论文总字数：21710字

摘 要

人脸识别技术作为一种新兴的技术，在很多领域有着广泛的应用，得到了很大的发展。人脸识别有很多种，有基于静态图像的人脸识别，有基于动态视频的人脸识别，本文采用基于关键帧的方法实现对动态视频的人脸识别，通过计算相邻的视频帧的相似度来提取关键帧，从而有效减少人脸识别的计算量。采用基于Haar特征的Adaboost人脸检测算法快速地从图像中找到人脸，分割出人脸图像。

本文研究主成分分析法(PCA)、二维主成分分析法(2DPCA)、局部二值模式(LBP)在人脸识别上的应用。PCA算法通过对数据的降维处理，保留人脸主要特征，可以实现人脸识别。2DPCA算法是对PCA算法的改进，计算的速度更快，识别率也有提高。LBP算法通过计算图像的LBP特征，采用等价模式进行数据降维，统计图像的直方图，比较图像的直方图实现人脸识别。

研究发现，基于PCA算法和2DPCA算法的人脸识别技术对光线比较敏感，相比之下，基于LBP算法的人脸识别技术对环境、光线有更好的鲁棒性，本文主要采用这种方法实现对动态视频的人脸识别。

关键词：关键帧 人脸检测 主成分分析(PCA) 局部二值模式(LBP) 人脸识别

Research on face recognition system based on machine vision

Abstract

As a new technology, face recognition technology has been widely applied in many fields and has made great progress. There are many kinds of face recognition, such as face recognition based on static images and based on dynamic video. In this paper, face recognition based on keyframe is applied to dynamic video. The key frames are extracted by calculating the similarity of adjacent video frames, thus effectively reducing the amount of computation of face recognition. The Adaboost face detection algorithm based on Haar features is used to quickly find faces from images and segment face images.

This paper studies the application of PCA, 2DPCA and LBP in face recognition. PCA algorithm can achieve face recognition by dimensionality reduction and preserving the main features of the face. The 2DPCA algorithm is an improvement to the PCA algorithm, with faster computation speed and higher recognition rate. The LBP algorithm calculates the image's LBP features, uses the uniform pattern to reduce the dimension of the data, and makes statistics of the histogram of the image, and compares the histogram of the image to realize face recognition.

It is found that face recognition technology based on PCA algorithm and 2DPCA algorithm is sensitive to light. In contrast, face recognition technology based on LBP algorithm has better robustness to environment and light. This paper mainly uses this method to realize face recognition in dynamic video.

Keywords: Key frame; Face detection; Principal component analysis (PCA); Local binary pattern (LBP); Face recognition

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景和意义 1

1.2 人脸识别的定义和发展现状 1

1.2.1 人脸识别 1

1.2.2 人脸识别的发展 2

1.2.3 基于动态视频的人脸识别 3

1.3 论文的结构安排 4

第二章 关键帧的提取 5

2.1 前言 5

2.2 颜色空间简介 5

2.3 关键帧提取方法 7

2.4 本章小结 8

第三章 图像预处理与人脸检测 9

3.1 前言 9

3.2 图像预处理 9

3.3 人脸检测算法介绍 10

3.3.1 Haar特征 10

3.3.2 Adaboost算法 11

3.3.3 基于Haar特征的Adaboost人脸检测算法 12

3.4 本章小结 13

第四章 基于主成分分析法的人脸识别 14

4.1 前言 14

4.2 主成分分析法简介 14

4.2.1 基本原理 14

4.2.2 基于PCA的人脸识别算法 15

4.3 二维主成分分析法简介 16

4.3.1 2DPCA算法 17

4.4 本章小结 18

第五章 基于LBP的人脸识别算法 20

5.1前言 20

5.2 LBP算法简介 20

5.2.1 LBP特征 20

5.2.2 改进的LBP特征 21

5.3 基于LBP的人脸识别的实现 23

5.3.1 提取LBP特征 23

5.3.2 识别过程 24

5.4 本章小结 24

第六章 视频人脸识别系统的实现 25

6.1 实验平台介绍 25

6.2 人脸识别系统设计 25

6.2.1 建立人脸数据库 25

6.2.2 训练人脸数据 26

6.2.3 人脸识别 26

6.3 实验结果 27

第七章 总结和期望 30

7.1本文所做工作总结 30

7.2 进一步的研究工作 30

参考文献 31

致 谢 33

请支付后下载全文，论文总字数：21710字