基于线性子空间的人脸识别系统设计.docx

摘要:人脸识别的研究和发展近年来受到了人们的高度重视。随着人工智能，大数据和深度学习算法的不断成熟，人们要求人脸识别技术在不同的环境中的识别精度越来越高，速度越来越快。本文基于最常用的线性子空间方法——主成分分析(简称PCA)，以及通过局部二值模式(简称LBP)方法相互进行对比，分类器采用最近邻插值(NeaReStay-近邻)和K近邻分类(K-最近邻,KNN)。利用MATLAB进行编程并仿真，将四种算法建立在一套人脸识别系统中，同时建立人机交互GUI界面，最终组成一套具有四种识别策略的，可视化及具有具体识别结果的人脸识别系统。在此基于线性子空间的人脸识别系统中，主要利用四种人脸识别策略之间的差异，有针对性地对人脸图像的特征提取及识别的问题展开研究。本论文阐述了人脸识别的原理，算法的设计过程，利用MATLAB进行仿真实验的过程，GUI界面设计过程，识别指标的对比，识别结果及数据的分析，以及证明了人脸识别系统策略的有效性。利用ORL人脸库和自检人脸库，形成四种人脸识别策略的识别率的对比，提出最优识别策略及最优算法。总体来讲，整篇论文通过不同的人脸库研究了基于线性子空间的人脸识别算法，并且利用自建人脸库，验证了在不同人脸图像背景环境下的识别结果和识别效率，为未来更深入的人脸识别、特征提取等方面的研究打下基础。

关键词：线性子空间，PCA，LBP，近邻法，人脸识别

目录

摘要

Abstract

第一章 绪 论-1

1.1 课题研究背景及意义-1

1.2 人脸识别发展概述-1

1.2.1 国内外人脸识别发展现状-1

1.2.2 生产需求状况-4

1.3 主要研究工作-5

1.4 论文结构安排-6

第二章 人脸识别算法概述-7

2.1 人脸识别的研究范围-7

2.2 人脸识别过程-7

2.3 人脸识别算法的性能评价-8

2.3.1 识别率-8

2.3.2 识别时间-9

2.3.3 数据存储量-9

2.4 基于PCA的特征提取算法-9

2.4.1 PCA原理-9

2.4.2 PCA在本课题相关领域的应用-12

2.5 基于LBP的特征提取算法-13

2.5.1 LBP算子描述-13

2.5.2 统一模式的LBP算子-15

2.5.3 LBP算子的应用-17

2.6 人脸图像分类识别算法-17

2.6.1 基本原理-17

2.6.2 基于K近邻的分类算法-18

2.7 本章小结-19

第三章 基于线性子空间的人脸识别算法-20

3.1 人脸识别算法仿真过程-20

3.1.1 读入人脸库建立人脸特征空间-20

3.1.2 特征向量选取-21

3.1.3 图像分类识别-22

3.2 人脸识别算法设计与实现-23

3.2.1 算法设计流程图-23

3.2.2 样本训练算法设计-24

3.2.3 PCA算法设计-25

3.2.4 LBP算法设计-26

3.2.5 K近邻法及最近邻法设计-29

3.3 数据分析及算法优化-30

3.3.1 人脸识别系统仿真-30

3.3.2 训练样本数与识别率-31

3.4 本章小结-32

第四章 图形用户界面设计-34

4.1GUI简介-34

4.2 GUI界面组成-34

4.3 GUI界面的实现-36

4.4 可视化识别结果-37

第五章 总结与展望-38

5.1 总结-38

5.2 展望-38

参考文献-40

致 谢-41

附 录-42