论文部分内容阅读
近年来,人脸识别技术一直是人工智能以及模式识别等诸多技术领域的热门研究课题,人脸作为一类十分重要的生物特征,具有非接触性、快速性、便捷性、唯一性等优点,但是在不同的环境下采集到的人脸图像具有一定的变化(如姿态、光照、遮挡等),姿态的变化是阻碍人脸识别发展的要素之一,对于待测试的人脸图像有相对较大的姿态变化时,将会导致识别率大幅度下降,甚至无法识别。本文围绕多姿态人脸识别的关键技术,主要进行了如下工作及研究:(1)概括的叙述了人脸识别研究的背景及其意义,论述了人脸检测及识别的研究现状与关键技术,并分析了技术发展过程中遇到的困难。(2)对人脸识别系统的构建过程做了详细的介绍,阐述了人脸这一生物特征与别的生物识别方法相比较所具备的独特优势,并对通常采集的人脸图片质量稍低而影响识别效果的问题,提出了本文需要使用的尺寸归一化、图像灰度化和直方图均衡化三种图像预处理方法。(3)详细地对AdaBoost算法的原理进行了说明,包含矩形特征和积分图等,并分别论述了弱分类器、强分类器和级联分类器的构造方法。基于Haar-like特征的AdaBoost算法能够很好的实现正面人脸的检测,但是它对具有姿态变化的图像检测鲁棒性差,而且Haar特征维数较高,检测速度较慢,本文采用基于局部二值模式(Local Binary Pattern,LBP)特征的AdaBoost算的法检测方法,并训练了多姿态人脸(左侧脸、正面人脸、右侧脸)检测分类器。由于提取LBP特征相对于Haar-like特征方便,所以其检测速度更快,并且对多姿态人脸图像的检测效果较好。(4)分别对多尺度LBP(Multi-Block LBP,MB-LBP)、中心对称的LBP(Center Symmetric-LBP,CS-LBP)以及多尺度中心对称的LBP(MB-CSLBP)的特征提取算法做了详细的介绍,由于改进的LBP具有的独特优势,本文的大量实验结果表明这种纹理表征方法可以用于多姿态人脸的识别研究,而且它能够适应人脸的不同姿态。(5)提出了一种将人脸能量图进行改进LBP特征提取的多姿态人脸识别方法,介绍了人脸能量图的种类,并给出了它们的定义和合成方法。分别提取人脸能量和待识别人脸的改进LBP特征,根据海明距离判别,取得了很好的识别效果。最后,基于本文研究的方法实现了多姿态人脸识别系统。