基于MATLAB的人脸识别系统设计

以下是资料介绍,如需要完整的请充值下载. 本资料已审核过,确保内容和网页里介绍一致.  
无需注册登录,支付后按照提示操作即可获取该资料.
资料介绍:

基于MATLAB的人脸识别系统设计(任务书,开题报告,论文14000字)
摘要
随着科技经济的进步人们的生活水平越来越高。作为诞生不久的新兴高科技技术,面部识别的研讨和发展这些来受到了人们的高度重视。随着人工智能,大数据,云技术和深度学习算法的不断成熟,人们对于人脸识别技术在不同的环境中的识别精度要求越来越高,并且对于整个系统的识别快慢要求越来越严格。而近邻法是研究人此项技术中的热点问题。本论文以最近邻插值法(Nearest_Neighbor,简称最近邻法)和K最近邻分类算法(K-Nearest Neighbor, 简称KNN)为基础,并辅以主成分分析法(Principal Component Analysis,简称PCA)和局部二值模式(Local binary patterns,简称LBP),形成四种不同的人脸识别策略和方法。本文通过仿真实验证明了四种识别策略的有效性,并自建了OWN人脸库,改进了识别策略,相对于标准库来说,OWN人脸库的识别率也高达97.5%,满足日常生活中的绝大多数应用场合。总体来讲,整篇论文研究了基于近邻法的四种人脸识别算法策略,并且自建人脸库,提出了最优识别策略,通过MATLAB实现了算法仿真设计。
关键词:人脸识别;K最近邻法;PCA;MATLAB

Abstract
This paper uses MATLAB to implement a universal face image preprocessing simulation system with a variety of preprocessing methods. The system is used as an image preprocessing module embedded in the face recognition system and compared with the histogram of the gray image. To achieve the function of face recognition.
The dissertation focuses on the process of building the face recognition framework, using MATLAB to transform the image, and solve the problem of a series of mismatches to achieve the correct face recognition function.
The research results show that using the MATLAB to build the face image preprocessing simulation system can better recognize face facial features andcorresponding identities in the database to achieve face recognition.
The characteristics of this article: In MATLAB similar image conversion, a variety of functions are combined to draw a gray image histogram for multi-dimensional comparison, reduce the recognition error caused by the single-dimensional contrast, improve the accuracy of face recognition.
Key Words:Face recognition;MATLAB;Grayscale image
 
目  录
摘要    Ⅰ
Abstract    Ⅱ
第一章    绪论    1
1.1    课题研究背景及意义    1
1.2    人脸识别发展概述    1
1.2.1    国内外人脸识别发展现状    1
1.2.2    研究应用范围    2
1.3    论文主要内容及结构安排    2
第二章    人脸识别算法概述    4
2.1    人脸识别的研究范围    4
2.2    人脸识别过程    4
2.3    人脸识别算法的性能评价    5
2.3.1    识别率    5
2.3.2    识别时间    5
2.3.3    数据存储量    5
2.4    基于PCA的特征提取算法    5
2.4.1    PCA原理    5
2.4.2    PCA在本课题相关领域的应用    6
2.5    基于LBP的特征提取算法    6
2.5.1    LBP算子描述    6
2.5.2    统一模式的LBP算子    7
2.5.3    LBP算子的应用    7
2.6    人脸图像分类识别算法    7
2.6.1    基本原理    7
2.6.2    基于K近邻的分类算法    8
2.7    本章小结    8
第三章    人脸识别算法MATLAB仿真    9
3.1    人脸识别算法设计    9
3.2    读入人脸库建立人脸特征空间    10
3.2.1    实验设备简介    10
3.2.2    计算K-L变换的生成矩阵    11
3.3    特征向量选取    12
3.4    图像分类识别    12
3.5    GUI界面设计    13
3.6    可分析的识别结果    14
3.7    本章小结    14
第四章    数据分析及算法优化    15
4.1    人脸识别系统仿真    15
4.2    训练样本数与识别率    15
4.3    非标准人脸库仿真    17
4.3.1    非标准人脸库介绍    17
4.3.2    OWN人脸库仿真实验结果    18
4.4    本章小结    18
第五章    结论    19
第六章    致谢    20
参考文献    21