学位论文 > 优秀研究生学位论文题录展示

三维人脸识别中若干关键问题研究

作　者: 叶长明
导　师: 蒋建国
学　校: 合肥工业大学
专　业: 计算机应用技术
关键词: 三维人脸识别复数域特征脸姿态等高线流形学习
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 554次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息化社会的不断发展，传统的口令式身份识别方法已无法满足人类的需求，我们迫切需要一种更加便捷、有效的身份识别技术。生物特征识别技术是一种根据人体自身所固有的生理特征和行为特征来识别身份的技术，由于其终生不变、不易伪造等优点，已成为身份识别技术的重要发展方向。三维人脸识别技术是一种典型的生物特征识别技术，由于其在理论研究意义和现实应用中的巨大价值已成图像处理、计算机视觉、模式识别和人工智能领域重要的研究方向。三维人脸识别技术具有非接触性、信息完备、对光照条件不敏感等优点；但同时也受到数据处理难度大、姿态表情年龄等因素、自动化程度不高等条件的制约。本文基于国内外三维人脸识别领域最新的研究成果，针对三维人脸识别过程中的若干关键问题进行深入研究。并通过理论分析和大量实验，验证了本文中所提出算法的有效性。本文主要的创新点和贡献如下：（1）传统的人脸识别方法仅仅利用了二维人脸图像中的灰度信息。本文将复数域的表达形式引入到人脸图像的表达中，将一一对应的二维灰度数据和三维深度数据融合表达。并将该复数域表达方法与特征脸算法、Fisherface算法适当结合，提出复数域特征脸算法和复数域Fisherface算法，将多数据融合思想应用于人脸识别过程。（2）对于不同姿态下的人脸图像，仅仅采用二维灰度信息往往很难获得理想的识别效果。三维人脸图像包含了人脸原始的几何信息。特别是三维人脸深度图，在旋转过后具有几何上的连续性。对于不同姿态条件下的三维人脸图像，通过旋转插值将图像校正到人脸正中面的状态，再进行人脸识别实验。该方法充分利用人脸图像的三维信息，减少了不同姿态对人脸识别率的影响。（3）随着成像技术的发展，图像分辨率越来越高，三维图像数据量庞大。本文提出了利用等高线理论实现三维人脸特征提取的算法。针对三维人脸深度图像，利用曲面等高线和傅里叶描绘子完成特征提取，通过三维人脸等高线特征来进行人脸识别，在相关人脸库中的实验获得了较好的识别效果。（4）近年来,流形学习理论在模式识别、数据挖掘、机器学习和计算机视觉等研究领域得到了广泛应用。流形学习是非线性降维的一个分支，代表性的方法有Isomap，LLE等。本研究将流形学习的方法引入到三维人脸图像的降维处理中，建立三维人脸图像的降维统计表示。通过在人脸库上的人脸识别实验检验这种新方法的降维效果，证明这是一种具有潜力的数据降维方法。

全文目录

摘要  8-9
ABSTRACT  9-11
致谢  11-17
第一章绪论  17-23
  1.1 人脸识别研究的背景和意义  17-18
  1.2 二维人脸识别和三维人脸识别的优势及不足  18-19
  1.3 本文研究内容  19-20
  1.4 本文组织结构  20-23
第二章三维人脸识别综述  23-31
  2.1 三维人脸识别的发展历史和国内外现状  23
  2.2 三维人脸识别目前使用主要的技术  23-26
    2.2.1 基于几何特征直接匹配的方法  23-24
    2.2.2 基于局部特征的方法  24-26
    2.2.3 多数据多技术融合的方法  26
  2.3 三维人脸图像格式和三维人脸库介绍  26-28
  2.4 三维人脸识别系统介绍  28-29
  2.5 三维人脸识别技术的未来发展趋势  29-31
第三章基于复数域的多数据融合三维人脸识别  31-51
  3.1 引言  31-32
  3.2 特征脸和 Fisherface 人脸识别算法  32-36
    3.2.1 特征脸识别算法(Eigenface)  32-35
    3.2.2 Fisherface 人脸识别算法  35-36
  3.3 基于复数域的多数据融合人脸识别算法  36-39
    3.3.1 基于复数域的三维人脸数据表示  37
    3.3.2 复数域特征脸算法  37-38
    3.3.3 复数域 Fisherface 算法  38-39
  3.4 实验  39-50
    3.4.1 实验 1  39-47
    3.4.2 实验 2  47-50
  3.5 本章小结  50-51
第四章基于不同姿态三维人脸深度图识别  51-71
  4.1 引言  51
  4.2 相关背景知识  51-55
    4.2.1 解剖学相关知识  52
    4.2.2 基于曲率的人脸特征点定位  52-53
    4.2.3 三维结构旋转的数学表达  53-54
    4.2.4 迭代最近点算法  54-55
  4.3 不同姿态人脸深度图识别算法  55-67
    4.3.1 算法总体设计  55
    4.3.2 深度图像数据的预处理  55-56
    4.3.3 基于曲率理论的人脸特征点定位  56-58
    4.3.4 基于特征点的人脸偏转角度计算和图像旋转  58-61
    4.3.5 图像的插补  61-67
  4.4 实验  67-69
    4.4.1 实验数据  67-68
    4.4.2 实验和分析  68-69
  4.5 本章小结  69-71
第五章基于曲面等高线特征的三维人脸识别  71-85
  5.1 引言  71
  5.2 人脸识别中特征提取技术  71-74
    5.2.1 基于二维人脸图像的特征提取方法  71-73
    5.2.2 基于三维人脸图像的特征提取  73-74
  5.3 基于等高线特征的三维人脸识别算法  74-78
    5.3.1 算法-总体设计  75
    5.3.2 人脸三维信息的等高线描述  75-76
    5.3.3 傅里叶描绘子  76-78
  5.4 实验  78-84
    5.4.1 实验 1  78-82
    5.4.2 实验 2  82-84
  5.5 本章总结  84-85
第六章基于流形学习的三维人脸识别  85-101
  6.1 引言  85
  6.2 流形学习理论介绍  85-92
    6.2.1 ISOMAP 算法  85-87
    6.2.2 LLE 算法  87-88
    6.2.3 LE 算法  88-90
    6.2.4 LOGMAP 算法  90-92
  6.3 基于 LOGMAP 算法的人脸识别算法  92-94
  6.4 实验  94-100
    6.4.1 实验 1  94-96
    6.4.2 实验 2  96-100
  6.5 本章总结  100-101
第七章结论  101-103
  7.1 论文的创新研究和总结  101-102
  7.2 未来工作的展望  102-103
参考文献  103-111
攻读博士学位期间发表的论文  111
专利申报  111
科研项目  111

三维人脸识别中若干关键问题研究

内容摘要

全文目录

相似论文