刘翼光[1]2000年在《动态人脸识别系统》文中认为本文研究动态人脸识别问题，在很多有关人脸识别研究中主要针对静态人脸识别研究。为了满足应用需要，本文主要研究移动中人脸的识别问题。针对这一国内外刚起步的课题，本文主要提出了： 动态人脸图象识别中，为了保证识别的实时性，必须从动态图象序列中分割出一些瞬间图象序列，因此图象分割是动态人脸识别中提出的新问题。结合隐马尔科夫模型特点，本文提出了两种图象分割算法以保证动态人脸图象分割的合理性：一种利用动态图象时间序进行图象分割，另一种与MPEG图象编码格式相结合的方法。 进行了动态人脸识别中的定位问题研究，利用拓扑学中空间分类，提出采用Hausdorff距离的人脸图象定位方法，使得定位速度快并达到后续采用隐马尔科夫模型识别时需要的效率。 动态人脸图象序列中的人脸瞬间图象之间存在运动相关性，本文提出了动态人脸识别中人脸图象的相关性问题，给出了三种相关系数定义方法，将相关系数用来调节隐马尔科夫模型的初始分布概率，提高了动态人脸识别系统的识别率。 采用隐马尔科夫模型作为识别分类器，按照人脸分类属性定义了隐马尔科夫模型输入状态及其属性图象，并根据观察序列中观察对象与输入状态属性图象之间的关系得到观察序列的初始概率分布。分析外界环境影响下动态人脸图象识别可能出现的问题，并针对旋转情况下修正隐马尔科夫模型的观察序列初始概率分布，可以在旋转和平面移动结合运动的情况下保证动态人脸识别的有效性。
熊志勇[2]1999年在《人脸图象识别系统研究》文中提出本文主要研究了人脸图象的计算机识别问题，研究的目标是要得到一个通用的人脸图象识别系统，并希望能够对人类视觉机制、推理机制以及人工智能的研究有所帮助。本文研究的出发点在于人脸图象库中，对于每个目标都只存储一幅人脸图象，而待识图象可能会发生光照、尺度、旋转、形变等各种变化情况的识别。 本文首先讨论了图象的分割问题，通过对人脸图象轮廓特征的探测，得到人脸在图象中的位置，从而能够进行人脸图象的分割。为了提取人脸轮廓特征，本文提出通用形变模型去表示各种人脸轮廓特征，同时构造了各模型的内部能量函数及外部能量函数，并使用Hough变换确定各模型在图象中的初始位置，然后使用局部匹配技术确定各模型在图象中的最终位置。 PCA方法(主成分分析技术)能够较好地提取样本集合的主要成分，所得到的主要特征向量空间能够紧凑地表示样本个体；同时该方法也可用于人脸图象的识别，对于同一类人脸图象能够较好地识别，但对于不同类的人脸图象，如图象受尺度、旋转、形变等因素干扰时，则不能有效地识别；本文在对PCA方法进行深入分析的基础上，揭示了该方法不能有效处理这种情况的原因，并由此得到各种人脸图象空间模板以用于人脸图象尺度、旋转姿势的判断。 同时，本文还利用PCA方法分析人脸图象局部特征，得到各种局部特征模板，并提出了一个逐步求精定位法，用来探测人脸图象的局部特征。 本文还分析了各种数学变换如Fourier变换、Gauss变换、DoG变换以及Gabor变换提取人脸图象特征系数的情况，从反映图象的带通性、方向性、局部性等方面而言，Gabor变换是较好的一种特征提取形式。 根据Marr的视觉表示理论，本文提出了新的人脸图象表示形式—双属性图表示，属性图中每个节点有两个属性特征，局部主成分系数特征以及Gabor系数特征；从而将人脸图象的灰度级表示，转化为更高一级表示。本文同时还给出了双属性图的匹配算法，能够较好地处理人脸图象尺度变化、平面旋转变化以及光照等变化情况，以完成人脸图象的识别。 综合上述研究，本文得到了一个通用的人脸图象识别系统(GFRS)，并对几个公用的人脸图象库进行实验表明，其识别效果要优于PCA方法。
