胡琳[1]2002年在《基于小波变换和人工神经网络的PCA人脸识别方法研究》文中认为随着社会的发展，各个方面对快速有效的自动身份验证的要求日益迫切。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的理想依据。这其中，利用人脸特征又是最自然直接的手段，相比其他生物特征，它具有直接、友好、方便的特点，易于为用户接受。 人脸识别是一个涉及面广且又前景广阔的研究课题，近几年来关于人脸识别的研究取得了较大的进展。本文首先介绍了计算机人脸识别技术的研究背景和主要方法，然后提出了一种基于小波变换和人工神经网络的主元分析人脸识别方法。首先对人脸图像进行预处理，消除了光照强度差异的影响，然后用小波变换的方法提取人脸图像的相对稳定的低频子带，并同时达到了对图像向量降维的效果；然后用主元分析法(PCA)提取特征分量，主元分析法根据人脸图像整体的灰度相关性来提取特征向量，所提取出的特征向量保留了原图像空间中的主要分类信息，并能在均方误差最小的意义上重建原图像。然后用BP人工神经网络进行训练和识别。本算法将PCA优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。与传统的PCA方法相比，本算法大大降低了运算复杂度，所提取的特征更加反映了人脸之间的差异，提高了识别率和抗噪声性能，实验结果表明本文所提出的算法是准确有效的。
李杰[2]2008年在《基于小波和Fisher脸的人脸识别算法研究》文中认为人脸识别是计算机模式识别领域非常活跃的研究课题。在生物特征识别中,人脸识别占有极其重要的地位,它在访问控制、司法、电子商务和视频监控领域有十分广泛的应用。人脸图像预处理和特征提取是人脸识别系统的重要组成部分。本论文主要研究了小波变换在图像预处理中的应用和Fisher脸方法在人脸特征提取中的应用,并对其进行了创新和改进,并且将本文的方法应用在实时的人脸识别系统当中。主要内容如下:(1)小波变换在人脸识别中得到了越来越广泛的应用,然而大多数应用小波变换对人脸图像进行预处理时,都仅仅采用了对图像进行小波分解后的近似图像,其实在进行小波分解过程中得到的图像的水平细节和垂直细节表现了眼睛,鼻子,嘴等细节,对人脸的表示也起到了一定作用。因此,本文提出了基于加权小波法来对图像进行预处理的方法,将小波分解得到的近似图像,水平细节,垂直细节按一定权重进行加权,实验结果表明,该方法比单独使用近似图像有更好的识别率。(2)介绍了Fisher脸方法的基本原理,针对Fisher脸法受特征维数限制的问题,引进了一种利用迭代法来增加特征维数的RFLD方法。但RFLD方法在大样本集的情况下,计算量比较大,本文针对RFLD方法的这点不足对其进行了改进。通过实验,我们发现,经过改进的方法不仅减少了计算量,并且保证了识别率,甚至提高了识别率。(3)将本文的算法应用在实时的人脸识别系统当中,通过USB摄像头进行实时人脸识别,验证了算法的可行性,获得了理想的效果。本文对人脸识别的中的图像预处理和特征提取方法进行了详细的阐述,对传统的方法进行了改进,通过实验,分析了本文算法的优点与不足,提出了以后研究工作的方向与目标。
