低分辨率人脸图像识别关键技术研究-软件工程专业论文.docx

万方数据 万方数据 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。 签名： 日期： 年 月 日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 签名： 导师签名： 日期： 年 月 日 万方数据 万方数据 摘 要 摘 要 人脸识别是当前计算机视觉领域的一个研究热点，也是模式识别研究的重要 课题。人脸识别以其使用方便、用户认可度高、直观性突出、不易仿冒等优势广 泛应用于监控部防、照片搜索、门禁出入和身份识别等领域。由于受到现阶段有 限的数据存储空间、网络传输速率和图像采集设备等因素的限制，大多数用于识 别的人脸图像都是以低分辨率的形式存在。然而通常的人脸识别算法都是基于普 通分辨率的人脸图像，因此针对低分辨率人脸图像的识别研究具有积极的意义。 特征提取与表达属于低分辨率人脸图像识别的关键技术之一。基于局部二元 模式（LBP）算法已被广泛用于低分辨率图像的特征提取。本文通过对局部二元模 式算法进行分析，提出一种多分辨率和多尺度的 LBP 特征提取算法，针对同一张 人脸图像，分别提取其不同分辨率、不同尺度的 LBP 特征，获得人脸图像的局部 和全局 LBP 特征。实验证明，多分辨率和多尺度的 LBP 特征提取算法对低分辨率 人脸图像识别有显著效果。 多分辨率多尺度 LBP 算法的特征提取虽然更好的体现了低分辨率人脸图像的 局部和全局特征，但是也带来了特征数据量大、数据的冗余度高的问题。因此， 需要找到一种合适的数据降维方法来解决这一问题。传统的的数据降维算法虽然 能在一定程度上达到减少数据维数的目的，但是又带来了由于降维引起的大量有 用信息的丢失问题。 本文引入一种人脸图像特征降维的新方法：局部间隔对齐(LMA)。LAM 不仅能 够降低高维数据的维数，使高维数据映射到一个低维的子空间，同时还能保留类 内的结构，最大限度的保留了利于分类的有用信息。本文使用 LMA 对得到的 LBP 特征数据进行降维，这样不仅使计算量大大降低，同时由于 LMA 保留了类内结构， 因此使得降维后的特征空间更具有可分性。 实验证明，结合多分辨率多尺度 LBP 特征提取算法和 LMA 数据降维算法对低 分辨率人脸图像识别具有显著的效果。 关键词：人脸识别；LBP 特征；多分辨率；多尺度；LMA 数据降维 ABSTRACT Abstract Face recognition is now a hot research field of Computer vision, and it is also an important issues of pattern recognition. Face recognition has been widely used for anti-surveillance department, photo search, access areas such as access and identity for its ease of use, highly user acceptance, intuitive prominent, fast and difficult to counterfeit and other advantages. Because of the limitation of data storage space, network transmission speed and image acquisition equipment factors, most of the face images which used to identify are low-resolution. However, face recognition algorithms are generally based on ordinary resolution face images, so its a great significance for low-resolution face recognition. Practice has s