基于Gabor小波变换的人脸识别

论文摘要

人脸识别是一项极具有发展潜力的生物特征识别技术,研究人脸识别技术具有十分重要的理论和应用价值。最近几年,人脸识别技术取得了前所未有的发展,但其在实际应用中的识别精度仍然难以满足人们的预期要求,特别是采集图像中存在光照变化、摄像方位变异以及其它干扰时。识别系统采集的原始人脸图像通常以网格像素的灰度值集表示。孤立的像素灰度集合不能直接反映人脸的内蕴特征,引入适当的变换,将其映射到特征空间进行识别处理是行之有效的提高识别处理性能的途径。二维Gabor小波变换能够将相邻区域的像素联系起来,从不同的频率尺度和方向反映局部范围内图像像素灰度值的变化。二维Gabor小波变换系数描述了图像上各给定位置附近区域的灰度特征,在人脸图像的二维Gabor小波变换系数的基础上进行的特征提取和分类识别,称为基于Gabor小波变换的人脸识别。本文深入研究了利用二维Gabor小波变换进行人脸识别的理论方法和技术,论文的主要工作和贡献如下: (1) 本文对当前常用的人脸识别理论方法做了扼要的概括总结,结合最近几年国际上举办的一系列人脸识别评测活动,对当前人脸识别技术的研究现状、存在的问题和技术发展进行了论述。 (2) 研究了人脸图像的预处理。人脸图像的预处理就是将由图像采集设备采集到的人脸图像调整成规范化的图像,主要包括三个环节:人脸检测和眼睛定位、几何规范化、灰度规范化。论文重点研究了基于AdaBoost统计学习的人脸检测方法。 (3) 研究了二维Gabor小波变换及其在识别应用中的响应特性。二维Gabor小波变换是通过计算一组二维Gabor滤波器与图像上给定位置附近区域像素灰度值的卷积来实现的。二维Gabor小波是哺乳动物视觉皮层简单细胞接受场模型的良好近似。本文通过计算结果验证了可以通过选择Gabor滤波器的参数来表示人脸图像的局部特征,并且这种表示具有对摄像环境亮度的绝对水平变化不敏感的优点。基于二维Gabor小波变换进行的识别处理优于直接按原图像灰度的识别处理。 (4) 改进了经典的弹性束图匹配算法。弹性束图匹配算法采用标号图来表示人脸图像,标号图的节点用一组描述人脸局部特征的二维Gabor小波变换系数标示,这些节点位于人脸图像上对识别有意义的特征点位置上;标号图的边用描述相邻两个节点相对位置的度量信息来标示,由各边组成的网格图结构描述了整个人脸的几何特征。经典的弹性束图匹配算法首先将人脸图像与某一预定义人脸束图(即某一复合标号图,其节点为

