基于三维特征的人脸识别算法研究

基于三维特征的人脸识别算法研究

论文摘要

人脸识别算法和相关技术研究一直是计算机视觉和模式识别领域的研究热点之一。在漫长的研究历程中,基于二维图像的人脸识别算法和理论已经取得了较大的进展,并提出了许多成熟的算法。但是理论和实验研究表明,二维图像中人脸姿态或成像时的光照等条件变化对算法的识别性能有很大影响,同一人在不同姿态或不同光照条件下图像的类间距远大于不同人在相同姿态或光照条件下图像的类间距。二维人脸图像对姿态、光照和表情等因素的敏感性,极大影响了二维人脸识别算法的识别性能。随着计算机硬件和三维数据获取技术的发展,物体三维数据的采集变得越来越方便、可行。与二维人脸图像相比,三维人脸数据包含了人脸空间结构信息,是人脸固有的本质属性,而且对外界条件变化有很好的鲁棒性。因此,近年来越来越多的研究人员致力于三维人脸识别算法和辅助三维信息的二维人脸识别算法的研究,并且取得了一定的成果。本文在总结和深入研究当前三维人脸识别算法和三维人脸模型的基础上,探讨了基于三维特征的人脸识别相关技术,重点解决了三维人脸的鲁棒性表征和识别问题,并针对二维人脸识别算法在某些特定情况的局限性,提出了相应的解决方案。本文的主要研究工作包括以下几个方面:1.基于几何特征的三维人脸识别三维人脸信息量丰富,特征类型较多,各种特征对人脸的表征能力不同,如何提取简单、有效的特征对人脸进行表征,是人脸识别需要解决的首要问题。本文在研究三维人脸数据采集和归一化方法基础上,对三维人脸特征的表征和度量方式展开深入研究,提取了5种三维人脸几何特征,并通过实验分析各种特征的表征能力和判别能力。由于单一特征对人脸描述具有片面性,而且所含判别信息有限,所以,本文采用线性加权策略融合5种几何特征进行人脸识别,一定程度上提升了三维人脸识别效率。2.基于局部二值模式(LBP)的三维人脸识别三维人脸对于姿态和光照变化有较强的鲁棒性,但受表情影响较大,人脸表情变化使得三维人脸网格发生一定程度的扭曲和变形。为削弱表情对三维人脸网格数据的影响,提取表情鲁棒的三维人脸特征,本文研究了基于LBP的三维人脸识别算法。深入分析了三维LBP算子的定义方式、三维人脸曲面的分割方案和基于统计直方图的人脸曲面匹配算法,将LBP算法成功扩展到三维人脸识别领域,提高了三维人脸识别算法对人脸表情的鲁棒性。3.基于稀疏表示的三维人脸识别针对大量三维人脸低维几何特征,如何挑选对分类有效的特征进行人脸表示,本文重点研究了三维人脸低维几何特征的提取与排序挑选策略。在此基础上,提出三维人脸的稀疏表示方法,并对人脸特征(信号)的稀疏性进行评估,进一步提高了三维人脸表征的准确性,和三维人脸识别算法对人脸表情的鲁棒性。4.辅助三维特征的HaarLBP人脸识别鉴于二维人脸识别算法对人脸图像的光照、姿态等因素比较敏感,而三维人脸特征在一定程度上对上述因素具有鲁棒性。因此,本文在对二维人脸识别算法和三维人脸特征鲁棒性的深入研究基础上,提出了融合二维HaarLBP特征和三维几何特征的人脸识别方法。首先,为了提取更多的人脸图像细节信息,研究并提出了基于HaarLBP的二维人脸表征和度量方式;然后,针对二维人脸图像表征能力不足的问题,通过对基于形变模型的三维人脸重建方法和三维人脸特征鲁棒性的研究,提出了融合二维三维信息的人脸识别算法,一定程度上提高了人脸识别算法对人脸表情、姿态和光照等因素的鲁棒性。5.基于单一视图姿态不变的人脸识别基于单视图的人脸识别问题,由于训练集中每个人只有1组训练样本,因此,无法从有限的训练集中提取足够的判别信息进行人脸分类识别。针对训练样本不足的问题,本文借助基于形变模型的三维人脸重建方法,重构输入样本的虚拟三维人脸,然后通过模型旋转、投影等方法丰富样本库,获取特定人大量多姿态的人脸图像;在此基础上,构建特定人的人脸姿态子空间,并提取姿态不变的人脸共性特征用于人脸表征和识别。该方法有效解决了多姿态人脸识别算法对人脸多姿态样本的需求,以及人脸姿态鲁棒特征的提取与表示问题。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 研究背景和意义
  • 1.2 研究现状
  • 1.2.1 基于局部特征的方法
  • 1.2.2 基于全局特征的方法
  • 1.2.3 基于多模态特征的方法
  • 1.3 研究内容与论文组织
  • 第2章 基于几何特征的三维人脸识别
  • 2.1 三维人脸数据获取与归一化
  • 2.1.1 三维人脸数据获取
  • 2.1.2 三维人脸数据归一化
  • 2.2 三维人脸几何特征提取
  • 2.2.1 表面积特征的表示与度量
  • 2.2.2 体积特征的表示与度量
  • 2.2.3 法向量特征的表示与度量
  • 2.2.4 距离矩阵特征的表示与度量
  • 2.2.5 轮廓线特征的表示与度量
  • 2.3 多种几何特征融合算法和实验
  • 2.3.1 融合算法设计
  • 2.3.2 实验数据
  • 2.3.3 实验结果和分析
  • 2.4 本章小结
  • 第3章 基于局部二值模式的三维人脸识别
  • 3.1 LBP 算子
  • 3.2 基于LBP 的三维人脸表征与匹配
  • 3.2.1 三维人脸分区策略
  • 3.2.2 基于LBP 的三维人脸表征
  • 3.2.3 基于LBP 的三维人脸匹配
  • 3.3 实验结果和分析
  • 3.3.1 实验数据
  • 3.3.2 实验设计和结果
  • 3.3.3 实验结果分析
  • 3.3.4 对比实验和分析
  • 3.4 本章小结
  • 第4章 基于稀疏表示的三维人脸识别
  • 4.1 研究背景
  • 4.2 三维人脸特征的提取与挑选策略
  • 4.2.1 低维人脸特征的提取与表示
  • 4.2.2 人脸特征分量挑选策略
  • 4.3 基于稀疏表示的人脸识别框架
  • 4.4 实验结果和分析
  • 4.4.1 实验数据
  • 4.4.2 实验设计和结果
  • 4.4.3 实验结果分析
  • 4.4.4 稀疏表示能力评估
  • 4.4.5 对比实验和分析
  • 4.5 本章小结
  • 第5章 基于三维模型的人脸识别
  • 5.1 辅助三维特征的HaarLBP 人脸识别
  • 5.1.1 基于HaarLBP 的人脸表征
  • 5.1.2 三维人脸重建及特征提取
  • 5.1.3 实验结果和分析
  • 5.1.4 小结
  • 5.2 基于单一视图姿态不变的人脸识别
  • 5.2.1 相关工作
  • 5.2.2 三维人脸重建
  • 5.2.3 姿态不变的人脸特征提取
  • 5.2.4 人脸匹配识别
  • 5.2.5 实验结果和分析
  • 5.2.6 小结
  • 5.3 本章小结
  • 结论
  • 论文的创新研究和总结
  • 研究工作的展望
  • 参考文献
  • 攻读博士学位期间所发表的学术论文
  • 致谢
  • 相关论文文献

