基于AAM的多角度人脸识别方法研究

论文摘要

人脸识别技术是生物特征识别技术的一个重要分支,由于人脸图像可采集性强,且人脸具有较大的差异性,因此,人脸识别具有很广的应用性,被广泛应用于公共安全、信息安全、身份认证等领域。但人脸识别受角度、光照和面部表情的变化影响较大,对没有任何约束条件下的人脸进行识别是一项极具挑战性的工作。目前,针对正面人脸的识别方法有很多优秀算法,例如线性判别分析（LDA）、主成分分析（PCA）等,准确率也比较高,若能从非正面人脸图像得到正面人脸图像,再结合优秀的正面人脸识别方法进行识别,则能很好的提高多角度人脸识别的准确率。本文对多角度人脸识别的问题进行了较为深入的分析和研究,结合主动表观模型（Active Appearance Model, AAM）和线性判别分析法,提出了一种新的多角度人脸识别方法：AAM-LDA多角度人脸识别方法。该方法的主要思想是：首先利用AAM方法为每个人脸从多个不同角度建立多角度模型,得到对应的多角度表观模型（包括形状模型和纹理模型）；然后,对一幅输入的人脸图像,用这些不同角度的模型进行拟合,取拟合误差最小的表观模型,从而可估算出人脸旋转的角度；再通过最匹配的表观模型得到对应的正面人脸纹理模型,合成正面人脸；最后采用线性判别分析法（LDA）获取最佳分类特征并对其进行识别。本文在Matlab 7.0环境下对上述算法进行了实验,实验结果表明,当人脸旋转角度较大时候,与PCA方法相比,本文提出的方法具有较高的识别率。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 国内外研究现状
• 1.3 主要研究内容
• 1.4 本文各章安排
• 第2章 主动表观模型
• 2.1 引言
• 2.2 点分布模型和主动形状模型
• 2.2.1 点分布模型（PDM）
• 2.2.2 主动形状模型（ASM）
• 2.3 主动表观模型（AAM）
• 2.3.1 AAM算法起源
• 2.3.2 AAM模型建立
• 2.3.2.1 形状模型建立
• 2.3.2.2 纹理模型建立
• 2.3.2.3 表观模型建立
• 2.3.3 AAM拟合计算
• 2.3.4 一些改进的AAM人脸特征点定位方法
• 2.4 本章小结
• 第3章 基于AAM的多角度人脸识别方法研究
• 3.1 引言
• 3.2 多角度人脸识别
• 3.2.1 概述
• 3.2.2 基于SVM的多角度人脸识别
• 3.2.3 基于神经网络的多角度人脸识别
• 3.2.4 基于视角流形建模的多角度人脸识别
• 3.2.5 基于3D的多角度人脸识别
• 3.3 线性判别分析法（LDA）
• 3.3.1 Fisher准则
• 3.3.2 经典Fisher线性判别分析法
• 3.3.3 LDA人脸特征提取
• 3.4 一种基于AAM的多角度人脸识别方法
• 3.4.1 AAM多角度模型建立和角度估计
• 3.4.2 多角度人脸合成
• 3.4.3 AAM-LDA多角度人脸识别
• 3.5 本章小结
• 第4章 算法实现与实验结果分析
• 4.1 引言
• 4.2 算法实现
• 4.2.1 系统结构图
• 4.2.2 建立多角度人脸库
• 4.2.3 建立正面人脸LDA特征库
• 4.2.4 建立AAM多角度人脸模型库
• 4.2.5 LDA人脸识别模块
• 4.3 实验结果分析
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 攻读学位期间取得的研究成果
• 致谢