基于Gabor和Adaboost的人脸识别算法研究

论文摘要

近年来,随着生物特征识别技术的兴起,人脸识别因其广泛的应用前景和重要的理论意义而成为模式识别、图像处理、计算机视觉等领域的研究热点。由于Gabor小波核函数具有与哺育动物大脑皮层简单细胞的二维反射区相同的特性,即具有较强的空间位置和方向选择性,并且能够捕捉对应于空间和频率的局部结构信息,因此Gabor小波能很好地描述图像的纹理特征,被广泛应用于数字图像处理中。近些年来,越来越多的研究者也将Gabor小波应用于人脸识别中,也取得了非常好的效果。在利用Gabor小波提取人脸特征的基础上,本文提出了一种Gabor和Adaboost结合的人脸识别算法,主要工作如下：1.介绍了二维Gabor滤波器的相关理论知识,并详细阐述了现有的基于Gabor特征的人脸识别方法。2.在利用8方向Gabor滤波器提取人脸特征的基础上,本文提出了16方向Gabor滤波器和24方向Gabor滤波器进行人脸的特征提取。增加Gabor滤波器的滤波方向,能更好地提取人脸图像的纹理信息,从而提升识别效果。3.构造了基于网格结构的Gabor特征点,降低了提取的Gabor特征的数据量,同时利用Adaboost对构造Gabor特征点进行挑选,挑选出那些对人脸分类能力强的特征点,结合在一起构成一个级联分类器对人脸进行识别。本文采用中科院的CAS-PEAL人脸数据库进行Adaboost训练,利用16方向Gabor特征训练结果在FERET人脸数据的四个子库上测试结果分别为：Fb,98.2%; Fc,99.5%; Dupl,77.8%; Dup2,75.6%.实验表明,增加Gabor滤波器的方向能更好地提取人脸的纹理特征。同时Adaboost算法的级联分类器结构能大幅度提升人脸算法的识别速度,使本文的算法更具实际应用性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 人脸识别研究综述
• 1.2.1 人脸识别技术发展历史
• 1.2.2 人脸识别的主流方法
• 1.2.3 人脸识别的难点与挑战
• 1.3 本文的研究内容与工作安排
• 第2章 Gabor小波变换及其在人脸识别中的应用
• 2.1 Gabor小波变换
• 2.1.1 一维Gabor小波
• 2.1.2 二维Gabor小波
• 2.1.3 二维Gabor滤波器参数的选择
• 2.2 基于Gabor特征的人脸识别算法
• 2.2.1 基于图像整体Gabor特征的人脸识别方法
• 2.2.2 基于图像局部特征点的人脸识别方法
• 2.3 本章小结
• 第3章 AdaBoost学习算法
• 3.1 Boosting算法原理
• 3.2 Adaboost学习算法
• 3.2.1 Adaboost算法原理
• 3.2.2 Adaboost算法训练误差分析
• 3.3 级联分类器
• 3.4 本章小结
• 第4章 Gabor和Adaboost结合的人脸识别算法
• 4.1 人脸特征构造
• 4.1.1 人脸图片归一化以及识别问题转化
• 4.1.2 Gabor特征的构造
• 4.2 Adaboost算法的训练过程
• 4.2.1 弱分类器的构造
• 4.2.2 弱分类器的学习及选取
• 4.2.3 强分类器的训练
• 4.2.4 级联分类器的训练
• 4.3 实验结果分析
• 4.3.1 人脸数据库和实验环境
• 4.3.2 实验结果与分析
• 4.4 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