基于KPCA与LBP的人脸识别-软件工程专业论文.docxVIP

西华大学学位论文独创性声明 作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究 工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外， 本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请 学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献 均已在论文中做了明确的说明并表示了谢意。 若有不实之处，本人愿意承担相关法律责任。 学位论文作者签名： 指导教师签名： 日期： 日期 西华大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，在校 攻读学位期间论文工作的知识产权属于西华大学，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅，西 华大学可以将本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、缩印或扫描等复印手段保存和汇编本学位论文。(保密的论文在解 密后遵守此规定) 学位论文作者签名： 指导教师签名： 日期： 日期： 摘 要 人脸识别已经成为数字图像处理和模式识别研究领域的一个研究难点和热点，其应 用已经在社会生活中占有越来越重要的地位。根据数据类型的不同，可以将人脸识别分 为三个类型：基于静态图像的识别、基于视频的人脸识别和基于一些传感器如热红外传 感器和 3D 数据的人脸识别[5]。由于人脸是人类最自然和直接的生物特征，相比于指纹、 虹膜和掌纹等特征具有无可替代的优点。尽管经过了近半个世纪的发展，但由于人脸的 非刚性特点和具体应用场景下识别系统容易受到人脸光照、姿态、表情、遮挡等影响导 致了现今人脸识别系统的识别率和鲁棒性都不高，探索出能够解决上述各种复杂条件下 的人脸识别系统仍然是一个具有挑战性和巨大应用前景的课题。 LBP(Local Binary Pattern 局部二值模型)由于计算简单，描述能力强而广泛应用在 纹理分析、人脸识别、人脸检测和表情识别中。但是 LBP 直方图存在当分块数过大时 级联直方图维数过大和稀疏的特点，现有的 LBP 直方图降维方法如旋转不变 LBP 算子 等存在降低 LBP 算子的描述能力和降维维数不灵活的缺点。本文针对传统 PCA(主成分 分析)对处理非线性问题上的不足、分块 LBP 特征维数过大和有限样本下样本的利用率 不高，将有限样本 LBP 特征在直方图下进行加权融合，采用 KPCA 降维，研究了 LBP 模式在非线性子空间下的特性。文章的研究内容如下： 1、系统介绍了人脸识别，包括人脸识别概述、背景、意义、发展现状、发展方向、 常用的测试数据库以及经典的人脸识别算法等。 2、针对传统 LBP 在多样本作为样本库时样本的使用率不高，提出来一种分块直方 图级联加权融合的方法，将融合后的直方图和原始样本的直方图一起构成样本集，研究 了加权系数对识别率的影响。 3、研究了主成分分析方法（PCA）和核主成分分析（KPCA）方法，详细推导了其 原理以及验证了在通用人脸数据库中的识别效果。分析了传统 PCA 在处理非线性问题 上不足的原因，将核主成分分析(KPCA)用于分块 LBP 直方图降维。由于在分块降维时 提取相同主成分贡献率会导致特征数的不同，本文采用固定特征值个数的方法，分析了 不同的核函数及其参数和降维维数对识别率的影响并给出相应结论。结论表明：基于 KPCA 与 LBP 的算法比 PCA、LDA（线性判别法）和 KPCA 方法识别率高。 4、研究了多种相似性距离测度下识别结果，如欧氏距离，斯皮尔曼距离，余弦距 离等，从实验中得出了最适合降维后相似度匹配的距离度量方式。 关键词：人脸识别；LBP；KPCA I Abstract Face recognition have already become a hot spot and tough task of research in digital image processing and pattern recognition, its application has shown an increasing importance in society. We can divide face recognition into three domains according to data types, which are face recognition based on static image, digital video and sensors like thermal infrared sensor and three dimensional data [5]. For the reason that human face is the most nature and direct biological