基于矩阵分解的单样本人脸识别算法研究分析 数学与应用数学专业VIP免费

目录摘要1前言3第一章绪论41.1研究背景及意义41.2人脸识别流程51.3国内外研究现状71.3本文主要工作和创新点81.4本文组织结构9第二章基于矩阵分解的单样本人脸识别技术112.12D-LDA112.2基于SVD的单样本人脸识别算法122.2.1虚拟样本重建122.2.2特征提取与分类132.3基于LUD的单样本人脸识别算法142.3.1虚拟样本重建142.3.2特征提取与分类162.4本章小结17第三章基于加权矩阵分解的单样本人脸识别算法183.1引言183.2算法框架183.2.1预处理193.2.2特征提取193.2.3自适应方差加权203.3.4加权分类213.3方法对比213.4本章小结22第四章单样本人脸识别仿真实验234.1MATLAB工具介绍234.2人脸库介绍234.2.1ORL人脸数据库234.2.2FERET人脸数据库244.2.3AR人脸数据库244.3实验结果和分析254.3.1距离度量影响分析254.3.2投影向量数量影响分析264.3.3训练样本影响分析284.4本章小结29第五章总结与展望315.1总结315.2展望31攻读学士学位期间主要的研究成果33参考文献35致谢37摘要随着计算机软硬件处理能力的提升，人脸识别成为当前模式识别研究领域的研究热点之一。但是，大多数现实应用系统都采用存储单样本人脸图像的方式来记录用户的面部信息，采用多样本人脸识别算法进行处理的结果往往不如人意。所以单样本人脸识别技术有着重要的实际应用价值，得到了广泛的关注。本文以基于矩阵分解的单样本人脸识别算法为主要的研究对象，对两种现有的基于矩阵分解的单样本人脸识别算法进行了研究分析。现有的基于矩阵分解的单样本人脸识别算法通过重建虚拟样本将单样本人脸识别问题转化为一般的多样本人脸识别问题，从而使得一些多样本人脸识别算法得以适用，但是这些算法通常只使用一种矩阵分解方法来构造虚拟样本，常常受到训练样本质量和矩阵分解算法特性的影响，不能保证在不同情况下的识别性能。所以本文在现有基于矩阵分解的单样本人脸识别算法的基础上提出了一种新的基于加权矩阵分解的单样本人脸识别算法。该算法使用SVD（SingularValueDecomposition）和LUD（Lower-upperDecomposition）进行矩阵分解、重建得到虚拟样本图像，并计算出自适应方差权重。在分类识别部分，使用自适应方差权重将距离进行加权融合，并使用最小距离准则进行分类。基于加权矩阵分解的单样本人脸识别算法是在原有算法基础上的改进，进一步扩展了2D-LDA（Two-dimensionalLinearDiscriminantAnalysis）投影时的子空间大小和识别时的求解范围，提高了识别的正确率和鲁棒性。我们在三个广泛使用的人脸库上，对比了三种算法的识别效果，验证本文提出算法的可行性、高效性和鲁棒性。关键词：单样本人脸识别；线性判别分析；矩阵分解；自适应权重；虚拟样本AbstractWiththeimprovementofcomputerhardwareandsoftwareprocessingcapability,facerecognitionhasbecomeoneofthemostpopularresearchhotspotsinthefieldofpatternrecognition.However,inmostreal-lifeapplications,singlesampleperperson(SSPP)iswidelyutilizedtorecordthefacialinformationofusers,andmanymuti-samplefacerecognitionmethodsoftensufferfromthelackoftrainingsamplesandcannotobtainsatisfactoryresults.Thus,singlesamplefacerecognition(SSFR)isofgreatvaluetoreal-lifeapplicationsandhasattractedwideattention.Inthisthesis,wetaketheSSFRmethodsbasedonmatrixdecompositionasthemainresearchobject,includingSVD(SingularValueDecomposition)andLUD(Lower-upperDecomposition).ThesealgorithmstransformtheSSPPproblemintoageneralmulti-samplefacerecognitionproblembyreconstructingvirtualsamples.Sincethesealgorithmsusuallyuseonlyonematrixdecompositionmethodtoreconstructvirtualsamples,theyareoftenaffectedbythequalityofthetrainingsamplesandthecharacteristicsofthematrixdecompositionalgorithm.Inthisthesis,weproposeanovelfacerecognitionmethodbasedonweightedmatrixdecompositionfortheSSPPproblem.TheproposedmethodappliesbothSVDandLUDtocompletethetaskofmatrixdecompositionandreconstructiontogetthevirtualimages.Base...