基于PCA的神经网络在图像识别中的应用

VIP免费

3.0 牛悦 2024-11-19 4 4 2.03MB 76 页 15积分

侵权投诉

摘要

人脸识别技术涉及图像处理，模式识别，人工智能，计算机科学等众多的学

科。人脸识别技术在证件审核，安全监控，和罪犯鉴定等领域有着广泛应用。人

脸识别技术比其他生物识别更为直观，友好的识别方式，使得它更容易为用户接

受。神经网络和人脸识别技术的结合，是在传统图像识别方法的基础上提出的一

种新型图像处理技术。

本文根据图像识别系统的特点将识别的过程分为图像预处理，特征提取和人

脸的分类识别三部分。图像预处理部分主要用于消除光线、背景、服饰、噪声等

对人脸识别造成影响的外界因素，并实现高维图像的压缩。几何归一化将原始图

像处理为纯脸，消除了背景、头发、服饰对识别的影响，降低了图像维数；灰度

归一化消除了部分光线对纯脸图像的的影响。小波变换采用二维小波，过滤了一

部分图像噪声，分解得到的稳定低频子图实现了图像压缩，也进一步降低了图像

维数。图像预处理为后续特征提取部分提供了有效研究对象，降低了特征提取的

数据运算量。

特征提取部分是要从人脸图像中提取可以区分不同类别人脸的特征信息（有

效识别信息）。主要研究和实现了 PCA、二维 PCA 算法。二维 PCA 的特征提取

不同于传统的 PCA 算法，它直接对二维图像进行处理，获取了较小的协方差矩阵，

减少了特征提取的数据运算量，识别率也有了提高；在保留有效识别信息的前提

下，二维 PCA 提取的特征向量维数有了明显的降低，减少了分类识别阶段的数据

运算量。

分类识别部分通过分类器对获取的人脸识别信息进行分类。本文研究了误差

后向传播（BP）神经网络分类器。神经网络是天然的分类器，根据输入人脸图像

样本的特征向量进行学习，自适应调整网络参数；具有较好的容错性和鲁棒性，

在图像存在光线、噪声的情况下也能获得较好的识别效果。

最后将图像预处理、二维 PCA 特征提取和神经网络分类器结合提出了一种改

进的图像识别方法，和其他方法进行了比较，在 Matlab 环境中的仿真结果表明，

该算法降低了系统的运算复杂度，提高了人脸识别率。

关键字：人脸识别小波分析 pca 2dpca 神经网络

Abstract

Face recogniton is one of the active subject in the fields of pattern recognition and

artificial intelligence. It involves image processing, pattern recognition and computer

science. Which has a widely range certification of audit, security control and

identification of criminal. It is a more friendly and convenient and can be easily

accepted by the customers. Neural netwoks and face recognition is a new image

processing technology base on the traditional method of image recognition.

The human face recognition system consist of three parts, image processing,

feature extraction and pattern classification. The first part is to reduce the badly effect

fo light and background and so on. Pure face image is the result of geometric

normalized, elminate the effect of background, hair and cloting in face recognition,

reduce image dimension. Gray normorlized eliminate some impact of light on pure

face image. Using two-dimensional wavelet to du the transform of wavelet, fliter part

of noise fo image, stable low-frequency decomposition subgraph achieved image

compression. Also further reduce the image dimensions. Image preprocessing provid

effective object of study for the follow-up feature extraction, and reduce the data

computation, recognition rate is also improved. It has better fault-tolerance and

robustness,image can be identificated in the light,noise circumstances

The second part is to find out a set of features that can represent the image from

different person. Mainly studied PCA and Two-dimension PCA. Differing from PCA

based on 1-D image vectors, computational more efficient than PCA, two-dimension

PCA is directly processing with 2-D image vector, got a smaller convariance

matrix.reduce the data computation of feature extraction. Under the premise of retain

of effective identification information, two-dimension PCA eigenvector extracted

significantly lower dimension, reduce the computation of classification stage.

The third part access to classified imformation through the classifer of face

recogniton.Using a BP neural networ in the paper.Neural netwok is the natural

classifers. learning according to the importation of human face images eigenvector,

adpaptive adjustment of network parameters.

