人脸特征抽取与分类器设计若干问题的研究

论文摘要

特征抽取以及分类器的设计是模式识别系统的两个重要组成部分，在人脸识别中也不例外。将现有的各种特征抽取理论与变换方法进行融合，是实现人脸特征最优抽取的重要研究方向，而将人工神经网络运用于人脸特征分类，则是实现分类器设计的有效途径之一。本文就基于多种方法融合的特征抽取理论以及人工神经网络分类器进行深入研究，所提出的特征抽取方法和分类器在人脸识别方面得到了较成功的应用。 小波变换以其良好的时域和频域局部化能力，在数字图像特征提取与压缩领域得到了广泛的应用，而核主成分分析(KPCA)方法能将原特征空间通过某种形式的非线性映射变换到一个高维空间，并借助于“核技巧”在新的空间中实现图像主成分的有效抽取。本文考虑到人脸的形状和纹理特征分布情况，提出了一种融合分块小波变换与KPCA方法的人脸特征抽取方法，其基本理论是在KPCA特征抽取之前，首先对人脸图像进行分块小波变换，提取人脸的局部小波特征，然后对该特征进行KPCA特征抽取与融合，获得人脸最终鉴别特征。在ORL和Yale标准人脸图像库的实验仿真及对比结果表明，该方法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法，而且对于光照条件、人脸姿态和表情变化均具有良好的鲁棒性。 鉴于图像矩阵奇异值对于图像特征强大的描述能力，该文对传统的奇异值分解(SVD)方法进行改进，提出了充分保证图像本质信息的奇异值分解阈值压缩降维方法。在此基础上将基于频率域方法的特征抽取理论进行推广，将其与分块小波变换以及分块离散余弦变换进行组合，提出了融合频率域变换与奇异值阈值压缩的人脸特征抽取理论。ORL和NUST603两个人脸库上的实验结果表明，这两种组合方法不仅能对人脸特征进行进一步压缩和提取，而且抽取到的特征更能反映人脸的本质特性，这些优点使得这两种组合方法能同时获得较高的分类速度和效果。 人脸特征抽取除了有效的压缩降维，还必须抽取出不受人脸旋转、姿态变换以及光照等外界因素影响的人脸面部不变特征。该文对人脸面部几何不变特征进行研究，提出了基于自适应边缘轮廓网格矢量编码的人脸不变特征抽取理论。该算法的基本思想是在对人脸进行归一化和器官定位的基础上，利用自适应方向链码描述人脸边缘轮廓不变几何特征。其主要优点是：可以减少特征矩阵的维数，对噪声、灰度变换、光照不均匀等降质人脸图像的分类识别具有较强的适应力，能够解决因图像旋转带来的识别率下降问题。另外本文还提出了基于不变小波矩描述子(WMD)特征矩阵与2DPCA投影理论相结合的人脸特征抽取方法，即首先提取描述人脸本质特征的不变

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 人脸识别研究概述
• 1.1.1 人脸识别研究发展与现状
• 1.1.2 人脸识别的应用领域
• 1.1.3 人脸识别系统的组成
• 1.2 人脸特征提取与识别方法
• 1.2.1 基于几何特征的方法
• 1.2.2 基于代数特征的方法
• 1.2.3 支持向量机方法
• 1.2.4 基于核技术的方法
• 1.2.5 基于弹性模型的方法
• 1.2.6 基于神经网络的方法
• 1.2.7 形变模型方法
• 1.3 人脸识别常用的数据库及性能评价
• 1.4 本文研究工作概述
• 1.5 本文章节安排
• 第二章 融合分块小波变换与 KPCA的人脸特征抽取理论
• 2.1 引言
• 2.2 分块人脸二维离散小波变换（DDWT）与特征抽取
• 2.2.1 二维离散小波变换的基本概念
• 2.2.2 分块人脸小波变换与特征抽取
• 2.3 小波变换层数与小波基的选择
• 2.3.1 小波基的选择
• 2.3.2 小波变换层数的选择
• 2.4 主成分分析（PCA）与核主成分分析（KPCA）
• 2.4.1 主成分分析（PCA）的基本概念
• 2.4.2 核主成分分析（KPCA）的基本概念
• 2.5 分块小波系数 KPCA特征提取与融合
• 2.6 算法实现
• 2.7 实验结果与分析
• 2.8 本章结论
• 第三章 融合频率域变换与奇异值阈值压缩的人脸特征抽取理论
• 3.1 引言
• 3.2 融合分块小波变换与奇异值阈值压缩的人脸特征抽取理论
• 3.2.1 奇异值分解的基本原理
• 3.2.2 基于闭值的人脸奇异值压缩降维
• 3.2.3 融合分块小波变换的奇异值阈值压缩与特征融合
• 3.2.4 算法实现
• 3.2.5 实验结果与分析
• 3.3 融合分块 DCT变换与奇异值阈值压缩的人脸特征抽取理论
• 3.3.1 图像 DCT变换的基本原理
• 3.3.2 分块图像 DCT变换的基本原理
• 3.3.3 分块 DCT系数矩阵的奇异值阈值压缩与融合
• 3.3.4 算法实现
• 3.3.5 实验结果与分析
• 3.4 本章小结
• 第四章 基于人脸不变特征分析的鉴别特征抽取理论
• 4.1 引言
• 4.2 基于自适应边缘轮廓网格矢量编码的人脸特征抽取理论
• 4.2.1 人脸归一化与边缘提取
• 4.2.2 器官定位与边缘特征轮廓网格分割编码
• 4.2.3 分类
• 4.2.4 实验结果及分析
• 4.3 基于不变小波矩描述子特征矩阵与2DPCA投影压缩的人脸特征抽取
• 4.3.1 不变小波矩描述子特征矩阵（WMD）
• 4.3.2 2DPCA投影基本理论
• 4.3.3 WMD+2DPCA最优鉴别特征抽取
• 4.3.4 算法实现
• 4.3.5 实验结果与仿真
• 4.4 本章小结
• 第五章 基于最小风险检测 ART网络的人脸特征分类器设计
• 5.1 引言
• 5.2 最小风险检测 ART网络
• 5.2.1 ART网络的基本结构
• 5.2.2 最小风险检侧ART网络的结构模型
• 5.2.3 有师监督训练
• 5.2.4 最小风险 ART网络的运行原理
• 5.3 基于最小风险检测 ART网络分类器的算法
• 5.4 实验仿真与结果分析
• 5.4.1 准则讨论与特征值选取
• 5.4.2 结果分析与性能比较
• 5.5 本章小结
• 结束语
• 致谢
• 参考文献
• 附录