基于PC-SIFT的多姿态人脸识别方法研究

摘要

自动人脸识别技术属于多学科交叉课题，涉及机器视觉、模式识别、图像处理等领域。随着各领域的高速发展，人脸识别技术已被广泛应用于身份验证、考试监测、刑侦破案、视频监控、智能交通等方面。目前，人脸识别算法的研究已经从理想状态延伸到复杂非理想情况下的多姿态人脸识别。年龄、遮挡、光照和姿态变化是影响当前人脸识别系统识别性能的主要因素。SIFT（Scaled Invariant Feature Transform，尺度不变特征变换）特征描述子具有尺度、平移、旋转以及部分仿射不变性特性，而且光照不敏感、鉴别性强、信息丰富。因此，SIFT特征描述子进入了人脸识别研究者们的视线。本文就如何将SIFT特征描述子的独特优势应用于多姿态人脸识别系统中展开了研究。
　　首先，采用SIFT算法提取人脸图像特征点，然后利用PC(Phase Consistency，相位一致性)信息剔除大量不稳定的边缘点，生成PC-SIFT特征集，提高了特征集质量。
　　其次，针对人脸的多姿态变化，采用多视图融合的多姿态人脸识别方法。每类选取水平间隔45°的人脸图像作为样本集，提取PC-SIFT特征进行类内特征融合，然后采用稀疏表示进行类内特征选择，有效地滤除相似或相同的特征，减少数据冗余。
　　最后，对本文的多姿态人脸识别方法进行实验仿真，结果表明每种改进都有效的改善了识别效果和鲁棒性。在人脸姿态不确定的情况下获得了较好的识别准确率而且无需人脸标记和人脸对齐。

目录

声明

摘要

1．1 研究的背景与意义

1．2 人脸识别研究现状分析

1．2．1 人脸识别发展的三个阶段

1．2．2 国内外人脸识别商业发展现状

1．2．3 多姿态人脸识别面临的挑战

1．3 多姿态人脸识别系统框架

1．4 常用的多姿态人脸识别方法

1．5 人脸数据库介绍

1．5．1 Extended Yale Database B(EYDB)

1．5．2 CMU Pose Illumination Expression(CMU_PIE)

1．5．3 The Face Recognition Technology(FERET)

1．6 本文研究的主要内容

第2章 基于SIFT算法的人脸特征提取

2．1 尺度空间理论

2．1．1 高斯尺度空间

2．1．2 图像金字塔

2．2 SIFT算法相关原理

2．2．1 DoG尺度空间极值点检测

2．2．2 极值点的精确定位

2．2．3 关键点方向参数的确定

2．2．4 SIFT描述子的生成

2．2．5 SIFT描述子匹配

2．3 基于SIFT的多姿态入脸图像识别仿真实验

2．3．1 确定SIFT关键参数值

2．3．2 实验一：尺度缩放

2．3．3 实验二：图像旋转

2．3．4 实验三：光照变化

2．3．5 实验四：遮挡条件

2．3．6 实验五：姿态变化

2．4 本章小结

第3章 基于相位一致性的SIFT算法

3．1 相位一致性理论

3．2 结合相位一致性的SIFT特征筛选

3．3 基于相位一致性的SIFT算法流程

3．4 仿真实验与结果分析

3．4．1 确定相位一致性参数值

3．4．2 特征筛选仿真实验

3．4．3 改进匹配效果对比

3．4．4 综合性能对比

3．5 本章小结

第4章 基于PC-SIFT的多姿态人脸识别

4．1 基于PC-SIFT的多姿态人脸识别框架

4．2 融合稀疏表示方法消除冗余特征

4．2．1 稀疏表示理论

4．2．2 基于稀疏表示的SIFT特征降维

4．3 仿真实验与结果分析

4．3．1 CMU_PIE人脸数据库

4．3．2 FERET人脸数据库

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表的学术论文

致谢