The last part, an improved method of image recognition based on image

preprocesising, two-dimension PCA and BP neural netwoks. Compared with other

method. The simulation results in the Matlab environment show that the algorithm

reduces the complexity of computing systems and improve the face recogniton rate.

Keywords：face recogniton，wavelet tranform，principle component

analysis ，two-dimensional principle component analysis ，neural

network

中文摘要

ABSTRACT

第一章绪论............................................................................................................1

§1.1 研究背景.....................................................................................................1

§1.2 人脸识别的发展历史.................................................................................2

§1.3 课题所研究的内容.....................................................................................3

§1.4 本文的主要工作和内容安排.....................................................................5

第二章图像预处理..................................................................................................7

§2.1 人脸图库的选择 .......................................................................................7

§2.2 人脸图像预处理 .......................................................................................8

§2.2.1 图像的几何归一化 ............................................................................8

§2.2.2 图像的灰度归一化 ............................................................................9

§2.3 小波变换 .................................................................................................10

§2.3.1 小波变换的特点 ...............................................................................10

§2.3.2 小波变换的原理 ...............................................................................11

§2.3.3 二维小波变换 ..................................................................................13

§2.4 预处理结果分析 .....................................................................................16

§2.3 小结 .........................................................................................................18

第三章基于 PCA 的特征提取..............................................................................19

§3.1 特征提取概念介绍 .................................................................................19

§3.2 K-L 变换的原理 ......................................................................................20

§3.3 K-L 变换的产生矩阵 ..............................................................................23

§3.4 PCA 算法在人脸识别中的应用 .............................................................24

§3.4.1 基本原理 ..........................................................................................24

§3.4.2 SVD(奇异值分解) ............................................................................26

§3.4.3 PCA 算法特征向量的选取 ..............................................................27

§3.4.4 PCA 算法特征提取的实现 ..............................................................28

§3.4.4 PCA 算法的优缺点 ..........................................................................29

§3.5 二维 PCA 算法在人脸识别中的应用 ...................................................30

§3.5.1 二维 PCA 算法原理 ........................................................................30

§3.5.2 二维 PCA 算法特征提取的实现 ....................................................31

§3.5.3 二维 PCA 算法的优缺点 ................................................................32

§3.6 实验分析 .................................................................................................32

§3.7 小结 .........................................................................................................34

第四章基于人工神经网络的分类器设计............................................................35

§4.1 概述 ..........................................................................................................35

§4.2 人工神经网络 .........................................................................................36

§4.2.1 大脑信息处理特点 ..........................................................................36

§4.2.2 神经元 ..............................................................................................37

§4.2.3 人工神经网络基本结构 ..................................................................38

§4.2.4 人工神经网络的学习 ......................................................................40

§4.2.5 人工神经网络在人脸识别方面的应用 ..........................................43

§4.3 常用神经网络分类器 .............................................................................44

§4.3.1 引言 ..................................................................................................44

§4.3.2 感知器 ..............................................................................................45

§4.3.3 多层前馈网络 ..................................................................................51

§4.3.4 误差后向传播算法（BP）.............................................................52

§4.3.5 BP 算法的改进 .................................................................................57

§4.4 小结 .........................................................................................................60

第五章基于 PCA 的神经网络在图像识别中的应用..........................................61

§5.1 引言 .........................................................................................................61

§5.2 人脸识别流程 .........................................................................................61

§5.3 人脸特征提取 .........................................................................................61

§5.4 BP 神经网络分类器设计 ........................................................................64

§5.4.1 输入层和输出层设计 ......................................................................64

§5.4.2 隐层节点数的设计 ..........................................................................64

§5.4.3 激励函数的选择 ..............................................................................65

§5.4.4 初始值的选择 ..................................................................................66

§4.4.5 BP 网络的分类识别 .........................................................................66

§5.5 实验结果分析 .........................................................................................66

§5.6 小结 .........................................................................................................67

第六章总结和展望................................................................................................68

参考文献..................................................................................................................69

在读期间公开发表的论文和承担的科研项目及取得成果..................................72

致谢..........................................................................................................................73

