本文是毕业论文，毕业论文，泛指专科毕业论文、本科毕业论文（学士学位毕业论文）、硕士研究生毕业论文（硕士学位论文）、博士研究生毕业论文（博士学位论文）等。（以上内容来自百度百科）今天为大家推荐一篇毕业论文，供大家参考。
第一章 绪论
1.1 本课题研究背景和意义
现代生活中，人们对个人隐私和信息安全的保密性要求越来越高，如何快速有效地进行身份验证和识别成为人们日益关注和讨论的焦点。在身份验证识别方面，传统的验证识别方式包括账号密码，钥匙，ID 卡等，这类身份验证工具存在许多漏洞，一旦被遗忘或者被盗用和伪造，将带来不必要的麻烦，甚至可能导致巨大的损失。当下，以指纹识别、虹膜识别、声纹识别、人脸识别等高科技识别手段为代表的生物特征识别技术悄然兴起，生物特征识别利用每个人与众不同的生理特征作为识别依据，具备更广泛的唯一性和安全性[1]。人脸识别是一种非接触的生物特征识别技术，它是通过摄像头采集图像，经过人脸检测和尺寸裁剪之后，与本地存储的人脸图像自动对比识别，从而做出判断。人脸识别在众多领域都有了广泛的应用，如：在火车站使用人脸识别装置可以自动将待检查乘客的人脸信息和购票身份证件上的人脸信息进行识别对比，实现快速地检票，提高火车站工作人员的工作效率。此外，在银行的 ATM 取款机上使用人脸识别手段，可以自动识别前来存取款人的身份信息是否和银行留存的信息一致，既省去了用户输入密码的繁琐程序，更避免了不法分子盗取银行卡密码，确保了用户的账户安全。人脸识别至今已有五十余年的历史，经过国内外的专家学者们的不断研究和发展，已经积累了丰富的理论研究和实践成果，目前也有越来越多的人脸识别产品被生产研发出来，人脸识别的研究推动了社会的发展和科技的进步。国内对人脸识别研究十分重视，有许多的高校专门成立了专门研究人脸识别的图像处理实验室，此外，不少专注人脸识别产品的商业公司成立逐渐兴起，比如商汤科技、旷视科技、云丛科技等高科技公司[2]，在 2015 年德国 CeBIT(汉诺威消费电子、信息及通信博览会)，中国的蚂蚁金服公司在博览会上成功地演示了蚂蚁金服的Smile to Pay扫脸技术[3]，该技术在最新的测试报告中准确率已达99.6%，再配合眼纹等多因子验证，准确率为 99.99%，远超肉眼识别 97%的准确率。
.........
1.2 本课题研究现状
Adini 和 Jacobs 等[8]最早提出光照变化对人脸识别的影响，光照变化给人脸图像带来的影响主要表现在对人脸图像整体灰度分布和人脸图像边缘信息带来的影响。随着光照问题引起越来越多的学者专家关注，越来越多的解决方法被提了出来。目前，人脸识别中解决光照问题的方法有以下几类：光照归一化方法[8]是通过图像处理技术减少光照给图像带来的影响，光照补偿中常用的方法有：对数变换[9]、直方图均衡化[10]、伽马校正[10]、同态滤波[11]等。对数变换根据对数函数的特性对图像的灰度进行调整，可以很好地改善图像对比度等情况。直方图均衡化是最常使用的一种光照补偿方法，直方图均衡化是在全局域范围上，将原始图像的直方图分布情况变成均匀分布的状态，以此来达到对比度增强的目的，直方图均衡化对光照不均匀的情况并不能有明显的改进，为此，文献[12]提出了分块直方图均衡化的方法。伽马校正是一种非线性的灰度调整方法，在人脸识别中常被采用的有伽马强度校正和分段伽马校正。同态滤波是一种依赖于同态滤波器（传递函数）的频域处理方法，同态滤波器通过压缩代表光照成分的低频部分，扩展高频部分来使图像的亮度分布均匀，从而减弱光照影响。Shashua 等[13]在 2001 年研究了光模型下的商图像，但是训练集和测试集的特征不能正确对齐匹配时，识别效果将明显下降。光照锥[15]方法是也是对光照进行建模的一种，光照锥方法需要同一个人在所有可能光照情况下的人脸图像，然后在低维子空间中构建出模型。文献[14]中提出了基于球谐函数的描述，该方法需要事先知道光源和大量的训练集信息。模型的方法在实际应用中有许多局限性，并不适合现实系统。
..........
