基于学习的人脸识别研究

论文摘要

人脸识别是生物特征识别的关键技术之一,其最核心的两大步骤为人脸检测与识别。它的主要任务就是从图像或视频中准确地找出人脸并确定其身份。本文从基于学习的角度出发,在聚类、流形、子空间学习等机器学习方法的基础上,提出了改进或新的人脸识别方法,并和其他人脸识别方法作比较,取得了较好的效果。本文主要研究了以下几方面的内容:1)针对人脸检测问题,通过肤色法分离人脸目标与背景后,提出两种方法定位人脸即:积分投影—高斯曲线法和改进减法聚类法,分别对应单人脸和多人脸检测。积分投影—高斯曲线法将人脸二值图像分别在X、Y轴积分投影,根据投影曲线分别计算相应的高斯曲线,通过求解高斯方程快速得到较为准确的人脸区域。改进减法聚类法运用一种新的距离定义,通过图像中人脸目标的统计信息对算法的关键参数进行预估计,能自动结束人脸目标搜索。下采样降低减法聚类的运算量,提高了算法的运行速度,同时验证了减法聚类在视频运动目标定位中的良好应用效果。精确地检测人脸需要对不同姿态的人脸进行姿态角估计,本文在肤色区域提取的基础上,提出姿态角度估计目标函数,并讨论了两种寻优方法,即梯度下降法和次全局枚举寻优法,来估计姿态角度值。根据估计的姿态角度作相应的旋转校正,在校正后的区域利用眼睛和嘴的色度和亮度特点分别构造映射图,提取出眼睛和嘴,并验证人脸。2)针对流形学习的人脸识别问题,围绕流形学习方法的本质要素,即:（1）如何构造近邻结构图;（2）以什么样的距离测度来衡量人脸样本的近邻;（3）遵循什么样的目标准则来构造低维嵌入,从三方面入手,衍生了中心近邻嵌入学习和鉴别矢量角嵌入学习两种新的流形学习方法。中心近邻嵌入的学习算法,与经典的局部线性嵌入和保局映射不同,它是一种有监督的线性降维方法。该方法首先通过计算各类样本中心,并引入中心近邻距离代替两样本点之间的直接距离作为权系数函数的输入;然后在保持中心近邻几何结构不变的情况下把高维数据嵌入到低维坐标系中。鉴别矢量角嵌入的识别方法,构造了一幅有正/负连接边的邻接图,算法中连接边权系数的测度采用矢量角代替矢量模,不但省去了传统方法中对热核权函数t参数的估计,而且降低由于图像样本间的亮度差异对识别率造成的影响。3)为了实现人脸识别免于特征提取,提出了一种基于正交补脸的人脸识别方法。该方法基于空间正交分解理论,首先对不同类的原始训练样本进行Gram-Schmidt正交化,以正交化后的基张成各个不同的子空间,然后把测试样本分解为子空间投影及子空间正交补两部分。正交补的范数体现了测试样本到各类子空间的距离,并以此作为分类的依据。4)针对单样本人脸识别问题,本文提出了一种基于单样本切割的子模块主成分分析方法。该方法将单样本人脸图片切割成大小相同、互不重叠的多个子模块,构成新的样本集。对所有子模块作主成分分析（PCA）并提取特征,同一人脸的子模块特征系数作为分类识别的依据。

论文目录

• 摘要
• Abstract
• 目录
• 图索引
• 表索引
• 第一章 绪论
• 1.1 引言
• 1.2 生物特征识别
• 1.3 人脸识别
• 1.3.1 人脸检测研究现状
• 1.3.2 人脸识别研究现状
• 1.3.3 人脸识别相关资源
• 1.4 论文的主要工作
• 1.4.1 论文的研究成果
• 1.4.2 论文组织结构
• 第二章 基于肤色特征和减法聚类的人脸检测
• 2.1 引言
• 2.2 肤色检测颜色模型
• 2.2.1 归一化的RGB颜色模型
• 2.2.2 HSV颜色模型
• 2.3 基于高斯分布的单人脸检测
• 2.3.1 人脸肤色模型
• 2.3.2 二值图像积分投影
• 2.3.3 投影曲线和高斯函数
• 2.3.4 参数确定与边界求解
• 2.3.5 算法小结
• 2.3.6 阶段实验
• 2.4 基于改进减法聚类的多人脸检测
• 2.4.1 山峰聚类
• 2.4.2 减法聚类
• 2.4.3 人脸检测中的改进减法聚类
• 2.4.4 减少聚类数据
• 2.4.5 多人脸检测小结
• 2.4.6 阶段实验
• 2.5 减法聚类的视频运动目标定位
• 2.5.1 Highway定位实验
• 2.5.2 减法聚类与区域生长法比较
• 2.5.3 抗噪性实验
• 2.6 本章小结
• 第三章 基于姿态校正的人脸检测
• 3.1 引言
• 3.2 人脸检测
• 3.2.1 算法概述
• 3.2.2 肤色模型
• 3.2.3 人脸区域提取及姿态估计
• 3.3 人脸验证
• 3.3.1 眼睛区域提取
• 3.3.2 嘴唇区域提取
• 3.4 实验结果及分析
• 3.4.1 姿态估计
• 3.4.2 人脸检测
• 3.5 本章小节
• 第四章 基于流形学习的人脸识别
• 4.1 引言
• 4.2 流形学习算法概述
• 4.2.1 LLE算法
• 4.2.2 Isomap算法
• 4.2.3 Laplacian Eigenmap
• 4.2.4 流形学习算法小结
• 4.3 中心近邻嵌入
• 4.3.1 构造邻接图
• 4.3.2 选择权系数
• 4.3.3 CNE映射
• 4.3.4 实验结果及分析
• 4.4 鉴别矢量角嵌入
• 4.4.1 构造邻接图
• 4.4.2 选择权系数
• 4.4.3 低维嵌入
• 4.4.4 分类器设计
• 4.4.5 实验结果与分析
• 4.5 几种人脸识别方法比较
• 4.6 本章小结
• 第五章 基于正交补空间的人脸识别
• 5.1 引言
• 5.2 基于正交补空间的人脸识别
• 5.2.1 人脸样本正交化
• 5.2.2 正交补计算
• 5.2.3 分类器设计
• 5.3 实验结果及分析
• 5.3.1 人脸样本正交分解
• 5.3.2 Yale库实验
• 5.3.3 AT&T库实验
• 5.4 结论
• 第六章 切割子模块的单样本人脸识别
• 6.1 引言
• 6.2 单样本人脸识别
• 6.2.1 单样本研究背景
• 6.2.2 单样本研究意义
• 6.3 单样本人脸识别方法
• 2A方法'>6.3.1 （PC）²A方法
• 2A)方法'>6.3.2 E（PC）²A)方法
• 6.4 单样本子模块主成分分析
• 6.4.1 子模块主成分分析
• 6.4.2 子模块主成分计算及特征提取
• 6.5 子模块分类器
• 6.6 实验结果及分析
• 6.7 本章小节
• 第七章 工作总结和展望
• 7.1 论文工作总结
• 7.2 展望
• 参考文献
• 致谢
• 作者简历及在学期间所取得的科研成果