复杂背景下的多姿态人脸识别技术研究

复杂背景下的多姿态人脸识别技术研究

朱长仁[1]2001年在《复杂背景下的多姿态人脸识别技术研究》文中提出人脸的表示和识别技术是模式识别、计算机视觉和图像理解系统的研究热点之一,在公安和安全部门有着广泛的应用,例如搜索罪犯、动态监视、银行密码系统等。目前研究主要集中在简单背景下的前视人脸识别或前视加侧视人脸识别,复杂背景下的多姿态人脸识别研究则刚刚起步。 本论文研究了复杂背景下的多姿态人脸识别的基本理论和关键技术,重点讨论了具有复杂背景的人脸图像中的人脸检测、人脸器官定位、特征提取以及多姿态人脸识别问题。论文的主要研究工作和成果包括以下几个主要方面的内容。 首先研究了复杂背景下的人脸检测,总结分析了复杂背景下灰度人脸检测技术,提出了基于肤色检测和多级证实的彩色人脸检测算法。在肤色统计分析的基础上,先基于彩色分割检测人脸候选区,后利用形状分析、人脸局部器官特征和人的头部模型先后进行叁次证实。这个算法具有较强的适应性和对各种背景干扰模式的稳健性等优点,对120多幅具有复杂背景的彩色图像实验表明,可以较为理想地从具有复杂背景的彩色图像中检测出双眼可视的多姿态的人脸。 其后研究了人脸特征提取,一、讨论了适合于多姿态人脸识别的基于叁点仿射变换的人脸图像归一化方法,以克服基于两点仿射变换会引起较大图像信息损失的缺陷;二、在分析现有器官定位算法的基础上,提出了新多姿态人脸器官特征定位技术,将多特征和直方图分析、基于置信度函数的迭代搜索和模板匹配相结合,既提高了器官定位精度,又提高了定位速度。叁、分析了现有人脸特征提取技术基础上,提出基于人脸图像分辨率以及人脸图像质量优劣度量的人脸局部特征突出度的人脸特征自适应选取准则,选取并提取较为稳定和可靠的人脸特征。 随后分别研究了基于多视图和单视图的多姿态人脸识别。在基于多视图的多姿态人脸识别方面,总结分析了经典的前视人脸识别和多姿态人脸识别概念和方法,提出了基于层次模型和融合决策的多姿态人脸识别技术。该技术先基于姿态划分的层次模型对多视图训练样本进行分类,后进行各个姿态通道的人脸识别,直至将各个姿态通道的识别中间结果进行融合决策得到最终的人脸识别结果。该技术与经典算法相比既提高了识别正确率,又减少了计算时间。 在研究基于单视图的多姿态人脸识别方面,一、详细研究了基于单视图或小样本的多姿态人脸识别的可能技术途径;二、提出了一种新的基于单视图的多姿态人脸识别技术,它先基于高次多项式函数拟合方法由单视图通过变形生成多姿态人脸图像,后基于该单视图和生成的多姿态图像进行多姿态人脸识别,实验结果表明该算法识别正确率大大高于经典算法;叁、详细研究了几种基于单视图或小样本的多姿态人脸图像生成技术,它们是基于单视图或小样本的多姿态人脸识别的关键技术。 最后,在前述几个方面研究的基础上,提出了复杂背景下的多姿态彩色人脸识别技术,并实现了其模型系统。该模型系统完成从具有复杂背景的彩色人脸图像中检测、识别双眼可视的多姿态人脸目标。实验结果表明了其稳健性和潜力。

