基于线性判别分析和支持向量机的人脸识别研究

来源 :重庆邮电大学 | 被引量 : 0次 | 上传用户:luffyzl
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在身份验证中,相对于其他生物特征识别而言,人脸特征识别是最直接、最方便友好的手段。近几年来人脸识别技术已成为国内外学者研究的热点。计算机人脸识别技术是指利用计算机对人脸图像进行分析,进而从中提取出有效的识别信息,用来“辨认”身份的一门技术。人脸识别技术主要包括两个方面的内容,首先是人脸特征的压缩和提取;其次是与人脸特征相配合的模式分类器的构造。 本文在分析传统的人脸识别方法的基础上,针对人脸特征提取和模式分类器建模以及人脸特征加权等问题进行了研究。重点研究了利用统计特征进行人脸识别的方法。本文的主要工作有: (1)提出了一套基于线性判别分析与多分类支持向量机相结合的人脸识别算法。该算法利用了主成分分析、线性判别分析和支持向量机等统计理论。在特征提取阶段,主要采用主成分分析对人脸图像进行降维,然后在低维空间中利用线性判别分析进行特征提取。在分类器构造阶段,主要利用统计学习理论的支持向量机,并且采用多类别的支持向量机分类器作为我们人脸识别的分类器。利用支持向量机分类器对提取的人脸特征进行训练、测试。最后用OlivettiResearchLaboratory(ORL)人脸图像库对算法进行多方面验证,实验结果表明本文所提出的算法与其它方法相比具有合理性和一定的优越性。 (2)提出融合了特征加权的人脸识别算法。现有的人脸识别方法通常未考虑不同特征或像素对识别结果的影响。实际上,人脸面部不同特征在人脸识别过程中的作用是不同的。基于以上考虑,本文采用眼睛嘴巴加权方法对人脸图像进行了预处理,并应用基于线性判别分析与多分类支持向量机相结合的人脸识别算法进行识别。最后同样用标准人脸库ORL进行了实验,实验结果表明特征加权方法对人脸识别算法是有效且通用的。
其他文献
随着经济飞速发展,人们已经深刻地认识到公路交通中所蕴含的巨大经济价值和社会价值,世界各国也随之对公路特别是路面质量提出了更高的要求。对路面破损进行科学的检测和评价,成
当前数据中心单一服务器上的数据存储容量能够达到数十亿条键值( KV, Key-Value)对,并且单个键值对通常很小。如何有效地组织超大型键值存储系统使其支持快速访问是一项艰巨的工
随着网络存储技术的发展,SAN(Storage Area Networking)和低端服务器的成本降低,如何管理、优化SAN以及整合与之相连的服务器,将成为企业控制成本、提高效率的关键因素,同时
随着软件规模和复杂度不断增大,传统的软件开发模式面临着巨大的挑战,出现了新一轮的“软件危机”,解决这个问题行之有效的途径就是软件复用。构件技术在软件复用中扮演着重
互联网中的流量由数以万计的不同应用产生,其构成结构会随应用的变化而变化。充分掌握网络总体的流量构成以及各种成分的变化规律对网络管理和网络行为学的研究具有重要意义。
学位
随着全球信息化的飞速发展,计算机网络安全问题日益突出,黑客入侵、信息泄密以及病毒泛滥所带来的危害引起了世界各国的高度重视。网络信息安全已成为亟待解决、影响国家大局
随着生物信息学的发展,数据挖掘技术为其提供了越来越重要的技术支持,而关联规则挖掘技术是数据挖掘领域中的重要组成部分。但在应用过程中由于生物数据的特点,传统算法需要进一
随着信息技术、网络通信和电子交易的迅猛发展,信息安全已成为全球最为热门的研究领域之一。传统的以密码方式进行身份认证的技术日益暴露出很多弊端。为确保信息安全,用人特
目前大多数处理器均采用超标量超流水线结构来提高处理器的硬件资源利用率,加快CPU的运行速率,以满足人们不断提高的对计算机性能的要求以及日益复杂的软件系统带来的高性能