發(fā)布時(shí)間：2018-09-09 12:51

【摘要】：人臉識(shí)別是在圖像或視頻流中進(jìn)行人臉的檢測(cè)定位和識(shí)別。近年來(lái)由于計(jì)算機(jī)運(yùn)算速度的飛速發(fā)展使得圖像處理技術(shù)有了更好的硬件支持,進(jìn)而人臉識(shí)別技術(shù)也成為計(jì)算機(jī)視覺(jué)與模式識(shí)別領(lǐng)域中非常活躍的研究課題,在身份驗(yàn)證、可視通信、智能監(jiān)控、公安檔案管理等很多方面都有著廣泛的應(yīng)用。廣義上的人臉識(shí)別過(guò)程包括人臉的檢測(cè)定位和人臉的匹配識(shí)別兩個(gè)部分。本文先綜述了人臉識(shí)別的研究背景和研究現(xiàn)狀,并詳細(xì)的通過(guò)分類(lèi)介紹了人臉檢測(cè)和人臉識(shí)別中的主要方法。然后在深入的研究了已有算法的基礎(chǔ)上,對(duì)算法進(jìn)行了調(diào)整和融合,并完成了一個(gè)人臉識(shí)別軟件的設(shè)計(jì)和實(shí)現(xiàn)。在進(jìn)行人臉檢測(cè)之前,本文先探討了人臉圖像的預(yù)處理,主要介紹了人臉圖像的灰度變換和直方圖均衡化。在介紹原理的基礎(chǔ)上,實(shí)驗(yàn)選取了一幅靜態(tài)人臉圖像對(duì)操作效果進(jìn)行了直觀描述。人臉檢測(cè)環(huán)節(jié),本文采用基于Adaboost算法的人臉檢測(cè)。Adaboost算法是采用分類(lèi)器的思想,把人臉檢測(cè)問(wèn)題看成一個(gè)只有兩個(gè)類(lèi)的分類(lèi)問(wèn)題,即將圖像分為“人臉”和“非人臉”兩大類(lèi)。通過(guò)對(duì)人臉樣本圖像進(jìn)行訓(xùn)練得到的級(jí)聯(lián)分類(lèi)器來(lái)對(duì)人臉進(jìn)行檢測(cè),在此基礎(chǔ)上實(shí)現(xiàn)了基于Adaboost算法的人臉檢測(cè)軟件。選取了ORL人臉數(shù)據(jù)庫(kù)和MIT人臉數(shù)據(jù)庫(kù)中的圖像樣本進(jìn)行了統(tǒng)計(jì)實(shí)驗(yàn),觀察了級(jí)聯(lián)分類(lèi)器個(gè)數(shù)對(duì)檢測(cè)率的影響。人臉識(shí)別部分,先介紹了NMF算法的原理,之后又介紹了幾種基于NMF的改進(jìn)算法。最后在分析了非負(fù)矩陣分解和其改進(jìn)算法的基礎(chǔ)上,采用了稀疏約束的非負(fù)矩陣分解算法進(jìn)行特征提取,通過(guò)對(duì)基矩陣稀疏度的改變探討了其對(duì)人臉識(shí)別率的影響,并在ORL人臉庫(kù)上進(jìn)行了實(shí)驗(yàn)。本文的人臉識(shí)別和檢測(cè)部分的實(shí)驗(yàn)以及最后給出的軟件都是采用Windows平臺(tái),使用Visual C++6.0結(jié)合OpenCV實(shí)現(xiàn)的,實(shí)驗(yàn)結(jié)果表明本文采用的算法在檢測(cè)率和識(shí)別率上都滿(mǎn)足要求。
[Abstract]:Face recognition is the detection, localization and recognition of face in image or video stream. In recent years, because of the rapid development of computer computing speed, image processing technology has better hardware support, and face recognition technology has become a very active research topic in the field of computer vision and pattern recognition. Visual communication, intelligent monitoring, public security file management and many other aspects of a wide range of applications. The process of face recognition in a broad sense includes two parts: face detection and location and face matching recognition. In this paper, the research background and current situation of face recognition are reviewed, and the main methods of face detection and recognition are introduced in detail by classification. Then, on the basis of deeply studying the existing algorithms, the algorithm is adjusted and fused, and a face recognition software is designed and implemented. Before face detection, this paper discusses the preprocessing of face image, mainly introduces the gray level transformation and histogram equalization of face image. On the basis of introducing the principle, a static face image is selected to describe the operation effect directly. In the aspect of face detection, this paper adopts the idea of classifier for face detection based on Adaboost algorithm, and regards the problem of face detection as a classification problem with only two classes, that is, the image can be divided into two categories: "face" and "non-face". The face detection software based on Adaboost algorithm is implemented based on the cascade classifier which is trained to the face sample image. The image samples from ORL face database and MIT face database are selected for statistical experiments, and the effect of the number of cascaded classifiers on the detection rate is observed. In the part of face recognition, the principle of NMF algorithm is introduced, and then several improved algorithms based on NMF are introduced. Finally, based on the analysis of the non-negative matrix decomposition and its improved algorithm, the sparse constraint non-negative matrix decomposition algorithm is used to extract the features, and the effect on the face recognition rate is discussed by changing the sparse degree of the base matrix. Experiments are carried out on ORL face database. The experiments of face recognition and detection in this paper and the software presented in the end are implemented on Windows platform and Visual C 6.0 combined with OpenCV. The experimental results show that the detection rate and recognition rate of the algorithm in this paper meet the requirements.
【學(xué)位授予單位】：西北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何光輝;張?zhí)��?;保持拓?fù)湫苑秦?fù)矩陣分解法在人臉識(shí)別的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2010年14期