廖广军[2]2014年在《复杂条件下的人脸检测与识别应用研究》文中研究指明生物特征(声音、签名、步态等行为特征,以及指纹、掌纹、人脸、虹膜等生理特征)作为人的一种内在属性,具有较强的稳定性和个体差异性,是理想的自动身份验证的依据。其中,人脸在普遍性、独特性和可采集性等方面都有一定优势。人脸检测与识别作为个人身份认证中应用最为广泛的一种技术,具有较高的学术研究价值和广泛的应用前景。文中主要以人脸检测、识别及应用为研究任务。为了有效应对二维人脸检测、识别在复杂条件下的固有缺陷,本文融合叁维和二维人脸信息,实现复杂条件下的人脸检测与识别及其相关的应用研究。在算法设计上,充分考虑了现有公开叁维人脸数据库的评测效果和实时人脸数据采集、识别的要求。主要研究内容包括:1.受制于民用级级叁维数据采集设备(以Kinect为例)本身的性能以及复杂条件的影响,针对所采集人脸数据出现的噪声、孔洞等情况,提出了人脸数据预处理方案。对于二维图像数据,采用常见的去噪、滤波算法等可改善图像质量。叁维深度信息最主要存在数据孔洞现象,对于小孔洞情况,利用区域增长算法和平滑滤波可实现孔洞填补;对于较大孔洞情况,研究了基于局部搜索的多帧叁维数据融合,实现大孔洞的填补。实验结果表明所提方法能在一定程度上解决上述问题。2.人脸检测是人脸识别及相关应用的前提和基础,以前的研究大多集中在具有约束条件下的人脸检测。针对复杂条件的人脸检测问题,考虑到二维图像实现人脸检测的相关算法存在固有缺陷,本文提出融合二维、叁维数据信息实现人脸检测,重点研究了正常光照下,弱光条件下、基于部分人脸特征和多姿态情况下的人脸检测问题。正常光照条件下,将动态规整算法应用于人脸轮廓快速提取,并根据人脸深度信息的统计方差情况对人脸进行过滤。为解决弱光条件下人脸检测问题,开展了基于深度信息的人脸快速定位方法的研究。首先,使用2D Chamfer Match方法实现了人脸的快速预定位,并对定位人脸进行区域增长和增强运算,然后使用Adaboost算法结合扩展的Harr特征训练出弱光下的人脸检测的强分类器,实现准确的人脸定位。在人脸检测中,理性利用深度信息,将能有效减少搜索窗口,加快检测速度。实验表明,文中提出的方法不仅能够解决弱光条件下的人脸检测,也能适应于正常光照条件下的人脸检测,有较强的鲁棒性和实时性。基于部分特征的人脸检测问题分为正常光照下和弱光条件两类问题研究。正常光照下,研究了基于HSV色彩空间的部分人脸特征提取,结合特征点对应的叁维空间曲率和特征组合关系实现目标检测;在弱光条件下,在充分研究鼻子特征在人脸特征所占权重的基础上,在叁维数据空间使用积分投影算法找出有效能量集中鼻尖候选区域,然后利用曲率约束定位鼻尖点,并以鼻尖点为中心采用改进搜索策略实现人脸其他特征区域的提取,最后通过级联分类器实现检测目的。针对多姿态问题,首先利用Fuzzy C-mans Cluster算法对训练数据进行自动化分类,然后在分离出来的样本子空间进行级联的Float Boost学习,训练出独立的分类器,实现多姿态人脸检测的目的。3.针对人脸识别问题,重点研究了基于信息融合的人脸识别方法。在正常光照下,为突破二维人脸识别的限制,提出采用Kinect采集设备基于信息融合进行叁维人脸识别。提出了一种改进的局部区域二值化特征匹配(LBP)实现人脸识别,将彩色图像信息和人脸生理特征信息的分析应用于区域LBP算法的权值确定。实验表明:文中提出的基于信息融合的叁维人脸识别方法具有使用价值,识别方法的实时性和鲁棒性方面得到一定提升。针对部分人脸特征的识别问题,通过实验,研究了基于3D LBP算法的鼻子及其人脸其他特征区域组合情况下的人脸识别问题。4.人脸特征是既包含个性特征又包含共性特征的复杂数据集,基于人脸特征的个体识别研究是个性问题,基于人脸特征的性别识别研究,是研究人脸特征共性问题。根据不同性别人脸在生理特征信息的差异,测量不同性别人脸的生理特征点分布,包括测量特征点深度信息的梯度特征及距离特征,利用两类特征组合,利用随机森林算法训练出具有较高识别率的人脸生理特征模型用于性别识别。此外,还对特征丢失对算法造成的影响进行了探讨,包括人脸刚性区域特征丢失和柔性区域特征丢失。

