1.2 本论文的主要方法和研究进展 1
1.3 本论文的主要内容 1
2 主元分析法(PCA) 2
2.1 主元分析法的背景 2
2.2 主元分析法的原理 2
2.3 主元分析法在人脸识别的应用 5
3 核主元分析法(KPCA) 7
3.1 核方法 7
3.2 核主元分析法 11
4 分类器 15
4.1 最小距离分类器 15
4.2 三阶近邻分类器 15
4.3 最近邻分类器 16
4.4 其它分类器 16
5 PCA与KPCA的识别实验 16
5.1 人脸库的选择 16
5.2 人脸识别 17
5.3 PCA与KPCA的识别实验 17
5.4 识别实验的结果分析 21
结论 22
致谢 23
参考文献24
1 绪论
1.1 本论文的背景和意义
在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、系统公安(罪犯识别等)等领域,身份识别和验证的方法有很多,包括各种各样的标志物,如身份证等证件,钥匙,口令等。但这些传统的验证方法或多或少都有其自身不足之处。随科技的发展和信息化程度的提高,应用生物体生理特征进行身份识别已经成为未来身份识别的一种趋势。人脸识别已经成为当前模式识别和人工智能领域的一个研究热点。论文网
人脸具有很强的自身稳定性,非经整容几乎不发生过大变化,同时人脸具有较为明显的个体差异性,相对于其它传统的识别方法,对人脸识别更直观明了,符合人类视觉习惯。
如何高效地进行人脸识别,这已是现在人脸识别领域的新主题。除了根据从前的方法来改善人脸识别算法,针对不同识别环境来发展新的人脸识别算法也成为领域中的主流。主元分析法(PCA)[1]是非常早期的一种主流算法,现在还有很多领域在使用[2]。但由于每一个识别环境不同,从而衍生出很多高效的基于PCA的算法。
1.2 本论文的主要方法和研究进展
本论文的主要方法为PCA和KPCA算法。其中PCA算法已经有较大发展。文献[2]提出了分块PCA算法,对人脸表情和光照条件变化较大的图像识别效果明显。文献[3]提出了改进后的LP-2DPCA,用于解决特征系数减少问题。文献[4]提出了LDA的使用方法,而文献[5]提及LDA算法的高效性,但在高维小样本情况下行不通。故文献[6]提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。文献[7]提出了LDA+PCA的两步策略。文献[8]提出压缩变换的方法,给出了特征抽取的新模型,并提供了求解模型的相应算法,即LDA+PCA。而KPCA算法上的发展主要集中在核函数的选择和分类器的改进上。文献[9]提出了组合核函数的方法,提高了识别质量。
1.3 本论文的主要内容
本文主要从PCA的基本原理出发,获得PCA算法的基本步骤,分析了PCA算法在人脸识别中的应用;随后引出核方法,通过对核函数的基本知识了解,从PCA算法引申出KPCA算法;通过了解KPCA算法的基本原理,获得算法的基本步骤,分析了KPCA算法在人脸识别中的应用;最后了解了不同分类器的分类原理。识别实验中,我们通过PCA和KPCA两个角度对识别率进行了影响因素的探讨。
2 主元分析法(PCA)
本章对人脸识别中所采用的主流算法——主元分析法的理论背景及其基本思想进行简要的介绍。由此进一步探讨主元分析法在人脸图像特征提取方面如何实现,并此为基础,引申出核主元分析法,即KPCA算法。
2.1 主元分析法的背景