陈才扣[3]2004年在《基于核的非线性特征抽取与图象识别研究》文中研究表明特征抽取是模式识别研究的最基本问题之一。对于图象识别而言，抽取有效的图象特征是完成图象识别的首要任务。基于核的特征抽取方法是最近刚刚提出的一种非常有效的非线性特征提取的方法。该文就有关基于核的非线性特征抽取及识别方法中的若干问题进行了深入的研究，所提出的算法在人脸识别和手写体字符识别方面得到了较成功的应用。 基于统计不相关性的Fisher线性鉴别分析是特征抽取的最好方法之一，在此基础上，本文提出了基于核的统计不相关鉴别分析方法。该方法不仅能够有效地抽取非线性特征，而且能够彻底消除样本特征之间的统计相关性，并指出基于核的统计不相关鉴别分析方法是经典的Fisher鉴别分析和统计不相关鉴别分析的进一步发展。在ORL标准人脸库上的试验结果表明，在识别性能上所提出的方法不仅优于基于经典的线性鉴别分析方法和统计不相关线性鉴别分析方法，而且也优于核Fisher鉴别分析。在此基础上，引入空间变换的思想，提出了一种快速的核Fisher鉴别分析，从理论上巧妙地解决了高维特征空间内类内散布矩阵奇异情况下最优鉴别矢量集的求解问题，而且较大幅度地降低了求解最优鉴别矢量集的计算量，提高了计算速度。在ORL人脸库上的试验结果表明，其特征抽取的速度提高了近3倍。 该文对核Fisher鉴别分析(KFDA)进行了深入分析，发现了一种与之等价的但更为简单的非线性特征抽取方法，即先利用一个函数向量映射将原始n维输入空间R~n变换到一个更低维的空间R~N(N是训练样本的数目，N<<n)，然后在该空间上利用线性Fisher鉴别分析进行最优特征抽取。在此基础上，本文给出了特征抽取的一般模型，根据此模型，设计了一个基于矩阵相似度的特征抽取算法。最后，在ORL人脸库上的实验结果验证了本文所提模型的有效性。 目前，尽管核方法在图象等模式识别领域应用的非常广泛和成功，但也存在如下一些问题：一、构造特征空间H中的核矩阵K所耗费的计算量非常大。二、当训练样本数N很大时，一方面会使得核矩阵的存储空间急剧增加，因为核矩阵的维数为N×N；另一方面造成核矩阵的不可逆。为此，本文提出了两种两阶段的核特征抽取方法：PCA+KFDA和PCA+KPCA，即在进行非线性映射之前，首先利用经典的主分量分析降维，然后再执行核Fisher鉴别分析(KFDA)或核主分量分析(KPCA)。为了进一步降低经典PCA的处理时间，使本算法具有更高的效率，对C-PCA进行了改进，提出了摘要博士论文直接基于图象矩阵的主分量分析(l一PCA)。在ORL标准人脸库上的试验结果验证了所提算法的有效性。 聚类技术是模式式别领域应用非常广泛的非监督学习技术，为了解决核方法中计算复杂度随着训练样本的数目的增加而增大的问题，本文提出了一种基于聚类的核矩阵维度缩减技术，它的思想就是首先利用非线性映射磷原始输入空间变换到某高维特征空间，然后根据k一均值聚类算法计算代表集，利用该代表集计算得到一组标准正交的基向量，构成一个低维的投影子空间。在CEN]助kR犯手写体阿拉伯数字库的试验结果证实了所提算法的有效性。 本文提出了一种融合小波特征的核Fisher鉴别分析方法，即在进行非线性映射之前，首先利用小波变换对原始输入图象进行预处理，抽取图象的小波特征，然后在频域上进行核Fisher鉴别分析。在ORL标准人脸库上的试验结果表明所提出的方法不仅在识别性能上优于现有的核Fisher鉴别分析方法，而且，特征抽取的速度提高了近13倍:在、习e人脸库上进一步证实了本文方法的有效性。 因为传统的PCA方法是以总体协方差矩阵作为产生矩阵的K-L展开方法，本身无法利用训练样本的类别信息(包括KPCA)。另一方面，PCA是基于线性变换的特征抽取方法，无法抽取非线性特征，第三，PCA主要选取模式样本的主分量信息，忽视了可能对分类仍然有用的次分量信息。针对PCA的上述缺点，本文提出了一种改进的核主分量分析方法-一.核最优鉴别K-L变换方法，该方法不仅能够抽取模式的非线性最优表示特征，而且这些特征具有与LDA等价的鉴别力，并且保留了一部份有用的次分量信息(二阶矩鉴别信息)。在ORL标准人脸库上的试验结果验证了所提的方法的有效性.
