可变光照和可变姿态条件下的人脸图像识别研究

论文摘要

自动人脸识别在公共安全、智能监控、数字身份认证、电子商务、多媒体和数字娱乐等领域具有巨大的应用价值，同时，人脸识别的研究涉及多个学科，具有重要的理论研究价值，受到各国政府、科研单位以及军事、安全、情报部门的广泛关注和高度重视。经过几十年的研究，人脸识别取得了长足的发展与进步，目前在控制和配合条件下，人脸图像识别可以取得比较高的识别率，但是在非控制条件和非配合条件下的人脸图像识别仍然是一个极具挑战性的课题，当人脸图像中光照和人脸姿态变化时，识别率急剧下降。 本文对人脸识别中光照变化的影响进行研究，在对当前人脸识别技术中解决光照变化问题的方法进行分析的基础上，提出了一种人脸图像的低维光照空间表示方法，在此基础上进行可变光照下的人脸识别。通过实验发现，9个基本点光源可以近似表示人脸识别应用中几乎所有的光照条件，在这9个基本光源照射下的9幅人脸基图像构成了低维人脸光照空间，它可以表示不同光照条件下的人脸图像，结合光照比图像方法，可以生成不同光照下的虚拟人脸图像。将这些虚拟人脸图像作为模板图像，可以进行不同光照下的人脸图像识别。本文提出的低维光照空间的主要优点是：通过这个光照空间，不仅能够由输入图像估计其光照参数，而且能够由给定的光照条件生成虚拟的人脸图像；利用某个特定人脸的图像建立的光照空间，可以应用于任意一张人脸，生成其在不同光照下的虚拟人脸图像。低维光照空间表示的思想虽然是以人脸为对象提出的，但可以推广应用于其他的对象。 本文对人脸识别中姿态变化的影响进行研究，提出基于单张正面照片的三维人脸模型合成方法，利用合成的三维人脸模型，生成不同姿态下的虚拟人脸图像，从而进行可变姿态下的人脸识别。由二维图像恢复对象的三维模型是计算机视觉领域的一个基本问题，传统的由二维人脸图像恢复人脸三维模型的方法需要多幅人脸图像、图像序列，或者需要限定条件下的立体图像对、正面和侧面图像对等，不利于实际应用。本文提出的算法只需要一幅正面人脸图像，降低了对使用条件的要求，便于实际应用，具有广阔的应用前景，该方法合成的三维人脸模型可以满足人脸识别、表情动画、人机交互的需要。 本文提出一种基于人脸对称性的快速人脸姿态估计方法，该算法能够仅由一幅输入图像快速、准确地估计出人脸的3D姿态。和其它检测方法相比，该方法具有模型简单、计算速度快等优点，利用面积作为输入信息，降低了估计结果对特征

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 人脸识别研究的背景和意义
• 1.2 人脸识别研究内容和流程
• 1.3 人类的人脸识别能力
• 1.4 人脸识别难点
• 1.5 本文的研究内容和结构安排
• 1.6 本文创新之处
• 第二章 人脸识别综述
• 2.1 人脸检测与配准
• 2.1.1.基于知识建模的人脸检测方法
• 2.1.2.基于统计的人脸检测方法
• 2.1.3 人脸配准（Face alignment）
• 2.1.4 人脸检测目前的技术水平[Li 2005b]
• 2.2 静态图像人脸识别
• 2.2.1 基于局部特征（特征点）匹配的方法
• 2.2.2 基于整体特征匹配的方法
• 2.2.3 混合利用整体和局部特征的方法
• 2.2.4 根据所采用的分类方法进行划分
• 2.3 动态人脸识别
• 2.4 人脸识别中光照和姿态变化的处理
• 2.5 人脸识别图像库
• 2.6 人脸识别评测体系[PHILLIPS 2005,ZHAO 2003A,吕2004]
• 2.6.1 人脸识别系统的性能评价[Phillips 1998c,Phillips 2000]
• 2.6.2 人脸识别评测体系
• 2.7 目前商用人脸识别系统
• 2.7.1 国外的公司及人脸识别系统
• 2.7.2 国内的公司及人脸识别系统
• 2.7.3 目前的人脸识别系统的局限性
• 2.8 本章小结
• 第三章 可变光照条件下的人脸图像识别
• 3.1 引言
• 3.1.1 光照变化对人脸图像识别的影响
• 3.1.2 可变光照下的人脸图像识别方法综述
• 3.2 任意光照下人脸图像的低维光照空间表示
• 3.2.1 低维人脸光照空间
• 3.2.2 利用低维光照空间和光照比图像生成不同光照下的人脸图像
• 3.2.3 可变光照下的人脸图像重构实验
• 3.2.4 利用低维光照空间生成不同光照下的虚拟人脸图像
• 3.3 可变光照条件下的人脸图像识别
• 3.3.1 本文实验采用的人脸图像识别算法
• 3.3.2 可变光照下的人脸图像识别实验
• 3.3.3 结论
• 3.4 本章小结
• 第四章 可变姿态条件下的人脸图像识别
• 4.1 引言
• 4.1.1 姿态变化对人脸图像识别的影响
• 4.1.2 可变姿态下的人脸图像识别方法综述
• 4.2 基于单张正面照片的三维人脸合成
• 4.2.1 通用人脸三维模型
• 4.2.2 图像中人脸特征点定位
• 4.2.3 Shape from Shading恢复人脸表面深度
• 4.2.4 合成特定人脸的三维模型
• 4.2.5 基于单张正面照片的三维人脸合成实验结果及分析
• 4.3 人脸姿态估计
• 4.3.1 面积模型估计人脸绕垂直轴旋转角度θ
• 4.3.2 近似平面模型估计人脸绕垂直轴旋转角度θ
• 4.3.3 实验结果及分析
• 4.4 不同姿态下的人脸图像识别实验
• 4.4.1 基于图像实时生成的人脸识别实验
• 4.4.2 基于虚拟图像库的人脸识别实验
• 4.5 本章小结
• 第五章 人脸识别系统
• 5.1 引言
• 5.2 配合条件下基于大规模数据库的人脸图像识别
• 5.2.1 概述
• 5.2.2 基于改进的Hausdorff距离的人脸识别方法
• 5.2.2.1 引言
• 5.2.2.2 Hausdorff距离
• 5.2.2.3 THD（Trebly modified Hausdorff distance）
• 5.2.2.4 利用THD进行人脸识别的实验
• 5.2.2.5 结论
• 5.2.3 系统方案
• 5.3 光照和姿态变化条件下的人脸识别
• 5.3.1 概述
• 5.3.2 2D-3D相结合的人脸识别框架
• 5.3.3 光照和姿态变化条件下的人脸识别
• 5.3.4 实验结果
• 5.4 人脸识别系统
• 5.4.1 系统框架
• 5.4.2 系统组成
• 5.4.3 人脸识别系统的演示实验结果
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 论文工作总结
• 6.2 展望
• 参考文献
• 致谢
• 发表的学术论文