人脸检测和识别算法的研究与实现

论文摘要

生物特征识别是利用人类特有的生理或行为特征来识别个人身份的技术，它提供了一种高可靠性、高稳定性的身份鉴别途径。人脸检测和识别是目前生物特征识别中最受人们关注的一个分支，是当前图像处理、模式识别和计算机视觉领域内的一个热门研究课题，在公安部门罪犯搜索、安全部门动态监视识别、银行密码系统等许多领域有广泛的应用。与指纹、视网膜、虹膜、掌纹等其他人体生物特征识别方法相比，人脸识别具有直接、友好，使用者无心理障碍等特点。本文对此进行了较为深入的研究，论文的主要工作和成果有以下几个方面： (1) 全面概述了生物特征识别技术及其发展方向、应用背景和研究意义，重点描述了人脸识别技术的研究内容、方法、应用前景，介绍了人脸识别技术在国内外的研究现状，对人脸自动检测与识别技术进行了综述。 (2) 提出一种非线性变换的彩色空间来描述肤色模型，在该非线性彩色空间上进行人脸肤色的分割，采用基于区域增长算法的自适应阈值处理，实现了一个完整的皮肤分类器。通过使用自适应阈值的模糊分割技术，使皮肤区域与非皮肤区域有效地分割开，从而得到人脸候选区域。提出利用多尺度形态边缘检测算法定位眼睛和嘴的位置，根据均值和方差分割出的纹理特征和人脸几何特性来定位人脸，从而验证候选区域是否为人脸。 (3) 在标准PCA原理基础上，分别提出了对称主成分分析和核主成分分析算法进行人脸识别。通过引入镜像样本，将人脸图像进行奇偶分解，并分别对奇偶图像应用KL展开，提取奇偶对称KL特征；根据各个特征分量在人脸中所占能量比例的不同以及对视角、旋转、光照等干扰的不同敏感程度，进行特征选择，增强特征的稳定性；从理论分析入手，建立理论基础，并将该算法成功应用于人脸识别中。该算法从理论上提出奇偶正交重构，在应用上利用镜像样本扩大样本容量，提高了识别性能并增强了人脸识别算法的实用性。作为一类核方法，KPCA方法在模式识别领域中得到了较多的应用，其基础是使用KPCA进行特征抽取。在进行非线性映射之前，首先利用经典的主分量分析降维，然后再进行核主分量分析(KPCA)。在ORL标准人脸库上的实验结果验证了所提算法的有效性。 (4) 提出了基于小波变换图像相关性的人脸识别方法。用小波变换将原始图像分解提取特征，可以有效地降低特征向量的维数；将训练集中的5幅图像取平均值作为模板脸，计算测试集中的5幅小波变换图像与模板脸的相关系数，并进行比较。在ORL人脸库上的实验结果表明，提出的方法可以达到98.5％的正确识别率，计算量小，速度快，可用于各种人脸识别系统中。

