学位论文 > 优秀研究生学位论文题录展示

可变光照下人脸检测与识别研究

作　者: 王小明
导　师: 刘锦高；黄昶
学　校: 华东师范大学
专　业: 通信与信息系统
关键词: 模式识别人脸检测人脸识别光照特征抽取子空间人脸检测率人脸误检率 Gabor小波支持向量机商图像
分类号: TP391.41
类　型: 博士论文
年　份: 2010年
下　载: 546次
引　用: 1次
阅　读: 论文下载

内容摘要

人脸检测与人脸识别是模式识别与计算机视觉领域的重要研究课题,在公共安全、智能监控、视频会议、多媒体和数字娱乐等领域有广阔的应用前景。经过三十多年的研究,人脸检测与识别技术在可控环境中获得了很大的发展,在理想情况下已经能够取得可以接受的检测与识别的性能。但是在不可控环境中,由于受到多种因素的影响,如光照、姿态、表情、遮挡等,人脸检测和识别的性能会有明显的下降。人脸检测与人脸识别要真正走向实用仍然极具挑战性。本文对人脸检测与人脸识别中的人脸检测器训练,人脸特征抽取、人脸分类器设计等问题进行了研究,同时针对可变光照下的人脸检测与人脸识别问题,从图像增强和获取人脸光照不变特性的角度进行了深入的研究。论文的主要研究成果概括如下：(1)针对应用Adaboost算法进行人脸检测时误检率比较高的问题,提出了级联支持向量机的Adaboost-SVM人脸检测算法。Adaboost算法利用Haar小波,积分图和级联的思想实现了接近实时的人脸检测,但是对于复杂的背景存在着人脸误检率比较高的问题。本文首先利用Adaboost算法训练了一个人脸检测器,然后用该检测器对图像数据库进行自动的人脸检测,再对检测结果进行人工纠正分类,产生人脸正样本和负样本,利用这些样本训练基于SVW的人脸检测器。将这两个检测器级联起来,构成Adaboost-SVM人脸检测器。实验表明,Adaboost-SVM人脸检测算法在基本保持人脸检测率的情况下,误检率有明显的下降,误检窗口数最高下降达到82.91%。(2)当环境的光照比较复杂时,人脸检测的性能会有明显的下降,为了减少光照的影响,提出了快速的自适应图像增强算法,用于改善复杂光照下的人脸检测性能。本文深入研究了Retinex图像增强理论,针对多尺度Retinex算法存在的运行速度慢,增强后图像容易灰度化的现象,提出了一种改进的多尺度Retinex图像增强算法。同时结合对数变换和非线性变换,进一步提出了快速的自适应图像增强算法,与直方图均衡、单尺度Retinex和多尺度Retinex算法相比,自适应图像增强算法在人脸检测率和误检率方面都有明显的改善。(3)针对Gabor小波人脸特征表示数据维数过高的问题,研究了利用二维线性子空间进行特征降维的方法,并实现用支持向量机进行人脸分类的策略。人脸识别的过程中,利用多个尺度和不同方向的Gabor小波来表示人脸图像,并构成Gabor特征脸,然后利用二维线性子空间方法直接对Gabor特征脸进行特征降维,再采用支持向量机对人脸进行分类。实验表明,这种方法有效地提取了有利于分类的人脸特征,同时解决了Gabor小波的维数灾难问题,取得了良好的分类效果。(4)综述了复杂光照下的人脸识别算法,提出了形态学小波商图像算法。寻找具有光照不变性的人脸特征图像是解决复杂光照人脸识别的一个有效途径,对人脸图像进行形态学闭运算操作后,再在小波域去掉图像的高频成分,所得结果作为人脸图像的光照估计,将光照图像与原图像相除后得到一种商图像。实验结果表明,这种形态学小波商图像具有光照不变性,同时相比于SSR算法和形态学商图像,形态学小波商图像更能保留复杂光照下人脸图像的识别信息,识别效果更好。上述研究成果分别从降低人脸误检率的策略,人脸特征抽取和识别,可变光照下人脸检测和识别性能的提高等方面给出了具体的方案和实验结果,对于人脸检测和识别的理论研究和应用推广有一定的参考价值。

