《毕业设计（论文）变电站视频监控系统中基于核函数的人脸图像识别方法研究》由会员分享，可在线阅读，更多相关《毕业设计（论文）变电站视频监控系统中基于核函数的人脸图像识别方法研究（54页珍藏版）》请在金锄头文库上搜索。
1、目录第一章 绪论- 1 -1.1 人脸识别的意义- 1 -1.2 人脸识别的现状- 2 -1.2.1 人脸识别研究问题- 2 -1.2.2 数据库- 5 -1.3 本论文的内容- 7 -第二章 变电站视频监控系统- 8 -2.1 视频监控技术的发展- 8 -2.2 变电站视频监控系统- 8 -2.2.1 变电站视频监控系统的组成- 8 -2.2.2 厂站端设备功能- 9 -2.2.3通信通道- 10 -2.2.4集控端设备功能实时视频监控- 10 -2.3本章小结- 12 -第三章人脸图像的预处理- 13 -3.1 预处理的基本概念- 13 -3.2 图像的归一话- 13 -3.3二值化- 1
2、6 -3.4 本章小结- 16 -第四章 核方法的特征提取- 17 -4.1核方法的基本概念- 17 -4.2核的主成分分析法（KPCA）- 18 -4.2.1主成分分析法- 18 -4.2.2核的主成分分析法（KPCA）- 19 -4.2.3基于KPCA的人脸识别算法- 21 -4.3线性判别分析法（LDA）- 21 -4.3.1LDA的基本原理- 22 -4.3.2基于LDA的人脸识别计算步骤- 23 -4.4 核Fisher判别法（KFDA）- 24 -4.4.1 核Fisher判别法原理- 24 -4.4.2 核Fisher判别法算法- 26 -4.5 本章小结- 27 -参考文献-
3、29 -附录- 31 -第一章 绪论1.1 人脸识别的意义人脸识别的研究开始于20世纪70年代1,2，至今为止已有了30多年的历史，随着人们对人机交换、图像理解、自动身份识别的要求的提高，人脸识别技术得到了飞速的发展。但促使人脸识别发展的原因是计算机硬件成本的降低。在“911”恐怖事件发生后，由于各方面关于人脸识别的研究成果也层出不穷。人们之所对人脸识别问题加以重视，因为它具有重大的研究意义，它潜在着巨大的应用前景和科学的发展。人脸识别是根据场景中的静态图像或视频，利用给定的人脸数据库信息，通过计算机提取的人脸特征来鉴别或确认该场景中人的身份的过程，它与其它人体生物特征识别技术相比具有结果直观
4、、隐蔽性好的优越性，是最直接的手段，易于为用户所接受。特别是在非接触环境和不惊动被检测人的情况下，人脸识别技术的优越性远远超过已有的指纹识别、签名识别等其他生物特征识别技术。模式识别、图像处理和计算机视觉领域的一个热点研究方向便是人脸识别，与指纹识别、掌纹识别、语音识别、虹膜识别等其他生物特征相比，人脸图像更加容易得到，在视频会议、身份识别、访问控制、档案管理、电子相册、基于对象的图像和视频检索等方面有着广泛的应用。人脸识别是指计算机根据一定的算法，对新获得的图像与计算机中已有的经过机器学习的图像库进行匹配比较后，做出测试图像中身份判断的识别过程。人脸识别是一个交叉的学科，囊括了数学中的高等代
5、数、统计学、微分几何，计算机学科中的计算机视觉、智能系统、模式识别，以及医学中的神经生理学、心理学等研究领域的学科。指纹、掌纹、声音、DNA、签名、步态等特征都可被用来尝试进行身份的鉴定研究，但是在各种生物特征中，人脸特征有自己的特点，人脸是一个人区别于他人的最自然、最主要的特征。人脸特征同时还具有唯一性，一个人与他人的脸部特征是不同的，即使是双胞胎的人脸也有区别，这说明用人脸区分不同的人是合理可以行的。另一方面，人脸图像相对于其他生物特征来说更容易获取，法律上也没有障碍。所有这些，使得人脸识别成为近几年来图像处理领域中最活跃的分支之一。表明人脸识别别成为一项富有挑战性的研究课题，并将在不久的
