基于人脸识别的防盗视频监控系统研究

论文摘要

基于人脸识别的数字视频监控系统由于具有隐蔽性、非接触性等优势,近年来得到了广泛关注。本文运用人脸识别技术设计并实现了一套基于固定背景的防盗视频监控系统。系统的中心内容分为三部分,分述如下:1.系统平台的设计:借助微软公司的多媒体处理软件开发包DirectShow搭建了整个系统的框架,同时应用其功能完成视频采集及格式转换工作。2.人脸检测和定位:提出了一种复合的光照补偿策略,其中对对数变换算法进行了合理的改进;结合视频监控的特点,提出了一种基于固定背景的快速的人脸检测新方法,实验结果表明,该方法检测速度快且具有较强的鲁棒性,能够很好地应用于视频监控系统中。3.人脸的快速识别:首先介绍了用于人脸识别的主成分分析方法和线性判别分析方法,然后针对线性判别分析的缺陷提出了一种改进的方案,并应用主成分分析和改进后的线性判别分析相结合来提取人脸的特征,最后分别用最小距离分类器和三层BP神经网络分类器实现了人脸识别。实验表明,识别的性能基本满足了系统要求。本文实验图像均由摄像头采集而来,包括了单人脸、多人脸及人脸不同表情姿态等情况,实验环境为Pentium IV,内存256M的PC机。实验结果显示,对80幅大小为320×240像素,包含92个人脸的小型图像库,检测率达到93.5%。平均的检测时间为0.5s。在人脸识别阶段,当人脸的类别不多的情况下,识别率达到了95%以上。平均的识别时间为0.3s。两个功能模块的准确性和处理时耗基本满足了系统的要求。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的背景及研究意义
• 1.1.1 概述
• 1.1.2 人脸作为生物特征识别方法的优势
• 1.2 人脸检测与识别研究的发展与现状
• 1.3 人脸检测与识别方法综述
• 1.3.1 人脸检测方法概述
• 1.3.1.1 基于知识的方法
• 1.3.1.2 特征不变的方法
• 1.3.1.3 模板匹配的方法
• 1.3.1.4 基于外观的方法
• 1.3.2 人脸识别方法概述
• 1.3.2.1 基于肤色特征的识别方法
• 1.3.2.2 基于统计的方法
• 1.3.2.3 基于人工神经网络的方法
• 1.3.2.4 多分类器集成的方法
• 1.4 论文的主要研究内容
• 1.5 论文结构概要
• 第二章 基于 DirectShow 的家庭防盗视频监控系统设计
• 2.1 引言
• 2.2 视频处理工具 DirectShow
• 2.2.1 DirectShow 系统概述
• 2.2.2 DirectShow 的Filter
• 2.3 视频采集及视频格式的转换
• 2.3.1 DirectShow 实现图像采集和视频存储的过程
• 2.3.2 视频采集以及视频格式转化的实现
• 2.4 基于 DirectShow 的家庭防盗视频监控系统结构
• 2.5 小结
• 第三章 灰度视频图像人脸的快速检测与定位
• 3.1 引言
• 3.2 视频图像的预处理
• 3.2.1 光照补偿
• 3.2.1.1 光照渐进模型补偿算法
• 3.2.1.2 对数变换
• 3.2.1.3 改进的对数变换
• 3.2.1.4 指数变换
• 3.2.2 中值滤波
• 3.3 人脸候选区域粗定位
• 3.3.1 人脸候选区域定位算法基本原理及过程简介
• 3.3.2 视频序列边缘图像与固定背景边缘图像相差提取目标
• 3.3.2.1 边缘提取
• 3.3.2.2 基于边缘图相差的目标提取
• 3.3.3 基于积分投影的人脸候选区域定位
• 3.4 眼睛的检测与定位
• 3.4.1 人脸灰度直方图二值化
• 3.4.2 二值图像的预处理
• 3.4.3 候选眼睛对的定位
• 3.4.4 部分视频序列候选眼睛对的定位结果
• 3.5 基于候选眼睛对及马赛克方法的人脸快速检测
• 3.5.1 基于眼睛对的人脸区域定位
• 3.5.2 基于马赛克方法的人脸检测与定位
• 3.5.2.1 马赛克方法及分块策略
• 3.5.2.2 马赛克规则的制定
• 3.5.2.3 马赛克检测方案的验证
• 3.6 人脸检测的实验结果及分析
• 3.7 小结
• 第四章 人脸的快速识别
• 4.1 引言
• 4.2 人脸识别图像的预处理
• 4.2.1 图像的几何归一化
• 4.2.2 图像的灰度归一化
• 4.3 人脸图像的特征提取
• 4.3.1 PCA（Principal Component Analysis）方法
• 4.3.1.1 PCA 的基本原理
• 4.3.1.2 PCA 的局限性分析
• 4.3.2 Fisher 线性判别分析（Fisher Linear Discriminant Analysis，FLDA）
• 4.3.2.1 Fisher 线性判别（FLD）
• 4.3.2.2 改进的加权Fisher 线性判别（IWFLD）提取特征
• 4.3.2.3 Fisher 线性判别的优缺点分析
• 4.3.3 主成分分析和改进加权线性判别结合（PCA+IWFLD）提取特征
• 4.4 PCA+IWFLD 人脸识别流程
• 4.4.1 人脸识别系统数据库建立步骤
• 4.4.2 人脸识别步骤
• 4.5 实验结果及分析
• 4.6 小结
• 第五章 人工神经网络人脸识别分类器的设计
• 5.1 引言
• 5.2 BP 神经网络简介
• 5.2.1 网络结构及算法描述
• 5.2.2 算法的缺限及改进措施
• 5.2.3 BP 网络的设计考虑
• 5.3 用神经网络进行人脸识别
• 5.4 实验结果及分析
• 5.5 小结
• 第六章 总结与展望
• 6.1 全文工作总结
• 6.2 今后研究方向的预测和展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文