人脸特征提取与人脸识别系统研究
摘要 | 第5-6页 |
Abstract | 第6页 |
目录 | 第7-10页 |
第1章 绪论 | 第10-18页 |
1.1 课题研究背景与意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.3 人脸识别技术存在的难点 | 第13-14页 |
1.4 人脸识别系统框架 | 第14-17页 |
1.4.1 识别问题中的概念 | 第14-15页 |
1.4.2 人脸识别系统框架 | 第15-17页 |
1.5 本文的内容安排 | 第17-18页 |
第2章 人脸数据库和图像预处理 | 第18-26页 |
2.1 人脸数据库 | 第18-20页 |
2.2 图像预处理 | 第20-26页 |
2.2.1 灰度图像 | 第20页 |
2.2.2 直方图均衡 | 第20-23页 |
2.2.3 中值滤波 | 第23-26页 |
第3章 人脸特征提取 | 第26-40页 |
3.1 概述 | 第26页 |
3.2 PCA理论 | 第26-30页 |
3.2.1 零维时的情况 | 第27页 |
3.2.2 一维时的情况 | 第27-29页 |
3.2.3 k维时的情况 | 第29-30页 |
3.3 PCA在人脸特征提取中的缺点 | 第30-31页 |
3.4 改进的PCA方法 | 第31-33页 |
3.4.1 改进的PCA理论 | 第31-32页 |
3.4.2 改进PCA函数的封装 | 第32-33页 |
3.5 基于改进的PCA人脸特征提取 | 第33-37页 |
3.5.1 ORL人脸库简介 | 第33-34页 |
3.5.2 生成样本矩阵 | 第34-35页 |
3.5.3 主成分分析 | 第35-37页 |
3.6 人脸样本图像重建 | 第37-40页 |
第4章 基于SVM的多类分类器设计 | 第40-54页 |
4.1 支持向量机原理 | 第40-48页 |
4.1.1 线性可分情况 | 第41-44页 |
4.1.2 线性不可分情况 | 第44-46页 |
4.1.3 核函数映射 | 第46-48页 |
4.2 SVM在Matlab中的实现 | 第48-50页 |
4.2.1 训练函数——svmtrain | 第48-49页 |
4.2.2 分类函数——svmclassify | 第49-50页 |
4.3 将SVM推广到多类问题 | 第50-54页 |
4.3.1 推广方法 | 第50-51页 |
4.3.2 Matlab实现 | 第51-54页 |
第5章 人脸识别系统设计 | 第54-66页 |
5.1 前期处理 | 第54-55页 |
5.2 数据规格化 | 第55-56页 |
5.2.1 数据规格化的必要性 | 第55页 |
5.2.2 数据规格化方法 | 第55-56页 |
5.3 选择核函数 | 第56-58页 |
5.3.1 核函数的选择 | 第56页 |
5.3.2 参数选择 | 第56-58页 |
5.4 人脸识别系统仿真 | 第58-63页 |
5.4.1 系统整体框架设计 | 第59页 |
5.4.2 程序控制界面设计 | 第59-60页 |
5.4.3 训练 | 第60-61页 |
5.4.4 识别 | 第61-63页 |
5.5 实验结果分析 | 第63-66页 |
第6章 总结与展望 | 第66-68页 |
6.1 工作总结 | 第66页 |
6.2 展望 | 第66-68页 |
参考文献 | 第68-72页 |
致谢 | 第72页 |