目录
目录
摘 要 II
ABSTRACT III
引言 1
1 选题意义和研究现状 2
1.1 意义 2
1.2 国内外研究现状 2
2 人脸特征提取和识别方法 4
2.1 特征提取方法 4
2.1.1 HOG（Histogram of Oriented Gradients方向梯度直方图） 5
2.1.2 LBP（Local Binary Patterns局部二值模式） 6
2.1.3 基于LBPHOG的特征提取 8
2.1.4 SURF（Speeded up Robust Features）特征提取 8
2.2 局部特征的子空间聚类 12
2.2.1 Bag of Features方法 13
2.2.2 Kmeans聚类得到特征词典 14
2.3 基于神经网络的人脸识别 15
2.3.1 神经网络结构 15
2.3.2 BP（Back Propagation）神经网络完成识别 19
3 算法实现与结果分析 20
3.1 算法实现 20
3.1.1 数据集分割与提取特征词向量 21
3.1.2 构建BP神经网络完成识别 21
3.1.3 SVM实现识别 22
3.2 结果分析 23
3.2.1 两种特征提取识别结果 23
3.2.2 分析 29
4 结论与不足 29
4.1 结论 29
4.2 不足与改进 30
致谢 29
参考文献 30
附录 31
基于子空间聚类与神经网络的人脸识别研究
摘 要
人脸识别是计算机视觉领域中重要的课题，该技术在学术、商业、刑侦等领域都发挥着独特的作用。论文基于HOGLBP与SURF方法提取图像局部特征，利用特征词袋思想与Kmeans聚类对众多局部特征实施子空间聚类，最后构建BP神经网络实现人脸识别。同时，论文对比分析了 *51今日免费论文网|www.51jrft.com +Q: #351916072# 
两种局部特征提取方法在相同聚类方法下的异同，以及BP神经网络与传统SVM分类的效果差异。结果表明两种特征提取方法在BP神经网络下的识别率差异不大，但提取特征的原理与意义不同，在神经网络的迭代过程中也有差异，而且传统的SVM的分类效果不如BP神经网络。
引言
当下，人们正处于一个计算机信息时代。在计算机视觉领域中，有诸多课题与人们的生活息息相关，如图像的物体、背景识别（如：自行车、飞机、人脸等），从多重影像中求解3D结构，双目立体匹配，运动跟踪等。它们都以图像匹配为基础，研究这些课题可以使计算机更好的服务人类社会。本项目则利用图像匹配的思想实现人脸识别算法。具体过程是：先分别利用基于HOGLBP的方法与SURF算法提取每张人脸图的关键点（局部区域）特征词向量，用来生成初始特征词典，将每幅人脸图看作这些图像特征词向量的无序集；之后利用子空间聚类（Kmeans聚类）方法将特征词典分类，实现对初始特征词向量的降维；然后将人脸库以一定比例随机分为训练集和测试集，并分别将训练集特征向量与测试集特征向量存入矩阵；最后利用训练集和测试集建立单层前馈神经网络与BP神经网络，完成人脸识别。
HOG与LBP是对于图像特征提取的两种方式。HOG（方向梯度直方图）着重反映图像形状特征，而LBP（局部二值模式）则着重反映图像的纹理特征。本次研究在进行特征提取的过程中，将采取两种方法的结合特征提取法——基于HOGLBP的图像特征提取，这样则可以较大程度保证图像原有信息的完整性。
SURF算法是通过SIFT算法改进而来。SIFT算法对图像特征的提取具有旋转、尺度不变性。并在图像匹配实践中，对于较大程度的仿射扭曲、3D视角变换、噪音点增加以及光照改变的情况下都展现了较强的健壮性。但其速度相对较慢，时间复杂度较高。SURF算法则改进了这一点，具有能够快速提取特征词向量的特点。本项目的另一种特征提取算法则采用了SURF算法进行词向量提取。
然而，以上述两种方法得到训练集与测试集的特征词向量维度较高，不适合构建神经网络，因此需要通过子空间聚类（Kmeans聚类）降低特征词向量维度，从而得到适合建立神经网络的特征词袋与特征词典。如此，神经网络算法才能顺利实施。
在神经网络算法方面，本项目利用了基于前馈的BP神经网络进行人脸识别。文中会通过分析BP神经网络的原理来介绍如何通过构建神经网络完成识别。最后，还将通过SVM方法实现一次识别，并与基于神经网络的识别结果进行对比。
本文将仔细介绍实现人脸识别的过程中所涉及的算法原理以及具体的MATLAB实现方法，剖析算法的数学原理与意义。之后通过结果对各种不同的方法实现进行对比分析，以完成此次对基于子空间聚类与神经网络的研究。
选题意义和研究现状
意义
在计算机刚刚兴起之时，人脸识别技术的使用受到了计算机技术的制约。随着近现代计算机科学技术的发展，人脸识别技术也发展迅猛。在人类的生物特性中，人脸是一项特别的特征，相比血液、指纹等，人脸的识别无需直接接触人物，并且特征提取的速度也相对较快，因此受到了诸如刑侦、金融等各界的重视与运用。
人脸识别算法发展到今天已经有了相对成熟的体系与框架，但我们对人脸识别的学习与研究仍然是有意义的，人脸识别中的特征提取方法、聚类方法以及分类方法都各有很多种类，对这些算法的对比与分析可以使我们更好的认识到它们的数学本质，从而在应对不同的实际问题是能够找到快速、有效的方法。对这些算法的研究结果还可以使它们帮助拓展计算机视觉领域的其它部分。因此此次研究分别对比了HOGLBP与SURF在相同的子空间聚类方法下降维，通过BP神经网络识别的差异，还对比了BP神经网络与SVM分类的效果，对重新认识HOGLBP与SURF、聚类方法以及BP神经网络具有重要意义。

原文链接：http://www.jxszl.com/jsj/xxaq/606971.html