面向身份认证的人脸识别及应用

论文摘要

人脸识别技术是生物特征识别领域中最为典型的应用之一,在监控系统、公共安全以及家居娱乐等方面有着广泛的应用前景。但人脸识别技术在实际应用中还有诸多问题需要解决,如人脸特征点的精确定位、人脸归一化、高效的特征提取方法以及鲁棒的识别算法等。本文针对以上提出的关键问题从以下几个方面开展了深入和全面的研究:（1）提出了一种基于局部梯度算子的嘴角自动检测和定位方法。通过Adaboost算法检测出人脸图像大致的嘴部区域,采用局部梯度算子提取嘴部轮廓,利用Ostu阈值法对提取的轮廓进行二值化处理,根据链码跟踪最终确定左右嘴角的精确位置。最后依据两眼与嘴角的定位结果对人脸进行旋转和双向尺寸缩放处理。实验结果分析表明,基于局部梯度算子能快速准确的检测和定位嘴部,对表情和噪声的影响具有比较高的鲁棒性,能够更加精确的对人脸进行归一化处理。（2）在特征提取方面,传统局部二值模式（LBP）算子存在不足:直方图维数过长、鉴别能力不强、分块方法不够合理。针对以上问题,提出双一维局部二值模式（DULBP）算子,DULBP算子相比传统LBP算子具有以下几个优势:（a）DULBP算子通过改变数据的排列方式,大大降低了特征维数;（b）DULBP算子将比较中心像素变为比较邻域内所有像素的均值,增强了中心像素的作用而且有益于提高鉴别能力;（c）多层的分块模式更加合理的兼顾了全局信息和局部信息。实验结果分析证明DULBP相对于传统的LBP、ULBP具有更佳的特征描述能力。（3）提出了一种基于粒子群优化支持向量机（PSO-SVM）的人脸识别方法。支持向量机的参数选择一直是解决分类问题的难点。本章提出了一种在人脸识别中采用粒子群优化算法选择支持向量机参数的方法。最后探讨了基于粒子群优化支持向量机方法和传统支持向量机、BP神经网络在FERET人脸库上的识别率和识别速度。（4）开发并实现了一个人脸识别算法的仿真平台,详细介绍了该平台各模块的功能。本文部分算法成功应用于2008年第29届北京奥运会开幕式场馆出入控制系统和人脸识别查询系统,最后给出了大型场馆出入控制系统的测试结果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 人脸识别的优势及相关资源
• 1.2.1 人脸识别的优势
• 1.2.2 人脸识别相关资源
• 1.3 研究内容及存在的问题
• 1.3.1 人脸识别技术的研究内容
• 1.3.2 存在的问题
• 1.3.3 国内外研究现状
• 1.4 本文的研究内容与研究方法
• 1.4.1 特征点定位
• 1.4.2 人脸几何归一化
• 1.4.3 基于双一维局部二值模式的特征提取方法
• 1.4.4 基于粒子群优化支持向量机的人脸识别方法
• 1.4.5 仿真与开发平台
• 1.5 论文结构与创新点
• 1.5.1 论文结构
• 1.5.2 论文创新点
• 第二章 基于局部梯度算子的特征点定位
• 2.1 基于局部梯度算子嘴角定位算法
• 2.1.1 嘴部区域的检测
• 2.1.2 嘴角精确定位
• 2.2 基于局部梯度算子的人脸归一化方法
• 2.2.1 眼睛定位
• 2.2.2 眼球的精确定位
• 2.2.3 归一化处理
• 2.3 实验结果及分析
• 2.3.1 实验数据
• 2.3.2 评价标准
• 2.3.3 嘴角定位仿真实验
• 2.3.4 归一化仿真实验
• 2.4 本章小结
• 第三章 基于双一维局部二值模式的特征提取
• 3.1 局部二值模式
• 3.2 几种直方图度量方法
• 3.3 双一维局部二值模式
• 3.3.1 LBP 的不足
• 3.3.2 双一维局部二值模式
• 3.3.3 DULBP 相对于LBP 的优势
• 3.4 最近邻分类器
• 3.5 实验及结果分析
• 3.5.1 JAFFE 库
• 3.5.2 测试方法
• 3.6 本章小结
• 第四章 基于粒子群优化支持向量机的人脸识别
• 4.1 支持向量机
• 4.1.1 理论背景
• 4.1.2 支持向量机
• 4.1.3 支持向量机的参数选择
• 4.2 粒子群优化算法
• 4.2.1 基本粒子群算法
• 4.2.2 带权值的粒子群算法
• 4.3 粒子群优化支持向量机
• 4.3.1 粒子群优化支持向量机的流程
• 4.3.2 性能仿真
• 4.4 基于粒子群优化支持向量机的人脸识别
• 4.5 实验结果及分析
• 4.6 本章小结
• 第五章 人脸识别系统开发与应用
• 5.1 人脸识别平台的构建
• 5.1.1 开发环境
• 5.1.2 系统模块介绍
• 5.2 大型场馆出入控制系统应用
• 5.2.1 基于人脸识别技术的出入控制系统
• 5.2.2 基于集群计算机的出入控制系统
• 5.2.3 大型场馆出入控制系统应用
• 5.3 人脸识别查询系统
• 5.3.1 数据增补
• 5.3.2 数据查询
• 5.4 本章小结
• 第六章 结束语
• 6.1 本文结论
• 6.2 工作展望
• 致谢
• 参考文献
• 作者在校期间期间发表学术论文情况
• 作者在校期间期间参加科研情况