几种人脸识别方法的比较与仿真开题报告

全文总字数：1614字

1. 研究目的与意义

研究目的：

人脸识别也就是模拟人类互相判别、认识的能力，研究如何快速准确的识别人脸的分类方法。人脸识别是人工智能领域中受到广泛关注的课题，它的研究不仅包涵了模式识别、计算机图学等工程技术领域的学科，而且涉及了统计学、神经科学、生理学、心理学等多个相关学科。随着计算机技术的迅猛发展，以及其在人工智能领域的越来越深入的运用。人脸识别作为人工智能的重要部分也获得了长足的发展。

研究意义：

2. 国内外研究现状分析

1936年，Fisher 发表了影响深远的题为The use of multiple measurements in taxonomic problems的论文。其基本思想是选择使得Fisher 准则函数达到极值的向量作为最佳投影方向，从而使得样本在该方向上投影后，达到最大的类间离散度和最小的类内离散度。在Fisher 思想的基础上，Wilks 和Duda 分别提出了鉴别矢量集的概念，即寻找一组鉴别矢量构成子空间，以原始样本在该子空间内的投影矢量作为鉴别特征用于识别。该方法被称为经典的Fisher 线性鉴别分析。目前该方法仍然广泛应用于人脸识别等领域。除了经典的Fisher 线性鉴别分析方法外，在1970年,Sammon 提出了基于Fisher 鉴别准则的最佳鉴别平面的概念，随后，Foley and Sammon 进一步提出了采用一组满足正交条件的最优鉴别矢量集进行特征提取的方法。该方法被称为Foley and Sammon鉴别分析。

同样基于Fisher 准则，金忠和杨静宇提出了统计不相关最优鉴别矢量集的概念,这种鉴别矢量集满足共轭正交的条件。可以证明，基于这样的鉴别矢量集提取的特征分量之间是统计不相关的。在维数压缩意义上，这种不相关性是一种非常好的性质，减少特征分量之间信息冗余。相反，可以说明F-S鉴别矢量集提取出的特分量间一般是统计相关的。研究指出了在Fisher 准则函数所对应的广义特征方程的特征值互不相等的条件下，不相关鉴别矢量集与经典的Fisher 鉴别分析方法等效。J.Yang 和J-Y Yang的相关研究同样引人注目，他们的分析指出，Fisher 准则函数对应的广义特征方程一定存在一组不相关的特征向量，使用这组特征向量提取出的特征分量间自然是不相关的。

3. 研究的基本内容与计划

研究内容：

本文主要研究在于对fisher线性鉴别与f-s线性鉴别方法和其他最大化fisher准则函数的同时满足某些特定条件的线性鉴别方法进行计算寻找出一组最优鉴别矢量集作为最优投影轴使得fisher准则函数达到最大值，其物理意义是投影后的样本具有最大的类间离散度和最小的类内离散度。

然后将算法用matlab等工具进行编写实现，在orl标准人脸库中进行仿真识别，测试方法的识别性能。

4. 研究创新点

对几种线性鉴别分析方法进行研究求解的同时也对几种方法进行横向的对比，对它们之间内在的关系和物理意义进行探讨，得出相应的结论。比较它们识别率和计算速率，了解其各种方法的优劣，以便于人脸识别技术得以更好的应用。