人脸特征点定位及识别的研究

论文摘要

人脸识别试图让计算机能够自动的根据人脸图像进行人的身份的验证和识别。人脸识别是模式识别领域中最为典型的应用,很多模式识别方法为人脸识别的研究提供了理论基础,同时人脸识别的发展也进一步拓展了模式识别方法的应用领域,并加速了模式识别的发展。很多模式分类方法起初是为了解决人脸问题而被提出,然后再被应用到其他模式识别领域。人脸识别技术在反恐、社会安全、监控系统等方面有着非常广泛的应用前景。这些都使得人脸识别的研究得到越来越多的关注。但要真正把人脸识别技术应用到实际生活中还有诸多问题需要解决。有些问题尤为突出,如人脸特征点的精确定位,人脸姿态的估计,识别率和速度之间的平衡问题的解决。因此,本文深入研究了上述关键问题,主要贡献有:1.详细介绍了我们研究小组所开发的人脸识别系统包括的子模块:人脸检测、人脸识别、人脸特征点定位、人脸识别、人脸特征提取、流行学习、姿态估计、3D人脸模型。描述了它们在整个人脸识别系统中的功能。存在的问题和弊端,指明了目前需要解决的问题。2.全面阐述了人脸识别的的发展历程,目前的研究现状,国内外研究机构,国际上人脸识别竞赛,商业化产品,主要成果以及人脸研究中常用的人脸数据库。3.重点研究了ASM（Active Shape Models）和AAM（Active Appearance Models）人脸特征点定位方法。深入分析了ASM的缺陷。把ASM模型中的特征点局部轮廓特征从一维拓展到二维,增加了特征点包含的信息,提高了每个特征点定位的精度,进而提高所有特征点（模型结构）定位精度。在搜索迭代过程中,提出把寻找特征点新位置的问题从马氏距离最小化问题转换为分类问题,并用SVM（Support Vector Machine）分类器进行分类。提出了对不同的人脸特征点根据其独特的特性使用不同的度量函数寻找新位置。在多分辨率搜索过程中,提出了限制最后一层特征点位移的思路,这就降低了由于噪音对寻找特征点新位置的影响。同时还提出了在不同层次中构建不同长度的特征点局部轮廓的思路。4.研究了人脸识别中最为典型的子空间方法:PCA（Principal ComponentAnalysis）,LDA（Linear Discriminant Analysis）,ICA（Independent ComponentAnalysis）以及LPP（Locality Preserving Projection）。提出了一种把上述子空间降维方法和AP（affinity propagation）聚类方法相结合的新的识别方法。与子空间方法在测试过程中需要把测试样本和每一个训练样本进行对比不同,新的识别方法仅仅需要把测试样本和代表了每一类的代表样本进行比对以达到识别的目的。这种识别策略不仅降低了训练样本中噪音对识别性能的影响,还提高了识别速度。5.介绍了主流的流形学习方法,并对其中RBMNN（Restricted Boltzmann Ma-chine Nerual Network）降维方法进行了深入的研究。针对RBMNN需要大量样本进行训练的缺陷,提出了通过低采样由单个样本生成多个样本的思路。提出把PCA和RBMNN相结合的思路,这样既减少了网络的节点数,也减少了训练时间。还提出了以Gabor特征作为输入端,利用RBMNN方法进行降维的思路以进一步提高后续识别的精度。

论文目录

• 摘要
• ABSTRACT（英文摘要）
• 第一章 绪论
• 1.1 研究背景以及项目支持
• 1.2 人脸识别研究的重要性和意义
• 1.3 生物特征识别技术市场状况
• 1.4 人脸识别技术的优势和缺陷
• 1.5 人脸识别中比较成熟的技术
• 1.6 本文的主要研究内容和创新点
• 1.7 本文的结构
• 第二章 人脸识别研究的介绍与综述
• 2.1 SJTU-PAMI-FRS
• 2.2 SJTU-PAMI-FRS的创新性
• 2.3 国内外主要从事人脸识别研究的机构
• 2.4 人脸识别研究中常用的人脸库
• 2.5 Face Recognition Technology （FERET） program
• 2.6 国内外的人脸商业系统
• 2.7 本章小结
• 第三章 人脸特征点定位
• 3.1 特征点定位方法综述
• 3.2 Active Shape Model
• 3.2.1 ASM训练
• 3.2.2 ASM搜索
• 3.3 对原始ASM的改进和实验比较
• 3.3.1 人脸库和实验环境的介绍
• 3.3.2 特征点定位精确性的评价标准
• 3.3.3 把局部特征从一维拓展到二维
• 3.3.4 根据特征点本身的特殊性用不同的度量函数寻找特征点新位置
• 3.4 基于SVM的ASM特征点定位方法（SVMBASM）
• 3.5 Active Appearance Model
• 3.6 本章小结
• 第四章 聚类方法在人脸识别中的研究
• 4.1 人脸识别方法的综述
• 4.2 子空间方法
• 4.2.1 Principal Component Analysis
• 4.2.2 Linear Discriminant Analysis
• 4.2.3 Independent Component Analysis
• 4.2.4 Locality Preserving Projection
• 4.2.5 子空间方法进行人脸识别的原理
• 4.3 聚类方法AP的介绍
• 4.3.1 AP方法的基本原理
• 4.4 AP和子空间方法相结合的理论基础
• 4.4.1 子空间方法的缺陷
• 4.4.2 AP的优势和缺陷
• 4.4.3 AP用于识别时必须满足的条件
• 4.4.4 AP方法结合降维方法进行模式分类的策略
• 4.5 AP在人脸识别中的应用
• 4.5.1 人脸识别实验中用到的数据库
• 4.5.2 第一种识别策略实验
• 4.5.3 第二种识别策略实验
• 4.5.3.1 APLDA
• 4.5.3.2 APLPP
• 4.6 本章小结
• 第五章 流形学习方法在人脸识别中的研究
• 5.1 流形学习介绍
• 5.1.1 流形学习的数学表达和定义
• 5.1.2 数据的低维表征
• 5.1.3 降维
• 5.2 流形学习方法的分类
• 5.2.1 主流形
• 5.2.2 谱分析
• 5.2.3 神经网络
• 5.3 流形学习中常用的图形
• 5.4 LLE流形学习方法的介绍
• 5.4.1 LLE相关细节分析
• 5.4.2 LLE如何处理新的数据
• 5.4.3 LLE的一些典型应用
• 5.5 RBMNN
• 5.5.1 RBMNN的缺点
• 5.5.2 改进1：生成多样本
• 5.5.3 改进2：RBMNN和PCA子空间方法相结合
• 5.5.4 改进3：RBMNN和Gabor特征相结合进行人脸识别
• 5.5.4.1 Gabor 小波
• 5.5.4.2 实验
• 5.6 本章小结
• 第六章 结束语
• 6.1 本文的研究工作
• 6.2 后续工作
• 参考文献
• 致谢
• 在学期间的研究成果及发表的论文和专利