基于小波变换的PCA人脸识别方法.pdf

发布时间：2022-06-10 发布人：admin 分类：说明书资料大小：2.11M 资料格式：pdf 举报版权申诉

snowgoodbye-4348769-16359647628265553955.pdf-第1页.png

第1页 / 共63页

snowgoodbye-4348769-16359647628265553955.pdf-第2页.png

第2页 / 共63页

snowgoodbye-4348769-16359647628265553955.pdf-第3页.png

第3页 / 共63页

snowgoodbye-4348769-16359647628265553955.pdf-第4页.png

第4页 / 共63页

snowgoodbye-4348769-16359647628265553955.pdf-第5页.png

第5页 / 共63页

snowgoodbye-4348769-16359647628265553955.pdf-第6页.png

第6页 / 共63页

snowgoodbye-4348769-16359647628265553955.pdf-第7页.png

第7页 / 共63页

snowgoodbye-4348769-16359647628265553955.pdf-第8页.png

第8页 / 共63页

封面

文摘

英文文摘

声明

1绪论

1.1人脸识别的研究内容

1.1.1人脸检测与定位

1.1.2特征提取

1.1.3人脸识别

1.2人脸识别的研究现状

1.3人脸识别的研究意义

1.4本文的内容组织

2人脸图像的预处理

2.1人脸区域的检测与定位

2.2人脸图像的标准化

2.2.1几何校正

2.2.2人脸图像的直方图修正

3基于小波的人脸识别

3.1小波变换基础知识

3.2离散小波变换

3.2.1近似与细节

3.2.2多尺度分解

3.3小波变换在图像处理中的应用

4改进的PCA人脸识别方法

4.1 PCA算法的原理

4.1.1计算特征脸

4.1.2基于特征脸的人脸识别

4.1.3基于PCA的图像重构

4.1.4距离分类器

4.2 Modified-PCA算法的原理

4.2.1基于Modified-PCA算法的人脸特征提取

4.2.2 Modified-PCA的分类器

4.3 2DPCA算法原理

4.3.1基于2DPCA的人脸特征提取

4.3.2 2DPCA的分类器

4.3.3基于2DPCA的图像重构

4.4改进的PCA算法

4.4.1分块PCA算法的思想

4.4.2改进的分块PCA方法

4.4.3分块PCA人脸识别方法的步骤

4.5分块2DPCA方法

4.5.1分块2DPCA算法思想

4.5.2分块2DPCA的人脸识别

4.5.3分块2DPCA方法的分类器

5实验结果及讨论

5.1人脸库简介

5.2仿真实验

5.3结果讨论

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢

大连理工大学硕士学位论文基于小波变换的PCA人脸识别方法姓名：孙顺利申请学位级别：硕士专业：软件工程指导教师：吴国伟20071215

大连理工大学硕士学位论文摘要人脸自动识别技术就是利用计算机分析人脸图像，从中提取有效的识别信息，用来辨认身份的一门技术。它使用了人体本身所固有的生物特征，是与传统方法完全不同的崭新技术，具有更好的安全性、可靠性和有效性，越来越受到人们的重视。人脸识别主要有三个部分组成：图像预处理，特征提取和分类识别。本文的图像预处理主要采用了直方图修正，并利用小波变换来降低图像的维数。特征提取方面使用PCA方法进行特征提取，最后使用距离分类法进行图像识别。主成分分析(PcA)方法作为最成功的线性鉴别方法之一，目前仍然被广泛应用于人脸等图像识别领域，但传统的PCA方法由于提取的是图像的全局特征，因此受光照条件和人脸表情变化影响比较大，造成识别效果不是太好。经过分析发现，当人脸表情和光照条件变化时，一般仅有部分人脸区域变化明显，而其它部分变化不是太大，甚至没有变化。基于这种情况，本论文提出了分块PCA方法，在对图像进行特征提取前，首先对图像进行划分，然后再对子图像使用PCA方法提取特征向量。在特征提取时根据各个子图像在整个图像中的重要性不同，分别赋予不同的权值，最后构造分类器，进行识别。在使用PCA方法进行特征提取时，由于要先将图像转化为一维向量，这样会使图像的向量维数过高，对以后的特征提取造成困难。在此基础上，本论文进一步提出了分块2DPCA方法，与分块PCA方法不同的是，在对原图像进行划分以后，对子图像使用2DPCA方法进特特征提取，2DPCA方法由于直接利用原图像的二维矩阵构造图像的散布矩阵。使得总体散布矩阵的维数远远低于利用PCA方法得到的协方差矩阵。这样可以很大程度上提高特征提取的速度并降低特征提取的复杂度，进一步提高特征提取的准确性，使得整体识别速度提高并可以在一定程度上提高识别率。最后，在ORL人脸库上进行了实验，验证了改进的PCA算法优于传统的PCA算法。关键词：人脸识别，小波变换，主成份分析(PEA)，特征脸。

