人脸时变特征提取与核非线性分类算法研究

论文摘要

人脸识别就是从静态或视频序列的脸像中提取个性化特征,以此确定或确认被识别对象的身份。一个完整的人脸识别系统通常包含人脸检测或跟踪、预处理、特征提取、特征选择和分类识别等模块。其中,为适应复杂多样的现实环境而从脸图像中提取稳健可靠的以资区别于不同个体的个性化特征,是成功地识别人脸的一个关键,也是人脸识别研究中最富于挑战性的问题之一。本文主要对人脸特征提取和分类方法进行研究。在特征提取方面,首先介绍并比较了人脸识别领域中最常用的特征提取方法:主元分析（PCA）和线性鉴别分析（LDA）方法。然后在简述时频分析概念及常用时频分析方法的基础上,引出分数傅里叶变换（FrFT,Fraction FourierTransform）的定义、性质和离散FrFT（即DFrFT）的计算。基于DFrFT,给出图像时频分布形状特征（包括径向斜度和陡度、圆周斜度和陡度）提取方法。在分类器设计方面,以常用线性和非线性分类器讨论为基础,介绍一种基于核的对模式特征具有最优表达能力的非线性分类器（KNR,Kernel-basedNonlinear Representor）。最后,以ORL人脸数据库对算法进行验证,通过对实验结果的分析,得出结论。

论文目录

• 目录
• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 研究意义和目的
• 1.2 国内外研究现状
• 1.3 人脸识别的优势与难点
• 1.4 论文主要研究内容及结构安排
• 第二章 人脸识别中的特征提取方法
• 2.1 基于主元分析法的人脸识别方法
• 2.1.1 K-L变换
• 2.1.2 基于主元分析的人脸特征提取
• 2.1.3 K-L变换与PCA方法的优缺点
• 2.2 线性鉴别分析法
• 2.2.1 线性鉴别分析法的基本思想
• 2.2.2 基于LDA的人脸特征提取方法
• 2.2.3 基于LDA的人脸特征提取方法的优缺点
• 2.3 特征子空间与正则子空间的特性比较
• 2.4 本章小结
• 第三章 分数傅里叶变换及时变特征提取
• 3.1 傅里叶变换
• 3.1.1 傅里叶变换的定义
• 3.1.2 图像傅里叶变换的意义
• 3.2 时频分析基础与方法
• 3.2.1 时频分析的基本思想
• 3.2.2 时频分析的常用方法
• 3.3 连续分数傅里叶变换（FrFT）的定义
• 3.4 FrFT的性质
• 3.4.1 FrFT变换核函数的基本性质
• 3.4.2 FrFT的基本性质
• 3.5 离散分数傅里叶变换（DFrFT）的计算
• 3.5.1 离散傅里叶变换（DFT）的矩阵形式
• 3.5.2 DFrFT的定义
• 3.5.3 DFrFT的计算
• 3.6 图像时频分布的形状特征参数提取
• 3.7 本章小结
• 第四章 基于核的非线性分类器
• 4.1 分类器的概述
• 4.2 常用的线性和非线性分类方法
• 4.2.1 线性分类器
• 4.2.2 非线性分类器
• 4.3 一种具有特征最优表达能力的核非线性分类器
• 4.4 本章小结
• 第五章 人脸识别实验及结果分析
• 5.1 人脸识别系统基本模块
• 5.2 人脸库说明
• 5.3 实验结果及其分析
• 5.3.1 人脸图像降采样及DFrFT特征
• 5.3.2 时变斜度特征和时变陡度特征识别实验
• 5.4 实验结论
• 结论
• 致谢
• 参考文献
• 附录