基于支持向量機(jī)的人臉識(shí)別技術(shù)研究
2萬字 73頁(yè)
含代碼+實(shí)驗(yàn)說明+答辯PPT+論文


摘 要
人臉識(shí)別技術(shù)是國(guó)內(nèi)外共同關(guān)注的一個(gè)前沿課題，在現(xiàn)代經(jīng)濟(jì)和社會(huì)的發(fā)展中有著十分廣泛的應(yīng)用領(lǐng)域和應(yīng)用前景，如安全系統(tǒng)、罪犯識(shí)別、電視會(huì)議等，因而已經(jīng)成為當(dāng)前模式識(shí)別和人工智能的一個(gè)研究熱點(diǎn)。
本文總結(jié)了人臉識(shí)別技術(shù)的研究現(xiàn)狀，討論將支持向量機(jī)用于模式識(shí)別的理論，研究了其中的關(guān)鍵技術(shù)和難點(diǎn)，并進(jìn)行了分析和比較。本文提出了一種基于圖片分割的人臉特征提取方法，該方法利用二維離散余弦變換對(duì)每個(gè)子圖片進(jìn)行分解，并利用支持向量機(jī)作為分類器來識(shí)別不同的人臉?；趫D象的劃分，一個(gè)新的圖象提取的方法，它使用2維的離散余弦變換來分解圖象，特征被提出來。根據(jù)DCT，一個(gè)臉部識(shí)別模型是由與SVMS綁定構(gòu)成的。為了劃分符合類型的分類，一對(duì)多的策略在我們的模型中被使用。支持向量機(jī)是新一代基于在靜態(tài)學(xué)習(xí)理論中的近代先進(jìn)的學(xué)習(xí)系統(tǒng)。SVMS在真實(shí)世界的實(shí)現(xiàn)中提交圖畫狀態(tài)的表現(xiàn)，諸如文本分類，圖象分類，小塊信息，等等。和目前一些人臉識(shí)別方法相比，本文提出的人臉識(shí)別算法具有較好的性能，在ORL人臉庫(kù)上的性能模擬表明，算法具有較高識(shí)別率。

關(guān)鍵詞：人臉識(shí)別；支持向量機(jī)；離散余弦變換；ORL數(shù)據(jù)庫(kù)


Research on Face Recognition Technology Based on Discrete Cosine Transform and Support Vector Machines

Abstract
Face recognition technology (FRT) is front-line task in pattern recognition domain, which has extremely extensive applications such as security systems, criminal identifications, teleconferences and so on. Thus, the study of the technology has been a research focus in pattern recognition and artificial intelligence.
In this paper, the actuality of automated face recognition is summarized, the theory of applying SVM into pattern recognition is discussed, and crucial face recognition technologies and difficulties are analyzed and compared. In this paper, A new method of feature extraction to face image, which uses 2-dimension discrete cosine transform to decompose each sub-image, is proposed based on images partition in this paper. And support vector machine is used as classifier to recognize different face image. Based on image partition, a new feature extraction method, which uses 2-dimension discrete cosine transform to decompose sub-image, is proposed. According to DCT, a face recognition model is constructed combined with SVM. In order to classify multi-class classification......


Key Words: face recognition; Support Vector Machines; discrete cosine transform; ORL database

圖目錄
圖2-1 一種基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法 10
圖2-2 數(shù)據(jù)表示特征 及類別可分性特征 12
圖2-3 基于小波特征的彈性匹配方法 14
圖4-2 處理后的圖片比較 26
圖4-3 重構(gòu)圖與原圖對(duì)比 28
圖4-4 重構(gòu)圖和原圖之差的能量 占原圖能量E的百分比 29
圖4-5 整個(gè)訓(xùn)練集的每個(gè)頻率的方差 30
圖4-6 DCT提取流程圖 30
圖5-1 ORL 人臉庫(kù)中的部分圖片 33
圖5-2 特征維數(shù)對(duì)性能的影響 35

表目錄

表4-1 重構(gòu)圖和原圖之差的能量 占原圖能量E的百分比 28
表5-1 不同核函數(shù)在相同維數(shù)下的識(shí)別率比對(duì) 36


目 錄
摘 要 I
Abstract II
圖目錄 III
表目錄 IV
目 錄 V
1. 緒 論 1
1.1 課題研究背景 1
1.2相關(guān)學(xué)科研究進(jìn)展 3
1.3自動(dòng)人臉識(shí)別系統(tǒng) 4
1.4本文研究?jī)?nèi)容及結(jié)構(gòu) 5
2. 人臉識(shí)別綜述 7
2.1 基于人工定義特征的識(shí)別方法 7
2.2 基于自動(dòng)獲取特征的識(shí)別方法 7
2.2.1 基于支持向量機(jī)的識(shí)別方法 7
2.2.2 基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法 9
2.2.3 基于統(tǒng)計(jì)特征的識(shí)別方法 10
2.2.4 基于小波特征的彈性匹配方法 12
3. 支持向量機(jī)的基本理論和算法 16
3.1 支持向量機(jī)的特點(diǎn)與應(yīng)用 16
3.2 支持向量機(jī)概述 21
3.2.1 支持向量機(jī)（SVM）的人臉識(shí)別結(jié)構(gòu) 21
3.2.2 支持向量機(jī)（SVM）的人臉識(shí)別算法 22
4. 基于DCT和支持向量機(jī)的人臉識(shí)別系統(tǒng) 24
4.1 人臉特征的提取 24
4.1.1 離散余弦變換 24
4.1.2 系數(shù)選取 26
4.1.3 本實(shí)驗(yàn)中的DCT處理過程 31
4.2 支持向量機(jī)的結(jié)構(gòu)設(shè)計(jì) 31
5. 性能評(píng)價(jià) 33
5.1 人臉數(shù)據(jù)庫(kù) 33
5.2 實(shí)驗(yàn)結(jié)果 34
5.2.1 不同特征維數(shù)性能比較 34
5.2.2 不同核函數(shù)的性能比較 35
6. 總結(jié) 37
謝辭 38
參考文獻(xiàn) 39
附錄部分 41
附錄A 41


參考文獻(xiàn)
[24] Jun Zhang, Yong Yan, Martin Lades. Face Recognition: Eigenface, Elastic matching, and neural nets [J]. Proc. Of IEEE, 1997, 85(9): 1423-1435.
[25] LeCun Y, Jackl LD, Bttou L. Comparison of learning algorithms for handwritten digit recognition[C]. In: Proceedings of International Conference on Artificial Neural Network, 1995, 2: 53-60.
[26] Ahmed, Natarejan NT, Rao K. Discrete Cosine Transform[J]. IEEE Trans. On Computers, 1974, 23(1): 90-93.
[27] 方寧. 基于DCT和神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別系統(tǒng)研究[D]. 武漢：武漢大學(xué), 2003.
[28] 邊肇棋, 張學(xué)工. 模式識(shí)別[M]. 北京：清華大學(xué)出版社



附錄部分
附錄A
p3_OnetoMulti.m文件
% 原始的1對(duì)多的svm分類,svmfwd(net3,cognitionG3),程序中給出的是直接的測(cè)試集上的結(jié)果.
clear all;
close all;
clc
load dct2_48
kern='rbf'; Vrbf=300000; CC=10;

sampleFeat=feature(1,:);
trainY=[ones(5,1);(-1)*ones(195,1)];


train1=feature(1:5,:);train2=feature(11:15,:);train3=feature(21:25,:);train4=feature(31:35,:);train5=feature(41:45,:);
......