全文目录

摘要  6-8
Abstract  8-16
第一章绪论  16-34
  1.1 引言  16
  1.2 研究背景及意义  16-18
  1.3 人脸检测研究进展  18-20
  1.4 人脸识别研究进展  20-22
  1.5 论文的研究内容和章节安排  22-25
  参考文献  25-34
第二章基于统计学习理论的人脸检测  34-60
  2.1 引言  34-35
  2.2 基于Adaboost的人脸检测  35-41
    2.2.1 Haar矩形特征和积分图  36-37
    2.2.2 弱分类器生成  37-38
    2.2.3 强分类器的生成  38-40
    2.2.4 级联分类器的生成  40
    2.2.5 扩展的Haar特征  40-41
  2.3 基于Adaboost-SVM的人脸检测  41-50
    2.3.1 支持向量机理论  41-46
    2.3.2 Adaboost-SVM人脸检测算法  46-47
    2.3.3 Adaboost-SVM分类器的训练  47-50
  2.4 实验结果与分析  50-56
  2.5 本章小结  56-57
  参考文献  57-60
第三章复杂多变光照下人脸检测研究  60-84
  3.1 引言  60-61
  3.2 传统图像增强技术  61-64
    3.2.1 直方图均衡  61-62
    3.2.2 对数变换  62
    3.2.3 指数变换  62-63
    3.2.4 同态滤波  63-64
  3.3 Retinex图像增强算法  64-73
    3.3.1 单尺度Retinex算法  65-66
    3.3.2 多尺度Retinex算法  66-67
    3.3.3 改进的多尺度Retinex算法  67-73
  3.4 自适应图像增强算法  73-77
    3.4.1 动态范围压缩  74-76
    3.4.2 图像细节增强  76-77
  3.5 实验结果与分析  77-80
  3.6 本章小结  80-82
  参考文献  82-84
第四章基于子空间理论与Gabor小波的人脸识别  84-108
  4.1 引言  84
  4.2 线性子空间特征抽取  84-88
    4.2.1 一维线性子空间方法  84-87
    4.2.2 二维线性子空间方法  87-88
  4.3 基于Gabor小波的人脸特征表示  88-91
    4.3.1 Gabor核函数  88-89
    4.3.2 人脸Gabor小波表示  89-91
    4.3.3 Gabor特征降维  91
  4.4 基于SVM的人脸分类  91-94
    4.4.1 一类对余类  92-93
    4.4.2 成对分类  93
    4.4.3 有向无环图分类策略  93-94
  4.5 实验结果与分析  94-103
    4.5.1 2DPCA与2DLDA的比较实验  95-98
    4.5.2 基于ORL人脸库的人脸识别实验  98-101
    4.5.3 基于ORL和CAS-PEAL人脸库的比较实验  101-103
  4.6 本章小结  103-104
  参考文献  104-108
第五章复杂多变光照下人脸识别研究  108-140
  5.1 引言  108
  5.2 人脸光照处理方法综述  108-112
    5.2.1 光照变化建模方法  109-110
    5.2.2 光照不变特征方法  110-111
    5.2.3 光照归一化方法  111-112
    5.2.4 3D形变模型方法  112
  5.3 基于商图像理论的人脸识别  112-119
    5.3.1 商图像  112-115
    5.3.2 自商图像  115-117
    5.3.3 形态学商图像  117-119
  5.4 形态学小波商图像算法  119-125
    5.4.1 灰度形态学  119-122
    5.4.2 小波变换  122-124
    5.4.3 形态学小波商图像  124-125
  5.5 实验结果与分析  125-134
    5.5.1 人脸数据库  126-128
    5.5.2 实验结果与分析  128-134
  5.6 本章小结  134-135
  参考文献  135-140
第六章总结与展望  140-144
  6.1 本文的研究内容和主要成果  140-141
  6.2 存在的不足和未来工作的展望  141-144
作者在攻读博士学位期间的主要工作  144-146
致谢  146

可变光照下人脸检测与识别研究

内容摘要

全文目录

相似论文