基于小波变换的PeA人脸识别方法FaceRecognitionbasedonWaveletTransformandPCAAbstractAutomaticfacerecognitiontechnologyisanalyzesthepersonfacepictureusingthecomputer，extracttheeffectiveidentificationinformation，usesforidentifythestatusofatechnology．Itisatotallybrand-newtechniquedifferentfromtraditionalmethodsbecauseitadoptstheinherentorganism’Scheracteristiesofhumanbody．MoreandmorepeoplepaygreatattentiontoitasitiSsafer．morereliableandeffective．Facerecognitionconsistsofthreeparts：Preprocessing，featureextractionandclaSsification．Inthisthesis，weusehistogramequalizationtomodifythepictureandusewavelettransformtOreducethedimensionofpictureintheprocessing．ThenusePCAextractfeatureandfinallyusedistanceclaSsificationtogettheresultofrecognition．Asthemostsuccessfulmethodoflineardifferential，principalcomponentanalysis(PCA)methodiSwidelyusedinidentifyareas．suchasfacerecognitiorLButtraditionalPCAiSinfluencedbythelightconditionsandfacialexpressionchangedbecauseitextracttheglobalfeatureoftheimage．sotherecognitioneffectisnotverygood．Weknowwhenexpressionandlightconditionschanging，onlysomefaceregionobviousdmanged，andtheotherchangedisnottoomuch,evennochanged．Sobasedonthissituation，thisthesispresentsamethodofblock—PCA．Inthismethod．wefirstsegmentthepictureandthenextracteigenvectorusingthePCA．Inextractingfeature．foreachofthepartsinaccordancewiththedifferentroleintheoverallimagegivethedifferentweights．Inthefinally，weconstructclassificationandgettheresultofrecognition。f场ellweusePCAmethodtoextractfeature．Weshouldconverttheimagetoone．dimensionalvectoLsoitmakethevectordimensionofinlagetoomuchhi妨andinducedifficultytOextragtfeature．Becauseofthis．thisthesispresentsanothermethod，itiSblock-2DPCA．Afterwesegmentedtheimage．WeUSe2DPCAtoextractfeatureinthesub-inlagespace．nematrixdimensionof2DPCAiSfarbelowdimensionofthecovarianeematrixusingPCA．becauseitHsesthetwo-dimensionalmatrixoforiginalimagedirectlytomakethecovariancematrix．Soiscallbegreatlyimprovedthespeedandaccuracy，reducethecomplexityoffeatureextraction．Inthefinally，itimprovedthespeedofrecognitionandtherecognitionrate．Inthefinally。theexperimentalresultshowtheimprovedmethodofPCAiSsuperiortomethodtraditionalPCA．KeyWords：FaceRecognition,WaveletTransform，PC～EigenFaee

独创性说明作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。作者签名：通玉：：邋查』日期：Z妒1．J2．I歹

大连理工大学硕士研究生学位论文大连理工大学学位论文版权使用授权书．本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子版，允许论文被查阕和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。作者签名：4-1、w陨制导师签名．量亟盎导师签名：益l三31=匕!!年旦月上日

大连理工大学硕士学位论文1绪论1．1人脸识别的研究内容人脸识别(FaceRecognition)一般可以描述为：给定一个静止或动态图像，利用已有的人脸数据库来确认图像中的一个或多个人，从广义上讲，其研究内容包括以下五个方面叫：·(1)人脸检测(FaceDetection)：即从各种不同的声场景中检测出人脸的存在并确定其位置。这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。(2)人脸表征(FaceRepresentation)：即确定表示检测出的人脸和数据库的已知人脸的述方式。通常的表示方法包括几何特征(如欧氏距离、曲率、角度等)、代数特征(如矩阵特征矢量)、固定特征模版、特征脸、去纹图等。(3)人脸鉴别(FaceIdentification)：鄙通常说的人脸识别，就是将待识别的人脸与数据库中的已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表示方式与匹配策略。(4)表情分析(FacialExpressionAnalysis)：即对待识别人脸的表情进行分析，并对其加以分类。(5)物理分类(PhysicalClassification)：即对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息。由于本文研究的是狭义的人脸识别方法，所以不涉及表情识别和物理分类方面。一个人脸自动识别系统一般包括三个主要技术环节，如图(1．1)所示；图1．1人脸识别系统Fig1．1FaceRecognitionSystem1．1．1人脸检测与定位即检测图像中有没有人脸，若有，将其从背景中分割出来，并确定其在图像中的位置。在某些情况下，比如复杂背景中白摄的照片，人脸的检测与定位将受到以下因素的影响：1、人脸在图像中的位置、旋转角度和尺度不固定：2、发型和化妆会遮盖某些特征：3、图像中出现的噪声。

