论文题目: 基于融合的人脸识别方法研究
论文类型: 博士论文
论文专业: 精密仪器及机械
作者: 张永梅
导师: 韩焱
关键词: 人脸检测,人脸识别,多分类器组合,决策层融合,多智能体系统
文献来源: 中北大学
发表年度: 2005
论文摘要: 从20世纪70年代起,对人类语言方式的机器理解研究成为国际上重要的研究课题。在我们日常的交往中,人脸表达着丰富而细腻的情感和心理信息,因此,以人脸识别为代表的面部感知计算从80年代末开始逐渐成为热门的研究方向之一,尤其是人脸识别引起了越来越多的关注。人脸识别被重视的另一个重要原因是其在经济、安全、社会保障、犯罪、军事等领域具有巨大的潜在的应用价值,尤其在需要对用户身份进行验证或识别的场合。人脸识别技术因其无需用户过多参与、非接触式的数据采集方式、对用户无任何损害、便于隐藏等优点而普遍为人们所看好,被称为21世纪最有前途的身份验证方法。对人脸问题的研究和解决,有助于对其他对象识别问题的研究分析和解决,人脸识别也因此成为这些基础研究领域的重要课题之一,具有重要的理论研究价值。在现有人脸检测和识别的基本理论和关键技术基础上,论文重点讨论了彩色人脸图像的人脸检测、图像增强、特征提取、基于多分类器组合的人脸识别方法、人耳识别、侧面人脸识别、人脸识别和人耳识别相融合的方法、三维人脸识别的多Agent结构模型等问题。本文的主要研究内容包括:(1)针对人脸检测算法的主要困难,本文提出了一种新的人脸图像增强方法。实验结果表明,该方法对于偏亮或者偏暗的人脸图像,可以转换成比较清晰的人脸图像,从而明显地提高人脸检测、识别的准确性。(2)针对复杂背景下的人脸检测,本文提出了一种基于肤色和双眼信息的彩色图像中的人脸检测算法。该算法首先根据肤色信息对输入图像进行人脸区域的粗检测。剔除了人脸不可能存在的区域,同时获得了人脸可能存在的区域,从而缩短了检测时间。实验结果表明,此算法利用肤色和双眼信息进行人脸区域检测,具有较好的鲁棒性,可以有效地运用于多人脸、不同尺寸、表情姿态、复杂背景的情况,对人脸旋转和侧偏具有较高的适应性。同时也使误检率达到较低的水平,取得了较好的检测效果。
论文目录:
摘要
Abstract
第1章 绪论
1.1 生物识别技术
1.1.1 生物特征的分类研究
1.1.2 各种生物特征的性能分析与比较
1.1.3 生物特征身份鉴别系统的评价
1.1.4 生物特征身份鉴别技术的发展方向
1.2 人脸识别技术综述
1.2.1 人脸识别的研究意义
1.2.2 人脸识别的发展阶段
1.2.3 人脸识别的主要技术方法
1.2.4 人脸识别的关键问题
1.3 国内外研究现状
1.3.1 二维人脸识别
1.3.2 三维人脸识别
1.4 本文的研究内容及章节安排
第2章 基于肤色和双眼信息的人脸检测
2.1 人脸库简介
2.2 图像增强算法
2.2.1 现有的图像增强方法
2.2.2 现有评价图像增强的方法
2.2.3 基于熵误码率的人脸增强方法
2.3 光照补偿
2.4 二值化
2.5 基于数学形态学的噪声去除
2.6 已有的人脸检测技术
2.6.1 基于面部重要特征的人脸检测方法
2.6.2 基于统计的人脸检测方法
2.6.3 基于模板匹配的人脸检测方法
2.6.4 基于肤色分割的彩色图像人脸检测
2.7 利用肤色和双眼信息进行人脸区域快速检测的新方法
2.7.1 肤色过滤
2.7.2 眼睛位置过滤及定位
2.7.3 面部提取及归一化
2.8 实验结果及算法分析
2.9 小结
第3章 基于多分类器组合的人脸识别方法
3.1 现有的人脸特征提取与识别方法
3.1.1 基于几何特征的人脸识别方法
3.1.2 基于代数特征的人脸识别方法
