基于分块离散余弦变换变换和主成分分析法的设计与研究

《基于分块离散余弦变换变换和主成分分析法的设计与研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、JDFJKDHFKAHGJHLKFHJHAKHFLJKDHFKLJASHDFKJHAKLDFHDLSFHKLDSJ青岛理工大学毕业设计（论文）题目基于分块离散余弦变换和主成分分析法的人脸识别学生姓名：王子硕指导教师：周立俭通信与电子工程学院电子信息工程专业信息101班2014年6月14日DFSGSJDFKGHERUHJKDHKLSHDKJHKSHKFHLKGHDLSFGHDSKLFHGLDKSFHGLKFGDSJDFJKDHFKAHGJHLKFHJHAKHFLJKDHFKLJASHDFKJHAKLDFHDLSFHKLDSJ摘要随着计算机和网络技术的快速发展，信息安全呈现

2、出前所未有的重要性。人脸识别因其广阔的发展前景和重要的理论研究价值，受到国内外众多研究机构的广泛重视。其中分块DCT变换是最近几年以来比较常见的图像处理工具，在人脸识别领域得到广泛的发展。本文在研究了分块散余弦变换（DCT）的特点的基础上研究了基于分块DCT变换和PCA的人脸识别算法，充分利用了分块DCT变换快速高效的特点以及PCA方法降维减少运算时间的优势，大大缩短识别时间。首先利用分块DCT对人脸图像进行预处理，将DCT预处理后的低频信息作为特征。最后通过使用K-L变换取特征值、特征向量以及PCA降维的方式来形成特征脸，识别部分采用欧氏距离最近邻法进行了人脸识别。在

3、ORL及YALE人脸库上实验结果表明，本方法不仅能提高人脸识别的识别率，并且利用了分块DCT快速高效的特点，能够显著缩短识别时间。关键词：离散余弦变换(DCT)；主成分分析法(PCA)；K-L变换；人脸识别；预处理DFSGSJDFKGHERUHJKDHKLSHDKJHKSHKFHLKGHDLSFGHDSKLFHGLDKSFHGLKFGDSJDFJKDHFKAHGJHLKFHJHAKHFLJKDHFKLJASHDFKJHAKLDFHDLSFHKLDSJABSTRACTWiththerapiddevelopmentofcomputerandnetworktechnology

4、,informationsecurityshowsunprecedentedimportance.Facerecognitionbecauseofitswidedevelopmentprospectandimportanttheoreticalresearchvalue,extensiveattentionbymanyresearchinstitutionsathomeandabroad.TheblockDCTtransformismorecommoninrecentyearssincetheimageprocessingtools,hasbeenwidelydevel

5、opmentinthefieldoffacerecognition.Basedonthestudyofthebasicblockdiscretecosinetransform(DCT)onthecharacteristicsofthestudyonDCTandPCAfacerecognitionalgorithmbasedonfulluseoftheblockofDCTfastandefficientfeaturesandPCAdimensionreductionmethodstoreducethecomputationadvantageoftime,greatlyre

6、ducingrecognitiontime.Firstly,blockDCTfaceimagepreprocessing,thelow-frequencyDCTpreprocessedinformationasafeature.Finally,byusingtheKLtransformtakeneigenvalues,eigenvectorsandthewaytoformthePCAdimensionalityreductionfeaturesfacerecognitionpartofthefacerecognitionusingEuclideandistancenea

7、restneighbormethod.TheexperimentalresultsontheORLandYALEdatabasesshowthatthismethodcannotonlyimprovethefacerecognitionrate,andcansignificantlysavetheidentificationtime.Keywords:discretecosinetransforms(DCT);principalcomponentanalysis(PCA);KLtransform;recognition;preproces