光照变化条件下的人脸特征抽取算法研究

论文摘要

受公共安全、金融安全以及人机交互等领域大量潜在的需求所驱动,生物特征识别已经成为模式识别和人工智能领域的一个研究热点。尤其人脸识别由于其自然、直观、非接触、安全等特点而倍受关注,成为最具发展潜力的生物特征识别技术之一。经过近几十年的发展,人脸识别领域积累了丰富的理论和大量算法,初步解决了可控条件下的人脸识别难题。然而,在非配合和非控制条件下的人脸识别依然是一个非常具有挑战性的课题。影响识别性能的非控制因素有很多,例如：姿态、光照以及表情等变化,其中光照变化对人脸识别的影响尤其明显。本文主要针对人脸识别中的光照变化问题进行了深入细致的研究。重点研究了光照变化条件下的人脸图像预处理、特征提取等问题。论文主要研究工作如下：(1)对光照子空间和商图像方法进行了研究,提出了一种可变光照下的人脸识别方法。基于三维光照子空间模型的商图像方法过于简单,不能很好地对极端光照条件进行处理,并且不能处理人脸自身阴影。本文通过对商图像和光照子空间的研究,提出了基于九维光照子空间的改进后商图像方法。该方法首先合成图像库中每一个人的九幅基图像,这些基图像可以表示该对象不同光照条件下的人脸图像；其次,利用光照比图像方法合成图像库中每一对象与待识别图像相同光照条件下的一幅虚拟人脸图像；最后,用这些新合成的虚拟人脸图像来完成不同光照条件下的图像识别。(2)研究了光照预处理算法和基于Gabor小波的特征提取算法,提出了一种自适应的Gabor图像特征抽取和权重选择的光照不变人脸识别方法。为了消除光照变化对人脸识别的影响,通过对光照预处理算法的研究,本文首先提出了一种改进的局部对照增强算法。其次,Gabor小波具有较好的方向选择性和空间局部性,它可以捕获图像在不同方向、不同频率下的边缘以及局部显著特征,且对光照具有较强的鲁棒性。因此,Gabor小波被广泛应用于人脸图像识别,以提取鲁棒的人脸特征。然而,Gabor特征的过高维数需要比较大的存储空间并且使得识别过程也非常耗时。本文采用了鉴别力量分析方法提取Gabor图像特征中最有鉴别力的系数作为特征,这样极大地减少了Gabor图像特征的维数。另外,把经过Gabor变换得到的不同人脸图像中的同一尺度和方向的变换结果进行特征重组,得到多个新特征矩阵,每一新特征矩阵的贡献被本文所提出的自适应权重方法计算得到。最后对新特征矩阵抽取LDA特征进行识别。人脸识别实验显示了所建议方法能够有效地去除光照变化的影响。(3)研究了距离保持投影降维方法,提出一种改进的距离保持投影算法,并在此基础上进行了扩展。从某种意义上来说人脸是一种流形结构,人脸数据集是由某些内在变量控制所形成的非线性流形,如果在流形中能够找出光照、姿态、表情等控制变量,就可以极大地降低观测空间的维数。测地线距离是流形上两点之间距离最短的线,它能够描述人脸图像中由于光照、姿态、表情等变化而引起的非线性因素,而欧氏距离不能很好地度量由这些因素引起的人脸图像的非线性变化。因此,通过用测地线距离替代欧氏距离,本文提出了一种改进的距离保持投影算法。为了减少距离保持投影中邻域大小难以选取的问题,文中采用了一种对邻域大小不甚敏感的算法。针对距离保持投影流形学习算法没有充分利用样本的类别信息,不能用于分类,本文提出了一种基于距离保持投影的新的人脸识别算法。通过实验验证了本文方法可视化与分类识别能力。(4)研究了鉴别局部排列(DLA)特征提取算法,提出一种增强鉴别局部排列(EDLA)算法和核增强鉴别局部排列(KEDLA)算法。特征提取是人脸识别中关键的一步,所提取的特征必须对光照、表情、姿态等变换有较强的鲁棒性。DLA算法是一种基于局部最优和全局排列的特征提取算法,在人脸识别中获得了成功的应用。然而该算法识别性能严重依赖于参数的选择,对参数的选取极其敏感,并且该算法只利用了部分类别信息。为了提高算法的鲁棒性,本文提出一种对参数的选取不敏感且充分利用类别信息的增强DLA算法,并将此算法扩展到核空间,进而提出了KEDLA算法。实验结果表明,在光照变化条件下这两种算法的识别率要分别高于DLA、KDLA以及传统的子空间算法,说明了这两种方法对光照具有一定的鲁棒性。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 人脸识别研究背景及意义
