基于核化MMC的人脸识别系统论文.doc

基于核化MMC的人脸识别系统毕业论文 目 录 引 言 1 第1章 绪论 2 1.1 人脸识别的研究意义 2 1.2 人脸识别的研究现状 2 1.3 人脸识别的应用 3 1.4 人脸识别的研究内容 3 1.5 人脸识别存在的问题 4 1.6 本文的研究内容及组织结构 5 第2章 人脸识别概述 6 2.1 基于几何特征的人脸识别 6 2.2 基于弹性图匹配的人脸识别 6 2.3 基于神经网络的人脸识别 6 2.4 基于模板匹配的方法 7 2.5 基于隐马尔可夫方法 7 2.6 基于贝叶斯网络的人脸识别 7 2.7 基于核方法的人脸识别 8 2.8 本章小结 9 第3章 数据降维算法概述 10 3.1 线性降维算法 10 3.1.1 主成分分析 10 3.1.2 线性判别分析 11 3.2 非线性降维算法 12 3.2.1 等度映射 12 3.2.2 局部线性嵌入 13 3.2.3 拉普拉斯映射 13 3.2.4 基于核技巧的非线性降维算法 14 3.3 流行学习算法的几个线性化算法 14 3.4 本章小结 15 第4章 基于核方法的最大间距准则算法 16 4.1 引言 16 4.2 算法推导 16 4.2.1 KPCA算法 16 4.2.2 MMC方法 18 4.2.3 KMMC算法 20 4.3 系统功能及实现 22 4.3.1 系统基本功能流程 22 4.3.2 系统演示说明 25 4.4 计算机仿真算法描述与实验结果 29 4.4.1 实验参数描述 29 4.4.2 算法描述 29 4.4.3 实验与实验结果 30 4.5 本章小结 34 结论与展望 35 致 谢 36 参考文献 37 附 录A 外文文献及译文 38 附 录B 参考文献的题录及摘要 51 附 录C 程序源代码 55 插图清单 图 1-1 人脸自动识别系统的主要环节 4 图 3-1 欧式距离（虚线），测地线距离和最短路径距离比较 12 图 4-1 二维空间中的四个类及其边缘距离 19 图 4-2 人脸识别模块流程图 23 图 4-3 人脸检测模块流程图 24 图 4-4 系统总体流程图 25 图 4-5 系统启动画面 26 图 4-6 人脸识别功能图1 26 图 4-7 人脸识别功能图2 27 图 4-8 人脸识别功能图3 27 图 4-9 人脸识别功能图4 28 图 4-10 人脸检测功能图1 28 图 4-11 人脸检测功能图2 29 图 4-12 人脸库部分图像 29 图 4-13 基于核最大间距准则的算法框图 30 图 4-14 主分量数对识别性能的影响 31 图 4-15 主分量数对识别时间的影响 31 图 4-15 x=5时识别率与降维关系图 33 图 4-16 x=7时识别率与降维关系图 34 表格清单 表 4-1 x=5时识别率与降维关系表 32 表 4-2 x=7时识别率与降维关系表 33 表 4-3 KMMC，KPCA两种方法所达最佳的识别率 34 引 言 人脸识别是生物特征识别技术的一种，生物特征识别是根据生物体自身特征利用计算机进行身份识别的一种技术。常用的生物特征有，DNA、虹膜、指纹、掌纹、语音、人脸等。与其它生物特征相比，人脸具有很强的自身稳定性和个体差异性，人脸识别更为直接、友好、符合人类认知习惯、容易被人接受，因此有着广阔的应用前景。 人脸识别是计算机视觉和模式识别领域中的一个难题，它涉及到信号处理、图像处理、模式识别、神经网络、认知科学、心理学和生理学等诸多学科，在过去的十多年中受到研究人员的广泛重视，研究也越来越深入，但是由于人脸识不同于一般的目标识别，其难度极大，人脸识别技术还不够完善，应用工作还处于尝试阶段。 人脸识别的困难行表项在：人脸结构大体相同，所不同的是一些细节上的差异；人脸不是纯粹的刚体，具有复杂而丰富的表情（喜怒哀乐等）；人脸随着年龄增长会呈现出很大的不同；由于外界环境的影响，例如眼镜、光照条件、成像角度、以及成像距离等因素的影响，使得同一个人的人脸图像在不同的条件下呈现出很大的差异。目前尚没有很好的描述人脸的三维模型。诸多因素使得人脸识别成为计算机视觉领域一个富有挑战性的课题。 论文对目前比较流行的降维算法进行了介绍，主要从两方面出发：1）线性化算法、比如 PCA; 2）非线性化算法，主要是基于核技巧的算法，比如KPCA 。在这些基础上，学习和研究了基于核化最大间距准则算法，并通过实验仿真验证了算法的正确性和有效性，实验表明比经典算法 PCA、KPCA 和MMC有更高的识别率。 。绪论 人脸识别的研究意义 近几年来，随着计算机网络技术的高速发展和信息化进程的日益加快，信息安全 和公共安全越来越显示出其前所未有的重要性，成为了许多信息系统要首先考虑的问题。人脸识别作