本文關(guān)鍵詞：人臉識別方法研究與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：人臉識別是模式識別和計算機(jī)視覺領(lǐng)域最富挑戰(zhàn)性的研究課題之一，在刑偵破案、證件驗證、門禁系統(tǒng)、視頻監(jiān)控等領(lǐng)域都具有十分廣泛的應(yīng)用前景。雖然人類不需要任何訓(xùn)練準(zhǔn)備就能識別出人臉，但人臉的機(jī)器自動識別卻是一個難度極大的課題。本論文致力于基于靜止圖像的準(zhǔn)正面人臉識別方法研究，重點研究特征提取和分類識別環(huán)節(jié)。 首先，研究了基于主分量分析(Principle Component Analysis，，PCA)的特征臉法的原理和實現(xiàn)過程。考慮到傳統(tǒng)PCA法在處理圖像識別問題時是基于圖像向量的，提出了一種直接基于圖像矩陣的PCA方法，其突出優(yōu)點是大大加快了特征抽取的速度。 其次，為克服PCA方法易受光照條件等易變因素的影響，本文在特征提取方面引入了Fisher線性鑒別分析(Linear Discriminant Analysis，LDA)方法。LDA以樣本的可分性最好為目標(biāo)，能提取出類間距離大而類內(nèi)距離小即分類能力強(qiáng)的特征，在理論上優(yōu)于PCA方法。但是，傳統(tǒng)LDA應(yīng)用于人臉識別時存在小樣本和多類情況下Fisher準(zhǔn)則分類次優(yōu)兩個問題。本文提出了一種能同時解決以上兩個問題的改進(jìn)LDA的人臉識別算法。該算法的關(guān)鍵在于使用不損失任何有效鑒別信息的方法來降維，并引入一種新的權(quán)函數(shù)對Fisher準(zhǔn)則加權(quán)，以改善樣本在低維線性空間中的可分性，同時在共軛正交的約束下保證所抽取的鑒別特征之問是統(tǒng)計不相關(guān)的。實驗結(jié)果表明，該改進(jìn)算法對光照、表情變化具有更好的魯棒性。 最后，為了更好地綜合人臉特征進(jìn)行分類識別，本文將嵌入式隱馬爾可夫模型(Ernbedded Hidden Markov Models，EHMM)應(yīng)用到人臉建模中，該方法較好地利用了人臉的相似性結(jié)構(gòu)，較一維HMM(1D-HMM)能更精確地描述二維人臉圖像的統(tǒng)計特征。本文通過提取二維離散余弦變換(2D-Discrete Cosine Transform，2D-DCT)后的低頻系數(shù)代替像素灰度值構(gòu)造觀察序列，有效地減少了觀察向量的維數(shù)。實驗結(jié)果表明，所建立的模型結(jié)構(gòu)簡單，運算量小，并且獲得了較高的識別率。
【關(guān)鍵詞】：人臉識別 主分量分析 Fisher線性鑒別分析 統(tǒng)計不相關(guān) 隱馬爾可夫模型 特征抽取
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2006
【分類號】：TP391.41
【目錄】：