彭振云[3]2002年在《鲁棒的人脸识别方法研究》文中研究表明计算机人脸识别是一个复杂和困难的问题,其原因是:(1)人脸是由复杂的叁维曲面构成的可变形体,难以用数学描述;(2)所有人的人脸结构高度相似,而人脸的图像又受年龄和成像条件的影响,这使得同一人在不同条件下的差别可能比不同的人在相同条件下的差别还要大。因此,人脸识别技术实用化所需解决的重要问题是研究能在上述变化条件下可靠工作的人脸识别技术,即鲁棒的人脸识别技术。实现鲁棒的人脸识别涉及人脸检测、特征检测、人脸描述、建模、识别等技术,而其中最关键的是特征检测。基于上述理解,本论文以鲁棒的人脸识别为目标,以人脸特征检测为重点进行了相关的研究,并取得了如下创新性成果:1、提出多线索自适应人脸特征检测方法,将多种人脸线索通过导引、校验、纠错等方式相融合,实现了在姿态、背景和光照变化的情况下人脸特征的可靠检测。与现有典型的特征检测方法相比,正确率和适应性有显着提高(对于姿态变化的情况,正确率提高10%左右),从而使人脸特征检测技术达到实用阶段。2、提出图像分析和运动分析相结合的交叉验证方法,实现了活动图像人脸特征检测中的自动纠错和特征估计机制,从而使视频中人脸特征自动检测的正确率达到98%以上,为基于内容检索和视频编码的应用开辟了道路。3、提出基于自适应阈值分割的人脸特征检测方法和基于主分量分析的特征真实性概念,将人脸特征检测方法建立在无先验假设的基础上,克服了现有方法中过分依赖先验阈值、摄像条件或经验参数的缺陷,极大扩展了人脸特征检测的应用范围。4、将特征检测和颜色分析相融合,提出自适应可变模型的人脸检测方法,解决了复杂背景和光照可变条件下的多人脸检测问题。5、提出基于特征的多姿态自动建模方法,结合多模板匹配策略,有效解决了大容量可变姿态的人脸识别问题。

