人脸检测与识别方法的研究

论文摘要

现代社会的快速发展对身份鉴定无论在安全性、准确性还是在使用性方面都提出了更高的要求,但是传统的鉴别方式（口令、信用卡等）方法已经不能很好的满足这样的要求而且显得越来越不适应现代科技的发展和社会的进步。生物特征识别技术给这一切带来了可能。生物特征识别技术是一种根据人体自身的生理特征（人脸、虹膜、指纹等）和行为特征（声音、步态等）来识别身份的技术。而在这种技术中,以人脸为特征的识别技术发展最为迅速。相对而言,人脸识别是一种更直接、更方便、更友好、更容易被人们所接受的识别方法。计算机人脸识别技术试图使计算机具有人脸识别能力,由于其有着广泛的应用领域,借助计算机视觉、图象处理、人工神经网络等领域的人脸识别技术已经成为当前国际前沿和热点问题,具有十分重要的研究意义。本文在分析和总结目前国内外相关研究成果的基础上,对人脸检测技术和识别方法进行了实验和研究,对识别方法（识别时间和准确率）进行了改进。本文的主要研究内容集中在以下两个方面:基于静态彩色图像的人脸检测和基于ECOC结合人工神经网络的人脸识别。在人脸检测中,首先采用肤色检测,确定可能存在人脸的区域（候选区域）,然后在这些区域内采用人工神经网络的方法来检测是否存在人脸以及人脸的数目、尺寸和所在位置,比直接在待检测图像中来检测人脸的传统方法提高了检测速度。在人脸识别方面,首先采用离散余弦变换方法（Discrete Cosine Transform,DCT）对待识别人脸图象进行特征提取,然后采用纠错输出编码方式（Error-Correcting Output Code,ECOC）和人工神经网络（Artifical Neural Networks,ANN）结合的方式,将人脸识别转化成二分问题,降低了问题的复杂性,提高了识别率。仿真实验结果表明,本文采用的方法具有一定的可行性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 课题来源和意义
• 1.3 本文研究的方法和内容
• 1.3.1 静态彩色图像的人脸检测
• 1.3.2 基于神经网络的人脸识别
• 1.4 本文的内容结构
• 第二章 人脸检测与识别的研究现状
• 2.1 引言
• 2.2 人脸检测的研究现状
• 2.2.1 基于肤色模型的方法
• 2.2.2 基于模板匹配的方法
• 2.2.3 基于先验知识的方法
• 2.2.4 基于特征脸的方法
• 2.2.5 基于神经网络的方法
• 2.2.6 基于支持向量机的方法
• 2.2.7 基于积分图像特征法的方法
• 2.2.8 基于概率模型的方法
• 2.2.9 分析
• 2.3 人脸特征提取的方法
• 2.3.1 基于灰度的水平和垂直投影的方法
• 2.3.2 基于主动曲线的方法
• 2.3.3 基于变形模板匹配的方法
• 2.3.4 基于神经网络的方法
• 2.3.5 其他方法
• 2.3.6 分析和结论
• 2.4 人脸识别的研究现状
• 2.4.1 基于几何特征的方法
• 2.4.2 基于代数特征的方法
• 2.4.3 基于连接机制的方法
• 2.4.4 分析和结论
• 2.5 小结
• 第三章 肤色检测与DCT特征提取
• 3.1 引言
• 3.2 肤色检测
• 3.2.1 色彩系统
• 3.2.2 光照补偿处理
• 3.2.3 模型建立
• 3.2.4 测试结果
• 3.3 DCT特征提取
• 3.3.1 DCT的定义
• 3.3.2 DCT用于特征提取
• 3.3.3 DCT特征提取效果
• 3.4 小结
• 第四章 基于静态彩色图像的人脸检测
• 4.1 引言
• 4.2 色彩系统介绍
• 4.2.1 RGB色彩系统
• 4.2.2 YCrCb色彩系统
• 4.2.3 HSV色彩系统
• 4.3 人工神经网络的人脸检测
• 4.3.1 人脸检测流程
• 4.3.2 人脸验证模型
• 4.3.3 神经网络训练算法
• 4.3.4 人脸检测结果及分析
• 4.4 程序框架设计及实现
• 4.4.1 实现平台及环境
• 4.4.2 框架设计方案
• 4.4.3 部分关键代码分析
• 4.4.4 演示结果
• 4.5 小结
• 第五章 基于人工神经网络的人脸识别
• 5.1 引言
• 5.2 纠错输出编码（ECOC）
• 5.2.1 ECOC特性分析
• 5.2.2 基于ECOC的分类技术
• 5.3 基于ANN的人脸识别
• 5.3.1 二类分类器的设计
• 5.3.2 人脸识别分类器的设计
• 5.3.3 实验及结果分析
• 5.4 小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 攻硕期间的研究成果
• 附录