基于多特征表示的人脸识别方法研究

发布时间：2021-04-24 04:16

　　当今社会,人们对个人信息安全的要求越来越高,而传统的密码、钥匙等安全措施已经不能满足人们对信息安全的要求,于是生物特征识别技术应运而生。该项技术以人体的结构特征信息作为依据对人员身份进行识别,包括指纹识别、声音识别、面部识别、虹膜识别、视网膜识别、人脸识别等技术,其中人脸识别技术是近些年来最受关注的研究方向之一。由于每个人脸部的独特性,人脸识别技术成为鉴别个体身份的重要技术,被广泛应用于各个领域。虽然人脸识别技术已经被广泛使用,但是这项技术仍然面临着诸多的挑战,如光照的变化、不同程度的遮挡和丰富的面部表情等因素都会影响人脸识别的效果,因此,如何更好地表示人脸图像和提高其识别正确率成为学术界研究的热点,基于此,本文针对人脸图像的表示方法和多特征融合方法展开了深入研究。主要研究内容包括以下几个方面:（1）针对传统单特征下基于表示误差的稀疏分类方法缺乏对样本信息的全面描述问题,本文提出一种使用多种特征进行人脸识别的方法。该方法首先利用二维主成分分析（Two Dimensional Principal Component Analysis,2DPCA）方法提取人脸表象特征;其次,使用快速傅里叶... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：96 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 人脸识别问题描述
    1.3 国内外研究现状及分析
        1.3.1 人脸检测技术现状分析
        1.3.2 关键点检测技术现状分析
        1.3.3 人脸识别技术现状分析
    1.4 人脸识别技术中存在的问题与挑战
    1.5 课题来源及研究内容
        1.5.1 课题来源
        1.5.2 论文研究内容
    1.6 本文的组织结构
第2章 人脸识别相关理论
    2.1 引言
    2.2 虚拟样本
    2.3 分类算法
        2.3.1 基于表示的分类方法
        2.3.2 最小平方误差分类方法
    2.4 本章小结
第3章 基于表象特征和频谱特征的人脸识别方法
    3.1 引言
    3.2 人脸图像的多种特征提取方法
        3.2.1 基于二维主成分分析的表象特征提取
        3.2.2 基于快速傅里叶变换的频谱特征提取
    3.3 多种特征的融合及分类方法
        3.3.1 一般的稀疏表示分类方法
        3.3.2 协同的稀疏表示分类方法
        3.3.3 多种方法的人脸图像得分融合和分类
    3.4 实验及结果分析
        3.4.1 ORL数据集上实验
        3.4.2 GT数据集上实验
        3.4.3 AR数据集上实验
    3.5 本章小结
第4章 基于近邻样本虚拟图像的分组融合稀疏表示人脸识别方法
    4.1 引言
    4.2 虚拟样本的生成方法
        4.2.1 虚拟样本功能分析
        4.2.2 基于近邻样本的虚拟样本生成方法
    4.3 分组稀疏表示方法
    4.4 实验及结果分析
        4.4.1 ORL数据集上实验
        4.4.2 FERET数据集上实验
        4.4.3 CMU-PIE数据集上实验
        4.4.4 Libor数据集上实验
        4.4.5 两个残差的叉积优势分析
        4.4.6 与其它传统方法的对比分析
        4.4.7 与机器学习方法的对比分析
        4.4.8 结果分析
    4.5 本章小结
第5章 基于残差虚拟样本和类内距离融合的人脸识别方法
    5.1 引言
    5.2 基于残差虚拟样本生成方法
    5.3 基于类内距离的优化方法
        5.3.1 问题分析
        5.3.2 目标函数优化方法
        5.3.3 目标函数优化流程
    5.4 实验结果及分析
        5.4.1 方法可视化分析
        5.4.2 ORL人脸数据集上实验
        5.4.3 GT人脸数据集上实验
        5.4.4 AR人脸数据集上实验
    5.5 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢


【参考文献】：
期刊论文
[1]抗年龄干扰的人脸识别[J]. 吴长虹,苏剑波,陈叶飞.  电子学报. 2018(07)
[2]融合显著信息的层次特征学习图像分类[J]. 祝军,赵杰煜,董振宇.  计算机研究与发展. 2014(09)
[3]基于稀疏编码多尺度空间潜在语义分析的图像分类[J]. 赵仲秋,季海峰,高隽,胡东辉,吴信东.  计算机学报. 2014(06)
[4]融合显著信息的LDA极光图像分类[J]. 韩冰,杨辰,高新波.  软件学报. 2013(11)
[5]一种视频雨滴检测与消除的方法[J]. 董蓉,李勃,陈启美.  自动化学报. 2013(07)
[6]一种受雨滴污染视频的快速分析方法[J]. 刘鹏,徐晶,刘家锋,唐降龙.  自动化学报. 2010(10)
[7]单样本人脸识别中的虚拟样本扩展方法研究[J]. 孙士明,王芹芹,纪友芳.  微计算机应用. 2010(09)
[8]一种复杂背景中的人脸检测与验证方法[J]. 章品正,赵洪玉,梁晓云,舒华忠,徐琴珍.  数据采集与处理. 2004(01)
[9]使用关键点信息改进弹性匹配人脸识别算法[J]. 丁嵘,苏光大,林行刚.  电子学报. 2002(09)
[10]基于虹膜识别的身份鉴别[J]. 王蕴红,朱勇,谭铁牛.  自动化学报. 2002(01)

硕士论文
[1]基于稀疏表示的人脸识别方法研究[D]. 施静兰.广西大学 2015



本文编号：3156658