基于HMM的姿态变化人脸识别研究

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、金融等方面有着非常广阔的应用前景。近年来,限定条件下的人脸识别取得了很大进展,但非限定条件下的人脸识别尚不成熟,其中姿态变化就是瓶颈之一,因此姿态变化人脸识别具有重要的研究意义和实用价值。论文对姿态估计问题进行了研究,提出了基于隐马尔可夫模型的姿态估计方法。本文探索了人脸对称性和姿态变化的关系,并采用快速傅里叶变换提取反映姿态变化的非对称性特征。为了更好地利用该特征进行姿态估计,接着使用具有严密和丰富的体系结构的隐马尔可夫模型对对称性特征建模,即对姿态建立了“姿态模型”。在Weizmann数据库和CAS-PEAL数据库上的实验结果表明,基于Fourier-HMM的姿态估计方法能够取得较好的姿态估计准确率。论文提出了基于HMM和线性回归的姿态人脸识别方法。在姿态估计结果的基础上,本文研究了姿态校正的问题。通过使用线性回归的方法学习了非正面人脸与正面人脸之间存在的映射关系,将姿态校正问题转化为姿态预测问题。为了更好地进行姿态人脸识别,引入局部的思想,提出了局部线性回归方法。对于只有单训练样本的情况下,使用了增加的虚拟训练样本,并将其同局部线性回归方法结合用于姿态人脸识别问题。最后使用HMM对产生的虚拟正面人脸进行人脸识别。实验结果表明该方法能显著地提高姿态人脸识别的准确率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究意义
• 1.3 姿态变化人脸识别的主要挑战
• 1.4 姿态变化人脸识别方法综述
• 1.4.1 姿态人脸识别问题简介
• 1.4.2 基于特征的姿态人脸识别方法
• 1.4.3 基于模型的姿态人脸识别方法
• 1.4.4 主要的姿态变化人脸库介绍
• 1.5 本文研究内容及组织结构
• 第二章 隐马尔可夫模型基本理论及其应用
• 2.1 隐马尔可夫模型
• 2.1.1 隐马尔可夫模型的定义
• 2.1.2 HMM 的三个基本问题
• 2.2 HMM 三个基本问题的计算
• 2.2.1 评估问题
• 2.2.2 解码问题
• 2.2.3 学习问题
• 2.2.4 计算中需要说明的一些问题
• 2.3 隐马尔可夫模型在人脸识别中应用
• 2.3.1 HMM 的训练过程
• 2.3.2 HMM 的识别过程
• 2.4 小结
• 第三章 基于HMM 的姿态估计
• 3.1 引言
• 3.2 基于傅里叶变换的对称性特征提取
• 3.2.1 傅里叶变换
• 3.2.2 Fourier 对称性特征提取
• 3.3 Fourier 对称性特征与HMM 结合在姿态估计的应用
• 3.3.1 Fourier 对称性特征的提取过程
• 3.3.2 非对称性特征的维数分析
• 3.3.3 Fourier-HMM 的算法流程
• 3.4 结果与分析
• 3.4.1 实验数据库介绍
• 3.4.2 不同方法对比实验
• 3.5 小结
• 第四章 基于HMM 的姿态人脸识别
• 4.1 引言
• 4.2 基于改进线性回归的姿态校正
• 4.2.1 线性回归模型
• 4.2.2 基于线性回归的姿态校正
• 4.2.3 基于改进线性回归的姿态校正
• 4.2.4 单训练样本问题介绍
• 4.3 基于HMM 的姿态人脸识别
• 4.4 结果与分析
• 4.4.1 对比实验设置
• 4.4.2 在Weizmann 数据库上的结果与分析
• 4.4.3 在CAS-PEAL 数据库上的结果与分析
• 4.5 小结
• 第五章 总结和展望
• 5.1 全文工作总结
• 5.2 未来工作展望
• 致谢
• 参考文献
• 作者在读期间的研究成果