第一章绪论

- 1 -

第一章绪论

§1.1 研究背景

随着计算机网络的飞速发展，人们信息获取的渠道越来越多。为了确保信息

获取和信息交流的安全可靠，准确高效的身份认证为人们最为关注的问题之一。

传统的身份认证主要采用锁具，智能卡和令牌等安全技术，但这些技术中用于验

证用户身份的信息都是后天赋予的，存在丢失或泄漏的可能，不可避免的潜在安

全漏洞已经给一部分用户带来了不良后果和经济损失。

生物识别技术[1]是利用图象处理和模式识别技术，以人类本身固有的生物特征

或行为特征来实现身份认证的一门学科。微软公司首席执行官比尔.盖茨两年前预

言：生物识别技术将成为今后几年 IT 产业的重要变革。与传统的密码，凭证等身

份认证模式相比，生物特征具有不可比拟的唯一性和可靠性。因为，每个人的特

征都不同与其他人，生物特征对于人类是不可以复制的，也不会遗忘或者失窃，

从而保证了用户身份的唯一性，生物识别技术的使用前提是用户本人的现场参与，

且基本不受人为的验证干扰。当前的生物特征识别技术主要包括有：指纹识别，

视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。人脸识别，特指利

用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别技术是一个

非常活跃的研究领域，它覆盖了模式识别，图象处理，生理学，认知科学，人工

智能，计算机视觉等诸多学科的内容。作为生物识别技术的一种重要实现方式，

人脸识别具有生物识别技术的基本优点：

1. 互异性：世界上不存在两张完全相同的脸，尽管有些脸非常相象，经过仔

细观察总是可以找到差异；

2. 不变性：因胖瘦，年龄的影响人脸会出现一些变化，但是还是可以识别不

同时期的人脸；

3. 和主体的永不分离性：用户的确认信息必须是在现场提供，这使的主体身

份的识别更具有真实性；

人脸识别技术还具有直接，友好的特点。人脸识别通过摄像头来获取图像来

源，良好的隐蔽性，使该识别方法不令人反感，不容易引起人的注意，从而不容

易被欺骗，为认证结果的准确性提供了保障，同时也使得用户在信息提取过程无

任何心理障碍。因此，通过人脸识别进行身份认证的方法，易于为用户所接受，

得到了广泛的研究与应用，成为 21 世纪最具发展潜力的身份认证方法之一。

人脸识别在实际应用中主要有以下几个方面：

基于 PCA 的神经网络在图像识别中的应用

- 2 -

1. 公安刑侦破案：通过查询目标图像数据，在图像信息数据库中寻找是否存

在所需人员基本信息。例如在机场或车站安装系统以抓捕在逃案犯。

2. 门禁系统：受安全保护的地区可以通过人脸识别辨识试图进入者的身份。

3. 摄像监视系统：在例如机场、体育场、大型超市等公共场所对来往人群进

行监视，以达到身份识别的目的。例如在机场安装监视系统以防止恐怖分子登机。

4. 证件验证：在例如海关、机密部门等场所，通过计算机对身份证，驾驶证

等证件照片上的人脸图象进行自动识别，既可以提高管理的自动化程度，又提高

了身份认证的效率。

5. 网络应用：利用人脸识别辅助信用卡网络支付，以防止非信用卡的拥有者

使用信用卡等。

此外，还可以根据人脸面部表情的变化，识别和分析人的情感，例如高兴、

悲伤、气愤等。人脸识别技术在医学，档案管理，人脸动画，人脸建模，视频会

议等方面也有着非常好的应用前景。

§1.2 人脸识别的发展历史

人脸识别技术的研究涉及学科广泛，覆盖了模式识别、图象处理、生理学、

认知科学、人工智能、计算机视觉等诸多学科的内容。该项研究最早是在国外展

开的，可以追溯到 19 世纪末 Sir Francis Galton 发表于 Nature 的两篇文章[2][3]，其

后是二十世纪六十年代的 Beldeso[4]和Taylor[5]，此后 40 多年的发展，可以分为四

个阶段。

1. 基于简单背景的人脸识别阶段：通常利用人脸器官的局部特征来描述人

脸．但由于人脸器官没有显著的边缘且易受到表情的影响，因此仅限于对变化较

小的正面人脸的识别，是人脸识别研究的初级阶段，开始于 60 年代末。

2. 基于多姿态／表情的人脸识别阶段：开始于 70 年代末。进入八十年代，人

