遗传算法在PCA人脸识别算法中的应用研究

论文摘要

近年来,随着人工智能和图像处理技术的发展,人脸图像信息处理和识别技术也在日益更新。但是,目前仍然有许多问题还未能解决,有待进行深入的研究。以主成份分析算法为例,算法中的运算过程消除了本来相关数据分量之间的相关性。本算法中的特征值从大到小依次排列,保留排在前面较大的特征值及其特征向量,构造一个主分量对应的特征空间,用于人的面部特征分类。本算法中的较大特征值对应的特征向量主要体现人的面部照片总体趋势的低频分量;而较小特征值对应的特征向量体现人的面部照片细节信息的高频分量,所以本算法获得了人的面部照片的总体特征信息,在人的面部照片上的表现就是人的面部的外形轮廓和灰度信息,因此本算法丢弃了大部分人的面部的细节信息。本文通过“传统PCA特征空间的确定”,讨论了传统PCA方法中特征空间是如何确定的;通过实验讨论了“特征空间与识别率的关系”,论证了特征空间与识别率的关系,同时证明了遗传算法在PCA中应用的可能性;在“遗传算法与PCA人脸识别方法的结合”中介绍了结合方法,并通过实验探讨了应用情况。本文主要利用基因算法进一步改进了主元分析人的面部识别算法,利用基因算法对主元分析人的面部识别算法的特征空间进行优化选取,首先是对基因算法编码位数的改进,原来如果是N位,现在只需要N-1位,并且能够达到同样的效果,降低了算法的时间复杂度和空间复杂度;其次是前人的初始种群是随机确定的,根据特征值及其特征向量的分布规律确定了非随机初始种群方法;最后是基因算法运行过程中保存每代最高适应度的所有染色体,算法运行结束后根据多种方式筛选最优结果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 人脸检测研究的进展与现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 人脸检测方法综述
• 1.3.1 基于肤色特征与人脸验证的方法
• 1.3.2 基于启发式模型的方法
• 1.3.3 基于统计模型的方法
• 1.3.4 人脸检测的评价标准
• 1.3.5 复杂环境下人脸检测技术研究
• 1.4 人脸识别概述
• 1.4.1 人脸识别国内外发展现状
• 1.4.2 人脸识别的经典研究方法分析
• 1.4.3 人脸识别的难点
• 1.5 常用的人脸库
• 1.6 论文的组织结构
• 1.7 本章小结
• 第二章 主元分析人的面部识别算法
• 2.1 算法概述
• 2.2 K-L 变换
• 2.3 主分量分析算法的特点
• 2.4 传统特征空间的确定
• 2.5 人的面部识别算法中常用的分类器
• 2.5.1 按照距离方式的分类器
• 2.5.2 按照相似度方式的分类器
• 2.5.3 本算法中常用的分类器
• 2.6 影响本算法识别率的一些因素
• 2.6.1 人的面部照片的预处理
• 2.6.2 人的面部照片的缩放
• 2.6.3 增加训练样本可以提高识别率
• 2.6.4 利用Matlab 仿真程序进行实验
• 2.7 本章小结
• 第三章 基因算法
• 3.1 本算法发展历程
• 3.2 本算法概述
• 3.3 本算法详述
• 3.3.1 算法的编码
• 3.3.2 编码评估策略
• 3.3.3 选择运算
• 3.3.4 交叉运算
• 3.3.5 变异运算
• 3.3.6 适应度函数的确定
• 3.3.7 算法的控制参数选择
• 3.3.8 算法的约束条件处理
• 3.4 本算法的特点
• 3.4.1 本算法的一些优点
• 3.4.2 本算法的不足之处
• 3.5 本算法的主要应用领域
• 3.6 本章小结
• 第四章 遗传算法与PCA 相结合的人脸识别方法研究
• 4.1 可行性探讨（特征空间与识别率的关系）
• 4.1.1 实验1
• 4.1.2 实验2
• 4.1.3 实验3
• 4.1.4 实验4
• 4.1.5 对实验结果进行分析
• 4.2 遗传算法与PCA 人脸识别方法的结合
• 4.2.1 结合方法
• 4.2.2 对“结合方法”的分析
• 4.2.3 实验1
• 4.2.4 实验2
• 4.2.5 实验3
• 4.2.6 实验4
• 4.3 本章小结
• 结论
• 参考文献