• 1.2 人脸识别研究概述
• 1.2.1 研究的起源与历程
• 1.2.2 人脸识别系统的研究内容
• 1.2.3 国内外研究进展
• 1.2.4 人脸识别中常用的分类准则
• 1.2.5 人脸识别算法的评价标准
• 1.2.6 常用人脸图像库
• 1.3 人脸识别技术的难点
• 1.4 人脸识别中的光照问题
• 1.4.1 图像增强方法
• 1.4.2 不变特征表示的方法
• 1.4.3 光照建模的方法
• 1.4.4 基于3D模型的方法
• 1.5 本文的主要工作
• 1.6 论文组织结构
• 2 基于光照子空间和商图像方法的人脸识别
• 2.1 引言
• 2.2 商图像与人脸光照子空间
• 2.2.1 商图像方法
• 2.2.2 人脸光照子空间
• 2.3 基于九维线性子空间的商图像方法
• 2.3.1 改进的商图像方法
• 2.3.2 基图像合成方法
• 2.3.3 光照方向估计
• 2.4 主成分分析（PCA）
• 2.5 光照变化条件下的人脸识别
• 2.5.1 基于虚拟合成图像的光照无关方法
• 2.5.2 基于向量到光照子空间距离度量的光照无关方法
• 2.6 实验结果与分析
• 2.6.1 改进的商图像实验
• 2.6.2 基图像的合成
• 2.6.3 人脸识别实验
• 2.7 本章小结
• 3 一种自适应Gabor图像特征抽取和权重选择的人脸识别方法
• 3.1 问题的提出
• 3.2 光照预处理
• 3.2.1 局部对照增强（LCE）
• 3.2.2 改进的局部对照增强（ILCE）
• 3.3 自适应Gabor特征抽取
• 3.3.1 Gabor小波变换
• 3.3.2 离散余弦变换（DCT）
• 3.3.3 鉴别力量分析（DPA）
• 3.4 自适应权重计算与分类识别
• 3.4.1 自适应权重计算
• 3.4.2 分类识别
• 3.5 本章算法步骤
• 3.6 实验结果与分析
• 3.6.1 改进的局部对照增强实验
• 3.6.2 人脸识别实验
• 3.7 本章小结
• 4 距离保持投影非线性降维技术的可视化与分类
• 4.1 引言
• 4.2 距离保持投影
• 4.3 距离保持投影的改进
• 4.3.1 流形和测地线距离
• 4.3.2 改进的距离保持投影
• 4.4 距离保持投影的扩展-分类识别
• 4.4.1 低维空间维数的确定
• 4.4.2 有监督的数据投影构造
• 4.4.3 分类构造
• 4.5 算法时间复杂度的分析
• 4.6 实验结果与分析
• 4.6.1 数据可视化实验
• 4.6.2 人脸识别实验
• 4.6.3 实验分析
• 4.7 本章小结
• 5 增强的局部鉴别排列及其核扩展
• 5.1 引言
• 5.2 鉴别局部排列（DLA）
• 5.2.1 局部最优化
• 5.2.2 样本权重
• 5.2.3 整体排列
• 5.3 增强的鉴别局部排列（EDLA）
• 5.4 核增强鉴别局部排列（KEDLA）
• 5.4.1 核方法
• 5.4.2 KEDLA算法
• 5.5 实验结果与分析
• 5.5.1 参数选择
• 5.5.2 对光照变化的鲁棒性实验
• 5.5.3 多种因素变化下的鲁棒性实验
• 5.6 本章小结
• 6 结束语
• 6.1 本文工作总结
• 6.2 展望
• 致谢
• 参考文献
• 附录