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景和意义
• 1.2 人脸识别的研究状况
• 1.3 人脸识别的研究内容
• 1.4 人脸识别的难点
• 1.5 人脸识别技术的一些典型应用
• 1.5.1 公共场所安全监控
• 1.5.2 入口控制
• 1.5.3 计算机与网络安全
• 1.5.4 银行和金融系统
• 1.5.5 人脸数据库检索
• 1.5.6 考勤系统
• 1.5.7 个性化人机交互
• 1.6 人脸识别系统性能的评价
• 1.6.1 误拒率、误识率和接受者操作特征曲线
• 1.6.2 累积匹配特性曲线
• 1.6.3 速度
• 1.7 本文的研究思想和主要工作
• 1.8 论文的组织结构
• 2 人脸识别的主要理论方法
• 2.1 引言
• 2.2 人脸识别的常用方法
• 2.2.1 主分量分析法
• 2.2.2 线性判别分析法
• 2.2.3 局部特征分析法
• 2.2.4 独立分量分析法
• 2.2.5 隐马尔可夫模型法
• 2.2.6 弹性图匹配法
• 2.2.7 神经网络法
• 2.2.8 支持向量机法
• 2.3 人脸识别的发展方向
• 2.3.1 预处理技术
• 2.3.2 数据采集技术
• 2.3.3 多重特征和多种技术的融合
• 2.3.4 新一代基于认知机理理论方法的探索
• 2.4 小结
• 3 人脸图像的预处理
• 3.1 引言
• 3.2 人脸检测和眼睛定位
• 3.2.1 人脸检测
• 3.2.2 特征计算
• 3.2.3 分类器训练
• 3.2.4 分类器级联
• 3.2.5 眼睛定位
• 3.3 几何规范化
• 3.3.1 仿射变换
• 3.3.2 灰度级插值
• 3.4 灰度规范化
• 3.4.1 图像平滑
• 3.4.2 直方图均衡化
• 3.4.3 灰度归一化
• 3.5 人脸图像识别的预处理过程
• 3.6 小结
• 4 二维Gabor小波变换及其在识别应用中的响应特性
• 4.1 引言
• 4.2 Gabor小波的生物学背景
• 4.3 二维Gabor小波变换
• 4.4 二维Gabor滤波器组的参数
• 4.4.1 参数的选择
• 4.4.2 参数的意义
• 4.5 二维Gabor滤波器在人脸识别应用中的响应特性
• 4.5.1 边缘
• 4.5.2 亮度
• 4.5.3 位置
• 4.6 小结
• 5 基于Gabor小波表示的弹性束图匹配人脸识别
• 5.1 引言
• 5.2 弹性图匹配
• 5.3 弹性束图匹配
• 5.3.1 人脸表示
• 5.3.2 人脸束图
• 5.3.3 位移估计
• 5.3.4 图的相似性度量
• 5.3.5 匹配过程
• 5.3.6 人脸识别
• 5.4 弹性束图匹配算法的改进
• 5.4.1 人脸束图的改进
• 5.4.2 预处理阶段的改进
• 5.4.3 特征点定位阶段的改进
• 5.5 实验结果
• 5.6 小结
• 6 人脸识别中不同特征影响的分析和处理
• 6.1 引言
• 6.2 局部特征影响的衡量分析和加权处理
• 6.2.1 衡量局部特征分类性能的离散度准则
• 6.2.2 人脸局部特征的分类性能
• 6.2.3 人脸局部特征权值的确定
• 6.2.4 实验结果
• 6.3 单个Gabor特征对人脸识别的影响分析和优化选择
• 6.3.1 单个Gabor特征分类性能的衡量准则
• 6.3.2 Gabor特征的位置、频率和方向对人脸识别影响的统计分析
• 6.3.3 实验结果
• 6.4 小结
• 7 基于支持向量机的分类识别
• 7.1 引言
• 7.2 支持向量机的理论背景
• 7.2.1 期望风险最小化
• 7.2.2 经验风险最小化
• 7.2.3 函数集的VC维
• 7.2.4 推广性的界
• 7.2.5 结构风险最小化
• 7.3 支持向量机基本理论
• 7.3.1 最优分类超平面
• 7.3.2 线性分类问题
• 7.3.3 非线性分类问题
• 7.3.4 核函数
• 7.4 支持向量机训练算法
• 7.4.1 块算法
• 7.4.2 分解算法
• 7.4.3 序贯最小优化算法
• 7.5 多类问题
• 7.5.1 多类支持向量机
• 7.5.2 一对多分类
• 7.5.3 一对一分类
• 7.5.4 层次分解的支持向量机二叉决策树
• 7.6 实验结果
• 7.7 小结
• 结语
• （一） 结论
• （二） 展望
• 参考文献
• 攻读博士学位期间发表学术论文情况
• 创新点摘要
• 致谢
• 附录A 作者参与开发的人脸识别算法所获得的奖项
• 附录B 生物特征识别算法竞赛中人脸识别的测试结果
• 大连理工大学学位论文版权使用授权书