面部识别的分量研究

论文摘要

人脸识别研究是模式识别、数字图像处理、计算机视觉等多个学科研究的热点,也是当前最具有前景和实际应用价值的热门研究课题。它可以广泛地应用到安全部门、身份鉴别、电视会议、数字监控等多个领域。人脸识别是利用计算机对人脸图像进行处理、分析,并从中取能表征人脸图像的识别信息,用以进行人脸鉴别的一门技术。目前人脸识别技术比较多,优缺点各不相同。文中比较了当前主流的人脸识别方法,给出了一种利用独立分量分析方法（ICA）提取人脸图像特征,结合欧氏距离进行分类识别的方法。独立分量分析源于鸡尾酒会问题,属于解决盲源信号分离（BSS）的一种数字信号处理技术,是经典线性变换技术主分量分析（PCA）的推广。利用独立分量分析进行人脸识别的过程主要分为两个步骤:其一是对人脸图像进行均值、K-L变换、白化等预处理;其二是对人脸图像进行特征提取,并对提取特征进行优化选择,利用这些提取的互不相关的特征组成新的多维空间,在构造的多维空间中,通过对比被测试样本与训练样本表征系数之间的欧氏距离,实现识别目标。前者是为了对人脸图像进行预处理,减少图像维数,缩小下一步提取表征人脸信息的计算量,后者是为了提出能表征人脸信息的特征,再与被识别人脸图像进行比较,完成识别工作。本论文利用ICA和欧氏距离方法实验测试了国际上使用最为广泛的ORL人脸库和Cohn-Kanade人脸库中的部分人脸数据图像,共计80人800幅人脸,对ORL人脸库人脸的正确识别率为94.5%,而对Cohn-Kanade人脸库人脸的正确识别率为99%。实验数据结果表明,利用独立分量分析和欧氏距离分类相结合的方法进行人脸识别效果良好,表现在具有较强的自适应性、较快的识别速度、较高的识别率、较便捷的交互操作性以及噪声的鲁棒性。

论文目录

• 内容提要
• 第1章 绪论
• 1.1 人脸识别的研究背景
• 1.2 人脸识别的研究内容
• 1.3 人脸识别研究及发展现状
• 1.3.1 人脸识别发展现状
• 1.3.2 国内外人脸识别理论研究机构
• 1.3.3 国内外人脸识别系统产品发展现状
• 1.4 本文的研究内容和主要贡献
• 第2章 独立分量分析相关基础知识
• 2.1 引言
• 2.2 多维统计的线性变换
• 2.3 统计独立
• 2.3.1 随机事件的独立性
• 2.3.2 统计独立的随机变量
• 2.4 高阶统计量
• 2.4.1 高阶矩
• 2.4.2 高阶累积量
• 2.5 信息论
• 2.5.1 熵
• 2.5.2 互信息
• 2.5.3 散度
• 2.5.4 峰度
• 2.5.5 负熵
• 第3章 独立分量分析
• 3.1 引言
• 3.2 鸡尾酒会问题
• 3.3 ICA 定义及数学模型
• 3.4 ICA 实现原理
• 3.4.1 ICA 的模糊性
• 3.4.2 ICA 的独立性测试准则
• 3.4.3 ICA 信号分离的实现过程
• 3.5 现有两种常用的ICA 算法
• 3.5.1 Infomax 算法
• 3.5.2 Fixed-Point 算法
• 第4章 基于ICA 的人脸识别
• 4.1 概述
• 4.2 图像读入
• 4.3 人脸图像预处理
• 4.3.1 人脸图像色彩转换处理
• 4.3.2 人脸图像几何归一化处理
• 4.3.3 人脸图像灰度归一化处理
• 4.3.4 PCA 处理
• 4.3.5 人脸图像的白化处理
• 4.4 特征提取
• 4.4.1 人脸特征
• 4.4.2 人脸表示
• 4.4.3 ICA 脸识别方法
• 4.4.4 独立分量选择
• 4.5 人脸识别分类器的设计
• 4.5.1 向量的绝对距离
• 4.5.2 向量的欧氏距离
• 4.5.3 向量的余弦距离
• 4.6 实验与结果分析
• 4.6.1 实验结果
• 4.6.2 结果分析
• 第5章 基于ICA 的人脸识别原型设计
• 5.1 引言
• 5.2 人脸识别原型设计
• 5.2.1 系统流程图
• 5.2.2 部分界面效果图
• 结论
• 参考文献
• 附录A 不同样本及选择不同数量基图像的识别率
• 附录B 不同样本及选择不同数量基图像的识别率（带噪声）
• 摘要
• Abstract
• 致谢