学位论文 > 优秀研究生学位论文题录展示

基于子空间学习的复杂场景多姿态人脸识别

作　者: 卢志平
导　师: 袁贞明
学　校: 杭州师范大学
专　业: 计算机应用技术
关键词: 人脸检测人脸识别子空间学习局部保持映射(LPP) 局部二值特征(LBP) 谱回归
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 56次
引　用: 0次
阅　读: 论文下载

内容摘要

人脸识别是生物认证领域研究的热点问题,在公共安全、金融安全、增强现实、人机交互等领域都有广泛的应用。近年来,人脸识别技术取得了很大的进步,然而由于人脸图像受到各种因素的影响,很难设计一种算法可以解决人脸识别中的所有问题。人脸图像维度高并且呈现为非结构化的特性,在潜在复杂结构中存在大量的冗余数据,因此直接采用原始图像数据进行分类很难取得理想的识别效果。子空间方法是目前人脸特征提取方法中的研究热点,它根据样本数据构建特征子空间,然后将人脸图像投影到该特征子空间中以提取人脸图像特征,该过程不但减少了人脸图像的噪声,还提高了识别速度。在简单场景下,基于子空间的一些传统方法能够达到较好的识别性能。然而,现实场景中的图像和视频受到各种因素的影响,导致很多基于子空间的人脸识别方法在复杂场景下识别性能下降很快。本文研究基于子空间的人脸检测和识别算法,目标是提高算法在复杂场景下的检测和识别性能,主要的工作如下：(1)研究基于LPP-Adaboost的人脸检测算法传统的Adaboost算法具有很高的实时性,但是在复杂场景下其检测性能明显下降。本文提出一种基于LPP-Adaboost的人脸检测算法。算法首先采用基于LPP(Local Preserving Projection)的局部保持投影特征,该特征对姿态、光照和表情等变化具有不变性。LPP是非线性学习方法LE(Laplacian Eigenmaps)的线性化,同时兼顾线性方法和非线性方法的优点。与线性方法相比,LPP能更好地表示人脸的流形结构；与非线性流形学习方法相比,LPP可以构造一个投影子空间,对新样本进行分类。然后算法从所有LPP特征向量中挑选分类能力较强的特征向量作为弱分类器,通过Adaboost将弱分类器集提升为具有较强分类能力的强分类器组；最后,通过强分类器组级联加速人脸图像子块的筛选。实验表明：在复杂的场景下,LPP-Adaboost算法可以取得很好的检测效果,并且检测速度可以保证其应用于实时场景中。(2)研究基于子空间的人脸识别算法子空间方法是克服维数灾难的一种有效方法,其基本出发点是把高维空间中松散分布的样本,通过线性或非线性变换压缩到一个低维的子空间中,使样本在该低维子空间中分布更紧凑,从而更利于分类,并使计算复杂度减小。本文提出一种基于LBP-SR人脸识别算法,算法首先采用高斯滤波和下采样构建图像金字塔,将金字塔图像中的每一幅图像分割成若干子图像,对每一幅子图像提取LBP特征,合并所有提取的特征最终形成多尺度LBP特征,然后将多尺度LBP特征作为谱回归算法(SR)的输入,提取谱回归特征基向量,以谱回归特征基向量作为投影方向来提取人脸图像的特征,最后采用K近邻分类器来得到待识别样本的类别。采用多尺度LBP特征替换图像的像素作为SR算法的输入,在很大程度上减少了计算的复杂度。而且LBP算子具有平移与旋转不变性,能更好地表示人脸图像的潜在特性,同时消除冗余信息与部分噪声。采用谱回归方法提取特征子空间,邻近矩阵可以表示样本之间的相互关系,算法无需求解一般子空间方法的密度矩阵问题,而是通过回归的方法来求解投影空间,所以算法在计算复杂度上有优势。实验表明：在复杂场景下,基于LBP-SR算法与其他算法相比具有更好的识别性能,并且具有较快的识别速度,可以应用于实时场景中的人脸识别。(3)实现基于人脸识别的视频监控系统在以上算法研究的基础上,实现了人脸监测和人脸识别的视频监控平台。系统基于海康视频监控摄像机,实现了视频对象检测和提取模块、人脸检测模块和人脸识别模块。其中,人脸检测模块实现了基于Adaboost和LPP-Adaboost两种人脸检测算法；人脸识别模块实现了基于PCA、LDA、LPP、LBP、LBP-SR共五种人脸识别算法。系统采用组件式开发,定义了通用的分类器训练、识别和性能度量接口,可以方便地嵌入、测量和比较不同算法的性能。针对各种流行的标准人脸库定义了统一数据访问接口,因此该系统既可用于商用视频监控系统,还可以用于各种算法的比较设计研究,为人脸识别领域提供了一个开放式的研究平台。