    • [1].基于改进卷积神经网络的人脸识别算法[J]. 电子世界 2019(23)
    • [2].基于主成分分析法的人脸识别算法研究[J]. 电脑编程技巧与维护 2020(07)
    • [3].基于非凸低秩稀疏约束的鲁棒人脸识别算法[J]. 电子世界 2020(18)
    • [4].精准人脸识别算法,“识”无遗漏——测评芊熠智能动态人脸识别终端[J]. 中国公共安全 2019(09)
    • [5].联合判别性低秩类字典与稀疏误差字典学习的人脸识别[J]. 中国图象图形学报 2017(09)
    • [6].基于含遮挡的稀疏人脸识别[J]. 电子测试 2016(23)
    • [7].基于局部正脸合成和两阶段表示的三阶段人脸识别算法[J]. 北京理工大学学报 2017(06)
    • [8].基于低秩特征脸与协同表示的人脸识别算法[J]. 液晶与显示 2017(08)
    • [9].带你走进维也纳版的CCS2016(三)[J]. 中国教育网络 2017(05)
    • [10].“无脸”识别,挑战像素新底线[J]. 雪莲 2017(04)
    • [11].基于深度学习与特征融合的人脸识别算法[J]. 微型电脑应用 2020(11)
    • [12].8吋大屏科技感设计,搭载深度学习人脸识别算法——测评捷顺科技多媒体人脸识别门禁[J]. 中国公共安全 2019(11)
    • [13].基于改进卷积神经网络与集成学习的人脸识别算法[J]. 计算机工程 2020(02)
    • [14].基于深度学习的人脸识别算法研究[J]. 计算机应用研究 2020(05)
    • [15].一种改进的联合稀疏表示人脸识别算法[J]. 科技创新导报 2020(16)
    • [16].样本增强的人脸识别算法研究[J]. 中国计量大学学报 2018(02)
    • [17].基于改进深层网络的人脸识别算法[J]. 电子学报 2017(03)
    • [18].快速稀疏表示分类的人脸识别算法[J]. 计算机工程与应用 2017(09)
    • [19].一种新型人脸识别算法的研究[J]. 东莞理工学院学报 2017(03)
    • [20].基于多尺度分析的人脸识别算法研究[J]. 工业仪表与自动化装置 2017(04)
    • [21].多样本条件下一种改进的基于联合稀疏模型的人脸识别算法研究[J]. 电脑知识与技术 2015(18)
    • [22].基于稀疏表示的人脸识别算法[J]. 大众科技 2014(04)
    • [23].基于小波神经网络的人脸识别算法研究[J]. 价值工程 2012(05)
    • [24].人脸识别算法综述[J]. 商场现代化 2008(26)
    • [25].基于改进的局部三值模式和深度置信网络的人脸识别算法[J]. 青岛大学学报(自然科学版) 2019(04)
    • [26].基于深度传感的人脸识别算法研究与实现[J]. 自动化应用 2020(08)
    • [27].基于字典扩展的快速人脸识别算法[J]. 计算机工程与应用 2018(08)
    • [28].基于体绘制思维的人脸识别算法优化研究[J]. 现代电子技术 2015(24)
    • [29].相似遮挡区域碎片重构的鲁棒人脸识别算法[J]. 微型电脑应用 2016(04)
    • [30].基于稀疏滤波和神经网络的人脸识别算法[J]. 网络空间安全 2016(05)

    标签:;  ;  ;  ;  ;  

    基于三维特征的人脸识别算法研究
    下载Doc文档

    猜你喜欢