基于Curvelet多方向特征融合的人脸识别研究
发布时间：2021-07-30 03:36
人脸识别是生物特征识别的一种,近些年来成为了计算机视觉、模式识别和生物测定学中最热门的研究课题之一。相对于其他生物特征来说,人脸识别具有自然性和非入侵的优势,随着计算机技术的迅速发展,人脸识别技术得到广泛地研究与应用,例如进入高铁站时的人脸检测、人脸支付、工作考勤、美颜相机等,但目前人脸识别技术还有一些缺陷,识别性能在变化的光照、面部表情、姿态、遮挡等非理想情况下会受到极大的影响。小波变换在众多人脸识别算法中占有一席之地,它不仅具有多分辨率的性能,还有较好的时域和频域的局部化分析性能,因此在人脸识别中被广泛应用。而Curvelet变换不但具有传统小波变换的多分辨率特性和时频局域特性,而且还可以更稀疏地显示人脸图像,聚集信号的能量。与小波变换相比较,方向性和各向异性都很强的Curvelet变换可以对图像的直线和曲线奇异特征进行更好的表示。本论文为了获取更有效的人脸图像特征,提高识别效果,在Curvelet域提出了两种人脸图像的特征提取方法,进而应用到人脸识别算法中。论文主要的研究成果有:第一:提出了一种自适应加权Curvelet梯度方向直方图的人脸识别算法。首先,人脸图像通过基于wrap...
【文章来源】：湘潭大学湖南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
Radon变换示意图
9图2.2Ridgelet变换流程图2.3第一代Curvelet变换Ridgelet变换对具有曲线奇异性函数的逼近性能只相当于小波变换，不具有最优的非线性逼近误差衰减阶。另外，多尺度多角度分析可能会造成维度灾难，因此若要想获得更好的识别率，就需要对Ridgelet变换进行优化。在20世纪末，Cabdes和Donoho共同提出了并构造出一个最初的框架[10]，标志了Curvelet变换的诞生。第一代Curvelet变换的实现过程实际上是在带通滤波理论和单尺度、多尺度Ridgelet变换理论的基础上进行的。Curvelet变换可以被称作“变换的积分”，原因是当使用非常小的尺度来表现曲线时，结合微积分的理念，就可以获得直线含有的的奇异性能。由单尺度的Ridgelet变换得到的基本尺度简单且固定，而Curvelet变换可以在所有可能的尺度上进行分解。Curvelet变换是通过一种特殊的滤波过程和多尺度上的Ridgelet变换来实现的。把所有可能尺度大于零的单尺度Ridgelet字典集结在一起就构成了多尺度的Ridgelet字典[14]：,,0,:,SQuQs(2.11)式中s表示尺度，0表示通带范围为1的低通滤波器，,...)2,1,0(2ss表示带通范围为]2,2[222ss的带通滤波器，1)()(20220ss表示滤波器0和,...)2,1,0(2ss之间存在的相互关系，将0和,...)2,1,0(2ss组成一个滤波器
10组，它可以把函数f变换为：,...)...,,(20000fffffffPss(2.12)当函数f达到02222022ssfffP的要求时，可以通过：,,,s,sQQf(2.13)得到Curvelet变换的系数，式中Ridgelet的基用Q,表示。函数f具有在任意均方可积的特性，可以将其映射为一系列系数)(M，其中M为的参数集，其中元素，，ssQQ,被称为Curvelet变换。当Curvelet变换达到式2.14描述的关系时：222.Mff(2.14)就有分解公式2.15：Mff,(2.15)Curvelet变换之所以拥有良好的非线性逼近性能，是因为它的基的支撑区间满足条件：2lengthwidth(2.16)子带分解和Ridgelet变换是实现第一代Curvelet变换的基础内容，可以通过三个步骤完成：(1)通过自带的分解方式对图像进行子带滤波；(2)当图像被分解为各个子带后，再分块处理每个子带图像；(3)最后将每一块图像都进行Ridgelet变换。同时这个过程也是可逆的，图2.3表示Ridgelet变换分解和重构的过程。图2.3Curvelet变换的分解和重构的流程图
