基于静态人脸检测与识别算法研究

论文摘要

随着图像处理技术以及计算机处理能力的飞速发展,人脸识别技术（FRT）广泛应用于智能视觉监控系统、门禁和考勤系统等领域。人脸识别是基于生物特征的身份验证中最自然直接的手段,与计算机视觉和人机感知交互有密切联系。本文研究了基于静态人脸图像的检测和识别原理,讨论了具有较好准确度、较高运算速度、较强适应性和鲁棒性的算法,对人脸检测与识别过程进行相应地改进,以增强人脸识别系统的特性,主要研究内容如下:第一,针对光线明暗、拍摄角度和曝光条件等因素影响时,图像中会出现椒盐噪声、光照明暗不均和对比度不够等缺点,本文选取中值滤波法对输入静态图像进行预处理,并对训练样本作尺度和灰度两者归一化,保存人脸特征文件,最后完成ORL人脸库的建模工作。第二,在人脸检测和定位阶段,使用融合肤色提取的Adaboost算法对人脸特征进行提取,并生成用于区分不同个体的统计判别特征。第三,在人脸识别和分类阶段,分析了KPCA算法,并改进LDA算法,将KPCA与LDA进行融合,给出KFD （KPCA+LDA）方法来完成识别过程,将检测定位结果与人脸数据库作比对,最终根据比对的相似值排序出人员列表。最后,系统以OpenCV为平台,在VC++ 6.0的编译环境中对检测和识别算法进行仿真和测试,并分析了实验现象和数据。通过实验结果可知,文中所研究的两种融合算法对于人脸检测和识别分类器都进行了优化,使之对于姿态偏转和表情变化具有较好的鲁棒性,并达到了检测和识别过程中精度与速度的相对均衡。

论文目录

• 摘要
• Abstract
• 第1章 绪 论
• 1.1 课题研究的目的和意义
• 1.2 静态人脸检测与识别研究现状
• 1.3 检测与识别算法特点分析
• 1.3.1 图像预处理
• 1.3.2 人脸检测与定位
• 1.3.3 人脸库的归一化训练
• 1.3.4 特征提取与识别
• 1.4 本文研究的主要内容和结构安排
• 第2章 静态人脸检测与识别关键理论
• 2.1 静态图像预处理
• 2.1.1 图像平滑
• 2.1.2 图像形态学处理
• 2.1.3 归一化处理
• 2.2 静态人脸检测方法
• 2.3 静态人脸图像特征提取方法
• 2.4 PCA 人脸识别方法
• 2.4.1 K-L 变换算法原理
• 2.4.2 特征提取方法
• 2.4.3 分类方法
• 2.5 LDA 人脸识别方法
• 2.5.1 Fisher 判别准则
• 2.5.2 LDA 人脸特征提取情况分析
• 2.6 本章小结
• 第3章 人脸图像检测与定位
• 3.1 Adaboost 人脸检测算法原理
• 3.1.1 矩形特征选取
• 3.1.2 矩形特征描述
• 3.2 人脸检测分类器架构
• 3.2.1 Adaboost 弱分类器
• 3.2.2 Adaboost 强分类器
• 3.2.3 Cascade 算法原理
• 3.3 Adaboost 人眼检测分析
• 3.3.1 人眼检测原理
• 3.3.2 粗略眼睛区域检测
• 3.3.3 眼睛模板制作
• 3.3.4 眼睛定位
• 3.4 肤色提取原理
• 3.4.1 彩色图像光照统一化
• 3.4.2 彩色分割
• 3.4.3 侯选区域扫描
• 3.5 本章小结
• 第4章 静态人脸识别算法融合 .
• 4.1 核主成分分析法（KPCA）
• 4.2 LDA 算法改进
• 4.3 人脸识别算法融合原理
• 4.3.1 KFD 融合方法分析
• 4.3.2 KFD 算法原理
• 4.4 ORL 人脸库训练
• 4.5 本章小结
• 第5章 实验分析
• 5.1 实验操作条件
• 5.2 实验评价指标
• 5.3 实验数据与结果分析
• 5.3.1 Adaboost 人眼检测结果
• 5.3.2 Adaboost 人脸检测结果
• 5.3.3 静态人脸识别结果
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