人臉識(shí)別中若干關(guān)鍵技術(shù)的研究.pdf

1、自動(dòng)人臉識(shí)別(AFR)是近年來發(fā)展起來的研究熱點(diǎn)，其口的是讓計(jì)算機(jī)根據(jù)人臉圖像分析人物身份。由于涉及模式識(shí)別，計(jì)算機(jī)視覺，智能人機(jī)交互，圖形學(xué)，認(rèn)知科學(xué)等多個(gè)學(xué)科知識(shí)，人臉識(shí)別研究復(fù)雜而艱巨。雖然目前理想條件下的識(shí)別性能能夠接受，但是非理想條件下的識(shí)別技術(shù)還遠(yuǎn)未成熟，很多關(guān)鍵技術(shù)還有待解決，主要包括：(1)作為識(shí)別必要前提條件的面部關(guān)鍵特征精確定位問題；(2)人臉特征的完備提取； (3)高精度核心識(shí)別算法；本文重點(diǎn)探討了上述人臉識(shí)別中的

2、關(guān)鍵問題，主要工作總結(jié)如下： 1.全面地綜述了人臉識(shí)別技術(shù)。詳細(xì)回顧了人臉識(shí)別技術(shù)的發(fā)展歷史以及每個(gè)階段主要的人臉識(shí)別算法。從面部特征自動(dòng)定位、人臉表示模型、分類和識(shí)別算法三個(gè)角度對(duì)人臉識(shí)別領(lǐng)域的主要技術(shù)方法進(jìn)行了分類整理。詳細(xì)介紹了主要的公用人臉圖像庫、主要的人臉識(shí)別研究機(jī)構(gòu)和商用系統(tǒng)，最后，本文討論了人臉識(shí)別領(lǐng)域目前仍然面臨的主要技術(shù)難題和開放問題。2.研究了特征精確配準(zhǔn)問題，對(duì)活動(dòng)模板模型在搜空間與搜索過程上做了一些改進(jìn)。

3、面部特征精確配準(zhǔn)足魯棒實(shí)用的人臉識(shí)別系統(tǒng)的基本前提。主動(dòng)形狀模型(ASM)是目前解決該問題的主流方法。本文詳盡地分析主動(dòng)形狀模型(ASM)的工作原理，仔細(xì)地討論了它的優(yōu)缺點(diǎn)，并在此基礎(chǔ)上，提出了三點(diǎn)改進(jìn)：(1)針對(duì)經(jīng)典ASM算法中模型空間構(gòu)造的不足，在原模型空間的基礎(chǔ)上加入了形狀變化子空間，提出了最優(yōu)搜索空間的概念，提高了原模型空間的模型表達(dá)能力(2)針對(duì)經(jīng)典ASM算法及其以后的改進(jìn)算法中沒有任何對(duì)搜索結(jié)果進(jìn)行評(píng)價(jià)的現(xiàn)實(shí)，提出了一種合理

4、、簡便、易行的評(píng)價(jià)方法，使搜索過程變得不再盲目，搜索結(jié)果更符合實(shí)際情況。(3)在第二步評(píng)價(jià)的基礎(chǔ)上，針對(duì)ASM算法搜索過程中模型搜索和圖像紋理搜索相互獨(dú)立的缺點(diǎn)，提出了一種最優(yōu)搜索算法，其中使用了反饋策略，使得兩種空間的搜索結(jié)果互相約束，互相利用，搜索過程變得更加合理，智能。這些改進(jìn)在一定程度上彌補(bǔ)了ASM算法中模型空間與搜索過程的不足，能夠比較精確地定位預(yù)定義的面部關(guān)鍵特征。為后續(xù)的人臉識(shí)別打下了良好的配準(zhǔn)基礎(chǔ)。 3.近年來，

5、人臉局部特征提取的研究非常活躍，特別是局部二元模式(Local BinaryPatterns，LBP)特征和Gabor小波特的研究，它們因充分考慮基準(zhǔn)點(diǎn)像素崗圍灰度統(tǒng)計(jì)特性而對(duì)片狀光照變化、旋轉(zhuǎn)等條件具有很強(qiáng)的魯棒性，多位研究者將其用在人臉識(shí)別系統(tǒng)中并取得了很好的效果，然而算法的復(fù)雜性或高維性帶來了太多的限制。因此，本文將兩種算法相結(jié)合，提出了Gabor二元碼算法，在各種Gabor特征圖像之間進(jìn)行局部二元模式計(jì)算，使新的特征因同時(shí)具備局

6、部紋理和片狀灰度變化信息而對(duì)光照、旋轉(zhuǎn)更加魯棒。更為重要的是，特征維數(shù)降低了很多，減少了計(jì)算量。實(shí)驗(yàn)結(jié)果表明：和LBP、Gabor小波以及獨(dú)立分量等特征相比，本文提出的特征具有一定的優(yōu)勢(shì)，尤其在條件較差的情況下優(yōu)勢(shì)更加明顯。 4.主分量分析算法是人臉識(shí)別研究中的一大類算法，對(duì)其研究不斷深入。近年來，研究者主要集中在二維主分量分析的研究上，有多種相關(guān)算法被提出，比較有影響的有二維主分量分析算法(2-dimensional prin

7、cipal component analysis，2DPCA)和雙向主分量分析算法(bidirectional PCA，BDPCA)。它們都是通過最大化投影矩陣散度來提取特征進(jìn)而解決二維數(shù)據(jù)判別分析的問題，計(jì)算結(jié)果唯一且算法不具備擴(kuò)展性。故，本文根據(jù)重構(gòu)誤差準(zhǔn)則來提取多維數(shù)據(jù)中各維主分量，提出了廣義主分量分析(Generalized Principal Component Analysis，GPCA)的算法，小僅能提取二維主分量，理論上