自动人脸识别技术研究及其在人员身份认证系统中的实现

论文摘要

自动人脸识别技术（AFR）是一项极具挑战性的前沿研究课题。它试图通过计算机分析人脸图像并从中提取有效识别信息，达到辨认人员身份的目的。对AFR技术的研究不仅具有重大的理论和学术研究意义，而且具有潜在的巨大应用价值。 经过近几十年特别是近几年来的研究，自动人脸识别技术已经取得了长足发展，用于人脸识别商业系统已经面市，但对应用条件的限制相当严格；在非理想可控情况下的自动人脸识别技术还远未达到实用化的程度，有很多研究工作要做。 本文作为上海市应用材料科技国际合作共同计划（上海市科委AM基金）项目（《基于ARM和RFID芯片的自组织安全监控系统的研制》编号：0512）的主要研究内容之一，从构建自动人脸识别系统需要解决的若干关键问题入手，重点探讨了实时人脸检测与跟踪、面部关键特征定位、高效的人脸特征描述、鲁棒的人脸识别分类器及自动人脸识别系统设计等问题。 1、提出了结合肤色校验的Haar特征级联分类器实时人脸检测算法（SCC-HCC）和基于人脸约束的人脸实时跟踪算法（AM-CamShift） 人脸检测是自动人脸识别系统首先需要解决的关键问题。Viola于2001年提出的基于Haar特征级联强分类器的人脸检测算法，通过抽取人脸的Haar特征训练分类器，达到人脸检测的目的，但由于其仅仅利用了人脸的灰度信息，没有考虑人脸的肤色分布，因而对复杂背景中类人脸结构的物体对象区分的鲁棒性较差。鉴于此，论文第三章提出了基于肤色模型校验和Haar特征级联强分类器的快速人脸检测算法（SCC-HCC）。 人脸跟踪是基于视频的人脸识别、视频监控等典型应用中必不可少的环节，CamShift算法对于目标物体的跟踪具有较强的鲁棒性，但其存在跟踪窗口（Tracking Window）必须通过手工标定的缺陷，而且对背景中类肤色区域的鲁棒性欠佳。我们在CamShift算法的基础上提出了基于人脸约束的实时跟踪算法（AM-CamShift），实现了跟踪窗口自动标定及多目标的快速自动跟踪，有效提高了对背景中类肤色区域的鲁棒性。 2、针对传统线性判别分析法存在的小样本问题（SSS），通过调整Fisher判别准则，实现了自适应线性判别分析（A-LDA）算法，提出了基于A-LDA算法的分类判决准则及相应的人脸识别方法