全文目录

摘要  2-4
ABSTRACT  4-10
1 绪论  10-21
  1.1 研究的背景与意义  10-11
  1.2 人脸检测研究现状  11-14
  1.3 人脸识别研究现状  14-16
  1.4 人脸识别技术的主要研究困难  16-17
  1.5 本文主要研究内容  17-19
  1.6 论文章节安排  19-21
2 基于子空间人脸识别算法  21-31
  2.1 引言  21
  2.2 基于线性子空间的人脸识别  21-24
    2.2.1 主成分分析方法  21-22
    2.2.2 线性判别分析方法  22-23
    2.2.3 独立成份分析方法  23-24
  2.3 基于非线性子空间的人脸识别  24-28
    2.3.1 核主成分分析  25-27
    2.3.2 核线性判别分析  27-28
  2.4 实验与分析  28-30
    2.4.1 Yale人脸数据库  28-29
    2.4.2 PIE人脸数据库  29
    2.4.3 基于子空间学习的人脸识别技术路线  29-30
  2.5 本章小结  30-31
3 基于LPP-ADABOOST的人脸检测算法研究  31-39
  3.1 引言  31-32
  3.2 基于LPP的特征提取  32-33
  3.3 分类函数的学习  33-35
    3.3.1 构造弱分类器  33-34
    3.3.2 构造强分类  34-35
    3.3.3 级联分类器  35
  3.4 实验与分析  35-38
    3.4.1 CAS-PEAL人脸库实验结果  36-38
    3.4.2 视频检测结果  38
  3.5 本章小结  38-39
4 基于LBP-SR的人脸识别算法研究  39-53
  4.1 引言  39-40
  4.2 基于多尺度LBP特征提取  40-43
    4.2.1 LBP算子概述  40-42
    4.2.2 多尺度LBP特征提取  42-43
  4.3 基于SR特征空间构造  43-47
    4.3.1 维度约减框架  43-44
    4.3.2 谱回归降维算法  44-47
  4.4 基于LBP-SR人脸识别算法  47-48
  4.5 实验与分析  48-51
    4.5.1 ORL标准人脸库实验  49
    4.5.2 CAS-PEAL标准人脸库实验  49-51
  4.6 本章小结  51-53
5 基于人脸识别的视频监控系统设计与实现  53-65
  5.1 系统总体框架  53-55
  5.2 人脸识别系统设计  55-62
    5.2.1 数据访问层设计  55
    5.2.2 人脸检测接口设计  55-58
    5.2.3 人脸识别接口设计  58-62
  5.3 人脸识别系统实现  62-64
    5.3.1 开发环境  62
    5.3.2 系统界面  62-64
  5.4 本章小结  64-65
6 总结与展望  65-68
  6.1 本文工作总结  65-66
  6.2 未来工作展望  66-68
参考文献  68-73
攻读硕士研究生期间主要的研究成果  73-74
致谢  74

基于子空间学习的复杂场景多姿态人脸识别

内容摘要

全文目录

相似论文