邓炜, 王军安, 杨永生[4]2000年在《计算机图象识别系统的设计与实现》文中提出首先概要介绍了有关图象识别方面的概念；然后讨论了图象识别的三个主要阶段以及图象识别系统的设计；最后结合人脸识别的例子详细地论述了计算机图象识别系统的实现。
廖频[5]2003年在《基于统一概率模型的人脸识别技术》文中研究指明人脸识别与许多其它的传统模式识别问题具有明显的区别。一方面,对于人脸识别系统,经常有成百上千的非常大量的类数(人数),而对于每个人却只有很少的几幅图象,甚至每人只有一个图象样本的情况也屡见不鲜。另一方面,人脸识别还受到光照、姿态、表情、年龄、图象质量、图象尺寸、背景等因素的影响。本文的研究主要针对在光照、姿态、表情等因素的影响下、每人只有单幅图象的大规模(几百人以上)的正面人脸图象的识别问题,取得以下创新性研究成果:(1)针对每类单样本的人脸识别问题,提出了一种具有非特定人群泛化能力的统一概率模型思想。统一概率模型基于人脸相似性特点,以一个统一模型建模不同的人脸,取代传统的对每个人脸都分别建立特定模型的方法。统一概率模型使用一个现有的人群B的图象样本(每类具有多个样本)进行训练,能够对另一个未知的人群A(人群A与人群B没有交集)完成每类单样本的识别任务,与传统方法仅使用人群A的每类单样本进行训练相比较,能够更好地反映人脸图象的变化。(2)提出了一种基于高斯混合模型的人脸识别方法。本文基于统一概率模型的思想,使用高斯混合模型估计人脸图象类内差别和类间差别的分布,比传统的使用正态密度函数来估计分布的方法更为精确;并应用分类器融合技术融合多个高斯混合模型,使得分类器的性能更加鲁棒。(3)根据人脸图象的左右基本对称的固有特性,提出一种基于身份子空间统一模型的人脸识别方法。由于人脸图象中的不对称性主要是由与身份信息变化无关的因素造成的,人脸空间被分成正交互补的身份子空间与非身份子空间。身份子空间基于人脸对称性的特点,对人脸空间进行降维,去除了特征空间中与身份信息变化无关的特征项,更紧凑地包含了人脸图象中身份信息的变化。(4)针对人脸定位误差常常导致识别失败的问题,提出了一种基于遗传算法的人脸精确定位的新方法。将精确定位问题转化成一个在离散空间中的优化搜索问题,利用遗传算法作为优化搜索方法,利用其收敛速度较快、鲁棒性强和全局寻优等优点,提高了基于身份子空间统一模型的人脸识别系统的性能。(5)对人脸识别中的特征选择问题进行了系统的研究。在基于身份子空间统一模型的人脸识别系统的基础上,对各种典型的特征选择方法进行了广泛的对比实验,得出了有益的相关结论。
陈远[6]2004年在《基于主元分析和神经网络的人脸识别方法研究》文中指出随着社会的发展，各个方面对快速有效的自动身份验证的要求日益迫切。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的理想依据。这其中，利用人脸特征又是最自然直接的手段，相比其他生物特征，它具有直接、友好、方便的特点，易于为用户接受。 本文在收集和分析了近年来国内外关于人脸识别的学术论文及研究报告，对计算机人脸识别技术的若干理论问题进行了探讨。针对建立人脸自动识别系统的主要技术环节——人脸识别方法进行了深入的研究，提出了一套用于视频图象正面人脸识别的方法。 