自動(dòng)人臉檢測(cè)與識(shí)別系統(tǒng)中若干問題的研究.pdf

1、人臉檢測(cè)和人臉識(shí)別是新一代(第四代)人機(jī)交互中的關(guān)鍵技術(shù)，具有很高的學(xué)術(shù)價(jià)值和應(yīng)用潛力。同時(shí)，人臉檢測(cè)和人臉識(shí)別又是一個(gè)極具挑戰(zhàn)性的課題。這些課題得到了研究者的廣泛關(guān)注和深入研究。與其他的生物特征相比，基于人臉的檢測(cè)與識(shí)別的生物鑒定技術(shù)具有無侵害性、成本低等優(yōu)點(diǎn)，具有廣闊的應(yīng)用前景。 本文從構(gòu)造一個(gè)自動(dòng)化的、魯棒的、實(shí)時(shí)的、基于模塊化設(shè)計(jì)的先進(jìn)人臉檢測(cè)與識(shí)別系統(tǒng)出發(fā)，對(duì)人臉識(shí)別和人臉檢測(cè)兩方面進(jìn)行了深入的研究，并在文中給出了自動(dòng)

2、人臉識(shí)別系統(tǒng)(AFRS)的設(shè)計(jì)框架。本文的創(chuàng)新主要表現(xiàn)在： 1.提出了層次式積分投影并將其應(yīng)用到人臉的特征提取上，并用BLVQ算法對(duì)人臉模式建模，從而實(shí)現(xiàn)了基于BLVQ算法的人臉檢測(cè)算法。在本文中，我們提出首先用層次積分投影和一維小波特征進(jìn)行結(jié)合以描述圖像特征，然后采用批量學(xué)習(xí)矢量量化算法(BatchLearningVectorQuantitym，BLVQ)對(duì)“人臉”和“非人臉”模式的分布進(jìn)行建模從而實(shí)現(xiàn)人臉的檢測(cè)。這種算法對(duì)于

3、復(fù)雜背景下的人臉檢測(cè)具有較好的效果。 2.提出了二維線性判別分析(TwoDimensionalLinearDiscrimantAnalysis，2D-LDA)方法，并將其成功地應(yīng)用到提取人臉特征上。針對(duì)人臉識(shí)別中的小樣本問題，本文提出了一種新的特征提取算法：二維線性判別分析(2D-LDA)。這種方法并不需要將圖像矩陣變換為矢量，而是直接在圖像矩陣上計(jì)算類內(nèi)散度矩陣和類間散度矩陣，從而避免了小樣本空間問題(SmallSampleS

4、izeProblem，SSSP)。同時(shí)，由于直接采用圖像矩陣作為投影對(duì)象，2D-LDA具有很高的識(shí)別率和很低的計(jì)算量。本文通過大量的實(shí)驗(yàn)數(shù)據(jù)證明了本算法的優(yōu)越性。 3.提出了一種新的人臉識(shí)別算法：二維Gabor費(fèi)舍爾分類器算法(2D-GFC)。該算法采用Gabor小波對(duì)人臉圖像提取特征，并通過構(gòu)造一個(gè)二維Gabor特征矩陣以用來描述人臉圖像的Gabor特征，然后得到的人臉圖像的二維Gabor特征矩陣直接作為分析和處理的對(duì)象，用2

5、D-LDA算法對(duì)其進(jìn)行分析和降維，從而成功地構(gòu)造了一個(gè)基于二維Gabor特征的Fisher分類器算法：2D-GFC。本文通過大量的實(shí)驗(yàn)證明，2D-GFC不但有很高的識(shí)別率，而且其時(shí)間開銷最小，同時(shí)對(duì)光照、表情變換等情況非常魯棒。 4.介紹了第四代人機(jī)自然交互系統(tǒng)中人臉自動(dòng)識(shí)別系統(tǒng)AFRS的設(shè)計(jì)思想和實(shí)現(xiàn)技術(shù)，并提出了AFRS的構(gòu)造框架。AFRS系統(tǒng)真正實(shí)現(xiàn)了一個(gè)廉價(jià)的、自然的、友好的人機(jī)交互的接口。除了在第四代人機(jī)交互系統(tǒng)中具有