基于Genlte boosting算法的人脸检测与识别研究

论文摘要

人脸自动识别技术指用计算机分析人脸图像,从中提取有效信息,实现身份自动鉴别的技术。与其他生物特征识别相比,它更直接、更友好、更自然,使用者无任何心理障碍。本文在前人研究工作的基础上,对图像预处理、特征提取、分类器训练等方法进行了深入研究,针对人脸的特点,设计并改进了一些有效的算法来解决人脸检测和识别中遇到的问题。(1)在图像预处理方面,本文在前人提出的Gentle boosting学习算法的基础上,增加了在算法训练阶段以及特征融合阶段,对输入图像首先进行直方图均衡处理,有效改善图片质量,突出图像中的有用信息,更有利于特征提取;(2)在特征提取方面,采用基于小片的区域特征提取的方法,以小片的形式在图像上随机采集,计算其与图像中心点的位移。与其他方法相比,本方法不拘泥于人脸的轮廓形状及灰度突变的硬性分布规定,复杂环境下的图像也能全面地采集到特征;(3)采用主元分析法进行人脸识别,提出首先对图像进行直方图均衡化处理及边缘检测,对人脸检测的结果进行识别,通过实验验证这两种方法结合起来的可行性;(4)实现一个人脸检测识别系统,使用一个自制的人脸库,在该系统上对上述算法进行了测试。实验结果验证本文所提算法运行效果良好,达到了设计的目的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 人脸识别的研究背景、内容及意义
• 1.1.1 人脸识别的研究背景
• 1.1.2 人脸识别的研究内容
• 1.1.3 人脸识别的研究意义
• 1.2 人脸识别的研究历史
• 1.2.1 人脸识别的开端
• 1.2.2 人脸识别的飞跃
• 1.2.3 人脸识别的持续进步
• 1.3 国内外研究现状及分析
• 1.4 本课题的研究内容和结构安排
• 1.4.1 本论文的研究内容
• 1.4.2 本论文的结构安排
• 第二章 人脸识别的理论基础
• 2.1 自动人脸检测理论研究
• 2.1.1 人脸检测的挑战
• 2.1.2 人脸检测方法分类
• 2.2 人脸识别理论研究
• 2.2.1 基于统计的人脸识别
• 2.2.2 基于连接机制的人脸识别
• 2.3 本章小结
• 第三章 基于学习的小片特征提取自动人脸检
• 3.1 Boosting算法
• 3.1.1 PAC学习模型
• 3.1.2 AdaBoost算法
• 3.1.3 Gentle boosting算法
• 3.2 创建数据库
• 3.3 图像锐化
• 3.3.1 直方图均衡化
• 3.3.2 混合滤波器边缘检测
• 3.4 区域特征（part-based feature）提取
• 3.4.1 区域模板的随机采样
• 3.4.2 分段掩模
• 3.4.3 掩模图像分割
• 3.4.4 建立小片特征索引
• 3.5 训练分类器
• 3.5.1 特征的融合计算
• 3.5.2 弱分类器
• 3.5.3 强分类器
• 3.5.4 实验结果分析
• 3.6 本章小结
• 第四章 基于主元分析（PCA）方法的人脸识别
• 4.1 K-L变换
• 4.2 数据库整理
• 4.3 图像预处理
• 4.3.1 直方图均衡化
• 4.3.2 图像边缘检测及锐化
• 4.3.3 人脸库信息载入
• 4.4 训练特征子空间
• 4.4.1 K-L变换的结果矩阵
• 4.4.2 图像特征值和特征向量的计算–SVD定理
• 4.5 特征值选取
• 4.5.1 能量法
• 4.5.2 图像的子空间投影
• 4.6 选取距离函数
• 4.6.1 欧几里德距离
• 4.6.2 余弦距离
• 4.6.3 最小距离
• 4.7 实验结果分析
• 4.7.1 训练样本数对识别率和响应时间的影响
• 4.7.2 子空间维数对识别率和相应时间的影响
• 4.7.3 训练样本集与子空间维数对识别率和响应时间的影响
• 4.7.4 PCA方法的性能评价
• 4.8 本章小结
• 第五章 人脸检测识别系统实现
• 5.1 数据库介绍
• 5.2 系统功能模块划分
• 5.2.1 图片录入
• 5.2.2 人脸检测
• 5.2.3 人脸识别
• 5.3 程序设计与实现
• 5.3.1 图片录入模块功能实现
• 5.3.2 人脸检测模块功能实现
• 5.3.3 人脸识别模块功能实现
• 5.3.4 主要文件说明
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 展望
• 参考文献
• 致谢
• 作者在攻读硕士期间的主要研究成果