• 中文摘要4-5
• ABSTRACT5-6
• 目錄6-8
• 表目錄8-9
• 圖目錄9-10
• 第一章 緒論10-23
• 1.1 研究背景和意義10-12
• 1.2 發(fā)展簡史和研究現(xiàn)狀12-14
• 1.2.1 人臉識別的發(fā)展歷程12-13
• 1.2.2 國內(nèi)外研究現(xiàn)狀13-14
• 1.3 人臉識別的研究內(nèi)容與主要方法14-19
• 1.3.1 人臉識別的研究內(nèi)容14-15
• 1.3.2 人臉識別系統(tǒng)的組成15-16
• 1.3.3 主要的人臉識別方法16-19
• 1.3.4 人臉識別的難點19
• 1.4 人臉識別測試數(shù)據(jù)庫19-20
• 1.5 本文的主要工作與內(nèi)容安排20-23
• 1.5.1 本文的主要工作20-21
• 1.5.2 本文各章內(nèi)容安排21-23
• 第二章 基于主分量分析的人臉識別方法23-37
• 2.1 引言23
• 2.2 主分量分析的理論基礎(chǔ)23-25
• 2.2.1 主分量分析的基本原理24-25
• 2.2.2 主分量分析的特點25
• 2.3 基于主分量分析的人臉識別方法25-30
• 2.3.1 特征子空間的生成25-27
• 2.3.2 基于人臉特征子空間的識別27-28
• 2.3.3 特征向量的選擇28-29
• 2.3.4 分類決策29
• 2.3.5 距離度量的選擇29-30
• 2.4 基于廣義主分量分析的人臉識別30-32
• 2.4.1 基于圖像矩陣的主分量分析原理30-31
• 2.4.2 特征抽取與分類識別31-32
• 2.5 實驗結(jié)果及分析32-35
• 2.6 本章小結(jié)35-37
• 第三章 基于Fisher線性鑒別分析的人臉識別方法37-53
• 3.1 引言37
• 3.2 Fisher線性鑒別分析的理論基礎(chǔ)37-41
• 3.2.1 Fisher鑒別準(zhǔn)則37-38
• 3.2.2 經(jīng)典的Fisher線性鑒別分析與F-S線性鑒別分析法38-40
• 3.2.3 具有統(tǒng)計不相關(guān)性的線性鑒別分析40-41
• 3.3 高維小樣本情況下線性鑒別分析的具體方法41-44
• 3.3.1 基于變換的方法41-43
• 3.3.2 基于算法的方法43-44
• 3.4 基于加權(quán)Fisher線性鑒別分析的人臉識別方法44-50
• 3.4.1 Fisher鑒別準(zhǔn)則之次優(yōu)性分析44-45
• 3.4.2 加權(quán)方案及改進(jìn)Fisher準(zhǔn)則45-46
• 3.4.3 基于加權(quán)Fisher鑒別分析的人臉識別46-48
• 3.4.4 基于加權(quán)Fisher不相關(guān)鑒別分析的人臉識別48-50
• 3.5 實驗結(jié)果及分析50-52
• 3.6 本章小結(jié)52-53
• 第四章 基于嵌入式隱馬爾可夫模型的人臉識別方法53-67
• 4.1 引言53
• 4.2 隱馬爾可夫模型的理論基礎(chǔ)53-56
• 4.2.1 馬爾可夫鏈53-54
• 4.2.2 隱馬爾可夫模型54-55
• 4.2.3 嵌入式隱馬爾可夫模型55-56
• 4.3 嵌入式隱馬爾可夫模型的三個基本問題及求解56-60
• 4.3.1 嵌入式隱馬爾可夫模型的三個基本問題56
• 4.3.2 評估問題56-57
• 4.3.3 解碼問題57-59
• 4.3.4 訓(xùn)練問題59-60
• 4.4 基于嵌入式隱馬爾可夫模型的人臉識別方法60-64
• 4.4.1 人臉E-HMM狀態(tài)的確定60-61
• 4.4.2 特征抽取61-62
• 4.4.3 模型訓(xùn)練和人臉識別流程62-64
• 4.5 實驗結(jié)果及分析64-65
• 4.6 本章小結(jié)65-67
• 結(jié)束語67-70
• 致謝70-71
• 參考文獻(xiàn)71-76
• 作者在學(xué)期間取得的學(xué)術(shù)成果76

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 張忠寶;;關(guān)于人臉識別技術(shù)在商業(yè)銀行方面的應(yīng)用——基于計算機(jī)視覺[J];計算機(jī)光盤軟件與應(yīng)用;2012年20期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 王海珍;基于LDA的人臉識別技術(shù)研究[D];西安電子科技大學(xué);2010年

2 凡里偉;Android平臺手機(jī)防盜系統(tǒng)的設(shè)計與實現(xiàn)[D];大連理工大學(xué);2012年

  本文關(guān)鍵詞：人臉識別方法研究與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

本文編號：395216