一种基于核主成分分析网络的人脸图像识别算法研究

论文总字数：24426字

摘 要

学生签名： 导师签名： 日期：

一种基于核主成分分析网络的人脸图像识别算法研究

摘要

本文介绍了一种关于人脸识别的算法——基于核主成分分析算法，并根据这个算法在MATLAB上实现核主成分分析网络的构建，接着对具体的人脸图像数据进行测试，最后在不同的非线性核上进行测试，比较不同的分类方法对人脸识别率的影响。主成分分析由于能够十分有效的提取数据的特征并且降低高维数据的维度，因而可以成功的应用到人脸识别中。但是主成分分析对于存储空间和计算复杂度的要求比较高，而且主成分分析是一种线性方法，不能揭示出人脸的非线性特征，效果不佳。于是核主成分分析算法应运而生。在Extended Yale B，ORL和CMU_PIE这3个数据库上的实验结果表明，核主成分分析网络采用非线性的核函数方法来进行人脸识别,取得了比主成分分析网络更好的人脸识别效果。

关键词：核主成分分析网络，主成分分析网络，核函数，特征提取，人脸识别

A Research on face image recognition algorithm based on kernel principal component analysis network

Abstract

A kind of face recognition algorithm based on kernel principal component analysis algorithm is introduced in this paper. And according to the algorithm, kernel principal component analysis network (KPCANet) is constructed in MATLAB, and the KPCANet is then tested with the real face image data, finally in different nonlinear nuclear test, comparison of different classification method by face recognition rate. Principal component analysis can be successfully applied to face recognition due to the feature of extracting data and reducing dimension of high dimension data. But the storage space and computational complexity degree requirements for principal component analysis is relatively high, and principal component analysis is a linear method, which cannot reveal the nonlinear characteristics of the face and the effect is poor. So the kernel principal component analysis algorithm came into being. The experimental results on the extended Yale B, ORL and CMU PIE databases show that kernel principal component analysis network, using a nonlinear kernel function method for face recognition, achieves better results than that of principal component analysis network.

KEY WORDS: Kernel principal component analysis network, principal component analysis network, kernel function, feature extraction, face recognition

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 引言 1

1.2 介绍 1

1.3 意义 4

1.3.1 学术价值 4

1.3.2 实用价值 5

1.3.3 应用前景 5

1.4 研究现状 5

1.4.1 人脸识别技术在国外的研究现状 6

1.4.2 人脸识别技术在国内的研究现状 6

1.5 人脸识别算法 6

1.5.1二维人脸识别算法 6

1.5.2三维人脸识别算法 7

1.6 论文组织 7

第二章 核主成分分析 9

2.1介绍 9

2.2 算法 11

2.2.1主成分分析网络 11

2.2.2核主成分分析网络 13

第三章 实验 16

3.1 Extended Yale B数据库 16

3.2 ORL数据库 20

3.3 CMU_PIE数据库 21

第四章 结论 24

致谢 25

参考文献 26

第一章 绪论

1.1 引言

传统的个体身份验证方式如口令、证件、IC 卡等，因为可以与身份人分离，导致伪造、盗用、破译等现象经常发生，所以已经不能满足现代社会的需求，因此出现了生物特征识别技术。生物特征包括人脸、虹膜、指纹、掌纹、语音等。生物特征识别技术第一个投入应用的是指纹、掌纹识别技术，但是指纹、掌纹识别技术却经常受到皮肤纹理和干燥程度的影响而识别出错，从而引发了许多不必要的麻烦，所以指纹、掌纹识别技术已经不能满足人们的需求。随着科学技术的不断发展，还有社会对于身份识别的要求越来越高，生物特征识别技术逐渐向其它生物特征发展，例如：笔迹识别、虹膜识别、声音识别、人脸识别、签名识别等。

由于在模式识别领域和图像处理领域取得了巨大的成功，自1990年以来，人脸识别一直都是人们研究的热点。与其它生物特征识别技术相比，人脸识别（Facial Recognition）在可采集性、普遍性、和被采集者的可接受性方面效果较好，所以人脸识别经常被用于实际应用场合。1966 年 ，PRI 的 Bledsoe 做了一些人脸识别方面的研究，开启了人脸识别研究的序幕。后来，1990 年，日本成功研制出了一种人像识别机，它能够在 1s 时间内从 3500 人中识别出你想要找的人。1993 年，美国陆军研究实验室和美国国防部高级研究项目署共同组织成立了 FERET（Face Recognition Technology） 项目组。后来，他们还共同建立了 FERET人脸数据库，这在评价各种各样不同的人脸识别算法的性能方面作出了巨大的贡献。2007 年，上海市质量技术监督局发布了旅馆商务办公楼和城市轨道交通这两项安全防范系统的标准， 2010 年的上海世博会就应用这两项标准进行人脸识别。2008 年的奥运会的安防也应用到人脸识别技术。如今，人们的日常生活已经经常要运用到人脸识别技术。人脸识别的市场还处于起步阶段，银行、考勤、门禁、海关边检、网络安全、国家安全、公共安全、军事安全等领域都可以应用人脸识别技术。

1.2 介绍

剩余内容已隐藏，请支付后下载全文，论文总字数：24426字