基于遗传算法的人脸识别技术（MATLAB）

目 录
1 绪 论 1
1.1 选题背景及意义 1
1.1.1 国外研究综述 2
1.1.2 人脸识别研究现状 2
1.1.3本文的研究内容和组织结构 3
1.2 创新点与不足 3
2哈尔级联分类器的基本原理 4
2.1哈尔级联分类器 4
2.1.2哈尔特征的基本内容 4
2.2 哈尔级联分类器的实现 6
3基于遗传算法的优化方法 8
3.1人脸特征的提取 8
3.1.1 Eigenface原理 8
3.1.2传统Eigenface步骤 8
3.2 遗传算法 9
3.2.1遗传算法的特点 9
3.2.2 遗传算法的流程 10
3.3 PCA的改进2DPCA 11
3.4 用遗传算法优化的Eigenface 11
3.4.1用遗传算法优化的Eigenface实施步骤 11
3.4.2 结果与分析 12
结 论 14
参考文献 16
附 录 18
致 谢 22

图目录
图2.1 OpenCV中使用的Haar特征 5
图2.2 决策树图 6
图2.3 Roy的人脸检测过程 7
图2.4 Bob的人脸检测过程 7
图3.2 遗传算法优化的Eigenface流程 12
图3.3 2DPCA-PCA遗传算法适应度曲线 13
图3.4 2DPCA-PCA遗传算法适应度曲线2 14
图3.4 遗传算法优化的Eigenface流程 14
1.1.3本文的研究内容和组织结构
本文的研究内容是基于人脸检测和识别算法的研究，首先在人脸检测方面，使用哈尔特征的级联分类器对含有背景的图像进行人脸检测。接着，在人脸识别方面，针对特征提取，提出了遗传算法改进的人脸特征提取，通过遗传算法的全局搜索性对人脸特征维度数量的优化，在减少计算量的同时，也提高人脸的识别率[2]。
本文的章节结构如下：
第一章：绪论，主要介绍人脸检测与识别的研究背景与意义，以及国内外的研究现状，最后概述了本文的研究内容以及论文结构安排。
第二章：介绍哈尔级联分类器。本文将其分为两步，首先对哈尔特征值原理和描述进行分析与介绍，之后简介了分步骤的介绍哈尔级联分类器的大致运行过程。使用哈尔级联分类器确定图像中是否有人脸。
第三章：基于遗传算法的2DPCA-PCA模型。首先对遗传算法进行简单介绍。主要针对遗传算法的全局搜索能力进行阐述。用特征降维思路进行介绍PCA和2DPCA模型，最后实现人脸的模型。
论文的最后是文章的总结、参考文献和致谢。
1.2 创新点与不足
1.本文算法的创新点在于降维以及优化搜索，对于人脸数据较大的情况下，本文研究的算法通过两次降维以及遗传算法的全局搜索能较快的得到较优的答案。
2．本文的不足之处在于PCA与2DPCA的结合是为了映射进另外一个空间中，之后再用PCA提取特征，但可能会降低图像识别的成功率，因为其中需要计算协方差，所以会导致一些噪声无法清除，从而影响准确率。