需要金币:2000 个金币 | 资料包括:完整论文 | ||
转换比率:金额 X 10=金币数量, 例100元=1000金币 | 论文字数:11881 | ||
折扣与优惠:团购最低可5折优惠 - 了解详情 | 论文格式:Word格式(*.doc) |
摘要:随着当今社会的高速发展,信息安全这一问题越来越受到人们的重视,如何进行准确、高效的身份识别已成为一个亟待解决的课题。人脸识别技术根据每个人独特的面部特征来进行识别,与基于其他生物特征的身份识别技术相比,具有采集简单方便、非侵入性、符合人类认知习惯等优点。人脸识别技术是模式识别和人工智能等领域的研究热点,并且在公共安全及经济金融方面显示出了巨大的应用前景。人脸识别技术虽然取得了许多突破,但在不受控条件下的识别效果并不理想,仍然具有高度的挑战性。 人脸识别一直是机器学习领域的热门问题,针对不同场景和不同目标,人们提出了各种解决算法。随着压缩感知理论的发展和成熟,其在人脸识别领域的一项应用就是稀疏表示识别算法,该算法具有对特征提取不敏感和对遮挡物鲁棒性很好的优点。而本论文的核心是一种协同表示识别算法,其改进于稀疏表示识别算法,继承了对遮挡物较好的鲁棒性,并大幅提升了算法的速度。 协同表示算法的核心思想是通过分析推导,证明了稀疏表示能成功应用于人脸识别问题的主要原因是其协同表示的机制,而正则约束条件的主要作用是保证求解过程的稳定性,因此可以将正则约束条件放松为正则约束条件,将原算法中欠定线性方程组的最优化问题转化为最小二乘问题,直接通过求导就可以得到全局最优解,从而大大地降低了计算量,实现了快速识别人脸的目标。从稀疏表示到协同表示的这一过程,体现对稀疏表示算法更加深层次的理解,是一种化繁为简的进步。
关键词:人脸识别;协同表示;特征提取
目录 摘要 Abstract 1 绪论-1 1.1引言-1 1.2课题背景以及意义-1 1.3 国内外发展状况-2 1.4 主要研究内容-3 1.5 章节安排-5 2 人脸识别的常用算法-6 2.1 LBP特征提取算法-6 2.2 基于Gabor波的特征提取算法-7 2.3 稀疏表示算法-8 2.3.1 算法优点-9 2.3.2 算法缺点-10 3基于协同表示识别算法的人脸检测——识别系统-11 3.1从稀疏表示到协同表示-11 3.2协同表示算法的定义-11 3.3算法基本流程-13 4 实验结果-14 4.1人脸数据库-14 4.2在ORL人脸数据库上的实验-14 4.3在Yale人脸数据库上的实验-15 结 论-17 参 考 文 献-18 致 谢-19 |