6、将来将更加普遍的运用于生活之中。人脸识别多用于视频安全验证，例如：嫌疑犯照片的识别匹配；信用卡、驾驶执照、护照与个人身份的识别；银行、商场安全系统；公众场合监视；专家识别系统；基于目击线索的人脸重构；嫌犯电子照片簿；随着年龄增长的人脸推测等。1.2 人脸识别的现状 1.2.1 人脸识别研究问题 人脸识别至今已有了30多年的发展，在技术上已经达到了一定的成熟度，也有一些公司开始在企业系统中加入了人脸识别这一环节，如Identix公司的FaceIt系统、Viisage公司的Vissage Face TOOLS系统等，这些商业系统的成功也预示着人脸识别系统存在着巨大的市场需求和广阔的应用前景。常见的
7、人脸识别基本算法可分为几类：基于几何特征的人脸识别、基于子空间分析的人脸识别、基于模板匹配的人脸识别、基于隐马尔可夫模型的人脸识别、基于神经网络的人脸识别和基于3一D的人脸识别等。 （1）基于几何特征的方法这类识别方法首先将人脸用一个几何特征矢量表示，进而用模式识别中的层次聚类思想设计分类器对人脸进行识别。在这种基于几何特征的识别中，识别总归为特征矢量之间的匹配，基于欧氏距离的判决3是最常用的识别方法。侧影识别是最早的基于几何特征的人脸识别方法，主要是从人脸侧面轮廓线上提取特征点人手。基于几何特征的识别方法具有的优点： 符合人类识别人脸的机理，易于理解； 对每幅图像只需存储一个特征矢量，存储量
8、小； 对光照变化不太敏感。但同时存在如下问题： 从图像中抽取稳定的特征比较困难，特别是当特征受到遮挡时； 对强烈的表情变化和姿态变化的鲁棒性较差； 一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失。其典型的算法主要有活动轮廓模型和可变形模板模型等。（2）基于子空间分析的人脸识别子空间方法的基本思路是将高维的人脸图像特征通过空间变换(线性或非线性)压缩到一个低维的子空间进行识别。 最初的子空间被看作一组正交归一的基本向量。20世纪80年代末，研究人员将KL变换的思想引入图像表达领域，开发出一种最小均方误差意义下描述人脸图像的最优技术。由此，利用重构权向量作为识别
9、用的特征，提出“特征脸”识别技术4。从所提取特征的角度来看，基本的线性子空间方法中包含表达性特征提取方法和鉴别性特征提取方法2类。表达性特征提取方法中有2类代表性技术： 主成分分析(PCA)； 独立分量分析(ICA)。PCA方法实际上是在二阶统计量上的去相关5，而ICA则是在所有阶统计量上的去相关，从而使信号的二阶统计量和高阶统计量都得到了有效利用，其基本思想是通过线性变换，从训练样本中找到一组互相独立的基(独立分量)，并以此来描述样本数据。ICA方法可以看成是PCA方法的泛化，在人脸识别中有广泛的应用。在基于线性子空间的人脸识别中，实际上是把人脸图像中存在的表情、姿态及光照等复杂的变化进行了
10、线性简化，因此不可能得到人脸充分的描述。 （3）基于模板匹配的人脸识别 这类方法的基本思想是将人脸灰度图像当作数据库中的模板6，然后通过计算未知样本和已知模板间的归一化相关来进行人脸识别，对全局模板整个人脸或局部模板眼睛、鼻子和嘴巴都进行了尝试。他们在一个由个人组成的人脸数据库上将该方法与基于几何特征的方法进行了比较，实验结果表明：在人脸尺度、光照、姿态条件稳定的情况下，模板匹配方法取得的识别精度更高。 模板匹配方法虽然简单直观，但由于特征向量维数通常就是人脸图像像素个数，因此2个样本之问的相似性的计算量很大。在实际应用中，当模板数据库中的人数较多时，该方法的识别速度将是难以忍受的。此外，由于