张立刚[3]2008年在《人脸精确检测与多分辨率下识别方法研究》文中提出人脸检测与识别技术是生物特征鉴别技术中研究最多和最热门的技术之一,它已经在身份认证、安全检查、罪犯查询、人机交互等广泛领域得到了初步应用。在人脸检测研究中,构建快速而精确的检测方法一直是该领域的研究热点;在人脸识别研究中,如何克服获取图像光线、表情、视角等变化的影响,提高识别率则是迫切需要研究的问题。针对这两个问题,本文以彩色和灰色正面人脸静态图像为研究对象,将模式识别理论和图像处理技术相结合,重点研究基于LVQ人工神经网络(ANN)的肤色像素检测和基于模板匹配的人脸精确检测方法,以及基于小波包分解(WPD)和(2D)2PCA的不同变化条件人脸图像的识别方法,为建立快速精确的人脸识别系统提供技术依据。本文的主要研究工作如下:(1)针对现有人脸检测系统检测精度和速度不平衡的问题,提出了一种基于LVQ ANN的肤色检测与基于模板匹配的精确人脸检测相结合的方法。该方法在获取肤色像素基础上,采用基于全局搜索的Mosaic方法预定位人脸区域。以CVL人脸库图像实验结果表明,LVQ ANN实现了较满意的肤色像素检测效果,又能提高检测速度;Mosaic方法成功地实现了人脸区域的预定位。(2)为在预定位人脸区域中实现精确的人脸检测,采用一种基于模板匹配的人脸检测方法。该方法首先构建基于R分量的标准灰度人脸模板,然后以相关性系数为匹配准则,使用多尺寸人脸模板实现不同尺寸人脸的检测。实验结果表明,CVL人脸库中常态组、微笑组和大笑组的正确检测率分别为100%、100%和93.6%;与仅采用模板匹配法相比,检测速度从1870.6s/幅提高到208.4s/幅。(3)为解决从图像小波包分解得到节点图像中选取显着节点困难的问题,提出了采用(2D)2 PCA和最邻近分类器测试所有节点图像的正确识别率(CRR),并依据识别率选取出“成功”节点图像的方法。(4)为了有效组合“成功”节点的特征矩阵,提出了一种测量测试图像和库图像距离的方法。该方法以“成功”节点图像特征矩阵的加权距离和,做为测试图像和库图像的距离,既考虑了全局和局部特征,又考虑了不同节点图像的识别贡献率,人脸识别实验结果表明该测量方法有效地提高了识别率。(5)针对变化人脸图像识别困难的问题,提出了一种基于WPD和(2D)2PCA的人脸识别方法。首先,对图像进行小波包分解,采用(2D)2PCA和最邻近分类器得到子节点的正确识别率,选取具有较大识别率的节点作为“成功”节点,然后,组合“成功”节点的特征矩阵,计算测试图像与库图像的距离,最后,采用最邻近分类器实现识别。(6)以MATLAB 7.0为工具编程实现基于WPD和(2D)2PCA的人脸识别方法,并以CMU PIE、Yale和UMIST人脸库图像为测试对象,分别进行光照、表情和视角变化图像的识别性能实验,以原图像采用(2D)2PCA和最邻近分类器的识别率为对比标准,结果表明,本文方法在3个实验中的识别率均高于标准识别率,其中,光照变化时识别能力最好,最高识别率为98.795%;表情变化其次,最高为89.796%,视角变化最差,最高为36.047%。(7)实验表明,距离尺度和小波函数的选取对多分辨率下节点的识别率有较大影响。L1在主体节点上的识别率高,而L2在细节节点上的识别率高;小波函数对不同条件图像识别效果也各不相同。因此,要根据图像变化条件选取节点、距离尺度和小波函数。由试验提出了如下选取规则:光照变化时,采用L1和Daubechies4下的A1、A2、H2、V2、HH2组合;表情变化时,采用L1和Haar下的A2。(8)本文提出的方法在视角变化时效果并不理想,尚需研究并寻求其它特征提取方法。
