基于图像重构和特征融合的人脸识别方法研究

论文摘要

人脸所反映的视觉信息在人与人的交流中有着重要的作用和意义,计算机人脸识别技术就是利用计算机分析人脸图像,从中提取有效的识别信息,用来辨认身份的一门技术,由于其广泛的应用领域,在近四十年里得到了广泛的关注和研究。人脸识别技术主要包括两部分内容:特征提取和分类器设计。本文主要从人脸图像的特征提取算法入手,分别提出了几种新的基于图像重构和基于特征融合的人脸识别方法。实验证明本文提出的人脸识别方法能有效的提高人脸识别的准确率,具有一定的理论价值与实用价值。本文的研究工作主要包括以下几个方面:1)基于图像重构的人脸识别方法:传统的基于特征子空间的人脸识别方法产生的子空间通常都是由人脸库中的所有训练样本产生的一个通用的子空间,此子空间包含的更多的是所有人脸样本的共性特征,而忽略了人脸的一些个性特征。本文提出了一种基于子空间和图像重构的人脸识别方法,该方法以单个人的训练样本集获取其人脸特征子空间,并将识别图像向每一个特征子空间中进行映射及重构,获得的图像最小重构误差作为判据实现人脸识别。同时,我们引入支持向量机（SVM）分类识别算法,将图像重构误差序列作为提取的图像特征参数进行分类识别,两种方法都取得了较好的实验结果。2)基于多特征融合的人脸识别方法:通过对建立在统计学习理论基础上的SVM的研究,分析了SVM用于人脸识别的可行性,提出了基于多特征融合的人脸识别方法。该方法首先对预处理后的人脸图像进行全局特征及局部分量的提取,分别采用离散余弦变换（DCT）提取包含图像大量信息的低频部分特征和奇异值分解（SVD）抽取图像的代数特征作为图像的全局特征,采用非负矩阵分解（NMF）提取图像的局部分量特征,然后将此二类特征进行串接并以独立成份分析（ICA）提取组合特征的独立特征用于支持向量机进行人脸识别。3)基于独立特征融合的人脸识别方法:DCT能有效的将高维的人脸图像转换到低维空间并保留图像可识别的大部分信息,适合于图像全局特征的提取,而Gabor小波变换适合于图像的局部特征及分类特征提取,这两种特征被广泛应用于人脸识别。基于这两种方法,我们引入ICA技术以提取图像的独立Gabor特征和独立DCT特征,然后将两者进行有效融合以获取新的独立特征,使其同时具有Gabor特征的局部信息和DCT特征的全局信息,并有效的降低特征向量的维数,去除冗余特征。最后,融合后的独立特征被用于SVM实现人脸分类识别。4)基于HMM-SVM混合模型的人脸识别方法:由于HMM具有良好的时间序列建模能力,以及SVM在有限样本的分类方面的优良性能,本文提出了一种基于HMM-SVM混合模型的人脸识别方法。该方法首先将人脸图像以采样窗从上到下进行采样,分别采用DCT和SVD提取各个采样窗图像的特征参数并串接成一维观察向量,然后将每个人的训练图像的观察向量用于训练每个人的HMM模型,识别图像的观察向量用于求出其对应于每个HMM模型的输出概率,最后将输出概率用于SVM进行分类训练及识别测试。5)人脸识别原型系统设计:以本文提出的人脸识别方法为基础,实现了人脸识别系统的关键功能模块,架构出自动人脸识别的原型系统,为今后开发产品级的人脸识别系统提供了可行性分析依据以及相应的技术储备。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究的背景及意义
• 1.2 人脸识别研究现状
• 1.2.1 国内外研究发展情况
• 1.2.2 人脸识别方法综述
• 1.2.3 人脸识别的难点
• 1.2.4 人脸识别的发展趋势
• 1.3 人脸识别系统评价
• 1.3.1 人脸数据库
• 1.3.2 主要评价性能指标
• 1.4 论文主要工作和研究成果
• 1.5 本文内容安排
• 2 基于图像重构的人脸识别
• 2.1 引言
• 2.2 基于特征子空间的人脸识别
• 2.2.1 基于主成份分析的人脸识别
• 2.2.2 基于独立成份分析的人脸识别
• 2.2.3 基于非负矩阵分解的人脸识别
• 2.3 基于图像重构的人脸识别
• 2.3.1 图像预处理
• 2.3.2 基于特征子空间的图像重构
• 2.3.3 基于图像重构的人脸识别
• 2.4 实验结果及分析
• 2.4.1 基于ORL数据库的人脸识别实验
• 2.4.2 基于Yale数据库的人脸识别实验
• 2.4.3 基于Georgia Tech数据库的人脸识别实验
• 2.4.4 实验结果分析
• 2.5 本章小结
• 3 基于ICA特征融合的人脸识别
• 3.1 引言
• 3.2 信息融合技术
• 3.2.1 信息融合的层次结构
• 3.2.2 信息融合的算法
• 3.3 基于多特征融合的人脸识别
• 3.3.1 特征提取
• 3.3.2 基于多特征融合的人脸识别
• 3.3.3 实验结果及比较
• 3.4 基于独立特征融合的人脸识别
• 3.4.1 Gabor特征提取
• 3.4.1.1 二维Gabor变换
• 3.4.1.2 Gabor变换的参数选择
• 3.4.1.3 人脸图像的Gabor变换
• 3.4.2 基于独立特征融合的人脸识别
• 3.4.3 实验结果
• 3.4.4 实验结果分析
• 3.5 本章小结
• 4 基于HMM-SVM混合模型的人脸识别
• 4.1 引言
• 4.2 隐马尔可夫模型
• 4.2.1 HMM的基本思想
• 4.2.2 HMM的定义
• 4.2.3 HMM的三个基本问题
• 4.3 支持向量机
• 4.3.1 VC维与VC上界
• 4.3.2 结构风险最小化原则
• 4.3.3 线性支持向量机
• 4.3.4 非线性支持向量机
• 4.4 基于HMM-SVM混合模型的人脸识别
• 4.4.1 HMM人脸模型
• 4.4.2 特征提取
• 4.4.3 HMM模型训练
• 4.4.4 HMM-SVM混合模型
• 4.4.5 人脸识别
• 4.5 实验结果及比较
• 4.6 本文方法比较分析
• 4.7 本章小结
• 5 人脸识别系统
• 5.1 引言
• 5.2 设计目标
• 5.3 系统架构
• 5.3.1 系统流程
• 5.3.2 系统体系结构
• 5.3.3 相关技术背景
• 5.4 功能体系结构
• 5.4.1 图像处理模块
• 5.4.2 数据管理模块
• 5.4.3 人脸检测模块
• 5.4.4 模型训练模块
• 5.4.5 人脸识别模块
• 5.5 本章小结
• 6 结论和展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 论文创新点摘要
• 攻读博士学位期间发表学术论文情况
• 致谢