基于NLBP算子的人脸识别与人脸特征定位

基于NLBP算子的人脸识别与人脸特征定位

论文摘要

人脸识别技术拥有重要的应用和理论价值。它已经成为模式识别、计算机视觉、图象处理、认知科学以及神经系统科学等研究领域的热点课题。作为一种有效的人脸表示算子,局部二元模式LBP(Local Binary Pattern)在人脸识别问题中已经受到了越来越多的关注和研究。但是原始的LBP算子存在其固有的缺陷,因此本文首先针对人脸识别这一个特殊问题,在LBP算子的基础上提出了新的非局部二值模式NLBP(Non-Local Binary Pattern)算子。相对于原始LBP算子,新的NLBP算子具有以下优点:1.NLBP算子不仅能挖掘图像中的微观局部模式,还能挖掘出对识别技术有帮助的非微观模式,实现了多尺度的分析功能。2.NLBP算子能够增强和突出人脸中的关键、显著特征,这些关键、显著特征能够提高识别准确率。3.NLBP算子能够提高人脸表示对遮挡以及误配准的鲁棒性。人脸特征定位是人脸识别的关键技术。本文利用NLBP算子设计了两种新的人脸特征定位方法,它们在人脸识别系统中有着不同的应用:·基于NLBP的人脸特征区域快速定位方法;由于大尺度NLBP算子具有突出人脸特征区域、以及对非相关区域进行抑制的能力,我们设计了能对人脸特征区域进行快速搜索和定位的方法。所提出的方法在实验中显示出了较可靠的性能,可以被用作很多特殊人脸识别技术的预处理技术。·基于NLBP的人眼精确定位方法;本方法采用了两阶段定位的策略,充分利用了大、小尺度NLBP算子对人脸特征不同的增强和突出能力。首先确定出人眼的大致区域,然后利用人脸图像中左右眼的相似性在粗糙区域中精确地定位出人眼的位置。所提出的方法能够被用来进行人脸图像的配准、或者人脸姿态预测。结合运用人脸检测技术和这两种新的定位技术,我们在原始采集到的完整静态以及视频图像上进行了实验,并展示了这三种技术挖掘出的信息在人脸识别系统中的运用。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 人脸识别技术
  • 1.1.1 人脸识别的发展现状
  • 1.1.2 人脸识别系统的组成
  • 1.2 人脸识别作为生物特征识别方法的优势与困难
  • 1.3 本文的主要研究工作以及内容安排
  • 第二章 局部二元模式(LBP)的研究
  • 2.1 局部二元模式算子LBP(Local Binary Pattern)
  • 2.2 LBP在人脸识别中的应用
  • 2.2.1 基于原始LBP算子的人脸识别
  • 2.2.2 基于改进的LBP算子的人脸识别
  • 2.3 LBP算子的不足以及改进方向
  • 2.3.1 LBP算子与Gabor小波算子的比较
  • 2.3.2 LBP算子的不足以及改进方向
  • 2.4 本章小结
  • 第三章 非局部二值模式算子(NLBP)
  • 3.1 非局部二值模式算子NLBP的定义
  • 3.1.1 双极比较算子(Dipole Comparison operator)
  • 3.1.2 非局部二值模式算子NLBP的提出
  • 3.2 非局部二值模式算子NLBP的性质
  • 3.2.1 NLBP算子与LBP算子的比较
  • 3.2.2 NLBP算子对人脸关键特征的增强能力
  • 3.3 实验部分
  • 3.3.1 支持向量机分类器
  • 3.3.2 人脸数据集
  • 3.3.3 实验设置
  • 3.3.4 实验结果与分析
  • 3.4 本章小结
  • 第四章 基于NLBP算子的人脸特征定位
  • 4.1 人脸特征定位的意义与方法
  • 4.1.1 人脸特征定位的意义
  • 4.1.2 脸部特征定位的方法
  • 4.2 基于NLBP的人脸特征区域快速定位方法
  • 4.2.1 NLBP脸性质分析
  • 4.2.2 NLBP人脸特征区域快速定位方法
  • 4.2.3 实验结果与分析
  • 4.3 基于NLBP的人眼精确定位方法
  • 4.3.1 腐蚀(erosion)膨胀(dilation)算子
  • 4.3.2 人眼精确定位方法的提出
  • 4.3.3 基于相似性度量的搜索方法
  • 4.3.4 实验结果与分析
  • 4.3.5 基于人眼坐标的人脸配准
  • 4.4 完整的人脸检测与人脸特征定位过程
  • 4.4.1 基于Adaboost的人脸检测算法
  • 4.4.2 完整的检测与定位过程
  • 4.4.3 视频图像中的人眼追踪
  • 4.5 本章小结
  • 第五章 总结与未来工作
  • 5.1 已有工作小结
  • 5.2 未来工作展望
  • 参考文献
  • 致谢
  • 硕士研究生期间完成的学术论文
  • 相关论文文献