第二章 光照归一化算法验证分析
在实验研究中，可以通过控制周围光照条件来获得特定光照条件下的人脸图像，但是在实际应用中，周围的环境光照是复杂多变的，采集到的人脸图像很有可能会产生过亮或者过暗的区域，这样的人脸图像非常不利于识别。因此，对于变化光照条件下的图像，需要在分类识别之前消除光照的影响。光照归一化算法是一类基于图像处理的灰度变换方法，它是通过一系列灰度调整来改善图像质量，消除光照影响。常用的光照归一化算法有伽马校正、对数变换、直方图均衡化、同态滤波等。
2.1 伽马校正
本文围绕变化光照条件下的人脸识别算法进行研究，首先是对人脸识别技术发展现状和人脸识别中光照问题的研究现状进行了介绍，其次分析了光照归一化算法在不同光照条件下对人脸识别的影响，然后对 LBP 算子进行了详细阐述，在此基础上提出了基于局部归一化和 LBP 特征的人脸识别算法，最后本文对基于朗伯光照模型的三种光照不变特征提取算法进行了验证分析，并在朗伯光照模型的基础上，提出了基于 Curvelet 变换和 Retinex 理论的人脸识别方法。本文的创新性工作主要有以下两点：（1）提出基于局部归一化和 LBP 特征的人脸识别方法，该方法改善了 LBP算法在变化光照下对人脸特征表述能力不足的缺陷，改进的算法可以在多种光照条件下取得更高的人脸识别率。（2）提出了基于 Curvelet 变换和 Retinex 理论的人脸识别方法，该方法利用Curvelet 变换分离出图像的低频和高频部分，然后分别使用双边滤波和阈值去噪方法估计低频部分和高频部分中的光照成分，利用 Curvelet 逆变换估计整个图像的光照成分，最后根据 Retinex 理论得出最终的光照不变特征。在 YaleB 人脸库和CMU-PIE 人脸库上的实验证明了该方法的有效性。
........
2.2 对数变换
从图 2-7 和 2-8 的直方图分布可以看出，同一个人在不同光照条件下的直方图分布的区别存在非常大的差异。在相同的正常光照条件下，选择一个不同类的人脸样本图像，其直方图分布如图 2-9（b）所示，将其直方图分布与图 2-7 和图 2-8中图像的直方图分布的对比，可以发现两个不同的人脸图像在相同光照条件下的差异要明显小于同一个人在不同光照条件下的人脸图像的差异。直方图均衡化[22]就是把图像的灰度直方图从比较集中的灰度区间通过某种变换，将灰度值的分布变成在某个范围内的均匀分布，从而改善图像的对比度，消除光照带来的影响。
...........
