基于特征脸及Fisher脸的人脸识别方法

摘要

随着社会的发展，社会各个方面对快速有效的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.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。 而自动人脸识别是一个典型的图像模式分析、理解与分类计算问题，它涉及到模式识别，图像处理，计算机视觉，统计学习和认知科学等多个学科。自动人脸识别问题的深入研究和最终解决，可以极大的促进这些学科的成熟和发展。由于识别结果往往容易受到表情，姿态和光照变化的影响，同时还要保证识别系统的实时性，要建立一个精确和鲁棒的自动人脸识别系统仍然是一个极具挑战性的课题。近年来基于统计学习的模式识别方法引起了极大的关注，在自动人脸识别领域也取得了很大的成功，使得自动人脸识别系统在速度和精度方面都得到了比较大的提高。本论文就是针对统计学习算法在自动人脸识别中的各个环节中的应用展开的。 论文首先介绍了人脸识别的历史和现状、研究范围以及相应的方法，对人脸识别领域的一些理论方法作了总体的介绍。本文中所采用的人脸识别方法是比较经典的主成分分析和线性判别方法。 本文的主要工作如下： 1、通过广泛的调研，对人脸识别的历史和现状进行了比较全面的综述。 本文首先对人脸识别研究的历史和发展现状作了回顾，之后对人脸识别中的一些主要算法作了比较详细地介绍，重点介绍了基于静态图片的人脸识别算法，另外对最近几年备受人们关注的基于视频的人脸识别研究也作了介绍。最后还介绍了目前人脸识别系统的评测情况及国内外主要的公用人脸数据库，在此基础上分析了当前人脸识别研究面临的挑战及可能的技术发展趋势。 2、对统计学习的各种算法在人脸识别中的应用做了分析，重点介绍了Eigenface和Fisherface方法的基本原理以及其在人脸识别中的应用。在此基础上，本文提出了一种基于PCA的Fisher人脸识别方法，该方法先将人脸原始图像投影到一个低维空间(PCA空间)中去，然后在这个空间上通过投影矩阵推导出最优鉴别向量，寻找到最佳鉴别特征空间的维数。然后对投影以后的样本运用Fisher判别，这就将Fisher准则引入了PCA空间进行人脸识别。实验证明，采用这种方法的Fisher判别能取得比普通PCA更好地效果。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 概述

1.2 人脸识别的研究历史和概况

1.3 国内外公用人脸图像数据库

1.4 人脸识别系统的评价

1.5 论文的主要内容和及各章节的安排

1.2.1 论文的主要内容

1.2.2 本文的章节安排

第二章 人脸图像的预处理

2.1 图像的几何归一化

2.2 图像的灰度归一化

2.3 图像的边缘检测和锐化处理

第三章 人脸识别的主要研究方法

3.1 基于静态图像的人脸识别方法

3.2.1 特征脸方法

3.2.2 贝叶斯概率特征脸

3.2.3 Fisherfaces

3.2.4 基于隐马尔可夫模型(HMM)的方法

3.2.5 基于小波变换的方法

3.2.6 基于神经网络的方法

3.2 基于视频图像的识别方法

第四章 基于PCA及LDA的人脸识别方法

4.1 人脸特征提取方法概述

4.2 主成分分析法

4.2.1 主成分分析法(K-L变换)的基本原理

4.2.2 主成分分析(K-L变换)在人脸识别中的应用

4.2.3 实验结果与分析

4.3 基于Fisher判别的人脸识别方法

4.3.1 两类问题的Fisher判别

4.3.2 实验结果与分析

4.4 基于PCA的Fisher线性判别人脸识别

4.4.1 投影矩阵推导

4.4.2 实验验证

4.5 本章小结

第五章 总结与展望

5.1 全文工作总结

5.2 未来工作展望

致谢

参考文献