信息融合在三维人脸识别中的应用

论文摘要

人脸识别已经有多年的研究历史,它正在被越来越广泛的应用到日常生活和工作环境中,比较常见的有：身份鉴别及验证系统,交互系统,公共安全系统,法律约束系统等。目前人脸识别分为二维人脸识别和三维人脸识别。二维人脸识别面临许多挑战,比如人脸姿势和光照明变化,人脸面部表情的多样性等。为了能更好的解决这些问题,随着三维扫描技术的发展,三维人脸识别算法被提出来,并且迅速成为计算机视觉领域中的一个热点问题。本文正是采用三维人脸识别的方法,旨在克服头部姿势和光照明变化对人脸识别造成的影响。虽然一般来说三维人脸识别与二维人脸识别相比具有更高的准确率,但是三维人脸识别仍然面临许多挑战：一方面,目前的三维人脸识别率仍不能满足大家对识别率的要求,三维人脸识别在设备部署等方面与二维人脸识别相比需要更多的费用,自然大家对三维人脸识别的期望值也比二维人脸识别要高：另一方面,运行效率亟待提高,三维人脸识别需要处理大量的数据,空间复杂度和时间复杂度会比较大,如何高效地进行识别是一项比较严峻的课题。本文正是为了解决这两大问题,基于信息融合的思想提出了新的方法。信息融合在多特征识别中受到广泛的关注。按照融合层次的不同,大致分为特征融合,匹配度融合,和决策层融合。在特征层,从不同的数据源获得的数据可以被组合成一个新的数据来代替原有的数据,这称为特征融合；匹配度是用来度量两个特征向量的匹配程度的一个量,在匹配度层,多个匹配度向量被组合成个新的匹配度向量,称为匹配度融合；在决策层,假如有多种决策方法,比如欧式距离最小,通过每种决策的方法可以得到一个最终的决策值,多个决策值组合在一起可以得到一个最终的决策值,这就是决策层融合。本文将特征融合和匹配度融合用于三维人脸识别中以提高识别率本文提出了一种新的基于多阶段多特征融合的三维人脸识别方法。特征图像有三种：最大主曲率图像,平均边长图像,距离图像。本文利用这三种图像和提出的多特征多阶段融合方法进行人脸识别。融合过程要解决的关键问题在于融合策略的确定。本文提出了一种新的加权求和的并行融合策略用于特征融合,匹配度融合。实验结果发现特征融合在某些情况下优于匹配度融合,而在某些情况下正好相反,基于它们的互补特性,本文提出了一种新的融合方法：两阶段融合（二级融合）,从而把特征融合和匹配度融合组合在一起,充分发挥两者的优势。为了提高程序运行的效率,网格简化方法被应用在三维数据预处理中,该方法有效的减少了数据,降低了程序的时间开销和空间开销。为了验证算法的正确性,本文做了大量的对比实验。用于实验的三维人脸数据库是由日本熊本大学内村实验室提供的,该数据集包含38个个体的3D人脸数据,每个个体含有10个样本。实验结果发现,在用于人脸识别的三种特征图像中,使用距离图像进行识别的准确率要高于使用主曲率图像和平均边长图像的准确率；在对采用的两种参数化方法PCA+LDA和PCA进行对比中发现,采用PCA+LDA时的识别率要高于采用PCA方法时的识别率；在对提出的用于信息融合的加权求和方法的验证中,发现采用新的权值计算方法比已有的权值计算方法具有更高的识别率。实验结果还表明本文提出的二级融合的性能要高于原有的特征融合和匹配度融合的性能；此外,本文所采用的网格简化方法不仅可以提高识别率,还可以很大程度上降低程序运行的时空开销。本文另外一个贡献在于建立了一个人脸识别系统,该系统不仅可以用于二维人脸识别,也可以用于三维人脸识别。在进行二维人脸识别时,该系统是一个实时处理系统,只要在PC机上安装有普通的2D摄像头,就可以实时地采集人脸图像,并且完成从数据处理,特征提取到匹配的整个过程。对于三维人脸识别来说,还建立一个对三维数据预处理系统,该系统可以进行数据的正规化、裁减、填补、网格简化、网格参数化、特征图像生成、图像处理等多项操作,为3D人脸识别提供了一系列的辅助功能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究动机
• 1.2 本文提出的方法
• 1.3 应用前景
• 1.4 论文结构
• 第二章 背景知识和相关研究
• 2.1 生物特征识别
• 2.2 人脸识别过程和现有方法
• 第三章 三维数据预处理
• 3.1 数据集
• 3.2 数据预处理
• 3.3 网格简化
• 第四章 三种特征图像
• 4.1 最大主曲率图像
• 4.2 平均边长图像
• 4.3 距离图像
• 4.4 图像处理
• 第五章 特征提取和识别方法
• 5.1 对于特征提取方法的概述
• 5.2 PCA
• 5.3 LDA
• 5.4 PCA+LDA
• 第六章 多层次多特征融合
• 6.1 特征融合
• 6.2 匹配度融合
• 6.3 两阶段融合（二级融合）
• 第七章 人脸识别系统的实施
• 7.1 二维实时人脸识别系统
• 7.2 三维人脸识别系统
• 7.3 散乱数据处理系统
• 第八章 性能分析
• 8.1 三种特征图像的性能分析
• 8.2 新的权值计算方法的性能分析
• 8.3 三种信息融合方式的性能分析
• 8.4 网格简化的有效性分析
• 第九章 总结和展望
• 9.1 总结
• 9.2 未来的研究
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 攻读学位期间参与科研项目
• 学位论文评阅及答辩情况表