周羽[4]2007年在《红外图像人脸识别研究》文中研究指明红外图像人脸识别是利用模式识别、图像处理等方法对由热红外成像设备采集的红外人脸图像进行分类识别的技术。红外图像人脸识别技术可在很大程度上弥补可见光人脸识别技术的缺陷和不足，该技术与可见光人脸识别技术的融合将是今后人脸识别研究的一个重要方向。本论文在深入研究红外人脸图像特性的基础上，系统研究了几种不同的红外图像人脸识别方法，并进行了相关的实验测试。研究了红外人脸图像的预处理方法。对红外人脸图像手动定位双眼，利用图像的几何变换对红外图像进行旋转、放缩、裁剪等操作，完成红外人脸图像的几何预处理；利用直方图均衡化法对红外人脸图像进行灰度预处理。对主成分分析和线性鉴别分析两种基于统计的红外图像人脸识别方法进行了研究。利用PCA算法对红外人脸图像进行降维并提取其特征向量，对降维后的红外人脸特征采用LDA算法训练生成一个使类间离散度最大、类内离散度最小的最佳分类器。实验结果表明该分类器对红外人脸图像具有较好的分类效果。采用标号图来表示红外人脸图像，标号图的节点用一组描述人脸局部特征的二维Gabor小波变换系数标示，这些节点位于红外人脸图像上对识别有意义的特征点位置上；标号图的边用描述相邻两个节点相对位置的度量信息来标示，由各边组成的网格图结构描述了整个人脸的几何特征。通过红外人脸图像与人脸束图之间的弹性束图匹配，确定标号图上特征点的位置，然后计算特征点位置的二维Gabor小波变换系数并进行人脸的分类识别。基于人工神经网络的基本理论，设计了一个叁层BP神经网络。采用PCA+LDA方法对红外人脸图像进行特征提取，将提取出的特征向量用于BP神经网络的训练，得到一个鲁棒性和容错性较强的分类器。实验结果表明采用PCA+LDA与BP神经网络相结合的红外图像人脸识别方法能够达到较高的识别率。
葛春苑[5]2011年在《基于神经网络的人脸识别系统研究》文中进行了进一步梳理当今社会是一个信息化高度发展的社会,科技的应用渗透到了各个行业领域。人脸识别技术,就是这个时代的产物,此技术正被应用到各个领域,比如楼宇进出的安全控制、海关的安全检查、智能卡的身份认证、网络寻人等等。人脸识别技术是未来身份识别认证的主要发展方向之一。人脸识别经历了完全依赖于人工、人机交互、机器自动识别叁个阶段,且摆脱了最初对背景单一正面灰度图像的识别,在对多姿态人脸识别研究的基础上,以实现动态人脸识别为载体,向叁维人脸识别的方向发展,并取得了一定的成果。在我国,人脸识别技术虽然起步较晚,但是发展很迅速,得到了国家的大力支持。目前,我国很多高校、研究机构等,在图像处理和模式识别领域都有很好的研究基础,并积极开展了包括人脸识别在内的人体生物特征识别技术的基础研究,并取得了良好的研究成果,相信在不久的将来,我国在这一领域的研究将会进入世界的先进行列。人脸识别作为识别领域最经典的问题之一,目前已有很多的解决方法,并取得了较好的实验结果。但是能够实际应用并且用于任意背景、任意姿态的通用人脸识别系统还没有出现。因此人脸识别走向应用领域,比如提高所提取人脸特征的有效性、分类器的优化等有待提高。本文的出发点是将神经网络和人脸识别技术两者结合起来,致力于基于神经网络的人脸识别系统的研究。目的是通过神经网络的方法,解决人脸识别问题,提高识别系统的识别能力,得到较高的识别精度。其主要工作有:(1)详细介绍了人脸识别系统的组成结构,几种典型的人脸识别方法,总结了人脸识别目前所面临的主要问题,并介绍了目前国际上一些常用的人脸数据库。(2)将小波变换和改进的对偶传播神经网络相结合,提出了基于小波变换和改进的对偶传播神经网络的人脸识别方法。结合小波变换和CPN网络两种算法的主要特点,利用小波变换后的低频子图像代替原始人脸图像,不但去除了图像的冗余信息,降低了人脸数据的维数,而且对随机噪声进行了压制,减少了干扰CPN识别性能的不相关因素,取得较高的识别率。(3)提出加权二维主成分分析的算法,并将离散余弦变换(DCT)、加权二维主成分分析(2DPCA)和集成BP神经网络分类器相结合进行人脸识别系统的实现。根据DCT、加权二维主成分分析和BP神经网络的基本原理及各自在人脸识别中的应用,对人脸图像进行离散余弦变换,滤掉人脸图像中并不敏感的中频和高频部分,再采用加权二维主成分分析方法进行特征提取,最后利用集成BP神经网络分类器完成识别,提高了识别效率,验证了此方法的有效性。
