基于矩阵分解的单样本人脸识别算法研究.doc

经典专科、本科、硕博、研究生、期刊毕业论文 仅供参考苏州大学本科生毕业设计（论文） 精心整理 仅供参考 勿用作商业用途 PAGE I 目 录 TOC \o "1-3" \h \z \u 摘 要 1 前 言 3 第一章 绪 论 4 1.1 研究背景及意义 4 1.2 人脸识别流程 5 1.3 国内外研究现状 7 1.3 本文主要工作和创新点 8 1.4 本文组织结构 9 第二章 基于矩阵分解的单样本人脸识别技术 11 2.1 2D-LDA 11 2.2 基于SVD的单样本人脸识别算法 12 2.2.1 虚拟样本重建 12 2.2.2 特征提取与分类 13 2.3 基于LUD的单样本人脸识别算法 14 2.3.1 虚拟样本重建 14 2.3.2 特征提取与分类 16 2.4 本章小结 17 第三章 基于加权矩阵分解的单样本人脸识别算法 18 3.1 引言 18 3.2 算法框架 18 3.2.1 预处理 19 3.2.2 特征提取 19 3.2.3 自适应方差加权 20 3.3.4 加权分类 21 3.3 方法对比 21 3.4 本章小结 22 第四章 单样本人脸识别仿真实验 23 4.1 MATLAB工具介绍 23 4.2 人脸库介绍 23 4.2.1 ORL人脸数据库 23 4.2.2 FERET人脸数据库 24 4.2.3 AR人脸数据库 24 4.3 实验结果和分析 25 4.3.1 距离度量影响分析 25 4.3.2 投影向量数量影响分析 26 4.3.3 训练样本影响分析 28 4.4 本章小结 29 第五章 总结与展望 31 5.1 总结 31 5.2 展望 31 攻读学士学位期间主要的研究成果 33 参考文献 35 致 谢 37 摘 要 随着计算机软硬件处理能力的提升，人脸识别成为当前模式识别研究领域的研究热点之一。但是，大多数现实应用系统都采用存储单样本人脸图像的方式来记录用户的面部信息，采用多样本人脸识别算法进行处理的结果往往不如人意。所以单样本人脸识别技术有着重要的实际应用价值，得到了广泛的关注。 本文以基于矩阵分解的单样本人脸识别算法为主要的研究对象，对两种现有的基于矩阵分解的单样本人脸识别算法进行了研究分析。现有的基于矩阵分解的单样本人脸识别算法通过重建虚拟样本将单样本人脸识别问题转化为一般的多样本人脸识别问题，从而使得一些多样本人脸识别算法得以适用，但是这些算法通常只使用一种矩阵分解方法来构造虚拟样本，常常受到训练样本质量和矩阵分解算法特性的影响，不能保证在不同情况下的识别性能。所以本文在现有基于矩阵分解的单样本人脸识别算法的基础上提出了一种新的基于加权矩阵分解的单样本人脸识别算法。该算法使用SVD（Singular Value Decomposition）和LUD（Lower-upper Decomposition）进行矩阵分解、重建得到虚拟样本图像，并计算出自适应方差权重。在分类识别部分，使用自适应方差权重将距离进行加权融合，并使用最小距离准则进行分类。基于加权矩阵分解的单样本人脸识别算法是在原有算法基础上的改进，进一步扩展了2D-LDA（Two-dimensional Linear Discriminant Analysis）投影时的子空间大小和识别时的求解范围，提高了识别的正确率和鲁棒性。我们在三个广泛使用的人脸库上，对比了三种算法的识别效果，验证本文提出算法的可行性、高效性和鲁棒性。 关键词：单样本人脸识别；线性判别分析；矩阵分解；自适应权重；虚拟样本 Abstract With the improvement of computer hardware and software processing capability, face recognition has become one of the most popular research hotspots in the field of pattern recognition. However, in most real-life applications, single sample per person (SSPP) is widely utilized to record the facial information of users, and many muti-sample face recognition methods often suffe