论文目录

• 独创声明
• 学位论文版权使用授权书
• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 生物特征识别技术
• 1.1.1 人脸识别
• 1.1.2 声音识别
• 1.1.3 人脸温谱图识别
• 1.1.4 指纹识别
• 1.1.5 掌纹识别
• 1.1.6 手形识别
• 1.1.7 手背脉纹识别
• 1.1.8 虹膜识别
• 1.1.9 视网膜识别
• 1.1.10 DNA序列匹配
• 1.1.11 耳形识别
• 1.1.12 步态识别
• 1.1.13 签名识别
• 1.1.14 击键动态特征识别
• 1.2 人脸自动识别技术概述
• 1.2.1 人脸识别研究现状及应用前景
• 1.2.2 人脸识别的研究内容
• 1.3 人脸检测方法
• 1.3.1 基于知识的方法
• 1.3.2 基于特征的方法
• 1.3.3 模板匹配
• 1.3.4 基于外观的方法
• 1.4 人脸识别方法
• 1.4.1 基于子空间变换的方法
• 1.4.2 基于机器学习的方法
• 1.4.3 基于模型的方法
• 1.4.4 弹性图匹配方法
• 1.4.5 局部特征分析方法
• 1.4.6 基于几何特征的方法
• 1.4.7 模板匹配法
• 1.5 本文的组织结构
• 第二章 彩色图像中的人脸检测
• 2.1 人脸检测常用的几个彩色空间
• 2.1.1 RGB彩色空间
• 2.1.2 标准化 RGB彩色空间
• 2.1.3 HSV彩色空间
• 2.1.4 YCrCb彩色空间
• 2.2 非线性 YCrCb彩色空间
• 2.2.1 光线补偿处理
• 2.2.2 非线性分段彩色空间变换
• 2.2.3 新的非线性彩色空间变换—NYCr’Cb'
• 2.3 从粗到精的自适应人脸分割
• 2.3.1 人脸分割总体结构图
• 2.3.2 人脸区域的分割
• 2.4 分割图像预处理
• 2.4.1 皮肤区域的数量
• 2.4.2 区域内空洞数量
• 2.4.3 区域质心与倾角
• 2.4.4 区域的宽和高
• 2.5 模板匹配
• 2.6 检测结果
• 2.7 基于眼睛和嘴部颜色特征的人脸定位
• 2.7.1 眼睛映射
• 2.7.2 嘴部映射
• 2.7.3 利用眼睛和嘴部的映射定位人脸
• 第三章 基于主成分分析的人脸识别
• 3.1 主成分分析方法
• 3.1.1 概述
• 3.1.2 基本原理
• 3.1.3 PCA应用于人脸识别的工作原理
• 3.1.4 PCA方法的性能评价
• 3.1.5 PCA系数获取
• 3.2 基于对称主成分分析的人脸识别方法
• 3.2.1 SPCA的原理
• 3.2.2 提出的一些重要结论
• 3.2.3 特征提取与特征选择
• 3.2.4 算法实现步骤及实验结果
• 3.3 基于核主成分分析的人脸识别
• 3.3.1 特征空间中的 PCA
• 3.3.2 特征空间的点积计算
• 3.3.3 核主成分分析
• 3.3.4 实验结果分析
• 第四章 基于小波变换的人脸识别方法
• 4.1 引言
• 4.2 小波变换及其性质
• 4.2.1 连续小波变换的定义
• 4.2.2 小波变换的主要性质
• 4.2.3 离散小波变换
• 4.2.4 多分辨率分析
• 4.2.5 二维小波变换
• 4.3 基于小波变换的图像低维表示
• 4.3.1 小波基函数的选取
• 4.3.2 子图像的选取
• 4.3.3 人脸图像的小波分解
• 4.4 分类器的选择
• 4.4.1 距离度量
• 4.4.2 相关性模式识别
• 4.5 距离和线性相关分类器的实现
• 4.5.1 距离分类器的实现结果
• 4.5.2 基于线性相关的识别结果
• 第五章 基于支持向量机的人脸识别
• 5.1 支持向量机介绍
• 5.1.1 支持向量机
• 5.1.2 线性支持向量机
• 5.1.3 非线性支持向量机
• 5.1.4 核函数的选择
• 5.2 多分类支持向量机
• 5.2.1 多分类支持向量机介绍
• 5.2.2 1-v-A SVM
• 5.2.3 1-v-1 SVM
• 5.2.4 DAG SVM
• 5.3 离散余弦变换
• 5.3.1 离散余弦变换的原理
• 5.3.2 图像的离散余弦变换
• 5.4 多分类支持向量机用于人脸识别
• 5.4.1 多分类支持向量机的人脸识别训练过程
• 5.4.2 多分类支持向量机的人脸识别过程
• 第六章 基于多特征参数人工神经网络人脸识别
• 6.1 BP神经元网络
• 6.1.1 BP神经元网络结构
• 6.1.2 BP神经元网络学习规则
• 6.1.3 BP神经元网络的设计分析
• 6.2 人脸多特征提取分析与实现
• 6.2.1 直方图均衡化
• 6.2.2 小波变换
• 6.2.3 利用 PCA实现特征提取
• 6.3 用 BP神经元网络实现人脸识别
• 6.3.1 多特征分析方法提取的特征向量
• 6.3.2 神经网络结构分析
• 6.4 实验结果分析
• 第七章 结论与展望
• 7.1 本文主要研究成果
• 7.2 进一步的工作与展望
• 参考文献
• 致谢
• 攻读学位期间发表的论著
• 个人简历