人臉識別是生物特征識別的一種,近些年來成為了計算機視覺、模式識別和生物測定學中最熱門的研究課題之一。相對于其他生物特征來說,人臉識別具有自然性和非入侵的優(yōu)勢,隨著計算機技術(shù)的迅速發(fā)展,人臉識別技術(shù)得到廣泛地研究與應用,例如進入高鐵站時的人臉檢測、人臉支付、工作考勤、美顏相機等,但目前人臉識別技術(shù)還有一些缺陷,識別性能在變化的光照、面部表情、姿態(tài)、遮擋等非理想情況下會受到極大的影響。小波變換在眾多人臉識別算法中占有一席之地,它不僅具有多分辨率的性能,還有較好的時域和頻域的局部化分析性能,因此在人臉識別中被廣泛應用。而Curvelet變換不但具有傳統(tǒng)小波變換的多分辨率特性和時頻局域特性,而且還可以更稀疏地顯示人臉圖像,聚集信號的能量。與小波變換相比較,方向性和各向異性都很強的Curvelet變換可以對圖像的直線和曲線奇異特征進行更好的表示。本論文為了獲取更有效的人臉圖像特征,提高識別效果,在Curvelet域提出了兩種人臉圖像的特征提取方法,進而應用到人臉識別算法中。論文主要的研究成果有:第一:提出了一種自適應加權(quán)Curvelet梯度方向直方圖的人臉識別算法。首先,人臉圖像通過基于wrap... 

【文章來源】：湘潭大學湖南省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

Radon變換示意圖

9圖2.2Ridgelet變換流程圖2.3第一代Curvelet變換Ridgelet變換對具有曲線奇異性函數(shù)的逼近性能只相當于小波變換，不具有最優(yōu)的非線性逼近誤差衰減階。另外，多尺度多角度分析可能會造成維度災難，因此若要想獲得更好的識別率，就需要對Ridgelet變換進行優(yōu)化。在20世紀末，Cabdes和Donoho共同提出了并構(gòu)造出一個最初的框架[10]，標志了Curvelet變換的誕生。第一代Curvelet變換的實現(xiàn)過程實際上是在帶通濾波理論和單尺度、多尺度Ridgelet變換理論的基礎上進行的。Curvelet變換可以被稱作“變換的積分”，原因是當使用非常小的尺度來表現(xiàn)曲線時，結(jié)合微積分的理念，就可以獲得直線含有的的奇異性能。由單尺度的Ridgelet變換得到的基本尺度簡單且固定，而Curvelet變換可以在所有可能的尺度上進行分解。Curvelet變換是通過一種特殊的濾波過程和多尺度上的Ridgelet變換來實現(xiàn)的。把所有可能尺度大于零的單尺度Ridgelet字典集結(jié)在一起就構(gòu)成了多尺度的Ridgelet字典[14]：,,0,:,SQuQs(2.11)式中s表示尺度，0表示通帶范圍為1的低通濾波器，,...)2,1,0(2ss表示帶通范圍為]2,2[222ss的帶通濾波器，1)()(20220ss表示濾波器0和,...)2,1,0(2ss之間存在的相互關(guān)系，將0和,...)2,1,0(2ss組成一個濾波器

10組，它可以把函數(shù)f變換為：,...)...,,(20000fffffffPss(2.12)當函數(shù)f達到02222022ssfffP的要求時，可以通過：,,,s,sQQf(2.13)得到Curvelet變換的系數(shù)，式中Ridgelet的基用Q,表示。函數(shù)f具有在任意均方可積的特性，可以將其映射為一系列系數(shù))(M，其中M為的參數(shù)集，其中元素，，ssQQ,被稱為Curvelet變換。當Curvelet變換達到式2.14描述的關(guān)系時：222.Mff(2.14)就有分解公式2.15：Mff,(2.15)Curvelet變換之所以擁有良好的非線性逼近性能，是因為它的基的支撐區(qū)間滿足條件：2lengthwidth(2.16)子帶分解和Ridgelet變換是實現(xiàn)第一代Curvelet變換的基礎內(nèi)容，可以通過三個步驟完成：(1)通過自帶的分解方式對圖像進行子帶濾波；(2)當圖像被分解為各個子帶后，再分塊處理每個子帶圖像；(3)最后將每一塊圖像都進行Ridgelet變換。同時這個過程也是可逆的，圖2.3表示Ridgelet變換分解和重構(gòu)的過程。圖2.3Curvelet變換的分解和重構(gòu)的流程圖

【參考文獻】：
期刊論文
[1]基于二維Gabor小波與AR-LGC的人臉特征提取算法研究[J]. 倪永婧,孫袆,岳瑩,郭志萍,高麗慧,劉微.  河北工業(yè)科技. 2019(04)
[2]接收函數(shù)曲波變換去噪與偏移成像[J]. 陳一方,陳九輝,郭飚,齊少華,趙盼盼.  地球物理學報. 2019(06)
[3]基于分塊LBP融合特征和SVM的人臉識別算法[J]. 張敦鳳,高寧化,王姮,馮興華,霍建文,張靜.  傳感器與微系統(tǒng). 2019(05)
[4]改進PCA-LDA的人臉識別算法研究[J]. 馬帥旗.  陜西理工大學學報(自然科學版). 2019(02)
[5]基于Lucas-Kanade算法的最大Gabor相似度大姿態(tài)人臉識別[J]. 程超,達飛鵬,王辰星,姜昌金.  光學學報. 2019(07)
[6]基于Curvelet變換的低分辨率人臉識別方法[J]. 馬慧,孫萬春,史君華,楊馨竹,鄭集元.  重慶理工大學學報(自然科學). 2018(11)
[7]多層AR-LBP與WLD特征融合的SA-CRC人臉識別[J]. 葉楓,葉學義,羅宵晗,陳澤.  計算機工程與應用. 2019(14)
[8]基于特征融合與子空間學習的行人重識別算法[J]. 朱小波,車進.  激光與光電子學進展. 2019(02)
[9]基于小波和稀疏矩陣的人臉識別算法[J]. 王國權(quán),喬琪,趙艷芹,鞏燕.  黑龍江科技大學學報. 2018(04)
[10]基于多方向韋伯梯度直方圖的人臉識別[J]. 楊恢先,徐唱,曾金芳,陶霞.  激光與光電子學進展. 2018(11)

碩士論文
[1]基于Curvelet特征應用的太陽圖像檢索研究[D]. 馮彥明.昆明理工大學 2017
[2]基于Curvelet變換的圖像融合算法研究[D]. 趙文宇.哈爾濱理工大學 2017
[3]基于特征融合的人臉表情識別研究[D]. 付克博.杭州電子科技大學 2017
[4]基于非對稱局部梯度編碼及多特征融合的人臉表情識別[D]. 程軼紅.合肥工業(yè)大學 2016
[5]基于Curvelet變換的人臉識別方法研究[D]. 辜道平.南昌大學 2013
[6]基于Curvelet變換的新生兒疼痛表情識別研究[D]. 徐月娥.南京郵電大學 2013
[7]基于曲波變換的人臉識別算法研究[D]. 賈西貝.哈爾濱工程大學 2011



本文編號：3310609