李全彬[4]2011年在《非约束环境下人脸识别关键技术的研究与应用》文中研究指明自动人脸识别的研究具有重要的理论价值和广阔的应用前景。自本世纪以来,相关技术已经取得了长足的进步,在约束环境下已经取得了满意的识别效果,一些商用系统也已经开始在某些领域得到一定的应用。但实践表明,非约束环境下自动人脸识别系统的广泛应用,还面临很多需要解决的技术难题,本文对其中涉及到的部分关键问题进行了相关研究。论文的主要研究成果总结如下:一、全面综述了人脸检测和人脸识别技术的研究历史和现状本文将现有的人脸检测方法分为基于知识、基于统计和基于肽色模型叁类进行了综述,全面介绍了该方向的最新研究成果,并将人脸识别分成叁个阶段进行了综述,对各个阶段代表性的算法进行了分析,对人脸识别国内外的研究现状和研究机构(团队)进行了全面的介绍。同时,对人脸识别相关的重要资源进行归纳整理,对重要的公共人脸库和人脸识别领域重要的国际会议和期刊进行了分类,并对推动人脸识别技术发展产生重要影响的相关测试进行了概括性介绍,最后结合测试的结论分析了当前自动人脸识别技术在应用上所面临的关键技术难题。二、研究了非约束环境下的人脸检测问题1.提出了一种光照鲁棒的肤色模型构建方法该方法提取复杂光照下肤色样本的YCbCr特征值进行训练,得到光照鲁棒的肤色模型。实验结果表明,该模型在检测各种复杂光照的彩色人脸肤色区域时均表现出良好的性能,配合4-连通区域筛选和肤色区域还原技术,能够实现准确的肤色区域检测和定位。2.提出了基于SMQT+SNoW+SVM的复杂光照人脸检测方法为了解决SMQT+SNoW人脸检测方法在检测复杂背景和复杂光照的人脸时存在的误检率高、检测时间过长的问题,本文引入了肤色预检和支持向量机分类策略,提出了基于SMQT+SNoW+SVM的人脸检测方法,该方法首先利用肤色模型对彩色图像进行人脸候选区域的分割,然后利用SMQT方法计算相应区块的特征,最后利用SNoW+SVM的方法实现了快速准确的人脸检测。针对1000张复杂光照图像人脸检测的实验结果表明,该方法在速度和准确率上都取得了良好的表现,误检率也下降到了可以接受的水平,满足了系统的实时运行需求。3.提出了基于FloatBoost的复杂光照多姿态人脸检测方法该方法首先利用光照鲁棒的肤色模型进行肤色分割,进而搜索可能的人脸区域,然后在人脸特征定位的基础上,确定候选人脸的特征块,并将这些候选区域利用FloatBoost进行分类,最终实现了快速准确的多姿态人脸检测。与其他已有算法的对比实验表明,所提方法不仅明显提高了复杂光照下多姿态人脸的正确检测率,缩短了检测时间,而且将可检测人脸姿态的范围扩大到[-90,+90]。同时,提出的特征搜索策略明显改善了最终检测出的人脸区域的分割效果,为后期人脸识别提供了更准确的人脸特征信息。叁、研究了非约束环境下的人脸识别问题1.提出了基于统一模式LBP(ULBP)和SVM的复杂光照人脸识别方法在对人脸特征提取方法进行综述分析的基础上,将最近提出的LBP特征算法应用到人脸的纹理特征提取中,采用两级LBP算子级联的方法扫描经3*5非规则分块的人脸图像,并将扫描结果的直方图按顺序组合起来作为最终的鉴别特征,然后利用训练的SVM分类器实现了复杂光照的人脸识别。在YaleB库的实验结果表明,这种分块、分级的人脸特征提取方法,兼顾了人脸图像的细节和整体特征,可有效消除光照的影响,增强所提取特征的可鉴别性,能够有效提高复杂光照下的人脸识别率。2.提出了一种准确的人脸特征定位和姿态估计方法该方法首先利用色度信息产生人脸的映射图,然后提取二值化后人脸图像的4-连通区域信息,并利用设定的规则消除误检的特征块,最终实现了绕Y轴旋转角度在[-90,+90]之间的多姿态人脸关键特征点的准确定位,并结合定位结果给出了人脸各种姿态旋转角度的计算方法。3.提出了一种基于水平镜像和决策融合的多姿态人脸识别方法该方法利用水平镜像技术产生更多的训练样本,并将人脸姿态从[-90,+90]划分为7个姿态空间,然后利用Gabor小波提取各个姿态空问下样本的Gabor特征,并采用2DPCA降维,形成对应的7个特征子空间。识别时,抽取输入图像及其水平镜像图像的特征向已训练的7个特征空间投影,然后根据投影的欧式距离,采用决策融合的方法得到最终的识别结果。在ORL、ColorFeret和Cas-Peal人脸数据库上的实验结果表明,该方法在少量训练样本的情况下,即可对姿态跨度[-90,+90]的多姿态人脸取得满意的识别结果。四、提出了一个网络人脸识别系统的实现方案从数据库设计、服务程序开发、网页设计等方面详细阐述了网络人脸识别系统的实现过程,给出了具体的设计方案,并在实际应用中取得了很好的效果。本文的上述研究内容为非约束环境下的人脸检测和人脸识别提供了相关的解决方案,并已在网络人脸识别系统中得到应用。