第三章 基于局部归一化和 LBP 特征的人脸识别算法......... 18
3.1 基本 LBP 算子...... 18
3.2 基本 LBP 算子发展和演化 .... 20
3.2.1 等价 LBP 模式.... 20
3.2.2 旋转不变 LBP 模式..... 22
3.2.3 基于分块的 LBP 描述子...... 24
3.3 基于局部归一化和 LBP 特征的人脸识别算法........ 25
3.4 基于局部归一化和 LBP 特征的人脸识别算法分析......... 30
3.5 本章小结 ...... 34
第四章 基于光照模型的光照不变特征提取算法验证分析........... 35
4.1 朗伯光照模型 ....... 35
4.2 多尺度 Retinex 算法（MSR） ....... 36
4.3 自商图像算法（SQI）........... 39
4.4 基于小波变换的算法（WT）........ 42
4.5 本章小结 ...... 50
第五章 基于 Curvelet 变换和 Retinex 理论的人脸识别算法......... 52
5.1 Curvelet 变换理论及其实现 ............ 52
5.2 基于 Curvelet 变换和 Retinex 理论的光照不变特征提取方法 .......... 57
5.3 算法对比分析 ....... 60
5.4 本章小结 ...... 63
第五章 基于 Curvelet 变换和 Retinex 理论的人脸识别算法
在本文第四章介绍了 Retinex 理论，Retinex 理论的基本思想就是通过估计图像的光照分量来间接地获取光照不变量。Retinex 方法的常用步骤是将光照分量和反射分量的乘积形式通过对数变换转换成加法形式，然后在对数域中减去估计得到的光照分量，从而得到反射分量，即光照不变量。Retinex 理论的关键在于对光照分量的估计，由辐照度模型的分析可知光照分量主要包含在图像的低频部分，聂祥飞等[39]利用小波变换分离出图像的低频和高频部分，舍弃了低频部分，对高频部分做阈值去噪处理来获得光照不变特征。虽然图像的低频部分主要包含了图像的光照成分，但是低频部分仍然存在有利于分类识别的特征。上一章中提到的MSR 和多尺度 SQI 算法中，通过使用多组平滑滤波器加权的方式来改变图像的平滑效果，从而更好地提取光照不变特征，但是此类方法没有区别对待图像中的高频部分和低频部分，导致图像的细节没有得到很好的处理。本章提出了一种基于 Curvelet 变换和 Retinex 理论的光照不变特征提取方法。通过 Curvelet 变换[40]将图像分解为低频部分和高频部分，对低频系数进行双边滤波，估计出低频成分中的光照信息，对高频系数进行阈值去噪，将边缘信息和图像轮廓信息等高频信息看作“噪声”滤除掉，从而估计得到高频系数中的光照信息，最后通过 Curvelet 系数重构估计出原始图像的光照信息，再根据 Retinex 理论方法得到光照不变特征。#p#分页标题#e#
.........
总结
人脸识别技术是一项日益成熟的身份识别技术，人脸识别具有非接触性、唯一性和隐蔽性等优势，在诸多领域都有了实际应用。光照问题是目前人脸识别发展中亟需解决的重要问题，本文围绕光照预处理和光照不变特征提取方法进行了研究和实验验证分析，主要内容如下：1. 对传统的光照归一化算法进行了详细的阐述，分析了伽马校正、对数变换、直方图均衡化、同态滤波的算法原理，利用 YaleB 人脸库上的人脸图像对以上算法进行了光照处理的实验，并利用 PCA 方法对处理后的图像进行了人脸识别实验。结果表明传统的光照归一化方法可以改善图像质量，在光照变化不大的图像之间具有较好的识别率，但是在光照干扰强烈的图像之间，识别效果并不理想。2. 对局部归一化算法和 LBP 算子进行了详细介绍，本文提出基于局部归一化和 LBP 特征的人脸识别算法，该算法改善了 LBP 算法在光照变化条件下对人脸特征的表述能力。在 YaleB 和 CMU-PIE 人脸库上的实验表明，与传统的 LBP 算法相比，本文方法具有更好的识别效果。3. 对光照不变特征提取算法进行了详细的研究。现有的光照不变特征提取方法主要是建立在光照模型上，本文对朗伯光照模型进行了详细描述，并研究了基于光照模型的多尺度 Retinex 算法、自商图像算法和基于小波分解的算法。在 YaleB人脸数据库上对以上光照不变提取算法进行了实验验证和分析。4. 对 Curvelet 变换的图像多尺度分析特性进行了详细的描述，在此基础上剔除了一种基于 Curvelet 变换和 Retinex 理论的人脸识别方法。该方法参考辐照度光照模型和 Retinex 理论，利用 Curvelet 变换多尺度分解的特性分离出图像的高低频信息，并通过双边滤波和阈值去噪方法估计出高低频中的光照分量，最后利用Retinex 方法获取光照不变特征。通过 YaleB 和 CMU-PIE 人脸库上的人脸识别对比分析发现，本文的方法要优于单尺度 Retinex 算法、多尺度 Retinex 算法、自商图像算法和基于小波分解的算法，对光照有较好的鲁棒性。
..........
参考文献（略）
