人脸识别算法的研究 ——基于人脸图像合成的识别算法研究

论文摘要

人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一,它在公共安全、信息安全、人机交互等领域中有着广泛的应用前景。经过三十多年的研究,人脸识别技术在理想环境条件下已达到实用程度,但是在成像环境不可控的情况下,由于姿态、表情、光照、分辨率等因素的影响,已有的人脸识别算法性能大大下降。对于人脸识别中的姿态问题研究人员做了大量的工作,其中最直接的方法就是利用线性物体类理论和姿态转换矩阵将姿态人脸合成为对应的正面人脸。这样不但提高了人脸识别率,同时也避免了复杂的3D建模。本文在前人的基础上,对相关问题进行了深入的研究,取得了如下成果:(1)提出了利用独立成分分析(ICA)算法合成正面人脸图像分类识别的新方法。主成分分析(PCA)算法仅仅利用了数据的二阶统计信息,而ICA不仅利用了图像的二阶统计信息还利用了图像的高阶统计信息,所以其合成质量和识别率都得到了一定的提高。(2)由于可以直接利用待合成的正面人脸的特征系数直接分类比较,提出了小波变换和ICA算法相结合以及遗传算法(GA)与ICA算法相结合的方法进行多姿态人脸识别。小波变换去除了原始图像的冗余信息,在不影响识别率的情况下,降低了运算的复杂度。利用遗传算法优化不同姿态的ICA特征子空间可以得到一组最优的缩减了的子空间组合,使得姿态合成人脸识别率得到一定的提高。(3)由于受到信息量的限制,单幅图像利用传统的插值算法放大后图像的高频细节被丢失,插值效果不是很明显。针对此问题,本文将正面人脸合成算法应用到超分辨率人脸重构中,取得了令人满意的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 人脸识别的研究内容
• 1.3 人脸识别的研究现状
• 1.4 人脸识别研究的难点
• 1.5 本文的研究工作和内容安排
• 第二章 人脸识别算法概述
• 2.1 常用的人脸识别方法
• 2.1.1 基于几何特征的人脸识别方法
• 2.1.2 基于模板匹配的人脸识别方法
• 2.1.3 特征子空间分析方法
• 2.1.4 隐马尔科夫模型方法
• 2.1.5 基于神经网络的方法
• 2.1.6 弹性图匹配方法
• 2.2 多姿态人脸识别技术
• 2.2.1 多视角法
• 2.2.2 不变特征法
• 2.2.3 基于三维模型的方法
• 2.2.4 基于正面人脸图像合成的识别方法
• 2.3 本章小结
• 第三章 基于ICA 的正面人脸图像合成
• 3.1 引言
• 3.2 特征子空间的获取
• 3.2.1 训练样本的白化处理
• 3.2.2 FASTICA 算法原理
• 3.3 获取姿态转换矩阵及合成正面人脸
• 3.4 实验与分析
• 3.4.1 人脸图像预处理
• 3.4.2 合成效果的比较
• 3.5 本章小结
• 第四章 两种与ICA 相结合的多姿态人脸识别算法
• 4.1 引言
• 4.2 基于小波变换和ICA 相结合的多姿态人脸识别
• 4.2.1 小波变换基础
• 4.2.2 二维离散小波变换
• 4.2.3 人脸图像的小波变换处理
• 4.2.4 小波变换和ICA 相结合的多姿态人脸识别
• 4.2.5 实验与分析
• 4.3 基于遗传算法和ICA 相结合的多姿态人脸识别
• 4.3.1 遗传算法原理
• 4.3.2 遗传算法和ICA 相结合的多姿态人脸合成识别算法
• 4.3.3 实验与分析
• 4.4 本章小结
• 第五章 基于合成算法的超分辨率人脸图像重构
• 5.1 引言
• 5.2 传统插值算法
• 5.3 超分辨率人脸图像重构算法
• 5.3.1 算法原理
• 5.3.2 获取分辨率转换矩阵
• 5.4 实验与分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 本文的工作总结
• 6.2 未来工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间完成的论文