论文部分内容阅读
人脸识别作为当今科研领域最热门的课题之一,它的应用已经深入到了金融系统、信息安全、公共安全等各个领域。横向对比来看,人脸识别在众多模式识别方式中优势明显,具有自然性、非侵扰性、采集成本低以及人机交互性强的天然优势,应用场景更加广阔。纵向分析,各大上市公司不断推出大量商业化人脸识别产品,人脸识别将在未来呈现爆发式的增长。因而研究人脸识别具有重大的现实意义。本文重点研究了人脸预处理、人脸特征提取和人脸识别这三大内容。尤其是对主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machines,SVM)算法进行了深入的研究,并针对其并未利用类别信息的不足,引入了线性判别分析(Linear Discriminant Analysis,LDA),提出了基于PCA和SVM的人脸识别改进框架,并基于改进后的框架,实现了一个实时人脸识别系统。本文的主要工作有以下五个部分。(1)研究了多种常用的人脸图像预处理技术,包括彩色图像的灰度化、图像的灰度变化、直方图均衡化及几何归一化等方法。人脸图像预处理技术降低了外界因素,如光照、姿态、拍摄角度等问题对图像的影响,实现了图像的标准化处理,为之后的人脸识别工作的开展奠定了良好的基础。最后,利用Matlab做了相关的算法检验工作。(2)深入研究了基于PCA的人脸识别的理论基础和具体的实施过程。由于在PCA算法中直接计算协方差矩阵的特征值和特征向量计算量太大,所以引入了SVD定理,实现了主元子空间的间接运算。并利用Matlab进行了大量的实验,对PCA算法的优劣进行了分析,得出PCA算法具有良好降维效果,但并没有分类的效果。(3)深入研究了线性支持向量机的理论基础,论述了SVM的分类器在小样本以及学习等方面的优点。然后运用核函数,将线性支持向量机扩展成非线性支持向量机,使得支持向量机能够满足人脸识别的分类要求。讨论SVM多分类方法的实现。(4)针对PCA算法中并未利用分类信息的问题,引入线性判别分析,并提出基于PCA和SVM的人脸识别改进框架,最终形成了PCA+LDA+SVM的人脸识别框架,并在Matlab平台上经过大量的实验,探讨了维数比率、训练样本数目对算法的影响,验证了它良好分类效果。(5)基于改进的人脸识别框架,用Visual Studio 2010、Open CV库以及Qt框架实现了一个实时人脸识别系统。通过动态人脸识别的测试,识别率为97.3%,识别效果优良,每次的识别时间平均为356毫秒,满足实时性的要求。