3.1.3 基于支持向量机的方法
3.1.4 神经网络方法
3.1.5 多分类器组合方法
3.2 人脸特征提取
3.2.1 人脸图像归一化
3.2.2 特征提取的概念
3.3 人脸图像的描述特征和分类特征
3.3.1 PCA 方法
3.3.2 LDA 方法
3.4 统计学习理论
3.4.1 经验风险最小化原则及其不足
3.4.2 统计学习理论的主要思想
3.5 支持向量机
3.5.1 线性可分的标准最优分类面
3.5.2 线性不可分的广义最优分类面
3.5.3 高维空间的最优分类面
3.5.4 支持向量机的研究
3.5.5 支持向量机的应用
3.6 基于多分类器组合方法的人脸识别
3.6.1 改进特征脸的人脸识别方法
3.6.2 基于支持向量机的人脸识别方法
3.6.3 基于多分类器组合的人脸识别方法
3.7 实验结果及评价
3.8 小结
第4章 人耳的特征提取和识别方法
4.1 引言
4.2 人耳识别方法
4.2.1 Afred Iannarelli 的人耳分类系统
4.2.2 Burge 和Burger 的人耳自动识别技术
4.2.3 Moreno 等的外耳图像识别方法
4.2.4 “力场转换”理论
4.2.5 基于主元分析(PCA)的识别方法
4.2.6 基于不变矩的人耳识别方法
4.2.7 基于三维的人耳识别方法
4.3 人耳识别系统的构成
4.4 人耳图像的采集及预处理
4.5 人耳的特征提取和识别方法
4.5.1 边缘检测
4.5.2 坐标标准化
4.5.3 特征提取算法
4.5.4 识别算法
4.6 实验结果及分析
4.7 小结
第5章 基于多智能体技术的三维人脸与人耳相结合的识别方法
5.1 三维人脸识别方法
5.1.1 三维人脸重建
5.1.2 三维头部跟踪
5.1.3 三维人脸识别
5.1.4 表情分析与合成
5.2 三维人脸与人耳相结合识别方法的提出
5.2.1 人脸识别及其遇到的问题
5.2.2 人脸与人耳的组合方法
5.2.3 人脸与人耳识别的融合策略
5.3 侧面人脸的检测和识别
5.3.1 侧面人脸检测方法
5.3.2 人脸图像处理
5.3.3 侧面人脸的识别算法
5.4 三维人脸与人耳相结合的多智能体系统模型
5.4.1 Agent 技术
5.4.2 多Agent 技术
5.4.3 MAFRSM 结构
5.4.4 管理Agent 的构造
5.4.5 多Agent 识别验证
5.5 小结
第6章 总结与展望
6.1 本文主要的创新点
6.2 进一步的研究工作
参考文献
攻读博士学位期间发表的论文及所取得的研究成果
致谢
发布时间: 2006-06-27
参考文献
- [1].基于表示学习及回归模型的稳健人脸识别方法研究[D]. 邰颖.南京理工大学2017
- [2].非限定环境下的人脸识别方法研究[D]. 吕江靖.中国科学院大学(中国科学院重庆绿色智能技术研究院)2017
- [3].基于深度学习的行人再识别研究[D]. 朱福庆.大连理工大学2018
- [4].事件可信度识别方法研究[D]. 钱忠.苏州大学2018
- [5].计算机人脸识别方法研究[D]. 陈绵书.吉林大学2004
- [6].基于视觉计算的煤岩识别方法研究[D]. 陈浜.中国矿业大学(北京)2018
- [7].基于图像重构和特征融合的人脸识别方法研究[D]. 周昌军.大连理工大学2008
- [8].四种人脸识别方法研究[D]. 何光辉.重庆大学2010
- [9].结构语义相似的程序识别方法研究[D]. 王甜甜.哈尔滨工业大学2009
- [10].多维多分辨仿生识别方法研究[D]. 王丹.吉林大学2011