基于统计特征的人脸识别系统设计与实现

论文摘要

人脸识别系统是先从视频序列或一幅图像中检测出其中的人脸区域,然后提取它的特征,再通过匹配算法与人脸库中已有模型进行匹配来得出识别结果。人脸识别系统的应用效果主要受人脸特征提取方法与分类方法的影响,本文采用基于统计特征提取与隐马尔可夫模型建模的人脸识别方法,来设计与实现一个基于视频序列的人脸识别系统。具体而言,就是先对人脸图像做分块离散余弦变换DCT,再对变换系数矩阵作主成分分析PCA,得到的特征向量作为隐马尔可夫模型HMM训练的观察向量。采用这种人脸识别方法有以下优点：第一,这种统计特征提取方法是为了降低图像的冗余以便提高特征的提取速度；第二,隐马尔可夫模型HMM有对人脸精确建模的特点,可以保证识别的高精度；第三,基于HMM的人脸识别方法采用的是人脸二维统计特征,对光线、姿态、遮挡物的变化有较强的鲁棒性；最后,人脸库样本与其模型一一对应,人脸库的添加/删除操作较容易,易于维护。本课题中所研究设计的人脸识别系统在前期进行人脸图像的采集与训练以建立一个人脸库,在识别时用来与某个人脸图像进行匹配。系统对于输入背景静止的一段视频序列,采用帧差分法提取其中的运动人体；然后使用Adaboost算法检测出人脸的区域,并对此区域进行一系列的预处理操作,包括滤波去噪、二值化等；再对人脸区域进行分块离散余弦变换,将变换后的系数矩阵作主成分分析,得到特征向量,即进行了人脸统计特征提取；将提取的特征作为隐马尔可夫模型HMM的观察序列；最后将所得的观察序列与库中的人脸HMM模型进行匹配,即识别,从而实现一个基于视频序列的人脸识别系统。另外还对系统的识别效果进行测试,先使用标准库ORL与自建库来测试系统识别模块的识别率,即以静止图像为输入进行识别,以比较DCT与DCT+PCA两种特征提取法的识别效果；再以视频序列作为输入,用自建库来测试系统的应用效果。实验表明,该方法在一定场合能够有效地分割出视频序列中的运动人体并检测出其中的人脸区域,当人脸库采集所用摄像头与最终应用时的摄像头相同时,或其分辨率高于训练样本采集时的分辨率时能有效识别人脸,一方面初步实现了实验室的人脸识别功能,另一方面从长远来看也为人机智能交互、视频监控与身份认证等提供了应用基础。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本文的背景
• 1.1.1 人脸识别技术的研究历程与难点
• 1.1.2 视频序列中人脸识别技术应用与研究的现状
• 1.2 本文的主要工作与组织结构
• 1.2.1 本文的主要工作
• 1.2.2 本文的重难点与解决方案
• 1.2.3 本文的内容组织与安排
• 第二章 人脸识别相关理论基础
• 2.1 认知心理学
• 2.2 关于离散余弦变换DCT与主成分分析PCA
• 2.3 模式识别
• 2.3.1 样本训练与数据存储
• 2.3.2 分类决策
• 2.4 本章小结
• 第三章 视频序列中人脸识别系统设计
• 3.1 系统整体设计
• 3.2 系统各结构模块设计
• 3.2.1 视频序列采集与存储模块
• 3.2.2 人脸库管理模块
• 3.2.3 运动人体目标检测模块
• 3.2.4 图像预处理模块
• 3.2.5 人脸检测定位模块
• 3.2.6 人脸识别模块
• 3.3 本章小结
• 第四章 基于统计特征的人脸识别算法研究与设计
• 4.1 基于帧差法的运动人体目标检测
• 4.2 AdaBoost人脸检测
• 4.3 分块DCT变换与PCA特征提取
• 4.3.1 分块DCT变换
• 4.3.2 PCA特征提取
• 4.4 HMM模式识别
• 4.4.1 人脸HMM定义
• 4.4.2 观察序列的生成
• 4.4.3 人脸隐马尔可夫模型的训练
• 4.4.4 人脸识别
• 4.5 本章小结
• 第五章 人脸识别系统的实现与效果测试
• 5.1 系统开发环境
• 5.2 系统各模块的实现
• 5.2.1 视频序列采集模块
• 5.2.2 局部预处理模块
• 5.2.3 人脸库建立
• 5.2.4 视频序列中运动人体目标检测模块
• 5.2.5 人脸区域定位模块
• 5.2.6 人脸特征提取与识别模块
• 5.3 系统应用实例
• 5.3.1 系统主界面
• 5.3.2 人脸库管理
• 5.3.3 前期检测及定位过程
• 5.3.4 特征提取与识别过程
• 5.4 系统测试与评价
• 5.4.1 测试结果与分析
• 5.4.2 改进之处与适用范围
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 本文的主要工作与技术特色
• 6.2 本文存在的不足与展望
• 参考文献
• 致谢