基于HOG特征的人臉識(shí)別系統(tǒng)研究.pdf

1、人臉識(shí)別很久以來一直是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域最關(guān)注的問題。近年來人臉識(shí)別技術(shù)取得了日新月異的發(fā)展，但在復(fù)雜環(huán)境下的人臉檢測(cè)和識(shí)別，如表情、姿態(tài)、復(fù)雜光照環(huán)境下仍有待進(jìn)一步發(fā)展與完善。梯度方向直方圖（Histograms of Oriented Gradients,HOG）已被證實(shí)為在目標(biāo)識(shí)別領(lǐng)域非常有效的特征提取算子。本文提出了一種基于HOG特征的人臉檢測(cè)方法，研究了一種基于HOG特征的人臉特征提取方法,并構(gòu)建了人臉檢測(cè)和識(shí)別系統(tǒng)。<

2、br>　　本文所做的主要研究工作如下：
　　1.研究并實(shí)現(xiàn)了一種基于HOG特征結(jié)合支持向量機(jī)（Support Vector Machine, SVM）的人臉檢測(cè)算法，完成了人臉檢測(cè)分類器的訓(xùn)練。提出了一種人臉檢測(cè)分類器設(shè)計(jì)方法，該方法先訓(xùn)練出大量基于HOG特征的局部SVM分類器，然后從這些局部分類器中選出分類效果較好的。把選出的各個(gè)局部分類器對(duì)訓(xùn)練樣本的分類結(jié)果組合成新的特征向量，最后對(duì)這些向量再次用SVM訓(xùn)練出最終的分類器。同時(shí)

3、在訓(xùn)練和檢測(cè)過程中運(yùn)用HOG積分圖，從而顯著提高了訓(xùn)練和檢測(cè)速度。
　　2.研究了全局HOG特征和局部HOG特征融合的特征提取方法。為了去除全局HOG特征冗余信息和解決類內(nèi)離散矩陣奇異的問題，先將全局HOG特征用主成份分析（Principal Component Analysis, PCA）降維，再用線性判別分析方法(Linear Discriminant Analysis,LDA)降維，得到全局特征向量。另外，我們將人臉圖像做區(qū)

4、域劃分，再用Fisher線性準(zhǔn)則降維各個(gè)區(qū)域HOG特征，得到局部特征向量。最后把局部特征和全局特征結(jié)合起來，通過把距離加權(quán)求和的方式來確定最終人臉分類器。該算法得到的特征向量保持人臉的只有性和穩(wěn)定性特點(diǎn)，對(duì)光照、姿態(tài)、表情、距離等因素造成的人臉多變性具有較強(qiáng)的魯棒性。
　　3.為了克服光線不好情況下的暗度圖像和強(qiáng)光照射情況下的高亮度圖像中人臉檢測(cè)困難的問題，本文提出一種圖像預(yù)處理方法，該方法用灰度實(shí)現(xiàn)分段Gamma校正，實(shí)現(xiàn)了低灰