11、该方法需要将图像数据作为模板文件存储起来，又造成了存储的不紧凑性问题。目前已应用于人脸识别中的非线性子空间方法有核主分量分析、核Fisher判别分析和核独立分量分析等。 （4）基于隐马尔可夫模型的人脸识别 在人脸识别中识别的对象应该包括人脸各个器官的数值特征及各个器官联系特征信息。而隐马尔可夫模型(HMM)7提供了解决这一问题的方法，按照这种模型，观测到的特征被看成是另一组不可观测“状态”产生的一系列实现。因而可以将不同的人用不同的HMM参数来表征，而同一个人由于姿态和表情变化产生的多个观测序列可以通过同一个HMM模型来表征。最早由Samaria提出了关于人脸的隐马尔科夫模型8.隐马尔科夫过程
12、是一个双重的随机过程：一个潜在的过程称为“状态”过程；另一个可观测过程称为“观测序列”，观测序列是由隐含的状态过程决定的。基于HMM的人脸识别方法能够允许人脸有表情变化和较大幅度的头部转动，具有较高的识别率，但同时提取特征和训练模型参数时却需要较大的运算量，因而应用较少。 （5）基于神经网络的人脸识别9 所谓人工神经网络，是一种模仿生物神经网络行为特征的分布式并行信息处理算法结构的动力学模型。将人工神经网络应用于人脸识别，一个直观的想法是建立一个神经网络，其中每个神经元对应图像中的一个像素。神经网络在训练最优参数时必须有多样本输入，因此对单样本人脸识别问题是无能为力的。 （6）基于3一D的人脸
13、识别10,11目前的人脸识别主要还是针对二维图像或二维动态视频序列进行研究，二维图像识别技术在其他领域己有很多的应用，但是由于人脸是个塑变体，使得通过二维图像识别技术对人脸识别存在困难。另外，基于二维图像的人脸识别，不可避免受到环境光线、背景、视角等和人脸的姿态、表情、遮挡等不利影响，因而其识别精度很难有进一步的提高。（7）基于核方法的人脸识别 核方法是当前人脸识别领域中一个迅猛发展的新方向。它的主要思想最初是由V.Vapnik12提出并应用于支持向量机（SVM）中的。之后，Schlkopf等人13将核机器学习方法应用于特征提取中，提出了核主成分分析（KPCA），试验结构表明KPCA不仅能够提
14、取非线性特征，而且具有更优的识别结果。尽管核方法在人脸识别等模式识别领域应用的非常广泛和成功。但是，在现在核机器学习方法中，构造特征空间F中的核矩阵K所耗费的计算复杂度非常高。因为核函数需要计算两个向量间的内积，当向量的维数很高时（如人脸识别中的训练样本的维数普遍高达上万维），计算K所需的计算量为 14,另一方面造成核矩阵的不可逆。因此，当采用核方法对人脸进行表征与分类时，随着训练样本集的增大，相应计算量也增加，效率也随之降低，而很多实际的模式分类任务要求系统具有较高的效率。从应用角度分析，有必要对核方法进行改进，以提高其效率。 研究基于核的人脸识别算法，设计对其改进的方案或算法以克服由核函数
15、引发的计算代价大、特征提取和识别速度缓慢的缺陷，进而提升人脸识别的效率、满足实际应用对实时性的要求，有重要的实际意义。1.2.2 数据库目前，人脸识别技术已经从实验室中的原型系统逐渐走向商用，出现了大量的人脸识别算法和若干商业系统。然而，人脸识别的研究仍旧面临着巨大的挑战，人脸图像中姿势、光照、表情、饰物、背景、时间跨度等因素的变化对人脸识别算法的鲁棒性有着负面的影响，一直是影响人脸识别技术进一步实用化得主障碍。多数人脸识别算法的研究，开发和测试需要更多的人脸图像来克服上述障碍，主要包括两方面：人脸库所包含的人数，人脸库中每个人所具有在不同条件下的人脸图像数。人脸图像库在提供标准的人脸图像训练、测试集合的同时，还应该能对影响人脸识别性能的不同情况进行模拟，以方便研究人员针对不同的关键问题进行重点研究。目前人脸识别领域常用的人人脸数据库主要有15.16：1、FERET人脸数据库由FERET项目创建，包含14，051张多姿态、光照的灰度人脸图像，是人脸识别领域应用最广泛的人脸数据库之一。其中的多数人是西方人，每个人所包含的人脸图像的变化时单一。2、Yale人脸数据库Yale人脸数据库包括15个人，没人有11幅128*128大小的正面图像，图像包括了不同表情、不同光照、睁眼或闭眼以