2 史加榮;焦李成;尚凡華;;不完全非負(fù)矩陣分解的加速算法[J];電子學(xué)報(bào);2011年02期

3 王文俊;張軍英;;一種非負(fù)矩陣分解的快速方法[J];計(jì)算機(jī)工程與應(yīng)用;2009年25期

4 張雷鳴;李秋丹;廖勝才;;非負(fù)矩陣分解在標(biāo)簽語(yǔ)義分析中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2010年04期

5 于彬;;基于局部非負(fù)矩陣分解的人臉識(shí)別[J];科學(xué)技術(shù)與工程;2010年33期

6 姜偉;楊炳儒;隋海峰;;局部敏感非負(fù)矩陣分解[J];計(jì)算機(jī)科學(xué);2010年12期

7 宋金歌;楊景;陳平;佘玉梅;;一種非負(fù)矩陣分解的快速稀疏算法[J];云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

8 高燕燕;;非負(fù)矩陣分解及其應(yīng)用探討[J];硅谷;2011年23期

9 郝紅;徐常青;張新平;;基于非負(fù)矩陣分解的航拍圖像信息提取[J];浙江農(nóng)林大學(xué)學(xué)報(bào);2012年01期

10 吳榮玉;樊豐;舒建;;基于非負(fù)矩陣分解的魯棒哈希函數(shù)驗(yàn)證性研究[J];電子技術(shù)應(yīng)用;2012年01期

相關(guān)會(huì)議論文 前10條

1 孫江明;李通化;;非平滑三維非負(fù)矩陣分解[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動(dòng)多文摘方法[A];中國(guó)計(jì)算機(jī)語(yǔ)言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負(fù)矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識(shí)別[A];2008年全國(guó)振動(dòng)工程及應(yīng)用學(xué)術(shù)會(huì)議暨第十一屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負(fù)矩陣分解一稀疏表示分類(lèi)的玻璃缺陷圖像識(shí)別[A];第24屆中國(guó)控制與決策會(huì)議論文集[C];2012年

8 錢(qián)樂(lè)樂(lè);高雋;徐小紅;;非負(fù)性約束的圖像稀疏編碼[A];第七屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

9 朱昊;黃源水;付夢(mèng)印;;基于NMF的道路識(shí)別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測(cè)度的語(yǔ)音與音樂(lè)分離算法[A];第十一屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集（一）[C];2011年

相關(guān)博士學(xué)位論文 前8條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

2 葉軍;基于正則化方法的非負(fù)矩陣分解算法及其應(yīng)用研究[D];南京理工大學(xué);2014年

3 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識(shí)別中的應(yīng)用[D];安徽大學(xué);2013年

4 殷海青;圖像分析中的非負(fù)矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學(xué);2011年

5 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

6 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

7 方蔚濤;人臉識(shí)別特征抽取算法的研究[D];重慶大學(xué);2012年

8 劉昱昊;基于非負(fù)矩陣分解算法的人臉識(shí)別技術(shù)的研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

2 王一;凸與半非負(fù)矩陣分解的近點(diǎn)梯度方法研究[D];東北師范大學(xué);2015年

3 項(xiàng)磊;基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

4 王丹;基于非負(fù)矩陣分解的腦電信號(hào)特征提取算法研究[D];燕山大學(xué);2015年

5 馬春霞;非負(fù)矩陣分解及在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用研究[D];曲阜師范大學(xué);2015年

6 崔艷榮;基于非負(fù)矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應(yīng)用[D];電子科技大學(xué);2014年

7 賴(lài)淑珍;非負(fù)矩陣分解若干算法研究與應(yīng)用[D];電子科技大學(xué);2014年

8 趙龍;基于多流形正則化非負(fù)矩陣分解的多視圖聚類(lèi)[D];大連理工大學(xué);2015年

9 黃震;基于多視角非負(fù)矩陣分解的同名區(qū)分算法研究[D];大連理工大學(xué);2015年

10 邵強(qiáng);改進(jìn)的非負(fù)矩陣分解算法及其在人臉識(shí)別中的應(yīng)用[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：2232422