基于视频的人脸检测与识别研究

论文摘要

生物特征识别利用人体固有的特征进行身份验证,能够极大程度提高验证的安全性,降低伪造和窃取的可能。其中,以人脸图像为对象的人脸识别技术具有非接触式识别、主动性强、操作友好等优点,成为生物特征识别领域中新兴的研究热点。人脸识别包括人脸目标检测和人脸目标识别两个过程,其中人脸目标检测是人脸识别的必要前提。本文针对视频图像的检测与识别问题,利用视频图像的连续性,通过基于区域特征的方法实现人脸目标的检测,并具有较高的检测率。为满足系统实时性要求,研究并提出改进的AdaBoost人脸检测算法,平均检测时间为110ms。在此基础上,利用MeanShift算法和Kalman滤波器结合的人脸跟踪方法对所检测出的人脸目标进行跟踪,实现目标的唯一检测,进一步提高系统的实时性。在人脸检测的基础上,本文提出综合Fisher脸特征提取和支持向量机(SVM)分类的人脸识别方法。首先对检测出的人脸图像通过离散小波变换和主成份分析进行压缩和降维处理,然后采用Fisher脸方法提取人脸特征,并利用支持向量机对所提取特征进行分类,实现不同人脸的识别。本文采用基于VS2008和OpenCV的软件开发平台构建检测和识别系统,分别对静态图像和动态视频进行检测和识别测试,测试结果表明,平均人脸检测时间为0.1秒/帧,在Yale标准人脸库人脸识别率可达97.6%,在ORL人脸库识别率可达97.5%。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 人脸目标检测
• 1.2.2 人脸目标识别
• 1.3 本文研究内容
• 第2章 人脸目标检测
• 2.1 OpenCV视觉库
• 2.2 人脸图像预处理
• 2.2.1 图像滤波去噪
• 2.2.2 灰度图像均衡化
• 2.2.3 图像尺度归一化
• 2.3 基于区域特征的人脸检测
• 2.3.1 视频序列的运动目标检测
• 2.3.2 人脸区域特征的检测
• 2.3.3 人脸区域的合并
• 2.3.4 检测结果与分析
• 2.4 本章小结
• 第3章 人脸检测与跟踪
• 3.1 基于AdaBoost迭代的人脸检测
• 3.1.1 Adaboost算法原理
• 3.1.2 人脸目标训练算法
• 3.1.3 人脸检测实验分析
• 3.2 人脸目标跟踪
• 3.2.1 MeanShift算法
• 3.2.2 Kalman滤波器
• 3.2.3 人脸跟踪实验分析
• 3.3 本章小结
• 第4章 人脸目标识别
• 4.1 图像小波变换
• 4.1.1 离散小波变换
• 4.1.2 图像压缩降维
• 4.2 人脸特征提取
• 4.2.1 主成分分析方法
• 4.2.2 线性鉴别分析
• 4.3 人脸特征分类
• 4.3.1 SVM基本原理
• 4.3.2 核函数的选择
• 4.3.3 分类器的设计
• 4.4 人脸识别实验分析
• 4.4.1 人脸识别算法流程
• 4.4.2 特征维数分析
• 4.4.3 训练人脸数分析
• 4.4.4 多项式阶数分析
• 4.4.5 人脸识别效果图
• 4.5 本章小结
• 第5章 检测与识别系统
• 5.1 系统开发平台
• 5.2 人脸检测系统
• 5.3 人脸识别系统
• 5.4 本章小结
• 第6章 结论与展望
• 6.1 工作总结
• 6.2 主要创新点
• 6.3 工作展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果