学位论文 > 优秀研究生学位论文题录展示

单训练样本条件下人脸识别技术研究

作　者: 马俊容
导　师: 胡峰松
学　校: 湖南大学
专　业: 计算机科学与技术
关键词: 三维人脸建模人脸识别人脸验证支持向量机单样本
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 137次
引　用: 5次
阅　读: 论文下载

内容摘要

作为图像处理和图像分析在生物特征认证领域最成功的应用之一,自动人脸识别(Automatic Face Recognition, AFR)最近几年来成为研究热点,受到广大学者的特别关注。自动人脸识别相比其它生物特征识别具有直接、方便、友好等特点。单训练样本是许多实际应用中的一个限制条件,而现有的许多算法在单训练样本条件下识别率会急剧下降有些甚至无法应用。因而对单训练样本条件人脸识别技术的特别研究,具有重要的理论意义和应用价值。本文首先介绍人脸识别课题的研究背景与意义,总结和分析了国内外人脸识别研究的现状与进展。围绕人脸识别的具体应用,详细分析了单训练样本人脸识别问题的特殊性,提出了一种新的基于多姿态虚拟样本生成和图像信息增强的人脸识别算法。该方法应用Candide-3模型,将正面的人脸通过姿态调整产生多个不同姿态下的人脸图像,同时结合基于训练样本增强的统一基空间奇异值分解方法进行特征表示与增强,应用最近邻法进行分类取得了很好的效果,缓解了由于样本限制而导致的识别率骤降问题。自动人脸识别技术包括人脸辨识和人脸验证。但目前大多数研究工作集中于人脸辨识的研究,很少有文献对人脸验证特别是其特殊性进行深入的探讨。基于这一现实,本文集中讨论了自动人脸识别技术中人脸验证问题的特殊性。针对人脸验证问题的特殊性提出了一种基于Candide-3和支持向量机(Support Vector Machines, SVM)的单训练样本人脸验证方法,该方法通过对重建模型的旋转产生姿态不同的数字人脸,将它们和原始样本一起作为训练数据,应用二分类问题的经典工具SVM进行分类匹配。实验结果表明经过Candide-3建模处理,采用SVM进行分类的人脸验证方法有了接近多样本人脸识别算法的识别率。最后,本文针对具体应用对考生身份验证系统的需求进行了分析,设计了基于SVM的考生身份验证系统。分析了系统工作环境、样本集构造、核心识别算法选择以及阈值确定等人脸识别系统共性问题。

全文目录

摘要  5-6
Abstract  6-11
插图索引  11-12
附表索引  12-13
第1章绪论  13-21
  1.1 人脸识别研究背景  13-17
    1.1.1 人脸识别研究的发展历程  14-15
    1.1.2 非理想条件下人脸识别研究现状  15-17
  1.2 人脸识别研究的目的及意义  17-18
  1.3 本文主要工作  18-19
  1.4 本文组织结构  19-21
第2章自动人脸识别相关技术  21-33
  2.1 人脸识别一般过程  21-22
  2.2 人脸图像预处理  22-25
    2.2.1 图像的降噪处理  22-23
    2.2.2 几何归一化与灰度归一化  23-25
    2.2.3 基于通用三维人脸模型的姿态归一化技术  25
  2.3 关键特征点检测与定位  25-27
  2.4 关键特征提取与分类匹配  27-30
    2.4.1 关键特征提取  27
    2.4.2 关键特征提取分类匹配算法  27-30
  2.5 人脸识别的评测标准  30-32
    2.5.1 性能评测的主要数学依据  30-31
    2.5.2 商业人脸识别产品评测  31-32
  2.6 本章小结  32-33
第3章基于三维重建的单训练样本人脸识别  33-46
  3.1 人脸识别中的单样本问题  33-35
    3.1.1 单样本问题描述  33-34
    3.1.2 单样本人脸识别的意义  34-35
    3.1.3 单样本人脸识别的解决方案  35
  3.2 特定人脸三维重建  35-40
    3.2.1 标准人脸模型  35-37
    3.2.2 Candide-3 模型描述  37-38
    3.2.3 改进的特定人脸3D 重建  38-40
  3.3 单张图像Candide-3 顶点配准产生不同姿态人脸  40-41
  3.4 人脸的奇异值特征向量  41-43
  3.5 实验过程与实验结果  43-45
  3.6 本章小结  45-46
第4章基于Candide-3 和SVM 的单训练样本人脸验证  46-56
  4.1 人脸验证关键技术  46-47
    4.1.1 人脸验证与人脸辨识的比较  46-47
    4.1.2 分类器设计  47
  4.2 支持向量机应用于人脸验证  47-51
    4.2.1 统计学习理论和SVM  48-50
    4.2.2 基于SVM 的人脸识别算法  50-51
  4.3 针对单样本人脸验证特殊性的算法改进  51-54
    4.3.1 基于Candide-3 和SVM 的改进算法描述  51
    4.3.2 利用Candide-3 模型产生不同姿态人脸  51-52
    4.3.3 基于SVM 的分类训练  52
    4.3.4 阈值设定策略  52-54
  4.4 识别实验  54-55
    4.4.1 人脸验证过程描述  54
    4.4.2 实验结果及分析  54-55
  4.5 本章小结  55-56
第5章基于SVM 的考生身份验证系统设计  56-63
  5.1 身份验证系统共性问题探讨  56-58
    5.1.1 系统工作环境  56
    5.1.2 训练集的构造  56-57
    5.1.3 核心识别算法  57
    5.1.4 阈值设定策略  57-58
  5.2 自动考生身份验证系统需求分析  58-59
    5.2.1 自动考生身份验证背景  58
    5.2.2 自动考生身份验证系统功能需求  58-59
  5.3 考生身份验证系统框架  59-60
  5.4 考生身份验证系统详细设计  60-62
    5.4.1 考生身份验证系统开发环境  60
    5.4.2 系统关键类设计  60-62
  5.5 本章小结  62-63
结论  63-65
参考文献  65-70
致谢  70-71
附录A 攻读硕士期间发表的论文和参与的科研项目  71

单训练样本条件下人脸识别技术研究

内容摘要

全文目录

相似论文