版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、隨著信息科學技術(shù)的發(fā)展,人體生物特征識別技術(shù)如指紋識別、虹膜識別、基因識別、視網(wǎng)膜識別在安全、軍事、民事和經(jīng)濟等領(lǐng)域有了迅速發(fā)展。與上述識別技術(shù)方法相比,人臉識別技術(shù)具有方便、無需用戶過多參與、對用戶無干擾、不易被造假等優(yōu)點,因此,基于2DPCA+FLDA的人臉識別的研究具有非常重要的意義。
本文構(gòu)建了一個靜態(tài)人臉識別系統(tǒng),對人臉圖像的預處理、特征提取、特征分類器的設計等相關(guān)問題進行了深入研究。
首先,本文對
2、ORL人臉庫中的人臉圖像進行預處理,運用直方圖均衡化進行歸一化處理,用中值濾波進行圖像平滑處理,用同態(tài)濾波進行圖像增強處理,并給出預處理后的圖像。然后,對預處理后的圖像做特征選擇與提取,對幾種特征提取方法如主成分分析(PCA)、二維主成分分析(2DPCA)和Fisher線性鑒別分析方法(FLDA)做了分析與研究,給出了人臉的主成分臉和重建后的人臉,二維主成分分析(2DPCA)方法不需要將人臉圖像轉(zhuǎn)換為一維矩陣而可以直接對二維圖像進行處理
3、,比主成分分析(PCA)方法的訓練時間少,因此選擇2DPCA方法,同時由于FLDA方法側(cè)重于分類,將幾種方法進行對比實驗后,本文給出了2DPCA與FLDA相融合的方法,該方法不僅具有2DPCA計算量小、重建效果好的優(yōu)點,而且也具有FLDA可分性好,易于特征選擇的優(yōu)點。最后,本文在特征分類器設計上用最近鄰分類器與支持向量機分類器構(gòu)成一個串聯(lián)的二級融合分類器,將提取到的特征分量送入二級融合分類器,先用最近鄰分類器粗分,再用支持向量機分類器細
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于2D圖像的人臉特征定位和人臉識別.pdf
- 基于LBP的人臉身份識別和性別識別研究.pdf
- 基于2DPC A的人臉識別研究.pdf
- 基于PLS和HMM的人臉識別研究.pdf
- 基于SIFT和SVM的人臉識別研究.pdf
- 基于SVM和KICA的人臉識別.pdf
- 基于Gabor和Adaboost的人臉識別算法研究.pdf
- 基于PCA和RBFNN的人臉識別算法研究.pdf
- 基于ALGTP的人臉識別研究.pdf
- 基于ASLBP的人臉識別研究.pdf
- 基于ICA的人臉識別研究.pdf
- 基于分塊DCT和雙向2DPCA的人臉識別.pdf
- 基于加權(quán)小波分解的人臉識別的人臉識別算法研究.pdf
- 基于PCA算法和人臉姿態(tài)合成的人臉識別.pdf
- 基于LBP和混合2DPCA+PCA的人臉識別研究.pdf
- 基于組件的人臉識別.pdf
- 基于視頻的人臉檢測和性別識別.pdf
- 基于LDA的人臉識別.pdf
- 基于lbp的人臉識別
- 基于LDA和KDA的人臉識別算法研究.pdf
評論
0/150
提交評論