旋转向量特征及其在人脸识别中的应用

发布时间：2021-07-14 19:20

　　因为人脸识别非接触式、方便、友好等特点,长期以来,研究人员对其进行了深入研究,取得了很多重要成果。近几年随着硬件设备性能的提升,基于深度卷积神经网络的人脸识别技术识别率越来越高,效果明显,性能优越,在实际应用中越来越广泛。但是在非限定条件下,比如光照、表情、遮挡、年龄等变化情况,对算法的性能影响很大,还需要进一步深入研究。因此,本文以传统的深度卷积神经神经网络为基础,主要研究在人脸识别中,因非限定条件造成的人脸模糊图像的识别。针对人脸特征的提取,本文根据Trace变换原理和模拟数字信号思想提出了两种新的特征提取方法--1.旋转增量调制特征提取方法,该方法对一幅图像中的每条垂直迹线通过增量调制编码原理提取特征值,一幅图像的一个角度下的所有特征值组成一行一维向量,所有角度下的特征值组成二维矩阵,这样完成对图像的初步特征提取;2.旋转均值跳动特征提取方法,该方法通过本文提出的均值跳动编码思想对一幅图像上的所有垂直迹线提取特征值,同样在一个角度下的特征值组成一行一维向量,所有角度下的特征值组成二维矩阵。针对人脸的分类识别,因为卷积神经网络是将底层特征层层提取,最后提取高维的抽象特征,而本文上述... 

【文章来源】：东华理工大学江西省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 人脸识别研究背景及意义
    1.2 发展历史和国内外研究现状
    1.3 本文研究内容和主要工作
        1.3.1 研究内容
        1.3.2 章节安排
2 深度卷积神经网络
    2.1 神经网络
    2.2 深度卷积神经网络的基本结构
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
    2.3 深度卷积神经网络的算法
        2.3.1 前向传播算法
        2.3.2 反向传播算法
    2.4 本章小结
3 旋转向量特征提取方法
    3.1 Radon变换和Trace变换原理
        3.1.1 Radon变换原理
        3.1.2 Trace变换原理
    3.2 旋转增量调制特征提取方法及改进
    3.3 旋转均值跳动特征提取方法及改进
    3.4 本章小结
4 旋转向量特征级联卷积神经网络
    4.1 级联卷积神经网络结构
    4.2 人脸数据库及预处理
        4.2.1 人脸数据库的选择
        4.2.2 数据库预处理
    4.3 实验结果与分析
        4.3.1 实验运行环境
        4.3.2 旋转增量调制级联神经网络实验结果与分析
        4.3.3 旋转均值跳动级联神经网络实验结果与分析
        4.3.4 实验小结
    4.4 本章小结
5 多尺度级联卷积神经网络
    5.1 图像多尺度的原理
    5.2 多尺度级联卷积神经网络结构
    5.3 实验结果与分析
        5.3.1 多尺度增量调制方案实验结果与分析
        5.3.2 多尺度均值跳动方案实验结果与分析
    5.4 本章小结
6 总结与展望
    6.1 本文主要工作
    6.2 工作展望
致谢
在攻读学位期间取得的研究成果
参考文献


【参考文献】：
期刊论文
[1]圆迹变换及图像纹理分析[J]. 汪宇玲,黎明.  电子学报. 2018(10)
[2]Pose Robust Low-resolution Face Recognition via Coupled Kernel-based Enhanced Discriminant Analysis[J]. Xiaoying Wang,Haifeng Hu,Jianquan Gu.  IEEE/CAA Journal of Automatica Sinica. 2016(02)
[3]分块LBP的素描人脸识别[J]. 周汐,曹林.  中国图象图形学报. 2015(01)
[4]基于DTCWT和LBP的低分辨率人脸识别[J]. 赵敏,朱明.  计算机工程. 2012(22)
[5]基于Radon-TVAR的多分量Chirp信号检测[J]. 丘建勇,沈民奋,陈和晏.  电子测量与仪器学报. 2006(05)
[6]用于图象识别的图象代数特征抽取[J]. 洪子泉,杨静宇.  自动化学报. 1992(02)



本文编号：3284737