基于数字特征分析的人脸识别研究

基于数字特征分析的人脸识别研究(任务书,开题报告,论文15000字)
摘  要
由于传统的各类证件区分身份的方法的局限性，使用生物特征用来辨别身份变得尤为重要。尤其是人脸识别，因其便捷性且易于接受而备受青睐。本文着重研究了几种不同的特征提取方法，分析了各种方法的性能，同时也实现了人脸检测的部分。人脸检测部分采用了基于AdaBoost的检测方法；预处理主要是对光照的处理；特征提取部分研究了PCA（主成分分析），LDA（线性鉴别分析）和LBP（局部二值模式）三种方法，分别测试了其识别率，并分析了三种特征提取算法的优缺点和适用的条件；特征匹配部分使用了KNN（最近邻分类）算法进行人脸特征的匹配识别，在测试LBP识别率时还采用了卡方检验的方法。
研究结果表明，PCA和LDA容易受到光照影响，对光照的处理可一定程度上提高识别率。而LBP算法不易受光照影响，识别率较好，但是运行时间比较久。
关键词：人脸检测；特征提取；特征匹配；人脸识别
 
Abstract
Due to the limit of traditional card identification, using biological characteristic to discriminate different persons becomes rather important, especially face recognition, which is popular for its convinience. This paper mainly does research on feature extration, and analysize their advantages and disadvantages. In face detection, the method of AdaBoost is applied. Image prprocessing is the handling of light and noise. In the part of feature extraction, I study three kinds of ways to extract features. They are PCA(principal component analysis), LDA(linear discrimination analysis) and LBP(loca binary pattern). I test the recognition rate of these three methods and compare their advantages and disadvantages and applicable conditions. KNN classifier is used in feature matching to classify the test images. When testing the recognition of LBP method, I also use Chi-square which shows higher rate.
The result shows that face detection may be affected by the quality of image and face expression and profile. In feature extraction, LBP is better in recognition rate than PCA and LDA. The methods PCA and LDA are easily affected by light. LBP extract the local texture feature and it is not affected by illumination.
Key words: face detection; feature extraction; feature matching; face recognition
 
目  录
摘  要    I
Abstract    II
第1章 概述    1
1.1 研究背景及意义    1
1.2 国内外研究现状    1
1.2.1 国外研究现状    1
1.2.2 国内研究现状    2
1.3 人脸识别系统的组成    2
1.3.1 人脸检测    3
1.3.2 图像预处理    3
1.3.3 特征提取    3
1.3.4 特征匹配    4
1.4 本文研究内容和安排    4
第2章 基于AdaBoost人脸检测    6
2.1 AdaBoost原理    6
2.1.1 Harr-like特征    6
2.1.2 特征矩形数目的计算    8
2.1.3 弱分类器的训练    9
2.1.4 强分类器的训练    10
2.1.5 级联分类器    11
2.2 AdaBoost人脸检测过程    13
2.3 检测实验结果    13
2.3.1 相关代码    13
2.3.2 人脸检测结果    14
2.4 本章小结    15
第3章 基于PCA的特征提取    16
3.1 PCA相关介绍    16
3.1.1 PCA原理    16
3.1.2 PCA人脸识别过程    17
3.1.3 PCA相关代码    18
3.2 光照预处理    18
3.2.1 直方图均衡化    19
3.2.2 幂次变换    19
3.3 PCA识别结果分析    20
3.3.1 降维数对识别率的影响    20
3.3.2 训练样本数对识别率的影响    21
3.3.3 光照处理对识别率的影响    21
3.3.4 单张人脸识别结果    22
3.4 本章小结    23
第4章 基于LDA的特征提取    24
4.1 LDA原理    24
4.2 LDA人脸识别过程    26
4.3 LDA相关代码    26
4.4 LDA人脸识别结果分析    27
4.4.1 PCA降维数对识别率的影响    27
4.4.2 LDA降维数对识别率的影响    28
4.4.3 识别率随训练数目的变化    28
4.4.4 光照处理对识别率的影响    29
4.4.5 单张人脸识别结果    30
4.5 本章小结    30
第5章 基于LBP的特征提取    31
5.1 LBP介绍    31
5.1.1 LBP原理    31
5.1.2 LBP等价模式    32
5.1.3 LBP旋转不变性    32
5.2 LBP人脸识别过程    33
5.3 LBP相关代码    33
5.4 LBP人脸识别结果分析    35
5.4.1 训练样本数对识别率的影响    35
5.4.2 单张人脸识别结果    35
5.5 LBP与前两种方法的比较    36
5.6 本章小结    36
第6章 总结与展望    37
6.1 工作总结    37
6.2 未来的发展    37
参考文献    39
致谢    40