基于主成分分析改进算法的人脸识别研究

发布时间：2021-09-02 23:56

　　近年来,人脸识别是基于生物识别的认证系统最重要的应用之一。面部识别是一种识别任务模式,在识别过程中,经常会出现识别错误的情况。为了提高识别率,本论文提出了两种人脸识别改进算法。由于算法的优劣会直接影响识别率的高低,所以如何构造新算法,同时提高人脸识别的识别率和运算效率是当前人脸识别的研究热点。本文围绕人脸识别,在改进的模块化双向2DPCA（二维主成分分析）的人脸识别算法（IM（2D）² PCA）和结合KPCA、SRC和KDA的基于核的鲁棒干扰字典的人脸识别算法（KRDD）等方面进行了深入的研究,主要创新成果如下:（1）本论文提出了基于改进的模块化双向2DPCA的人脸识别方法。首先,将人脸图像划分为若干个子图像,然后根据子图像的数量,通过双向2DPCA提取每个子图像的人脸特征。最后,使用支持向量机把图像分类。实验结果在ORL人脸数据库和YALE人脸数据库上得到验证,该方法在人脸识别率和计算效率方面比其他任何2DPCA方法都表现得更好。（2）本论文提出了一种基于核的鲁棒干扰字典（KRDD）的算法,用于人脸识别,解决了现在字典学习中信号无法完全覆盖所表示的重要组成部分的... 

【文章来源】：山东师范大学山东省

【文章页数】：47 页

【学位级别】：硕士

【部分图文】：

ORL面部数据库的示例

图 3-2 YALE 面部数据库的示例鲁人脸数据库中一个人的面部图像的例子。在 Y训练样本，剩余 6 个图像用作测试样本。通过光照，验证了改进模块化 22D PCA 算法的优越性。，包括 2DPCA， 22D PCA，带有 SVM 的 22D P2DPCA+ SVM），带有 SVM 的 IM 22D PCA 和 I析方法。为了进一步说明上述六种识别方法的性能上进行了实验。为 6 时，ORL 数据库中六种方法的正确识别率和表 3-1 不同算法在 ORL 人脸数据库上的实验结对比果methodRecognitionaccuracy(%)RunningTime (s)2DPCA 86.67 0.916

IM 22D PCA 92 1.486IM 22D PCA+SVM 96 1.167表 II 可以看出，IM 22D PCA 方法具有比任何其他常见 2DPCA 方计算复杂度高一些。具备 SVM 的 IM 22D PCA 比 IM 22D PCA 方更少的运行时间。表 II 可以看出，添加 SVM 分类器后算法的操作时间较短，因为当进行一些计算来做出决策。这种计算有一定的成本，我们使用 SV决策方法，因此可以改变操作时间。分割图像时，我们需要考虑图像分成多少个子块。这里我们讨论子在 ORL 人脸数据库中，人脸图像的大小都是 112 92。在行方向上为 112 个子块；在列方向上，图像必须精确地划分为 92 个子块。分的数量必须小于子块大小的组合数，因此我们将子块大小的行和更好地与其他算法进行比较。因此我们将子块大小分为 112 46、 23、 28 46和 28 23，并通过改进的 IM 22D PCA 算法进行实验对实验结果产生的影响。如图 3-3 和图 3-4 所示。


本文编号：3379981