论文总字数：26835字

摘 要

近40年来，人们完成了从“深蓝”到“Alpha Go”的研发，在人工智能领域取得了巨大的进步。而人脸识别技术正是该领域的关键技术，其主流的算法有主成分分析法、线性鉴别分析法、支撑向量机等等。当实验对象为多个人的多张人脸图像时，上述的主流算法可以表现出较好的识别性能，其识别率在某些情况下甚至可以达到100%。但如果实验对象是多个人的单张人脸图像，这些算法通常不能很好地对其进行分类识别。

为了解决人脸识别系统对于单样本人脸识别性能不佳的情况,本文提出了一种通用框架的处理方式对其进行改进。实验中先另选了一个人脸图像库作为辅助库,并分别将每个人的单张图像样本与辅助库中的图像加权叠加得到扩展库,再使用传统的主成分分析法降低扩展库中人脸图像的维数；之后，使用线性鉴别分析法提取人脸图像的特征信息，从而获取图像库的类间和类内分布；最终,根据最小欧式距离和支撑向量机分别完成对测试图像的分类。

本次仿真是在ORL、YaleB和FERET数据库上分别完成的，实验数据表明：本文所提出的借助辅助库的方法较好地降低了图像数目、姿态、光照等因素对人脸识别的影响。此外，最小欧式距离和支撑向量机两类分类器的分类效果并没有明显的好坏，虽然最小欧式距离原理比支撑向量机简单，但两类分类器的识别效果不相伯仲。

关键词：单训练样本；人脸识别；主成分分析；线性鉴别分析；通用学习框架；支撑向量机

SIMULATION OF SINGLE SAMPLE FACE RECOGNITION BASED ON THE GENERIC FRAMEWORK

Abstract

In recent 40 years, human have finished the research from "Deep Blue" to "Alpha Go", making great progress in the field of artificial intelligence. Face recognition is the key technology in this field, while its popular solutions contain PCA, LDA, support vector machine and so on. These methods can obtain a high recognition rate while we have multiple samples. But in the case of everyone just has one sample, the above methods usually fail to work well.

In order to solve the problem that we can not obtain a high accuracy rate while the number of sample is small, a general framework method is proposed. In the experiment, we select an extra database as auxiliary set firstly, which will be superposed with training pictures according to a certain proportion. Then we use the traditional principal component analysis to expand the dimension of training pictures. After that, we extract features according to linear discrimination analysis method, so as to obtain the intra-personal and inter-personal information. At last, we complete the face recognition through calculating the Euclidean distances and using support vector machine separately.

The simulation is completed on ORL, YaleB and FERET database separately, which shows that the method proposed has decreased the influence of the number of set, posture, illumination and so on. In addition, the difference of two classifiers used in the experiment is not obvious. While the former’s principle is simpler than the latter’s, the performance of these two classifiers is similar.

KEY WORDS: Single training sample; Face recognition; PCA; LDA; Generic learning framework; Support Vector Machine

目录

摘 要 1

Abstract 2

第一章 绪 论 5

1.1 研究背景与意义 5

1.2 国内外研究现状 6

1.2.1 人脸识别系统 6

1.2.2 单样本人脸识别方法 8

1.2.3 单样本人脸识别的难点 11

1.3 课题研究内容 12

1.3.1 研究内容 12

1.3.2 评价指标 13

1.3.3 论文的组织结构安排 13

第二章 常用算法的数学原理 14

2.1 线性子空间方法 14

2.2 主成分分析 14

2.2.1 主成分分析的理论基础 14

2.2.2 主成分分析的优缺点 17

2.3 线性鉴别分析 18

2.3.1 线性鉴别分析的理论基础 18

2.3.2 线性鉴别分析的优缺点 19

2.4 最近邻法 20

2.4.1 最近邻法的理论基础 20

2.4.2 最近邻法的优缺点 20

2.5 支撑向量机 21

2.5.1 支撑向量机的理论基础 21

2.5.2 支撑向量机的优缺点 22

2.6 本章小结 22

第三章 基于通用学习框架的单样本人脸识别算法 22

3.1 通用学习框架设计 22

3.2 PCA降维 23

3.3 特征提取 24

3.4 分类 25

3.4.1 最近邻算法 25

3.4.2 支撑向量机算法 26

3.5 本章小结 26

第四章 实验分析 27

4.1 人脸数据库介绍 27

4.2 仿真实验 29

4.2.1 Matlab R2016a仿真部分 29

4.2.2 Visual Studio实现部分 31

4.3 结果分析 33

4.3.1一致性处理方式对识别性能的影响 33

4.3.2 单样本叠加时权重系数对识别性能的影响 36

4.3.3 辅助人脸库选取方式对识别性能的影响 37

4.3.4 特征数量对识别性能的影响 39

4.4 本章小结 40

第五章 总结和展望 41

致 谢 42

参考文献 43

第一章 绪 论

1.1 研究背景与意义

随着时代的发展，人工智能技术快速兴起，人们在视觉研究领域投入了大量的研究，使得人脸图像的机器识别技术获得了飞速的进展。而人脸识别技术(face recognition)因其具有数据采集简单、特征不易被复制以及更易为大众接受等优点，掀起了一阵研究人脸识别的热潮。

人脸识别技术，广义上是指在已有的人脸数据库基础上，先使用图像处理或者模式识别领域的技术从复杂的环境中检测出人脸图像，然后提取该图像的特征信息，将其与已有的数据信息进行比较，最终根据判别函数判定出该图像所属的类别。经过多年的不懈研究，科研工作者们根据对人脸图像的处理方式、对图像处理的区域大小提出了很多卓有成效的人脸识别算法，其中应用较为广泛的方法有主成分分析法、线性鉴别分析^[1]、隐马尔科夫模型( Hidden Markov Model， HMM）、局部特征分析法(Local Feature Analysis, LFA)、支撑向量机^[2](Support Vector Machine, SVM)、贝叶斯算法、特征线方法(Feature Line Methods, FLM)等。当实验对象的图像数量较大时，这些主流算法的辨别精度较高。但那是因为在实验中通常遵循了一个原则，那就是每个人的训练样本数目充足，可以先对训练样本进行筛选，在其中选取一半数目的样本作为训练集，其余的一半作为测试集。然而在实际应用中，我们几乎不可能获得样本数量如此充足的训练集^[3]。

剩余内容已隐藏，请支付后下载全文，论文总字数：26835字