基于统计特征的人脸识别及其光照补偿技术研究

摘要

人脸识别是图像处理、模式识别和人工智能研究的重点领域之一,其目的是利用计算机根据人脸的特征来鉴别人物的身份,在商业、安全、身份认证、法律执行方面具有广泛的应用。基于统计特征的人脸识别是最受关注的人脸识别技术之一,它克服了其它人脸识别方法的种种缺点,利用完备的统计学知识,根据人脸的统计特征就可有效地进行人脸识别。但是由于人脸模式的复杂性和多变性,在姿态、光照和表情等条件变化下人脸识别率会严重下降。因此,在特征提取中注重鲁棒性,同时兼顾识别效率的人脸特征提取技术是当前研究的热点。
　　本文主要针对人脸特征提取技术进行了研究,研究的重点是将全局特征方法与局部特征提取方法相结合,目的是在提高人脸识别率的基础上,针对姿态、光照和表情等条件变化,进一步提高人脸特征提取和识别算法的鲁棒性。本文的主要工作和创新点如下:
　　(1)在研究了局部二值模式算法的基础上,将其与主成分分析算法相结合,提出了一种基于(2D)2PCA-LBP的人脸识别方法。该方法在提取了人脸纹理特征信息的基础上,用(2D)2PCA方法进行降维。LBP算法具有旋转不变性,对光照变化和姿态变化具有一定的鲁棒性;(2D)2PCA是PCA算法的改进,可以对图像进行最大程度的降维。实验结果表明,该算法可以提高人脸识别率,并且对光照、姿态和表情变化有一定的鲁棒性。
　　(2)研究了压缩传感算法,针对人脸识别对遮挡、表情和光照等因素的鲁棒性问题,提出了一种基于 PCA特征基压缩传感算法的人脸识别方法。该方法首先利用(2D)2PCA方法将人脸图像变换到PCA特征域,将提取的图像行列两个方向的特征作为压缩传感算法的超完备基;然后通过求解最小化 l1范数,寻求图像在该超完备基上的稀疏表示,以得到一组最优的稀疏系数来重构各类图像,通过求取测试图像与重构图像的最小残差进行分类识别。该方法突破了传统方法仅用一类训练样本进行识别的缺陷,将所有训练样本同时用来进行分类,分类效果得到改善,识别率显著提高;同时,将时间复杂度降低到了线性阶。研究表明,只要训练样本足够充分,就能有效地表示测试样本的所有情况,在姿态、光照、表情变化比较大的情况下,识别率得到明显改善。

目录

封面

声明

中文摘要

英文摘要

目录

Contents

第1章 绪论

1.1 研究的目的和意义

1.2 国内外的研究现状和发展趋势

1.3 常用人脸库

1.4 论文的主要内容和组织结构

第2章 基于统计特征的人脸识别方法

2.1 引言

2.2 人脸识别的主要问题

2.3 基于统计特征的人脸识别方法

2.4 本章小结

第3章 基于(2D)2PCA-LBP的人脸识别

3.1 引言

3.2 LBP算法的基本原理

3.3 基于LBP的人脸识别

3.4 基于(2D)2PCA-LBP的人脸识别

3.5 本章小结

第4章 基于PCA特征基的压缩传感算法人脸识别

4.1 引言

4.2 压缩传感算法的基本原理

4.3 基于PCA特征基的压缩传感算法人脸识别

4.4 实验结果与分析

4.5 本章小结

总结与展望

参考文献

攻读硕士学位期间发表的论文

致谢