    • [1].基于人脸特征识别的商品推荐系统的研究与开发[J]. 数字技术与应用 2020(04)
    • [2].人像检验中的人脸特征分类与分析[J]. 中国刑警学院学报 2016(01)
    • [3].基于人脸特征仿射变换的安全性保护[J]. 信息通信 2014(12)
    • [4].基于云计算的大规模人脸特征检索[J]. 计算机与现代化 2014(07)
    • [5].非约束环境下基于小样本的人脸特征精确定位[J]. 模式识别与人工智能 2013(06)
    • [6].基于云计算的海量人脸特征图像大规模对比技术[J]. 科技通报 2013(02)
    • [7].一种改进的基于主动形状模型的人脸特征定位方法[J]. 菏泽学院学报 2011(02)
    • [8].基于神经网络和人脸特征的密钥管理方法[J]. 东北大学学报(自然科学版) 2009(06)
    • [9].基于全同态加密的人脸特征密文认证系统[J]. 微电子学与计算机 2020(09)
    • [10].一种新的基于指纹与人脸特征级融合的模糊金库方案[J]. 电信科学 2018(10)
    • [11].一种结合肤色及类人脸特征的人脸检测[J]. 计算机工程与应用 2013(03)
    • [12].模糊逻辑在人脸特征保护算法中的应用[J]. 计算机科学 2011(09)
    • [13].基于极端学习机的人脸特征深度稀疏自编码方法[J]. 计算机应用 2018(11)
    • [14].基于头肩图像序列的人脸特征定位系统的实现[J]. 计算机仿真 2008(09)
    • [15].基于卷积-反卷积网络的正交人脸特征学习算法[J]. 深圳大学学报(理工版) 2020(05)
    • [16].基于深度学习的人脸身份保持[J]. 电脑知识与技术 2016(35)
    • [17].融合人脸特征和相关向量机的多姿态人脸检测[J]. 科学技术与工程 2010(08)
    • [18].一种基于人脸特征的网络身份认证系统设计[J]. 网络安全技术与应用 2009(01)
    • [19].一种带遮挡的人脸特征快速提取算法[J]. 信息技术与信息化 2019(12)
    • [20].多个区域摄像头的人脸实时对比设计[J]. 单片机与嵌入式系统应用 2020(03)
    • [21].复杂光照下自适应区域增强人脸特征定位[J]. 仪器仪表学报 2014(02)
    • [22].一种优化的人脸特征数据保护算法[J]. 郑州轻工业学院学报(自然科学版) 2012(03)
    • [23].人脸特征密钥的容错生成算法[J]. 计算机应用研究 2008(01)
    • [24].视频中人脸特征统计分析[J]. 科技资讯 2015(24)
    • [25].基于AFS的多民族人脸语义描述与挖掘方法研究[J]. 计算机学报 2016(07)
    • [26].基于相位一致性的人脸特征匹配研究[J]. 吉林大学学报(信息科学版) 2014(01)
    • [27].基于人脸特征的考勤系统设计[J]. 电脑知识与技术 2018(11)
    • [28].基于支持向量机的人脸特征分类技术[J]. 青岛大学学报(工程技术版) 2016(04)
    • [29].人脸特征方法提取综合类论述[J]. 信息技术与信息化 2017(04)
    • [30].基于支持向量机的多姿态人脸特征定位[J]. 计算机工程 2011(17)

    标签:;  ;  ;  

    基于NLBP算子的人脸识别与人脸特征定位
    下载Doc文档

    猜你喜欢