（毕业设计论文）《SVD与KFDA相结合人脸识别-matlab》.doc

目录 TOC \o 1-3 \u 摘要 PAGEREF _Toc232012278 \h I Abstract PAGEREF _Toc232012279 \h II 1 绪论 PAGEREF _Toc232012280 \h 1 1.1 人脸识别技术的历史发展 PAGEREF _Toc232012281 \h 1 1.2人脸识别的研究内容 PAGEREF _Toc232012282 \h 2 1.3人脸识别研究的意义 PAGEREF _Toc232012283 \h 3 1.4本文的主要研究内容和安排 PAGEREF _Toc232012284 \h 4 2. 人脸识别算法原理 PAGEREF _Toc232012285 \h 5 2.1奇异值方法（SVD） PAGEREF _Toc232012286 \h 5 2.2 主分量分析（PCA）方法 PAGEREF _Toc232012287 \h 6 2.3 Fihser线性鉴别分析 PAGEREF _Toc232012288 \h 7 2.4 SVD与KFDA相结合人脸识别 PAGEREF _Toc232012289 \h 9 2.4.1 核Fishe判别分析（KFDA） PAGEREF _Toc232012290 \h 10 2.4.2 SVD与KFDA的融合 PAGEREF _Toc232012291 \h 11 3 实验结果与分析 PAGEREF _Toc232012292 \h 13 3.1 ORL人脸库实验 PAGEREF _Toc232012293 \h 13 3.2 CAS-PEAL人脸库实验 PAGEREF _Toc232012294 \h 15 3.3 结果分析 PAGEREF _Toc232012295 \h 18 4.总结 PAGEREF _Toc232012296 \h 19 参考文献 PAGEREF _Toc232012297 \h 20 致谢 PAGEREF _Toc232012298 \h 22 附录1 PAGEREF _Toc232012299 \h 23 摘要 目前于统计特征的线性方法在人脸识别中发展的比较成熟，但是由于人脸识别涉及光照、表情、姿态等问题，线性方法在实际应用中表现的远远不够。因此，将线性方法拓展到非线性领域以提高识别率是一个极待解决的问题。 本论文主要研究了奇异值分解和核Fisher判别分析相结合的方法，将线性Fisher判别算法拓展到非线性方法。既在进行非线性映射之前，首先利用奇异值分解（SVD），提取所得到的奇异值矩阵左上角区域的值作为KFDA的输入空间，再进行进行核Fisher判别分析（KFDA）。在ORL和CAS-PEAL标准人脸库的试验表明，与经典的线性子空间识别方法以及核Fisher鉴别分析（KFDA），它具更高的识别率，识别速度也比较快。 关键词： 人脸识别；奇异值分解 ；核Fisher鉴别分析 Abstract Face recognition is an important branch of biologic feature identification.Because of its advantages comparing to other biologic features，considerable attention has been paid to face recognition.Due to the importance of human being in the multimedia information，the recognition based on man’s biometrics information is one of the important topics in compute rvision and patten recognition in past 20 years. Many approaches to face recognition problem have been devised，from the early geometry based methods to statistiec based methods. A fusion of SVD and KFDA for face recognition is developed. The algorithm includes two stages :firstly ,all the train sample are projected into the matrix which come from the SVD of the standar face