汪妍[6]2005年在《小波变换在人脸识别中的应用研究》文中指出人脸识别是依据某些标识对人进行身份识别,以达到监督、管理和识别目的的一种技术,被广泛应用于许多领域。近年来对这项技术进行了广泛而深入的研究,小波变换因其良好的时频局部化特性,能够提供最为实质的人脸特征、削弱噪声的干扰、减少计算量,因此将小波变换应用于人脸识别与检测具有良好的发展前景。本论文主要研究了小波变换在人脸识别中的应用,主要内容包括:1、提出了一种基于离散小波变换( DWT)的人脸检测与特征定位算法,该算法对人脸姿态、表情变化和遮盖物具有一定的鲁棒性,同时具有计算量小,效率高的特点;2、介绍了基于小波变换的PCA人脸识别算法,与经典的PCA人脸识别算法进行了比较,实验证明基于小波变换的算法具有更好的识别性能;3、介绍了基于小波变换和人工神经网络的人脸识别算法,该算法具有良好的人脸识别性能。研究了小波函数的特性以及离散小波变换级数对算法的影响,通过实验得出最合适的小波基函数和离散小波变换级数以及人工神经网隐含层神经元数,最后通过与离散余弦变换的比较表明离散小波变换具有较强的特征提取性能;4、介绍了基于小波变换和支持向量机的人脸识别算法,该算法能得到非常高的人脸识别率,对人脸表情、姿态、光照的变化,遮盖物的干扰都具有良好的鲁棒性。根据实验选择了最佳的核函数及其参数。
于淑慧[7]2008年在《人脸识别系统中特征提取与识别研究》文中认为随着社会的发展,传统的身份认证方法已不能满足人们的需要,对快速有效的自动身份验证的要求日益迫切。生物特征是人的内在属性,因此成为身份验证的最理想依据。人脸识别与其他人体生物特征识别相比,具有直接、友好、方便的特点,易于被用户接受。人脸识别技术就是利用计算机提取有效信息进行自动识别,它涉及模式识别、计算机视觉、生理学等诸多学科,一直是当前研究热点。本文综述了人脸识别技术的研究现状和主要方法,进而对人脸识别中的关键技术进行了研究,并着眼于基于统计学的方法,提出了一种基于小波变换和改进的BP人工神经网络的主成分分析人脸识别方法。首先,通过对人脸图像进行灰度直方图修正,消除了光照强度对识别的影响,使不同成像条件下拍摄的照片具有一致性。然后用小波变换的方法提取人脸图像中相对稳定的低频子带,过滤掉人脸的表情因数,同时达到了使图像向量降维的效果,为后续算法减小了复杂度。其次,使用基于主成分分析的算法对图像进行特征提取。主成分分析法着眼于人脸图像整体的灰度相关性,所提取的特征向量既保留了原图像空间中的主要分类信息,降低了特征空间的维数,又能在均方误差最小的意义上重建原图像。本文采用的主成分分析法对标准算法进行了改进。最后,使用BP人工神经网络进行训练和人脸识别。本文将主成分分析法的特征抽取与人工神经网络的自适应性的优势相结合,取得了较高的识别率和优良的系统性能。采用很多方法对标准BP做了改进。首先使用动量法和学习率自适应调整的策略,提高了学习速率并增加了算法可靠性;其次通过改变输出层值的设置,提高了系统运算的速度。最后,本文提出了采用距离分类器和BP神经网络分类器相结合的人脸识别方法,利用两者优势,提高系统识别率。与传统的PCA方法相比,本文结合了多种算法的优势,所提取的特征更加反映了人脸之间的差异,降低了运算复杂度,提高了识别率和系统性能。通过ORL人脸库实验验证,本系统有效抑制了一定程度上的表情、姿态变化等因素对人脸识别造成的不利影响,提高了对此类人脸图像的识别率。
