王妮英文翻译.doc

《王妮英文翻译.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、毕业设计说明书英文文献及中文翻译学生姓名：王妮学号：09050641X15学院：信息商务学院系名：信息与通信工程系专业：电子信息工程指导教师：李化欣2013年6月基于红-黑小波变换和PCA的人脸识别摘要随着人机界面和识别技术的发展，人脸识别已经成为生物特征识别领域最重要的研究方面之一。如今，在采用主成分分析（PCA）的基础上建立了许多人脸数据库，并取得了良好的效果。然而，PCA也有其局限性，如：大量的计算和区分能力低。鉴于这些限制，本文提出了一种基于红-黑小波变换和PCA的人脸识别方法。改进后的直方图均衡化是用来实现图像的预处理，以便补偿照明。同时，掺插的红-黑小波与子波段中包含提

2、取与原始图像相匹配的图像信息。与传统方法相比，具有更好的识别率，并能降低计算复杂度。关键词：红-黑小波变换，PCA，人脸识别，改进的直方图均衡化1.介绍由于传统的身份识别（ID卡，密码等）有一定得缺陷，基于生物特征识别技术成为关注的焦点被重新提出。与其他生物特征识别技术（如指纹，DNA,掌纹等）相比，人们识别周围的人大多是利用生物的人脸特征。在人的视觉上面对的是最普遍的模式。这反映了人脸视觉信息的交流和接触对人们具有重要的作用和意义。因此，人脸作为最简单的方法在识别领域被接受，并成为最有潜力的身份验证方法之一。脸部识别技术具有方便，信息丰富的特点。它有广泛的应用，如识别驾驶执照和护

3、照检查，银行和海关控制系统，以及其他领域[1]。脸部识别技术的主要方法可以概括为三种：基于几何特征，模板和模型。20世纪90年代以来一直关注基于KL变换的PCA的人脸识别方法。这是简单，快捷。和容易使用的。它可以反映整个人脸的特征。因此，运用PCA的人脸识别方法在不断改善。D.-S.Huang等人（主编）：ICIC2008，LNCS5226，第561-568页，2008年。柏林海德堡施普林格出版社2008年本文提出了一种基于红-黑小波变换和PCA对人脸识别方法。首先，使用改进的图像的直方图均衡化的[2]做图像的预处理，从而消除光强度的差异的影响。其次由于蓝的子频带的相对稳定的人脸图

4、像模糊的表达式和姿势的影响撤出使用的红-黑小波变换。然后，使用PCA，退出功能组件和辨识。与传统的PCA方法相比，这可以显着降低计算复杂度，提高识别率和抗噪性能。实验结果表明：本文提到的方法更准确，更有效。2.红-黑小波变换这些年来发展迅速，小波变换得到有效的提升。它丢弃复杂的数学概念和经典的小波变换中的傅立叶变换分析的伸缩和翻转。它的原则，从经典的小波变换的多分辨率分析的思想。红-黑小波变换[3-4]是一个二维提升小波变换[5-6]，它包含水平/垂直和对角线升降。以下是具体原则。·红黑（a）(b)(c)图一：红-黑小波变换，水平/垂直升降2.1水平/垂直升降根据图一的显示，水平/

5、垂直升降的被分成三个步骤：1.分解：原始图像被分解成红色和黑色的水平垂直横块的方式。2.预测：通过水平和垂直方向上4个相邻的红块，得到黑块的预测值然后使用黑块的实际值和预测值得差代替黑块的实际值。其结果为原始图像的小波系数。如图1(b)表达式为：（1）3.修订：使用水平和垂直方向的4个相邻的黑块小波系数修改红色块的实际值，际值，以获得近似的信号。如图1(c)表达式为：（2）在这种方式中，红色块对应的是近似的图像信息，黑色块对应的是图像的详细信息。2.2对角线升降在水平/垂直升降的基础上，我们做对角线升降。如图2所示，它也分成3个步骤：蓝色黄色（a）(b)(c)图2.对角线升降1.分

6、解：水平/垂直升降后，将所获得的红块，变成了蓝色块和黄色块对角交叉的方式。2.预测：通过四个对角线附近的蓝色块，得到黄色块的预测值。然后用黄色块的实际值与预测值之差代替黄色块的实际值。其结果为对角方向上的原始图像的小波系数。如图2(b)表达式为：（3）1.修订：使用四个对角附近黄色块的小波系数修改的蓝色块的实际值，以获得近似的信号。图2(c)表达式为：（4）2次升降之后，红-黑小波实现变换。根据方程，可以分析红-黑小波变换和经典小波变换：即：蓝色块的子带LL和古典张量积小波部分之间的对等关系，这就是黄色块等于子频带HH以及黑色块等于子波段HL和LH。实验结果表明，它摒弃了复杂的数学

7、概念和公式。大多可以消除图像的相关性，可以通过以下方式获得红-黑小波变换图像的简要表示。红-黑小波变换后的图像如图3（b），在左上角的蓝色子带块的图像，这是原始图像的近似图像。（a）原图（b）红-黑小波变换后的图像图3.红-黑小波变换后的图像3.基于PCA的特征提取方法[7]PCA是一种统计分析数据的方式。这个方法是发现一组数据空间中的向量，并尽可能使用这些载体来表达数据的方差。把数据从P维空间下降到M维空间（P>>M）。PCA使用KL变换，得到的最小的二维图像的近似