基于魯棒特征的人臉檢測(cè)與身份識(shí)別.pdf

1、人臉分析作為計(jì)算機(jī)視覺和人工智能領(lǐng)域的熱門方向，包括人臉檢測(cè)和人臉識(shí)別，一直以來備受人們關(guān)注。人臉檢測(cè)是在安防、視頻監(jiān)控、人機(jī)界面等領(lǐng)域得到了廣泛應(yīng)用。但是人臉外觀很容易受到自身和外界因素的影響，比如光照、表情、姿態(tài)、遮擋等情況，這些因素使得人臉檢測(cè)的難度加大。而人臉識(shí)別由于現(xiàn)實(shí)場(chǎng)景中人臉的表現(xiàn)形式過于復(fù)雜，也存在和人臉檢測(cè)同樣的問題，使得如今的人臉識(shí)別技術(shù)仍難應(yīng)用實(shí)際中。
　　針對(duì)傳統(tǒng) Adaboost算法在光照不均勻、姿態(tài)不定

2、、遮擋等情況下進(jìn)行人臉檢測(cè)出現(xiàn)檢測(cè)率不佳的問題，本文在人臉檢測(cè)部分主要的工作內(nèi)容有：（1）提出IB-Adaboost（Illumination compensation and Binarization）人臉檢測(cè)方法。該方法通過對(duì)圖像光照補(bǔ)償預(yù)處理，改善圖像光照質(zhì)量；再基于 Adaboost算法訓(xùn)練人臉分類器；接著對(duì)圖像進(jìn)行 YCbCr色彩空間轉(zhuǎn)換并二值化處理，縮小人臉?biāo)阉鲄^(qū)域；再經(jīng)過R、G、B顏色疊加獲取皮膚區(qū)域的彩色圖像實(shí)現(xiàn)人臉檢測(cè)

3、。（2）由于IB-Adaboost算法的人臉檢測(cè)效果仍存在提升空間，因而本文又提出一改使用Haar特征，利用歸一化像素差（NPD）的特征使得人臉不受光照、尺度等影響，采用GentleAdaboost算法，學(xué)習(xí)基于深二次樹的NPD的最佳子集特性和組合；并構(gòu)造soft-cascade演算法分類器處理復(fù)雜的人臉集合、任意的姿態(tài)和遮擋條件，構(gòu)成新的算法NPD-GAdaboost人臉檢測(cè)算法。（3）針對(duì)NPD-GAdaboost算法的檢測(cè)效果又做

4、了重新選擇初始的負(fù)例樣本確定訓(xùn)練模型。由于人臉識(shí)別率也會(huì)受到環(huán)境、姿態(tài)等影響，本文在人臉識(shí)別部分的主要內(nèi)容有：在基于深度學(xué)習(xí)的基礎(chǔ)上，本文根據(jù)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的 DeepID，學(xué)習(xí)基于深度學(xué)習(xí)（DeepID、DeepID2、DeepID2+）的人臉識(shí)別，比較各個(gè)人臉識(shí)別算法，并對(duì)人臉進(jìn)行身份識(shí)別，凸顯DeepID2+良好的魯棒性。
　　人臉檢測(cè)和識(shí)別的具體方法在VisualStudio平臺(tái)上進(jìn)行了仿真實(shí)現(xiàn)，基于數(shù)據(jù)庫(kù) FDDB、