǎn),人臉識(shí)別一直是學(xué)者們研究的熱點(diǎn)。與其他人體生物特征識(shí)別方式相比,人臉識(shí)別具有方式友好,采樣方便,無需接觸等許多優(yōu)點(diǎn),并且,人臉特征具有很強(qiáng)的自身穩(wěn)定性和個(gè)體差異性,是身份驗(yàn)證的理想依據(jù),所以,對人臉識(shí)別研究具有重要的學(xué)術(shù)研究價(jià)值和廣泛的應(yīng)用前景。但目前大多數(shù)研究都只針對單噪聲人臉圖像的預(yù)處理、特征提取、識(shí)別與分類,而實(shí)際采集到的圖像信號(hào)還受到椒鹽噪聲、高斯噪聲等混合噪聲的影響。作為人臉識(shí)別的關(guān)鍵環(huán)節(jié),預(yù)處理主要包括降噪、定位和歸一化等操作。降噪方面的方法主要包括硬閾值、軟閾值和半軟閾值,但該類方法仍舊存在兩方面的問題:一是閾值函數(shù)連續(xù)性;二是估計(jì)小波系數(shù)與含噪信號(hào)小波系數(shù)之間存在恒定偏差的問題(簡稱“恒定偏差問題”)。針對此類方法的不足之處,人們提出了很多改進(jìn)方案,但仍未完全解決問題,要么只解決恒定偏差問題;要么只解決函數(shù)連續(xù)性問題。為了克服上述存在的問題,本文著重研究椒鹽噪聲和高斯噪聲構(gòu)成的混合噪聲人臉識(shí)別問題。為了模擬現(xiàn)實(shí)中噪聲的異常干擾,本文對數(shù)據(jù)庫中的人臉圖像添加了高斯和椒鹽兩種隨即噪聲,首先提出一種改進(jìn)閾值降噪函數(shù),完全解決傳統(tǒng)降噪法的兩大問題,并對比分析去除椒鹽噪聲和高斯噪聲兩種混合噪聲的降噪效果。人眼定位是人臉識(shí)別系統(tǒng)較為關(guān)鍵的環(huán)節(jié),它會(huì)影響到后期的特征提取與識(shí)別率。目前的很多人眼定位實(shí)驗(yàn)都假定面部關(guān)鍵特征點(diǎn)是已給定的,或在條件允許情況下要求用戶進(jìn)行一定程度的交互,目前還缺乏一個(gè)通用而又完善的人眼定位模版。為此,本文提出了加權(quán)混合投影函數(shù),它能快速地實(shí)現(xiàn)人臉姿態(tài)、光照變化及佩戴眼鏡下的眼部定位。人臉圖像特征提取對于人臉識(shí)別的魯棒性和效率都有著決定性作用,故人臉識(shí)別過程中,特征提取是至關(guān)重要的一個(gè)步驟,而所提取特征的好壞與特征提取方法和前期圖像預(yù)處理工作有緊密聯(lián)系,為了提取有效分類特征,本文結(jié)合運(yùn)用了2DPCA_LDA和ILPP特征提取算法提取具有較高的實(shí)用價(jià)值的人臉特征,能根據(jù)不同板塊的需求更精確地提取全局或局部特征;最后采用SVM分類器對前期處理后的人臉圖像進(jìn)行識(shí)別與分類。
【關(guān)鍵詞】：混合噪聲 椒鹽噪聲 高斯噪聲 奇異譜分析 加權(quán)混合投影函數(shù) 人臉識(shí)別
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-7
• 第一章 緒論7-12
• 1.1 研究背景與意義7-8
• 1.2 混合噪聲人臉識(shí)別的研究發(fā)展現(xiàn)狀8-9
• 1.3 人臉識(shí)別系統(tǒng)的構(gòu)成及其難點(diǎn)9-10
• 1.4 本文研究內(nèi)容及文章結(jié)構(gòu)安排10-12
• 第二章 混合噪聲降噪研究12-32
• 2.1 椒鹽噪聲降噪研究12-16
• 2.1.1 常見椒鹽噪聲降噪法12-14
• 2.1.2 濾波降噪算法實(shí)現(xiàn)14-16
• 2.2 高斯噪聲降噪研究16-17
• 2.2.1 常見高斯噪聲降噪法16
• 2.2.2 濾波降噪算法實(shí)現(xiàn)16-17
• 2.3 混合噪聲人臉圖像的奇異譜分析降噪17-31
• 2.3.1 小波閾值降噪原理17-19
• 2.3.2 小波閾值降噪在人臉識(shí)別中的優(yōu)勢19-20
• 2.3.3 奇異譜分析原理20
• 2.3.4 奇異譜特性降噪的參數(shù)選取20-22
• 2.3.5 仿真實(shí)驗(yàn)結(jié)果及其分析22-31
• 2.4 本章小結(jié)31-32
• 第三章 混合噪聲人臉圖像眼部定位32-42
• 3.1 加權(quán)混合投影函數(shù)原理32-35
• 3.1.1 幾種常用的投影函數(shù)32-33
• 3.1.2 混合投影函數(shù)在人臉定位中的優(yōu)勢33-34
• 3.1.3 加權(quán)混合投影函數(shù)（WHPF）原理34-35
• 3.2 眼部粗定位35-38
• 3.2.1 人臉平面旋轉(zhuǎn)矯正35-37
• 3.2.2 雙眼候選窗口的確定與閾值分割37-38
• 3.3 WHPF算法眼部細(xì)定位38
• 3.4 人臉圖像歸一化38-41
• 3.4.1 人臉圖像的幾何歸一化39-40
• 3.4.2 人臉圖像的灰度歸一化40-41
• 3.5 本章小結(jié)41-42
• 第四章 混合噪聲人臉圖像特征提取與分類識(shí)別42-50
• 4.1 特征提取原理概述42-44
• 4.1.1 2DPCA算法原理42-43
• 4.1.2 2DLDA的算法原理43-44
• 4.2 識(shí)別與分類原理概述44-47
• 4.2.1 支持向量機(jī)算法原理45-47
• 4.3 基于SVM模型的人臉識(shí)別分類仿真實(shí)驗(yàn)47-49
• 4.4 本章小結(jié)49-50
• 第五章 結(jié)論和展望50-52
• 致謝52-53
• 參考文獻(xiàn)53-57
• 附錄57-58

  本文關(guān)鍵詞：混合噪聲人臉識(shí)別研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：277220