杨姝[5]2013年在《基于单视图的多姿态人脸识别》文中研究表明人脸识别技术是利用计算机对人脸进行分析,提取人脸的有效特征来进行人脸鉴别的技术,在公共安全、数字身份认证、多媒体等领域具有重要的应用价值,受到了广泛的重视。经过几十年的研究,在人脸识别领域已经出现了大量的创造性成果,但是这些成果仍然无法完全满足日益发展的实际应用需求。目前,对于控制配合下的人脸识别已取得了较高的识别率,但是对于非控制配合条件下,如,姿态变化情况下的人脸识别,其识别率会急剧下降。目前,研究者针对多姿态的人脸识别提出了以下四类解决办法:多视角人脸识别技术、不变特征人脸识别技术、基于叁维模型的人脸识别技术和基于单视图的多姿态人脸图像生成技术。前叁种技术运用的前提是人脸数据资料足够充分。当训练样本是单视图时,有研究者用单视图生成多姿态来扩充训练样本,这些生成多姿态人脸的方法存在生成精度不高的问题。为了提高多姿态人脸识别中的姿态人脸生成精度,本文提出了一种局部加权平均的多姿态人脸生成算法,并利用主成分分析提取人脸特征,应用支持向量机进行多姿态的人脸识别。具体的研究工作总结如下:(1)本文用局部加权平均的方法,得到正面人脸与姿态人脸图像局部特征点之间的映射函数集,采用相邻特征点映射函数加权平均的方法获得每个像素的形变函数,据此生成多姿态的人脸图像,构成多姿态人脸训练样本库。实验结果表明,该算法生成的多姿态人脸与拍摄得到的多姿态人脸的峰值信噪比高,有效地提高了姿态人脸的生成精度。(2)利用主成分分析提取人脸特征矢量;最后应用支持向量机实现多姿态的人脸识别。本文方法有效地克服了多姿态人脸识别中难以获得多姿态人脸图像和姿态变化导致的识别率迅速下降的问题。实验结果表明,使用局部加权平均算法生成的多姿态人脸能够保持人脸的局部特性,与ORL人脸库中的人脸的相似度高,有效地提高了多姿态人脸的识别率。

谢鹏程[6]2018年在《多姿态人脸识别的研究与实现》文中研究指明随着当今社会的信息化程度提高,通过对人脸特征进行提取从而实现人脸识别受到社会的广泛关注。目前人脸识别在公共安全、多媒体、以及身份认证等领域都有广泛的应用。虽然目前人脸识别在控制条件下具有较高的识别率,但是当面对实际生活的应用场景中的不可控因素,例如:视角、姿态、光照等等,目前的人脸识别方法仍然无法满足这些应用需求,其识别率会急剧下降。要将人脸识别在实际的场景当中应用开来,人脸的姿态变化是最常见的不可控制的因素之一。本文基于XGBoost回归实现人脸的预测模型,从而可以自动实现人脸的多姿态人脸矫正,从而得到预测的正脸,并且本文在对转正以后的人脸进行图像上的修复,从而可以得到一个更加贴近于真实正脸的合成正脸。本文主要工作是在实现将多姿态人脸矫正成正脸,在对人脸合成的基础上进一步对人脸进行修复,从而得到更加贴近于真实的人脸,最后根据转正以后的人脸实现多姿态人脸识别系统。主要工作与贡献如下所示:(1)对单角度多姿态人脸图像进行融合。非配合人员或复杂环境下采集到的人脸和在标准环境下面获得人脸有很大的区别,这样就导致在后期进行人脸识别工作有较大的困难。本文设计将单张多姿态人脸转成正脸。通过XGBoost模型训练得到人脸轮廓特征点的预测模型,通过基于叁角形模型的分段仿射变化实现人脸的纹理覆盖。通过该方法可以自动实现多姿态人脸转正,得到一张近似正脸图片。(2)消除人脸修复后的像素缺失。本文设计基于近似FFM奇偶对称性的方法。根据人脸的近似对称的特性在对人脸重构时利用人脸近似对称性。在人脸细节部分利用近似FFM来进行修正,从而可以解决由于多姿态人脸造成的像素缺失对正脸的干扰。实验证明该方法可以有效克服像素缺失造成的干扰,从而提高识别率。(3)系统实现:利用以上方法对当前的多姿态人脸识别系统进行实现,系统可以有效的对多姿态人脸进行识别,并且将其他多姿态人脸转正方法替换到系统当中,对本文当中的人脸转正和其他方法进行比较并分析。本文以实现多姿态人脸识别系统为目的,在单视角的多姿态人脸构造上有较深入的研究,实验证明本文方法的可行性,并在一定程度上提高系统的识别率和准确率,对于实际场景中的人脸识别技术有着一定的积极意义。

胡金裕[7]2014年在《基于改进LBP特征和人脸能量图的多姿态人脸识别研究》文中研究表明近年来,人脸识别技术一直是人工智能以及模式识别等诸多技术领域的热门研究课题,人脸作为一类十分重要的生物特征,具有非接触性、快速性、便捷性、唯一性等优点,但是在不同的环境下采集到的人脸图像具有一定的变化(如姿态、光照、遮挡等),姿态的变化是阻碍人脸识别发展的要素之一,对于待测试的人脸图像有相对较大的姿态变化时,将会导致识别率大幅度下降,甚至无法识别。本文围绕多姿态人脸识别的关键技术,主要进行了如下工作及研究:(1)概括的叙述了人脸识别研究的背景及其意义,论述了人脸检测及识别的研究现状与关键技术,并分析了技术发展过程中遇到的困难。(2)对人脸识别系统的构建过程做了详细的介绍,阐述了人脸这一生物特征与别的生物识别方法相比较所具备的独特优势,并对通常采集的人脸图片质量稍低而影响识别效果的问题,提出了本文需要使用的尺寸归一化、图像灰度化和直方图均衡化叁种图像预处理方法。(3)详细地对AdaBoost算法的原理进行了说明,包含矩形特征和积分图等,并分别论述了弱分类器、强分类器和级联分类器的构造方法。基于Haar-like特征的AdaBoost算法能够很好的实现正面人脸的检测,但是它对具有姿态变化的图像检测鲁棒性差,而且Haar特征维数较高,检测速度较慢,本文采用基于局部二值模式(Local Binary Pattern,LBP)特征的AdaBoost算的法检测方法,并训练了多姿态人脸(左侧脸、正面人脸、右侧脸)检测分类器。由于提取LBP特征相对于Haar-like特征方便,所以其检测速度更快,并且对多姿态人脸图像的检测效果较好。(4)分别对多尺度LBP(Multi-Block LBP,MB-LBP)、中心对称的LBP(Center Symmetric-LBP,CS-LBP)以及多尺度中心对称的LBP(MB-CSLBP)的特征提取算法做了详细的介绍,由于改进的LBP具有的独特优势,本文的大量实验结果表明这种纹理表征方法可以用于多姿态人脸的识别研究,而且它能够适应人脸的不同姿态。(5)提出了一种将人脸能量图进行改进LBP特征提取的多姿态人脸识别方法,介绍了人脸能量图的种类,并给出了它们的定义和合成方法。分别提取人脸能量和待识别人脸的改进LBP特征,根据海明距离判别,取得了很好的识别效果。最后,基于本文研究的方法实现了多姿态人脸识别系统。