脸识别研究进展非常缓慢，直到 90 年代初才被人们真正关注，进行专门研究，这

是人脸识别研究的发展阶段。

3. 动态跟踪人脸识别阶段：人脸识别技术的实用化阶段，基于商业系统对安

全的需求，和高速度高性能计算机的发展，人脸识别技术有了新的发展，逐渐转

向实用化阶段，开始于九十年代末。

4. 三维人脸识别阶段：一张照片进行识别所能提供的信息量是有限的，人脸

丰富的三维通过单张照片不能完全反映出来，为了获得更多的特征信息。直接利

用二维人脸图像合成三维人脸模型进行识别也成为该领域的一个主要研究方向。

第一章绪论

- 3 -

国外研究人脸识别技术的国家主要有美国，欧洲国家，日本等，产生了很多

著名的研究机构[6]，研究涉及的领域非常广泛，美国 Texas at Dallas 大学的 Abdi

和Toole 小组[7]、Stirling 大学的 Bruce 教授和 Glasgow 大学的 Burton 教授合作领

导的小组等，从感知和心理学角度对人类识别人脸机理进行了研究；英国的 Graw

小组[8][9]和荷兰 Groningen 大学的 Petkov 小组[10]等，从视觉机理角度对人脸识别

进行了研究；MIT 的Media 实验室的 Pentland 小组[11]用基于 KL 变换的本征空间

的特征提取法（eigenface）对静态图像或视频图像进行识别；C.vonder Malsburg

小组同美国的 Southern California 大学和德国的 Bochum 大学合作，则采用动态链

接结构和弹性图像匹配等方法[12]；还有 Perinceton 大学 Cox 领导的 NEC 小组[13]

等；从 1994 年开始，一些科研单位和公司开始将研究成果转化为实用产品，如

Miros 公司的 True Face，Visinocs 公司的 Facelt，ZNBochum GmbH 公司研制的

ZN—Face 等[14] [15][16][17]。

国内从事人脸识别的主要研究单位包括清华大学、哈尔滨工业大学、中科院

计算所，中科院自动化所、南京理工大学信息学院、上海交通大学图像处理与模

式识别研究所、中山大学数学系等，它们在人脸识领域进行了许多很有意义的尝

试，积累了丰富的经验。人脸识别研究成果在商业方面的应用主要有，北京时代

杰城信息科技开发的门禁管理系统和主动式面像管理系统；上海银晨智能科技有

限公司开发的用于记录考勤的银晨人脸识别考勤系统；北京阳光奥森科技开发的

奥森人脸识别系统等。

§1.3 课题所研究的内容

一个简单的人脸识别系统主要由三个功能模块组成：图象预处理、特征抽取、

分类识别。如图所示:

图1-1 人脸识别系统框架图

识别过程：图象的来源可以是静止的图象，或者是通过摄像头获取的图象首

先对给定的人脸图象库进行检测和定位，检测出人脸图象，并标出其位置。人脸

图象因为姿态，光线，角度，图象中的噪声等因素，可能对识别效果产生一定的

影响。因此需要对图象进行一定的处理。比如：光线补偿，人脸矫正等。其次是

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要人脸识别技术涉及图像处理，模式识别，人工智能，计算机科学等众多的学科。人脸识别技术在证件审核，安全监控，和罪犯鉴定等领域有着广泛应用。人脸识别技术比其他生物识别更为直观，友好的识别方式，使得它更容易为用户接受。神经网络和人脸识别技术的结合，是在传统图像识别方法的基础上提出的一种新型图像处理技术。本文根据图像识别系统的特点将识别的过程分为图像预处理，特征提取和人脸的分类识别三部分。图像预处理部分主要用于消除光线、背景、服饰、噪声等对人脸识别造成影响的外界因素，并实现高维图像的压缩。几何归一化将原始图像处理为纯脸，消除了背景、头发、服饰对识别的影响，降低了图像维数；灰度归一化消除了部分光线对纯...

展开>> 收起<<

基于PCA的神经网络在图像识别中的应用.pdf

共76页,预览8页

还剩页未读，继续阅读

基于PCA的神经网络在图像识别中的应用

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: