人脸识别系统的设计与实现

论文摘要

论文在研究现有经典的人脸检测与识别算法的基础上,构建了一个计算机视觉应用系统框架,并围绕着“人脸检测”与“人脸识别”两大任务,实现了该框架的系统原型。首先,对Viola等人提出的基于类Haar特征及AdaBoost的人脸检测算法进行了改进,将原来的离散AdaBoost算法改用允许弱分类器具有连续置信度输出的连续AdaBoost算法,加快了算法的收敛。相应的,将原来的单一阈值弱分类器改为输出几乎可模拟任意概率分布的特征查找表(FST)弱分类器。其次,研究了子空间降维的几种主要方法,包括线性的(PCA和LDA)和非线性的(流形学习)算法,以及在人脸识别中的应用,并给出了对比实验结果。接着,介绍了两种分类器的设计,BP神经网络和支持向量机,提出了一种新的基于Partial Hausdorff距离(PHD)的图像匹配方法,并将该方法与BP神经网络和支持向量机相结合,即:分类器输出的概率最大的前几个候选类别与待识别人脸图像进行匹配,找到最佳的匹配作为最后的输出。最后是人脸识别系统的一些实现细节和程序界面的设计。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 人脸识别技术现状
• 1.1.1 人脸识别技术
• 1.1.2 国际领先的人脸识别系统
• 1.1.3 人脸识别系统的一般框架
• 1.1.4 人脸识别的主要困难
• 1.2 论文的主要工作、特点及论文结构
• 1.2.1 本论文工作的主要内容及特点
• 1.2.2 人脸识别系统的整体设计
• 1.2.3 论文结构安排
• 第二章 人脸与人眼检测
• 2.1 系统框架
• 2.2 改进的AdaBoost 算法
• 2.3 类Haar 特征
• 2.3.1 类Haar 特征的定义
• 2.3.2 类Haar 特征的计算
• 2.3.3 积分图
• 2.4 弱分类器的设计
• 2.4.1 单一阈值分类器
• 2.4.2 特征查找表分类器
• 2.5 级联分类器
• 2.6 检测过程
• 2.7 实验结果与分析
• 第三章 人脸模式识别
• 3.1 子空间学习研究
• 3.1.1 线性子空间学习
• 3.1.2 流形学习
• 3.1.3 实验结果与分析
• 3.2 分类器设计
• 3.2.1 BP 神经网络
• 3.2.2 支持向量机
• 3.2.3 基于Hausdorff 距离的人脸匹配
• 3.2.4 实验结果与分析
• 第四章 人脸识别系统的实现
• 4.1 系统的实现框架
• 4.2 一些算法的实现
• 4.2.1 奇异值分解（SVD）
• 4.2.2 主分量分析（PCA）
• 4.2.3 Fisher 线性判别分析（Fisher LDA）
• 4.2.4 SVM 的训练过程
• 4.2.5 SVM 的分类判别
• 4.3 One-sample-per-person 问题
• 4.4 程序界面设计
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 对未来工作的展望
• 本论文工作过程中发表的论文
• 参考文献
• 致谢