人脸识别是一个涉及面广且又前景广阔的研究课题，近几年来关于人脸识别的研究取得了较大的进展。本文首先介绍了计算机人脸识别技术的研究背景和主要方法，然后提出了基于主元分析和人工神经网络的人脸识别方法。首先对人脸图象用主元分析法(PCA)提取特征向量，然后用BP人工神经网络进行训练和识别。本算法将PCA优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。实验结果表明本文所提出的算法是准确有效的。
王昆翔, 李衍达, 周杰[7]2001年在《关于人脸图象自动识别研究中的几个问题》文中提出科学技术的发展，互联网的广泛应用、重要部门都需要人身鉴别。计算机技术的发展、数字图象处理、模式识别的日臻完善，使人脸图象自动识别在技术上与经济上成为可能。人脸图象自动识别系统包括：人脸图象的检测与定位；人脸图象的提取与识别，本文对此做了较为详细的阐述。
刘丽华[8]2006年在《基于商图象的人脸光照补偿方法研究》文中研究表明光照、姿态和表情是目前影响人脸识别精度的三大重要因素。特别是自然环境光的变化不能人为控制,它不可避免地对人脸识别中人脸检测、特征提取、动态跟踪甚至三维人脸建模等关键方面产生影响。本文以人脸识别中的光照问题为研究对象,在商图象理论基础上,根据点光源位置分布和人脸结构的对称性,提出了基于一半人脸图象的商图象计算方法。另外,按加光和去光思路给出了两种不同光照补偿策略,并分别在PCA特征子空间和小波变换空间上进行了实现。本文主要完成的工作概括如下: (1)分析了光照变化对人脸图象及人脸识别系统产生的影响,总结了目前典型的光照处理方法,较详细地探讨了各种方法的优缺点,并结合商图象合成理论存在的问题提出了具体的改进思路。 (2)提出了基于一半人脸图象的商图象计算方法,并构造了低维光照样本训练集。光照样本集的丰富程度直接影响对待识别图象的光照条件估计,为了更精确估计图象在极端条件下的光照情况,根据Lee等提出的用9种典型人脸光照条件来识别普通光照条件下人脸图象的思想,设计了9维光照样本训练集;在此基础上,结合点光源位置分布和人脸结构的对称性特点,提出了利用左半幅人脸图象来构造训练集的方法,使算法空间复杂度和时间复杂度都降低了将近一半。同时,利用主成份分析法(PCA)和小波变换做进一步的降维处理,构造了在PCA特征子空间和小波变换空间上的低维训练矩阵,并分别在其上实现了对商图象的计算。实验说明通过PCA和小波变换能有效减少人脸自身阴影的影响。 (3)给出了两种灰度图象光照补偿策略,并在此基础上实现了对彩色图象的光照补偿处理。加光和去光是对光照问题处理的两种基本思路,按加光的思想给出了9种不同光照条件图象合成的策略,按去除光照影响的思想给出标准光照样本图象重构的策略,并在PCA特征子空间和小波变换空间上对其进行了实现。另外,在灰度样本训练集上,对彩色图象的亮度分量进行相应的操作,实现了对彩色图象的光照补偿。实验数据说明经光照补偿后人脸图象的识别率比原图象的识别率提高了20%左右。
