基于两级Adaboost的LBP快速人脸识别的实现与应用

论文摘要

人脸识别是利用特征提取方法表示人脸特征,从而自动识别人脸,是当今模式识别中的一个热点。人脸识别应用范围十分的广泛,包括内容的检索,身份的识别等。目前,有很多的成熟的人脸识别算法,但许多算法要么结构复杂,计算量巨大;要么模式固定,可扩展性差,都缺乏实际应用性。而人脸识别的前提是人脸图像,在实际的人脸图像识别中还涉及到人脸区域的检测问题,故一个关键的因素就是实时性,如果系统能够快速的识别出人的身份,将会给人脸识别的应用带来更光明的前景。本文研究的出发点在于从普通的图像中能够迅速找出人脸并加以识别,在检测与识别的过程中,正确率和时间是很重要的两点,本文从简单高效的应用实际出发,提出了一种基于两级Adaboost的LBP的实时人脸识别方法,实验证明该方法不仅能够快速的检测识别人脸,而且有识别率达到90%以上。本论文分为两个阶段,第一阶段为人脸的检测以及人脸关键区域的检测,在短时间内从复杂的图像中检测出人脸的位置,然后在人脸区域中检测关键器官的区域;第二阶段为人脸的特征表示阶段,利用特征表示这些关键区域,从而使用少量信息表示了整张人脸图像,为快速识别人脸打下基础。在第一阶段,我们利用Adaboost来训练层级分类器,利用层级分类器,能够在最开始过滤掉不包含人脸的图像区域,达到加速检测的目的。在检测出的人脸区域中,我们利用相同原理的Adaboost层级分类器来检测人脸关键器官区域。在第二阶段,对这些人脸关键区域,利用简单的LBP算子来提取其特征,形成该人脸的特征表示向量。在识别中,计算卡方值,利用最近匹配的方法从实验数据库集中找出最适合的类别,从而达到人脸识别的要求。在比较的过程中,我们还引入权重,以此来区别不同区域对于识别的贡献程度。实验证明此种方法实时性较好,且实验结果比较理想。该方法另一个重要的特征在于,数据库集可以随时更新,而不需要对整个数据库集重新计算,因此有良好的扩展性。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 人脸识别研究历史
• 1.2 人脸识别过程
• 1.3 人脸检测
• 1.3.1 基于颜色特征的方法
• 1.3.2 基于知识的方法
• 1.3.3 基于统计的方法
• 1.3.4 基于概率的方法
• 1.4 人脸识别
• 1.4.1 基于几何特征的人脸识别方法
• 1.4.2 基于模板匹配的方法
• 1.4.3 基于PCA和 LDA的方法
• 1.4.4 基于神经网络的方法
• 1.5 本文组织结构
• 第二章 矩形特征与积分图像
• 2.1 Haar-like矩形特征
• 2.1.1 原始Haar-like特征
• 2.1.2 扩展Haar-like特征
• 2.1.3 矩形特征的表示
• 2.1.4 矩形特征的个数
• 2.2 积分图像
• 2.2.1 原始矩形特征积分图
• 2.2.2 扩展矩形特征积分图
• 2.3 本章小结
• 第三章 基于Adaboost的快速人脸检测
• 3.1 PAC学习模型
• 3.1.1 弱学习与强学习
• 3.2 Adaboost学习算法
• 3.2.1 弱分类器
• 3.2.2 强分类器
• 3.3 级联分类器
• 3.4 检测机制
• 3.5 实验结果及分析
• 3.5.1 训练环节
• 3.5.2 检测环节
• 3.5.2.1 检测样本预处理
• 3.5.2.2 实验数据及结果
• 3.5.2.3 实验结果分析
• 3.6 本章小结
• 第四章 基于LBP的实时人脸识别
• 4.1 局部二进制模式
• 4.1.1 扩展的LBP算子
• 4.1.2 统一模式
• 4.2 基于LBP特征提取
• 4.2.1 图像的预处理
• 4.2.2 LBP的权值改进
• 4.2.3 LBP特征差异的度量
• 4.3 实验数据及分析
• 4.3.1 基于LBP的人脸识别
• 4.3.2 基于核心子窗口的LBP人脸识别
• 4.3.3 基于人脸检测后的LBP的人脸识别
• 4.3.4 基于人脸检测后的核心子窗口的LBP人脸识别
• 4.4 本章小结
• 第五章 两级Adaboost检测的LBP人脸识别
• 5.1 算法流程
• 5.2 实验数据及分析
• 5.3 基于两级Adaboost检测的LBP的实时人脸识别的应用
• 5.4 本章小结
• 第六章 结论与展望
• 参考文献
• 致谢
• 附录 攻读硕士期间论文发表情况