基于实时视频的人脸识别系统

论文摘要

人脸识别技术是模式识别和机器视觉领域重要的研究方向之一。在理想情况下（如光线不变、静止图片、姿态不变等）人脸识别技术已经非常成熟，但在实际环境应用中却难以广泛应用特别是在实时视频监控方面。由于人脸的可塑性及在成像过程中多种因素的影响，人脸识别系统在实时视频的条件下，识别性能会显著降低。使得人脸识别系统很难应用于工业、商业和家庭生活中。一个完整的人脸识别系统包括人脸图像预处理、人脸检测、人脸特征提取、特征匹配等主要功能模块。本文的研究内容由以下几个方面组成：（1）人脸图像预处理本文采用了人脸图像预处理基本方法：均值滤波、自适应中值滤波、直方图均衡化方法实现人脸图像的去噪、图像增强、图像恢复等。实验表明这些前期处理可以大大提高人脸识别率并节省存储空间。通过这些方法，我们可以从视频中得到最佳的人脸图像。（2）人脸识别方法研究了人脸识别中常用的特征提取方法，并对这些方法进行了详细的阐述，并简单指出了这些方法在研究应用中存在的优缺点，还详尽描述了人脸识别率的性能指标并对这些指标做了详细的对比。（3）人脸特征提取算法详细研究了一维主成分分析方法、二维主成分分析方法、离散余弦函数方法、隐马尔可夫方法、基于线性判别的人脸特征提取算法。（4）基于加权对称尺度不变特征的人脸识别方法分析了加权对称脸的方法并重构新的人脸图像，并将加权对称脸的方法与SIFT特征方法相结合，减少了运算量、节省了样本空间并能检测出人脸图像的旋转和缩放不变的特征向量。（5）实时视频人脸识别系统设计了一个实时视频人脸识别系统，系统的功能是能从实时视频中鉴别出人脸的身份。核心算法就是利用本文提出的基于加权对称SIFT特征人脸识别方法。利用VC开发环境平台及OpenCV函数库设计出了实时视频人脸识别系统软件。

论文目录

• 摘要
• 英文摘要
• 1 绪论
• 1.1 人脸识别研究的背景及意义
• 1.2 人脸识别的研究历史及现状
• 1.3 人脸识别的研究难点
• 1.4 人脸识别的研究内容
• 1.5 本文的主要工作及研究内容安排
• 1.5.1 本文的主要工作
• 1.5.2 本文的内容安排
• 2 人脸识别技术研究与概述
• 2.1 人脸识别的常用标准库
• 2.2 人脸图像的预处理
• 2.2.1 图像噪声处理
• 2.2.2 图像的光照补偿
• 2.2.3 图像增强与恢复
• 2.3 人脸识别常用方法
• 2.3.1 基于统计模型的人脸识别算法
• 2.3.2 特征脸方法
• 2.3.3 基于知识的特征提取方法
• 2.3.4 神经网络方法
• 2.3.5 隐马尔可夫模型方法
• 2.3.6 基于支持向量机的人脸识别方法
• 2.3.7 三维人脸识别的方法
• 2.4 人脸识别技术性能指标
• 2.5 本章小结
• 3 几种人脸特征提取算法
• 3.1 主成分分析方法的人脸特征提取
• 3.1.1 一维主成分分析的特征提取方法
• 3.1.2 基于二维主成分分析方法的特征提取
• 3.2 离散余弦函数变换（DCT ） 方法
• 3.3 一维隐马尔可夫方法
• 3.4 基于线性判别（LDA ）的人脸特征提取算法
• 3.4.1 LDA 方法的人脸特征提取
• 3.4.2 二维LDA 人脸特征提取算法
• 3.5 本章小结
• 4 基于加权对称尺度不变特征的人脸识别方法
• 4.1 加权对称脸方法
• 4.2 尺度不变人脸特征提取方法
• 4.2.1 SIFT 算法简介
• 4.2.2 多尺度空间原理
• 4.2.3 SIFT 算法的步骤
• 4.2.4 人脸图像的SIFT 特征匹配
• 4.3 基于SIFT 特征的人脸识别
• 4.4 本章小结
• 5 实时视频人脸识别系统
• 5.1 开发硬件设备
• 5.2 开发软件环境
• 5.3 软件平台的搭建
• 5.3.1 主窗口模块
• 5.3.2 监控模块
• 5.3.3 识别与认证功能
• 5.4 测试流程
• 5.5 本章小结
• 6 总结与展望
• 参考文献
• 附录
• 致谢
• 攻读学位期间发表的学术论文和参加科研情况说明