【参考文献】：
期刊论文
[1]基于二维Gabor小波与AR-LGC的人脸特征提取算法研究[J]. 倪永婧,孙袆,岳莹,郭志萍,高丽慧,刘微. 河北工业科技. 2019(04)
[2]接收函数曲波变换去噪与偏移成像[J]. 陈一方,陈九辉,郭飚,齐少华,赵盼盼. 地球物理学报. 2019(06)
[3]基于分块LBP融合特征和SVM的人脸识别算法[J]. 张敦凤,高宁化,王姮,冯兴华,霍建文,张静. 传感器与微系统. 2019(05)
[4]改进PCA-LDA的人脸识别算法研究[J]. 马帅旗. 陕西理工大学学报(自然科学版). 2019(02)
[5]基于Lucas-Kanade算法的最大Gabor相似度大姿态人脸识别[J]. 程超,达飞鹏,王辰星,姜昌金. 光学学报. 2019(07)
[6]基于Curvelet变换的低分辨率人脸识别方法[J]. 马慧,孙万春,史君华,杨馨竹,郑集元. 重庆理工大学学报(自然科学). 2018(11)
[7]多层AR-LBP与WLD特征融合的SA-CRC人脸识别[J]. 叶枫,叶学义,罗宵晗,陈泽. 计算机工程与应用. 2019(14)
[8]基于特征融合与子空间学习的行人重识别算法[J]. 朱小波,车进. 激光与光电子学进展. 2019(02)
[9]基于小波和稀疏矩阵的人脸识别算法[J]. 王国权,乔琪,赵艳芹,巩燕. 黑龙江科技大学学报. 2018(04)
[10]基于多方向韦伯梯度直方图的人脸识别[J]. 杨恢先,徐唱,曾金芳,陶霞. 激光与光电子学进展. 2018(11)
硕士论文
[1]基于Curvelet特征应用的太阳图像检索研究[D]. 冯彦明.昆明理工大学 2017
[2]基于Curvelet变换的图像融合算法研究[D]. 赵文宇.哈尔滨理工大学 2017
[3]基于特征融合的人脸表情识别研究[D]. 付克博.杭州电子科技大学 2017
[4]基于非对称局部梯度编码及多特征融合的人脸表情识别[D]. 程轶红.合肥工业大学 2016
[5]基于Curvelet变换的人脸识别方法研究[D]. 辜道平.南昌大学 2013
[6]基于Curvelet变换的新生儿疼痛表情识别研究[D]. 徐月娥.南京邮电大学 2013
[7]基于曲波变换的人脸识别算法研究[D]. 贾西贝.哈尔滨工程大学 2011
本文编号：3310609
【文章来源】：湘潭大学湖南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
Radon变换示意图
9图2.2Ridgelet变换流程图2.3第一代Curvelet变换Ridgelet变换对具有曲线奇异性函数的逼近性能只相当于小波变换，不具有最优的非线性逼近误差衰减阶。另外，多尺度多角度分析可能会造成维度灾难，因此若要想获得更好的识别率，就需要对Ridgelet变换进行优化。在20世纪末，Cabdes和Donoho共同提出了并构造出一个最初的框架[10]，标志了Curvelet变换的诞生。第一代Curvelet变换的实现过程实际上是在带通滤波理论和单尺度、多尺度Ridgelet变换理论的基础上进行的。Curvelet变换可以被称作“变换的积分”，原因是当使用非常小的尺度来表现曲线时，结合微积分的理念，就可以获得直线含有的的奇异性能。由单尺度的Ridgelet变换得到的基本尺度简单且固定，而Curvelet变换可以在所有可能的尺度上进行分解。Curvelet变换是通过一种特殊的滤波过程和多尺度上的Ridgelet变换来实现的。把所有可能尺度大于零的单尺度Ridgelet字典集结在一起就构成了多尺度的Ridgelet字典[14]：,,0,:,SQuQs(2.11)式中s表示尺度，0表示通带范围为1的低通滤波器，,...)2,1,0(2ss表示带通范围为]2,2[222ss的带通滤波器，1)()(20220ss表示滤波器0和,...)2,1,0(2ss之间存在的相互关系，将0和,...)2,1,0(2ss组成一个滤波器
