基于多贝叶斯分类器融合的人脸识别

摘要

人脸识别是图像处理、计算机模式识别、生物特征识别等领域的研究的热点，因其巨大的学术和实际应用价值而越来越受到广泛的关注。近几十年来在众多科研工作者们的努力下人脸识别技术虽然取得了极大的进展，但在用户不配合、非理想采样、海量人脸图像等条件下，人脸识别仍然存在着很大的困难。对于海量图像库中的人脸匹配识别，适合于分布式并行处理机制的模式分类器的训练、设计与实现是需要解决的关键问题。
　　本文针对复杂人脸图像样本的高性能身份识别以及分布式并行处理需求，结合近几年来人脸识别技术领域中分类器发展的趋势，研究和提出了一种通过对基于局部特征的Joint Bayesian分类器进行融合的人脸匹配识别方法。该方法首先使用训练好的约束局部模型(Constrain Local Model，CLM)模型在人脸上提取27个关键点，并提取以这些特征点为中心的人脸块，将它们进一步划分互不重叠的若干个单元格;然后利用局部二值模式(Local Binary Pattern，LBP)描述子对人脸块的特征进行表征，并将这些局部LBP特征通过Joint Bayesian统计训练得到多个局部分类器;最后使用逻辑回归模型将这些局部分类器进行融合，用于人脸的验证。具体的研究工作包括:
　　(1)提出了CLM与LBP相结合的人脸特征抽取方法，与传统的全局LBP纹理特征提取、基于特征点的低维结构特征提取等人脸特征抽取方法相比，本文提出的方法可以同时提取目标的结构特征与纹理特征，在特征提取的精度和效率上实现合理折中。
　　(2)提出了融合多个基于局部特征的joint Bayesian分类器的人脸识别方法，在该方法中，各个局部分类器可以独立训练与测试，多个局部分类器可以分布式并行训练与测试，与传统的全局贝叶斯分类方法相比，提高了分类器的训练与实时识别（测试）效率。由于训练和测试效率的提高，本文的局部分类器可以使用高维的LBP特征，使得全局的有效特征维数增加，提高了匹配识别性能。
　　(3)研究和提出了利用逻辑回归模型对多个基于局部特征的Joint Bayesian分类器进行融合的方法，针对人脸识别这一具体应用，给出了模型的建模方法。

目录

声明

摘要

插图索引

第1章 绪论

1．1 人脸识别的研究背景及意义

1．2 人脸识别的研究现状及发展趋势

1．3 人脸识别的研究方法

1．4 本文的主要工作及组织结构

1．4．1 本文的主要研究工作

1．4．2 本文的组织结构

2．2．2 统计形状模型

2．2．3 局部模型

2．2．4 CLM拟合优化及系统流程

2．3 局部二值模式(LBP)

2．3．1 LBP基本原理

2．3．2 LBP的人脸描述

2．3．3 LBP的优缺点

2．4 本章小结

第3章 基于局部特征的Joint Bayesian分类器生成原理

3．1 人脸特征点定位

3．2 人脸局部特征提取

3．2．1 人脸特征分块

3．2．2 PCA法对特征向量降维

3．3 基于局部特征的Joint Bayesian分类器生成策略

3．3．1 贝叶斯定理判决理论

3．3．2 基于贝叶斯决策理论的人脸识别方法

3．3．3 Joint Bayesian分类器原理

3．4 本章小结

第4章 融合多个基于局部特征的Joint Bayesian分类器

4．1 分类器融合经典算法

4．1．1 基于乘法规则的融合算法

4．1．2 基于加法规则的融合算法

4．2 逻辑回归模型

4．2．1 逻辑回归的基本概念

4．2．2 逻辑回归模型建模

4．3 多个基于局部特征的Joint Bayesian分类器融合过程

4．4 实验分析

4．4．1 人脸测试库

4．4．2 实验结果及分析

4．5 本章小结

总结与展望

参考文献

攻读硕士学位期间所发表的学术论文目录

致谢