柳莲花[8]2010年在《视频监控系统的人脸检测与识别技术研究》文中研究指明近年来,生物识别技术得到了高速发展,而人脸识别是所有生物识别方法中应用最广泛的技术之一。与传统的身份识别系统相比,生物识别系统具有普遍性、唯一性、永久性的特点,在许多场所被公认为是比较安全的身份识别系统。本文对人脸识别系统提出了一套研究方法,具体包括以下几个方面:1、针对人脸识别方面的知识,对其研究背景,发展前景进行了研究,对检测和识别算法系统性地进行概括说明。人脸检测方法主要包括基于知识和统计学习的方法,具体介绍了PCA和LDA方法、DCT方法、SVD方法、小波变换方法、参数模型法、弹性图匹配法、SVM方法、神经网络方法和叁维人脸识别方法。2、系统预处理,主要包括视频采集、图像载入、人体定位、光线补偿、中值滤波、肤色建模和水平、垂直灰度投影,最后确定人脸方位。其中人体定位部分采用背景相差法,可以很快地得到人体目标。肤色建模法可以对黄色皮肤和白色皮肤建模,但对黑色皮肤建模效果较差。然而水平、垂直灰度投影法有所突破,对黑色皮肤的人体目标有非常优越的检测效果。3、人脸检测,分为眼睛定位,嘴巴定位和人脸勾勒叁个部分。眼睛定位时首先对人脸样本进行色度匹配和亮度匹配,并相结合,再进行去假区域和膨胀处理,最终检测到眼睛中心点。嘴巴定位部分样本经过亮度和色度匹配、像素腐蚀、去离散点、去假区域等,从而得到嘴巴中心点。最后检验所得到的叁点是否满足锐角叁角形规则,满足条件的样本即为人脸。4、对检测为人脸的图像进行人脸识别,先采用传统PCA和欧氏距离方法,该方法检测速度较慢;为此引入小波变换,提取低维空间的特征,明显提高检测速度。为了提高识别率,采用Gabor小波加BP神经网络方法取得显着效果。5、在二维空间的人脸识别方法终究会受到光照、表情、姿态的影响,为此,有必要的将人脸识别从二维空间拓展到叁维空间。采用连续小波变换方法对光栅投影图像进行相位分解,可以得到人脸的叁维数据,完成人脸的重构。本文完成了基于人脸识别技术的家庭防盗系统的研究和设计。论文所做的理论分析、系统搭建、计算机仿真和实验为今后人脸识别方面的进一步研究提供了有益的帮助。
黄建筑[9]2011年在《快速人脸检测与识别技术的研究》文中指出随着信息技术高速发展,人脸检测与识别技术具有越来越广泛的应用价值和重要的理论研究价值,已成为图像处理、人工智能、模式识别等领域中研究最为热点的课题之一。在研究国内外相关文献及最新研究成果的基础上,本文对人脸检测与识别技术进行系统性理论研究,主要包括两方面的内容:基于肤色信息的快速人脸检测算法和基于线性子空间分析的人脸识别算法及其相应的改进算法:1.在人脸检测方面,本文主要利用肤色信息对彩色图像进行快速人脸检测。首先,对彩色图像进行必要预处理,采用自适应光线补偿算法;然后,用标准化rgb颜色空间的多项式模型对光线补偿后的彩色图像进行肤色区域粗检测;接着,将标准化rgb颜色空间的多项式模型和经过非线性修正后的YC'_g C'_r颜色空间的高斯模型相结合构成混合肤色模型,对粗检测肤色区域做进一步精确肤色区域提取;最后,分析二值图像的连通区域,用椭圆面积准则验证人脸候选区域是否有人脸。2.在人脸识别方面,对传统主成分分析和线性判别分析进行研究,主要对二维主成分分析和二维线性判别分析的人脸识别算法进行研究并提出相应的改进算法并进行仿真。