邓楠[9]2006年在《基于主成分分析的人脸识别研究》文中研究指明人脸识别技术就是利用计算机分析人脸图像,提取有效的识别信息来辨认身份或者判别待定状态的一门技术。它涉及模式识别、图像处理、计算机视觉、生理学、心理学等诸多学科的知识,是当前研究的热点之一。然而,由于识别结果往往容易受到表情,姿态和光照变化的影响,同时还要保证识别系统的实时性,极大地影响了人脸识别走向实用化。 人脸识别主要包括图像预处理,特征提取和识别三个环节。在图象预处理阶段,采用了基于一维预处理的图象锐化方法,即运用一维的高斯平滑滤波器和一维的高斯微分算子来分别提取图象的水平和垂直锐化成分,最后合成总体锐化图象。与二维锐化方法相比,其运算时间更短,锐化成分的拖尾效应更少。 在特征提取阶段,研究了PCA,2DPCA,(2D)~2PCA,DiagPCA,DiagPCA+2DPCA等多种方法。不同于基于图象向量的PCA特征提取,由于2DPCA,(2D)~2PCA,DiagPCA和DiagPCA+2DPCA的特征提取都直接基于图象矩阵,计算量小,所以特征的提取速度明显高于PCA方法。 最后,将一维图象预处理和PCA,2DPCA,(2D)~2PCA,DiagPCA等特征提取方法结合起来进行识别工作。大量的实验结果表明,结合图象一维锐化和基于图象矩阵的2DPCA,(2D)~2PCA,DiagPCA等特征提取不仅能大幅度减少特征的提取时间,而且可以充分利用锐化图象的特点来克服光照的影响,有效提高人脸识别系统的光照鲁棒性。
游素亚, 张永越, 李武军, 徐光[10]1996年在《一种基于多视点图象的可变姿态人脸识别系统》文中指出本文报告了一种多姿态人脸图象识别原型系统，它不同于现有系统和方法，该系统可工作在合作对象下允许姿态变化（存在图象平面内旋转和深度方向上旋转，限于双眼可见）的人脸图象识别。由于对成象条件有所放松，故可望应用于身份验证、保安和视频会议等领域。对姿态可变条件下的人脸特征检测、姿态估计、识别建模以及基于模板相关的匹配等技术进行了深人研究，分析了光照、姿态及分辨率变化等因素对识别的影响程度。实验结果表明，对于３０类人脸，每人１８幅图象大小的测试集，达到了１００％的识别率。
参考文献：
[1]. 动态人脸识别系统[D]. 刘翼光. 中国科学院研究生院（计算技术研究所）. 2000
[2]. 人脸图象识别系统研究[D]. 熊志勇. 中国科学院研究生院（计算技术研究所）. 1999
[3]. 基于核的非线性特征抽取与图象识别研究[D]. 陈才扣. 南京理工大学. 2004
[4]. 计算机图象识别系统的设计与实现[J]. 邓炜, 王军安, 杨永生. 计算机应用研究. 2000
[5]. 基于统一概率模型的人脸识别技术[D]. 廖频. 中国科学院研究生院（计算技术研究所）. 2003
[6]. 基于主元分析和神经网络的人脸识别方法研究[D]. 陈远. 武汉大学. 2004
[7]. 关于人脸图象自动识别研究中的几个问题[J]. 王昆翔, 李衍达, 周杰. 公安大学学报(自然科学版). 2001
[8]. 基于商图象的人脸光照补偿方法研究[D]. 刘丽华. 陕西师范大学. 2006
[9]. 基于主成分分析的人脸识别研究[D]. 邓楠. 西北大学. 2006
[10]. 一种基于多视点图象的可变姿态人脸识别系统[J]. 游素亚, 张永越, 李武军, 徐光. 中国图象图形学报. 1996
标签：计算机软件及计算机应用论文; 人脸识别系统论文; pca论文; 人脸识别算法论文; 人脸检测技术论文; 空间分析论文; 矩阵变换论文; 图像识别论文;