论文目录

• 中文摘要
• Abstract
• 目录
• 图表目录
• 第一章 绪论
• 1.1 生物特征识别技术
• 1.1.1 指纹识别
• 1.1.2 虹膜识别
• 1.1.3 人脸温谱图识别
• 1.1.4 声纹识别
• 1.1.5 耳廓识别
• 1.2 自动人脸识别技术
• 1.3 人脸识别研究的意义
• 1.4 人脸生物特征识别的优势与困难
• 1.4.1 人脸识别的优势
• 1.4.2 人脸识别的困难
• 1.5 AFR研究简史及现状分析
• 1.5.1 人脸识别研究简史
• 1.5.2 国内研究现状
• 1.6 人脸识别评测体系
• 1.6.1 人脸图像数据库
• 1.6.2 评测方案
• 1.7 本文主要贡献及组织结构
• 1.7.1 本文主要贡献
• 1.7.2 研究思路与组织结构
• 参考文献
• 第二章 人脸识别技术研究综述
• 2.1 人脸检测与定位
• 2.1.1 基于特征的方法
• 2.1.2 基于肤色检测的方法
• 2.1.3 基于模板匹配的方法
• 2.1.4 基于统计学习的方法
• 2.1.5 实时人脸检测的转折点
• 2.2 人脸识别的主要技术方法
• 2.2.1 人脸子空间法
• 2.2.2 局部特征匹配
• 2.2.3 混合方法
• 2.3 人脸识别商业系统简介
• 2.4 人脸识别系统若干关键技术问题
• 2.4.1 光照变化
• 2.4.2 姿态变化
• 2.4.3 人脸图像获取质量
• 2.4.4 人脸老化
• 2.4.5 化妆与整容
• 2.5 本章小结
• 参考文献
• 第三章 人脸检测与跟踪
• 3.1 引言
• 3.2 Haar函数及 Haar变换
• 3.2.1 Haar函数系定义
• 3.2.2 Haar变换
• 3.2.3 人脸 Haar特征抽取
• 3.3 人脸类 Haar特征快速算法
• 3.4 Ada Boost级联分类器
• 3.4.1 弱分类器
• 3.4.2 强分类器
• 3.4.3 级联强分类器
• 3.4.4 特征缩放与平移算法
• 3.4.5 基于 Haar特征级联强分类器和肤色模型校验人脸检测
• 3.5 视频人脸跟踪
• 3.5.1 CamShift算法
• 3.5.2 自动人脸跟踪算法
• 3.6 实验结果与分析
• 3.7 本章小结
• 参考文献
• 第四章 自适应线性判别分析（A-LDA）
• 4.1 引言
• 4.2 主成分分析法—特征脸法
• 4.2.1 训练样本空间
• 4.2.2 测试样本空间
• 4.2.3 识别分类
• 4.3 线性判别分析
• 4.3.1 多类 Fisher判别准则
• 4.3.2 小样本问题（Small-Sample-Size）
• 4.3.3 自适应线性判别分析
• 4.4 基于A-LDA的人脸识别
• 4.4.1 训练过程
• 4.4.2 识别过程
• 4.5 实验结果
• 4.6 本章小结
• 参考文献
• 第五章 人脸关键特征定位与特征抽取
• 5.1 引言
• 5.2 人眼检测方法回顾
• 5.2.1 主动红外人眼检测
• 5.2.2 基于图像的被动人眼检测
• 5.3 实时人眼检测算法
• 5.3.1 人眼检测分类器
• 5.3.2 瞳孔定位算法
• 5.4 人脸归一化与姿态校正
• 5.5 人脸 Gabor特征抽取算法
• 5.5.1 Gabor函数
• 5.5.2 二维 Gabor滤波器
• 5.5.3 Gabor核函数的选择
• 5.5.4 滤波器参数选择
• 5.5.4 KFR-Gabor和 MR-Gabor特征抽取算法
• 5.6 本章小结
• 参考文献
• 第六章 基于 SVM和 Gabor特征 A-LDA的人脸识别
• 6.1 引言
• 6.2 统计学习理论
• 6.2.1 损失函数和期望风险
• 6.2.2 结构风险最小化原理
• 6.2.3 VC维—置信区间
• 6.3 线性支持向量机
• 6.4 非线性支持向量机
• 6.5 多类分类支持向量机及其训练
• 6.6 识别算法性能比对
• 6.6.1 方案一:基于 A-LDA分析和 SVM的人脸识别（A-SVM）
• 6.6.2 方案二:基于 MR-Gabor特征抽取和 SVM的人脸识别（MR-G-SVM）
• 6.6.3 方案三:基于 MR-Gabor特征和 A-LDA及 SVM的人脸识别（G-A-SVM）
• 6.6.4 识别性能比对
• 6.7 本章小结
• 参考文献
• 第七章 综合形状和纹理特征的人脸识别
• 7.1 引言
• 7.2 可变形统计模型
• 7.2.1 统计形状模型
• 7.2.2 统计外观模型
• 7.3 基于可变形模型的人脸识别
• 7.3.1 主动形状模型
• 7.3.2 主动外观模型
• 7.4 AAM模型训练与测试
• 7.4.1 AAM模型训练
• 7.4.2 模型测试
• 7.5 综合形状和纹理的人脸识别系统框架
• 7.5.1 人脸形状和纹理表征
• 7.5.2 人脸识别系统框架
• 7.6 本章小结
• 参考文献
• 第八章 自动人脸识别系统设计
• 8.1 引言
• 8.2 系统设计
• 8.2.1 系统工作环境
• 8.2.2 训练集的构造
• 8.2.3 核心算法的考虑
• 8.2.4 防欺骗策略
• 8.3 基于 2D人脸图像身份认证系统
• 8.3.1 基于动态视频的人脸身份识别
• 8.3.2 基于视频和远距离RFID卡的人员身份验证
• 8.3.3 静态人像照片比对
• 8.4 系统实现
• 8.4.1 系统硬件结构
• 8.4.2 系统软件结构
• 8.4.3 开发平台的选择
• 8.4.4 系统工作截图
• 8.4.5 部分实现源代码（）
• 8.5 本章小结
• 参考文献
• 第九章 总结与展望
• 9.1 研究背景及研究的主要问题
• 9.2 研究意义及研究的主要内容
• 9.3 未来的展望及尝试
• 攻读博士学位期间的主要科研工作
• 致谢