基于小波变换的PCA～脸识别方法1．1．2特征提取特征提取之前一般需要做几何归一化和灰度归一化的工作。其中前者是指根据人脸定位结果将图像中的人脸变化到同一位置和大小，后者是指对图像进行光照补偿等处理，以克服光照变化的影响。随着识别方法的不同具体的特征形式也有所不同。如在基于几何特征的识别方法中，主要是提取特征点，然后构造特征矢量；在统计识别方法中，特征脸方法是利用图像相关矩阵的特征矢量构造特征脸，而隐马尔可夫方法则是对多个样本图像的空间序列训练出一个隐马尔可夫模型，参数为特征值；模板匹配法用相关系数做特征；而大部分神经网络方法则直接用归一化后的灰度图像作为输入，输出的就是识别结果，没有专门的特征提取过程。1．1．3人脸识别人脸识别就是将待识别的图像与预先存放在人脸库中的图像进行匹配。识别主要分为两种：一是人脸辨认，即确定输入图像为库中的那一个人，是一对多的匹配过程；另一种是人脸证实，即验证某个人的身份是否属实，是一对一的匹配过程。根据输入图像的性质，又可以将人脸识别分为静态图像人脸识别和动态图像序列的人脸识别。前者主要是用静态图像如证件照片、罪犯照片、场景照片上扫描的图像进行识别：后者主要是用摄像机摄取的时间图像序列进行识别。1．2人脸识别的研究现状人脸识别的研究已有很长时间的历史了，早在19世纪后期，FrancisGalton就曾对此问题进行了研究，他用一组数字代表不同的人脸侧面特征来实现对人脸侧面图像的识别。而直到20世纪90年代以前，曲型的人脸识别技术主要集中在人脸正面或侧面的特征点之问的距离量度，特别是侧影图像的研究。20世纪90年代以后，随着高速度性能计算机的出现，人脸识别方法有了重大突破，进入了真讵的机器自动识别阶段，人脸识别也得到了前所未有的重视。在此主要形成了三大类的人脸自动识别模式，基于几何特征的人脸识别方法，这类识别法将人脸用一个何特征矢量表示，用模式识别中层次聚类的思想设计分类器达到识别目的；基于代数特征的人脸识别方法，这类识别法仍是将人脸用特征矢量表示，不过用的是代数特征向量，即人脸图像是在由“特征脸”张成的降维子空间上的投影；基于连接机制的人脸识别方法，这类识别方法将人脸直接用灰度图(二维矩阵)表征，利于了神经网络的学习能力及分类能力，这种方法的优势在于保存了人脸图像中的材质信息及细微的形状信息，同时避免了较为复杂的特征提取工作。而且由于图像被整体输入，符合格氏塔(Gestalt)心理学中对人类识别能力的解释。2一

大连理工大学硕士学位论文国内的人脸识别研究始于20世纪80年代，主要是在国际流行方法的基础上进行了发展，取得了一定的成果，但与国际水平相比还有一定的距离。1．3人脸识别的研究意义人脸识别的研究始于二十世纪六十年代中后期，近40年来得到了长足的发展，特别是近几年来，更是成为了一个热门的研究课题，国内外的各知名大学、研究所、rr公司等都投入了大量的资金进行项目研究，人脸识别问题之所以能够得到如此重视，主要是因为其有着重要的研究意义，突出表现在其对学科发展的贡献以及巨大的潜在应用价值两个方面【”】：(1)人脸识别研究可以极大地促进多门相关学科的发展‘人脸识别技术作为一种典型的图像模式分析、理解与分类计算问题，它为模式识别，图像处理、计算机视觉、人工智能、人机交互、计算机图形学、认知科学、生理学、心理学等多学科提供了一个良好的具体问题，有利于构建这些学科领域的基础实验平台用于尝试新方法，验证新理论，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。(2)作为生物特征识别技术的人脸识别技术具有巨大的潜在应用前景身份识别与验证是人类社会日常生活中的基本活动之一，目前我们大多数情况是依赖于传统的身份验证来完成这些身份识别过程的，这些手段包括身份证、学生证、钥匙、密钥等，但这些方式是有着不方便、不安全、不可靠等种种缺点。这些缺点使得他们已经不能适应社会的发展需求，我们需要更加方便、可靠、安全的身份通验证方式，而生物特征识别技术被认为是这些需求的终极解决方式。与传统的身份验证方法相比，生物特征识别突出的优势表现在生物特征可以从根本上杜绝伪造和窃取，而且是人类自身拥有的，从而可以具有更高的可靠性、安全性和可用性。在国家公共安全方面，保障国家公共安全是社会发展的基础，社会安定更是国家持续发展的必备条件，而境内外违法犯罪人员，尤其是恐怖分子严重威胁人民的生命财产安全，是社会安定团结的极大威胁。特别是“91l”以后，各国都认识到了身份验证和识别的重要性，我国也不例外，在人员流动日益频繁的今天，作为一个人口大国，利用生物特征识别技术来监控和抓捕危险分子就显得尤为重要。人脸识别技术作为一种典型的生物特征识别技术，以其自然性，可以接受性高等优点受到了人们的青睐，被人们广泛的应用于各行各业中。

分享到：

赞收藏

资料库

基于小波变换的PCA人脸识别方法.pdf

相关推荐

课程资源

热门标签

最新资料