卢志平[8]2010年在《基于子空间学习的复杂场景多姿态人脸识别》文中指出人脸识别是生物认证领域研究的热点问题,在公共安全、金融安全、增强现实、人机交互等领域都有广泛的应用。近年来,人脸识别技术取得了很大的进步,然而由于人脸图像受到各种因素的影响,很难设计一种算法可以解决人脸识别中的所有问题。人脸图像维度高并且呈现为非结构化的特性,在潜在复杂结构中存在大量的冗余数据,因此直接采用原始图像数据进行分类很难取得理想的识别效果。子空间方法是目前人脸特征提取方法中的研究热点,它根据样本数据构建特征子空间,然后将人脸图像投影到该特征子空间中以提取人脸图像特征,该过程不但减少了人脸图像的噪声,还提高了识别速度。在简单场景下,基于子空间的一些传统方法能够达到较好的识别性能。然而,现实场景中的图像和视频受到各种因素的影响,导致很多基于子空间的人脸识别方法在复杂场景下识别性能下降很快。本文研究基于子空间的人脸检测和识别算法,目标是提高算法在复杂场景下的检测和识别性能,主要的工作如下:(1)研究基于LPP-Adaboost的人脸检测算法传统的Adaboost算法具有很高的实时性,但是在复杂场景下其检测性能明显下降。本文提出一种基于LPP-Adaboost的人脸检测算法。算法首先采用基于LPP(Local Preserving Projection)的局部保持投影特征,该特征对姿态、光照和表情等变化具有不变性。LPP是非线性学习方法LE(Laplacian Eigenmaps)的线性化,同时兼顾线性方法和非线性方法的优点。与线性方法相比,LPP能更好地表示人脸的流形结构;与非线性流形学习方法相比,LPP可以构造一个投影子空间,对新样本进行分类。然后算法从所有LPP特征向量中挑选分类能力较强的特征向量作为弱分类器,通过Adaboost将弱分类器集提升为具有较强分类能力的强分类器组;最后,通过强分类器组级联加速人脸图像子块的筛选。实验表明:在复杂的场景下,LPP-Adaboost算法可以取得很好的检测效果,并且检测速度可以保证其应用于实时场景中。(2)研究基于子空间的人脸识别算法子空间方法是克服维数灾难的一种有效方法,其基本出发点是把高维空间中松散分布的样本,通过线性或非线性变换压缩到一个低维的子空间中,使样本在该低维子空间中分布更紧凑,从而更利于分类,并使计算复杂度减小。本文提出一种基于LBP-SR人脸识别算法,算法首先采用高斯滤波和下采样构建图像金字塔,将金字塔图像中的每一幅图像分割成若干子图像,对每一幅子图像提取LBP特征,合并所有提取的特征最终形成多尺度LBP特征,然后将多尺度LBP特征作为谱回归算法(SR)的输入,提取谱回归特征基向量,以谱回归特征基向量作为投影方向来提取人脸图像的特征,最后采用K近邻分类器来得到待识别样本的类别。采用多尺度LBP特征替换图像的像素作为SR算法的输入,在很大程度上减少了计算的复杂度。而且LBP算子具有平移与旋转不变性,能更好地表示人脸图像的潜在特性,同时消除冗余信息与部分噪声。采用谱回归方法提取特征子空间,邻近矩阵可以表示样本之间的相互关系,算法无需求解一般子空间方法的密度矩阵问题,而是通过回归的方法来求解投影空间,所以算法在计算复杂度上有优势。实验表明:在复杂场景下,基于LBP-SR算法与其他算法相比具有更好的识别性能,并且具有较快的识别速度,可以应用于实时场景中的人脸识别。(3)实现基于人脸识别的视频监控系统在以上算法研究的基础上,实现了人脸监测和人脸识别的视频监控平台。系统基于海康视频监控摄像机,实现了视频对象检测和提取模块、人脸检测模块和人脸识别模块。其中,人脸检测模块实现了基于Adaboost和LPP-Adaboost两种人脸检测算法;人脸识别模块实现了基于PCA、LDA、LPP、LBP、LBP-SR共五种人脸识别算法。系统采用组件式开发,定义了通用的分类器训练、识别和性能度量接口,可以方便地嵌入、测量和比较不同算法的性能。针对各种流行的标准人脸库定义了统一数据访问接口,因此该系统既可用于商用视频监控系统,还可以用于各种算法的比较设计研究,为人脸识别领域提供了一个开放式的研究平台。

向荫[9]2013年在《基于对称信息的目标定位和人脸识别方法研究》文中提出目标定位是目标跟踪和识别等应用的前端环节,目标的准确定位和实时处理已发展成为现代图像处理技术中的关键技术之一。在真实世界中存在着大量的对称目标,这些对称目标是当前许多复杂系统的研究主体,如智能交通系统中的车辆、人脸识别系统中的人脸等,因而对称目标定位技术具有很高的学术研究价值和广泛的应用前景。本文根据目标对称特性,提出了一种有效的目标定位方法。人脸识别是一种典型的目标识别,是计算机视觉与模式识别领域研究的一个热点,但是人脸的姿势变化依然是目前人脸识别的一个难点。人脸是最常见的对称目标之一,本文基于人脸对称信息,对二维多姿态人脸图像识别问题展开了研究,提出了一种对姿态不敏感的人脸识别方法。本文的主要工作如下:1.基于对称信息的目标定位算法:本文针对SIFT(Scale-Invariant FeatureTransform)方法在对称检测应用中只能检测目标中纹理丰富区域的对称轴的缺陷,基于物体对称特性研究,提出了一种新的特征点描述子,称之为对称SIFT描述子,该描述子是SIFT方法的改进,可以用来描述边缘特征点,突破了SIFT描述子的在边缘点描述方面的局限性。本文针对对称目标定位问题,提出了基于对称SIFT描述子的目标定位方法,该方法首先提取出目标完整对称轴,然后完成目标的准确定位。2.基于对称信息和ASIFT(Affine Scale Invariant Feature Transform)的人脸识别算法:本文针对二维多姿态人脸图像识别问题,首先根据人脸的对称特性这一先验知识,提出了叁个不同姿态下的人脸关联度评估指标,利用该指标对测试样本人脸和训练样本人脸的关联度进行评估,以滤除关联度较小的训练样本,达到粗略分类的目的;然后采用ASIFT方法将测试人脸图像和剩余的训练样本进行精细比对,得到最终的识别结果。实验证明,基于对称信息的人脸关联度评估指标的引入不仅可以降低后续比对的负担,对整体识别率的提高也有很大帮助。3.利用Microsoft VC++6.0实现基于对称检测的目标定位系统软件和基于对称的人脸识别系统软件。最后对本文工作的创新点和不足之处进行总结,并指出了未来研究中所需要开展的工作。