本文提出在图像矩阵的行和列两个方向上同时进行特征提取的改进算法,即有基于加权(2D)~2 -PCA人脸识别算法和(2D)~2-LDA人脸识别算法,这两种算法能够消除图像行、列各自的相关性,减少特征数量,减小存储空间,提高识别速率。3.在人脸识别中,由于用于识别的人脸样本数一般远远小于人脸样本的维数,经常出现小样本问题。所以,本文提出了一种采用Gabor小波变换的人脸识别算法来解决人脸识别中小样本问题,即把人脸样本图像经过Gabor小波变换后得到的每幅图像都看成独立人脸样本,这样就可以在保持每类原样本数不变的情况下大大地增加了每类人脸的样本数,并和改进的LDA人脸识别算法相结合,构成Gabor+(2D)~2-LDA人脸识别算法。当每类训练样本数很少时,该算法能有效地提高人脸识别率,且识别性能比较稳定。
孙广硕[10]2016年在《结合伽马变换和小波变换的PCA人脸识别算法及其FPGA的实现》文中认为随着科学技术的快速发展,社会文化的飞速进步,普通的身份辩别因为具有很多缺陷如易遗失,易破解等已被社会所淘汰。人们迫切需求一种越发安全而且能够可靠辨识身份的技术。生物特征具有独特性、不易丢失和被盗取的特性,能够很大程度上提供身份辨识的需求。而当今PC电子技术和生物技术的进步也使运用生物特征辩别能够得以实现。在生物特征辩别方面,人脸识别具有很多独特的优点,如操作快速简便,识别效果直观,准确率高等,已成为科研人员研究的重点方向。主成分分析(PCA)利用提取高维度的脸部图像的主要元素,使图像降低维度,在低维空间进行图像处理将大大减小困难度。因为它能够很好的处理图像空间维度很高的因素,在脸部辨别方面被人们普及利用。本文研究的就是根据PCA的脸部辨别方法的实现。为了快速有效地提取人脸特征,本文提出了一种改进的PCA算法,并结合伽马变换与小波变换进行图像处理的人脸识别算法。此算法首先将脸部图片完成伽马变化,减弱光照等一系列非线性因子的干扰；接下来将变化完成的脸部图片实现小波分解,用获取的脸部图片低频分量来表示初始脸部图片；最后将获取的脸部低频分量完成PCA的脸部特征提取,运用支持向量机的分类方法进行分类识别,获得最后的识别结果。在ORL脸部数据库上完成测试,并完成算法的FPGA实现,此方法的识别率较一般的PCA方法提升了4.5%。
参考文献：
[1]. 基于小波变换和人工神经网络的PCA人脸识别方法研究[D]. 胡琳. 苏州大学. 2002
[2]. 基于小波和Fisher脸的人脸识别算法研究[D]. 李杰. 北京交通大学. 2008
[3]. 人脸精确检测与多分辨率下识别方法研究[D]. 张立刚. 西北农林科技大学. 2008
[4]. 红外图像人脸识别研究[D]. 周羽. 大连理工大学. 2007
[5]. 基于神经网络的人脸识别系统研究[D]. 葛春苑. 山东师范大学. 2011
[6]. 小波变换在人脸识别中的应用研究[D]. 汪妍. 东南大学. 2005
[7]. 人脸识别系统中特征提取与识别研究[D]. 于淑慧. 中国地质大学（北京）. 2008
[8]. 视频监控系统的人脸检测与识别技术研究[D]. 柳莲花. 南京航空航天大学. 2010
[9]. 快速人脸检测与识别技术的研究[D]. 黄建筑. 华侨大学. 2011
[10]. 结合伽马变换和小波变换的PCA人脸识别算法及其FPGA的实现[D]. 孙广硕. 内蒙古大学. 2016
标签：计算机软件及计算机应用论文; 人脸识别系统论文; pca论文; 小波变换论文; 分类器论文; 人脸识别算法论文; 人脸检测技术论文; 人工神经网络论文; 特征提取论文; 图像识别技术论文; 图像融合论文; 红外成像论文;