| 【中文题名】 | 人脸识别技术若干问题研究 |
| 【英文题名】 | |
| 【学科专业】 | 电路与系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-23 |
| 【中关键词】 | 人脸识别,人眼定位,特征提取,神经网络,支持向量机, |
| 【英关键词】 | face recognition,eye orientation,features extraction,neural network,Support Vector Machine, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
人脸识别技术的研究在近几年得到了高度重视,已经成为图像分析和理解中最成功的应用之一。本文从人脸识别的过程出发,对人脸识别的过程中几个重要环节进行了研究。
在人脸检测与定位环节,我们主要研究了基于模板匹配和遗传算法的人眼定位方法。与传统的模板匹配方法所不同的是,这里我们首先对人眼进行了预定位处理,在人眼的预定位范围内进行人眼的精确定位,避免了遗传算法在寻优过程中其他人脸特征对它的影响。在研究中,针对人眼定位过程中不同的能量函数对人眼定位的影响作了分析,证明在人眼的定位中,波谷能量起决定性作用。
在人脸特征提取部分研究了一种基于矩阵分解的人脸特征提取算法。该算法描述了在提取特征时,采取了降低图像矩阵维数的方法:即把大矩阵分割成小矩阵,并对分解后的小矩阵通过K-L变换进行特征提取。通过这种方法大大降低了计算量,减小了机器处理的时间。实验证明了该方法的有效性。
在人脸识别过程中,我们分别对现有两种最流行的人脸识别方法(即神经网络算法和支持向量机算法SVM)进行了研究。探讨了用于人脸识别的BP神经网络分类器的设计问题,建立了识别模型,对预处理后的坐标数量级设置、分类结果数据分析以及训练... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-9 |
|
第一章 绪论 |
9-14 |
|
1.1 人脸识别技术概述 |
9-12 |
|
1.1.1 人脸识别系统组成 |
9-10 |
|
1.1.2 人脸识别技术历史及现状 |
10-11 |
|
1.1.3 人脸识别技术的意义 |
11-12 |
|
1.2 本文研究内容及其结构 |
12-14 |
|
第二章 人眼定位 |
14-26 |
|
2.1 人眼定位 |
14-18 |
|
2.1.1 人眼定位常用方法 |
14-15 |
|
2.1.2 人眼预定位 |
15-16 |
|
2.1.3 人眼模板建立 |
16-18 |
|
2.2 基于遗传算法的人眼定位 |
18-24 |
|
2.2.1 遗传算法简介 |
19-24 |
|
2.2.2 基于遗传算法的人眼定位 |
24 |
|
2.3 仿真结果及其分析 |
24-26 |
|
第三章 人脸特征提取 |
26-39 |
|
3.1 人脸图像预处理 |
26-27 |
|
3.2 人脸特征提取主要方法简介 |
27-28 |
|
3.3 基于矩阵分解的人脸特征提取 |
28-32 |
|
3.3.1 基于PCA 算法的人脸特征提取 |
29-31 |
|
3.3.2 基于矩阵分解的人脸特征提取 |
31-32 |
|
3.4 仿真结果及其分析 |
32-39 |
|
第四章 基于神经网络的人脸识别 |
39-57 |
|
4.1 人工神经网络基本理论 |
39-45 |
|
4.1.1 人工神经网络的生物学基础 |
39-41 |
|
4.1.2 人工神经元的数学模型 |
41-42 |
|
4.1.3 感知机 |
42-43 |
|
4.1.4 人工神经网络基本学习规则 |
43-45 |
|
4.2 基于 BP 神经网络的人脸识别 |
45-51 |
|
4.2.1 BP 神经网络 |
45-48 |
|
4.2.2 基于 BP 神经网络的人脸识别 |
48-51 |
|
4.3 仿真结果及其分析 |
51-57 |
|
第五章 基于支持向量机的人脸识别 |
57-70 |
|
5.1 支持向量机的基本理论 |
57-61 |
|
5.2 基于SVM 的人脸识别 |
61-63 |
|
5.3 仿真结果及其分析 |
63-70 |
|
第六章 总结 |
70-72 |
|
致谢 |
72-73 |
|
参考文献 |
73-75 |
|
在学期间研究成果 |
75-76 |
|
| 【DOI】 | LunWen.ID:2.2008.370577 |