张海博[10]2015年在《单视角多姿态的人脸识别研究》文中认为随着社会信息化程度和自动化程度的提高,人脸识别作为一种生物特征识别技术,得到了越来越多的关注。目前理想条件下的正面人脸识别问题已经得到了很好地解决,但面对人脸识别技术实际应用中的不可控因素,如视角、姿态、光照、表情等,现有的方法还不能很好地消除它们的影响。其中,单视角和多姿态是人脸识别实际应用过程中经常会同时遇到的问题,而单视角造成的训练样本过少和多姿态人脸识别对样本完备性的要求之间存在着矛盾,因此,本文的研究重点就是如何克服上述问题,提高单视角多姿态的人脸识别水平。对于这个问题,本文研究分析了现有的人脸识别方法的不足,设计了一种针对单视角多姿态人脸识别问题的解决方案。本文首先研究分析了自动人脸识别系统的组成,将主要利用姿态估计和虚拟人脸生成这两种识别预处理方法来解决单视角多姿态人脸识别问题:先用人脸姿态估计结果对待识别人脸进行筛选,去除姿态不适合直接识别的人脸,再通过生成虚拟人脸来扩展人脸训练样本库以实现对多姿态人脸的识别。在此基础上,本文设计了基于姿态估计和虚拟人脸生成的单视角多姿态人脸识别系统结构。接下来本文研究了姿态估计问题,通过分析现有的方法的不足,将类内协方差规整方法用于人脸的姿态估计,这种方法结合了HOG图像特征提取方法和类内协方差规整的特征数据处理方法,通过广义线性核SVM分类器实现人脸的姿态分类。在CMU-PIE多姿态人脸数据库上的实验,验证了这种方法能够有效实现人脸的姿态估计。然后本文对虚拟人脸生成方法进行了研究,先通过基于叁次多项式的方法改进了基于多项式变换的虚拟人脸生成方法,改善了基于多项式的方法的效果。针对基于多项式的方法在人脸拟合误差上的不足,本文将RBF神经网络作为人脸变形模型用于虚拟人脸的生成,这种方法大大降低了拟合误差,使生成的人脸更接近真实人脸。最后,通过实验结果的对比,说明了本文所设计的方案能够有效提高单视角多姿态的人脸识别准确率。

参考文献:

[1]. 复杂背景下的多姿态人脸识别技术研究[D]. 朱长仁. 国防科学技术大学. 2001

[2]. 复杂条件下的人脸检测与识别应用研究[D]. 廖广军. 华南理工大学. 2014

[3]. 鲁棒的人脸识别方法研究[D]. 彭振云. 清华大学. 2002

[4]. 非约束环境下人脸识别关键技术的研究与应用[D]. 李全彬. 华东师范大学. 2011

[5]. 基于单视图的多姿态人脸识别[D]. 杨姝. 江苏科技大学. 2013

[6]. 多姿态人脸识别的研究与实现[D]. 谢鹏程. 电子科技大学. 2018

[7]. 基于改进LBP特征和人脸能量图的多姿态人脸识别研究[D]. 胡金裕. 哈尔滨工程大学. 2014

[8]. 基于子空间学习的复杂场景多姿态人脸识别[D]. 卢志平. 杭州师范大学. 2010

[9]. 基于对称信息的目标定位和人脸识别方法研究[D]. 向荫. 湖南大学. 2013

[10]. 单视角多姿态的人脸识别研究[D]. 张海博. 电子科技大学. 2015

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

复杂背景下的多姿态人脸识别技术研究
下载Doc文档

猜你喜欢