10组，它可以把函数f变换为：,...)...,,(20000fffffffPss(2.12)当函数f达到02222022ssfffP的要求时，可以通过：,,,s,sQQf(2.13)得到Curvelet变换的系数，式中Ridgelet的基用Q,表示。函数f具有在任意均方可积的特性，可以将其映射为一系列系数)(M，其中M为的参数集，其中元素，，ssQQ,被称为Curvelet变换。当Curvelet变换达到式2.14描述的关系时：222.Mff(2.14)就有分解公式2.15：Mff,(2.15)Curvelet变换之所以拥有良好的非线性逼近性能，是因为它的基的支撑区间满足条件：2lengthwidth(2.16)子带分解和Ridgelet变换是实现第一代Curvelet变换的基础内容，可以通过三个步骤完成：(1)通过自带的分解方式对图像进行子带滤波；(2)当图像被分解为各个子带后，再分块处理每个子带图像；(3)最后将每一块图像都进行Ridgelet变换。同时这个过程也是可逆的，图2.3表示Ridgelet变换分解和重构的过程。图2.3Curvelet变换的分解和重构的流程图
【参考文献】：
期刊论文
[1]基于二维Gabor小波与AR-LGC的人脸特征提取算法研究[J]. 倪永婧,孙袆,岳莹,郭志萍,高丽慧,刘微. 河北工业科技. 2019(04)
[2]接收函数曲波变换去噪与偏移成像[J]. 陈一方,陈九辉,郭飚,齐少华,赵盼盼. 地球物理学报. 2019(06)
[3]基于分块LBP融合特征和SVM的人脸识别算法[J]. 张敦凤,高宁化,王姮,冯兴华,霍建文,张静. 传感器与微系统. 2019(05)
[4]改进PCA-LDA的人脸识别算法研究[J]. 马帅旗. 陕西理工大学学报(自然科学版). 2019(02)
[5]基于Lucas-Kanade算法的最大Gabor相似度大姿态人脸识别[J]. 程超,达飞鹏,王辰星,姜昌金. 光学学报. 2019(07)
[6]基于Curvelet变换的低分辨率人脸识别方法[J]. 马慧,孙万春,史君华,杨馨竹,郑集元. 重庆理工大学学报(自然科学). 2018(11)
[7]多层AR-LBP与WLD特征融合的SA-CRC人脸识别[J]. 叶枫,叶学义,罗宵晗,陈泽. 计算机工程与应用. 2019(14)
[8]基于特征融合与子空间学习的行人重识别算法[J]. 朱小波,车进. 激光与光电子学进展. 2019(02)
[9]基于小波和稀疏矩阵的人脸识别算法[J]. 王国权,乔琪,赵艳芹,巩燕. 黑龙江科技大学学报. 2018(04)
[10]基于多方向韦伯梯度直方图的人脸识别[J]. 杨恢先,徐唱,曾金芳,陶霞. 激光与光电子学进展. 2018(11)
硕士论文
[1]基于Curvelet特征应用的太阳图像检索研究[D]. 冯彦明.昆明理工大学 2017
[2]基于Curvelet变换的图像融合算法研究[D]. 赵文宇.哈尔滨理工大学 2017
[3]基于特征融合的人脸表情识别研究[D]. 付克博.杭州电子科技大学 2017
[4]基于非对称局部梯度编码及多特征融合的人脸表情识别[D]. 程轶红.合肥工业大学 2016
[5]基于Curvelet变换的人脸识别方法研究[D]. 辜道平.南昌大学 2013
[6]基于Curvelet变换的新生儿疼痛表情识别研究[D]. 徐月娥.南京邮电大学 2013
[7]基于曲波变换的人脸识别算法研究[D]. 贾西贝.哈尔滨工程大学 2011
本文编号：3310609
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3310609.html
最近更新
教材专著
