基于gabor小波和支持向量机的三维人脸识别方法研究

《基于gabor小波和支持向量机的三维人脸识别方法研究》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、厦门大学硕士学位论文基于Gabor小波和支持向量机的三维人脸识别方法研究姓名：柳秀霞申请学位级别：硕士专业：计算机应用技术指导教师：雷蕴奇20090501摘要利用空间形状结构信息进行分类的三维人脸识别是人脸识别领域新的研究热点，目前正受到广泛的关注。三维人脸识别系统的研究热点主要包括三维数据获取、预处理、特征提取、分类器设计等关键性问题。本文针对三维人脸识别系统中的特征提取、分类器设计等问题进行研究，提出一种基于三维人脸轮廓线的Gabor小波变换和支持向量机分类器相结合的三维人脸识别方法。首先在B样条拟合而成的网格控制点模拟三维人脸点云

2、数据的基础上，提取三维人脸中分轮廓线及鼻尖处横切轮廓线；接着利用Gabor小波设计的多尺度多方向的滤波器对人脸轮廓线进行小波变换，用Gabor小波变换系数的模的平均值和方差表示特征向量；最后将特征向量送入支持向量机网络进行训练和识别。文中主要工作与贡献包括：1、针对初始离散且尚不具备结构信息的三维人脸点云数据，通过层次B样条对曲面逐步加精而拟合生成的网格控制顶点模拟三维点云数据，从而将不规则的三维数据投影到规则的且具有相同数目的网格控制顶点，有效地减少了数据量，为后续算法的准确性及稳健性做了必要的准备。2、在特征提取方面，提出了一种基于

3、三维人脸轮廓线的一维Gabor小波特征提取方法。一方面在确定了三维人脸坐标系的基础上，结合深度信息提取人脸中分轮廓线及鼻尖处横切轮廓线；另一方面将轮廓线看作一维信号，对其进行一维Gabor小波变换，并利用Gabor小波变换系数的模的平均值和方差来表示提取的三维人脸特征。3、针对人脸识别应用中存在训练样本往往有限的问题，‘又鉴于支持向量机(SupportVectorMachine，SVM)技术在解决此类小样本问题上的独特优势，本文利用SVM作为分类器对三维人脸特征进行训练和识别。最后通过实验结果表明基于三维人脸轮廓线的Gabor小波变换和

4、SVM分类器相结合的方法能有效提取三维人脸特征，计算量少，在三维人脸数据库ZJU．3DFED上“较好’’的人脸图像(样本数为180)其识别率为86．7％，而在整个数据库(总样本数为342)其识别率为81．5％。关键词：三维人脸识别；人脸轮廓线；Gabor小波变换；特征提取；支持向量机AbstractHumanfaceisintrinsically3Ddeformableobjectwimtexture．111e3Dshapeinformationshouldnotbeignoredinfacerecognitionsincetheypr

5、ovideanothertypeofdistinctfeaturetodistinguishdifferentfaces．neresearchpointsin3Dfacerecognitionmainlyinclude3Ddataacquisition、pretreatment、featureextractionandclassifierdesign．Inthisthesis，basedonthedepthimage，wefocusonthefollowingproblems：featureextractionandclassifier

6、design，andthemethodof3DfacerecognitionbasedonGaborwavelettransformandSupportVectorMachineisproposed．3Dfacecontourfeatureextractedbyusingmulti-channelsGaborwaveletfilterswasdenotedbythecoefficientsofGaborwavelettransformanditsstandardvariance．Inaddition,thefeaturevectorsa

7、reusedtotrainandidentifybysupportvectormachine．Hereliststhemainworkandourcontributionsinthisthesis：1、As3Dpoint-clouddataarescatteredpointswithoutstructuralinformation，the鲥dcontrolpointsareusedtosimulatethepoint—clouddatawhichiscreatedbyB-splinesurfacefitting．Wbstandardiz

8、ethepoint-clouddatatoreducethequantityofpoint-clouddatatoraiseefficiencyandrobustnessofourfollowingalgo