自动人脸检测跟踪识别系统研究与实现

摘要

人脸识别因其在安全验证、档案管理、视频会议、人机交互、公安罪犯识别等领域的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。人脸识别系统以人的脸像作为识别身份的媒介，采用计算机视觉和图像处理技术，抓住人脸的轮廓特征和局部细节特征，研究匹配和识别的方法，具体又包含人脸的检测、跟踪和识别三个环节。本文针对这三个环节分别进行了研究和算法实现。主要工作如下：
　　 (1)人脸的检测与特征定位是实现复杂条件下人脸识别的基本前提，本文采用了两种方法分别实现了人脸的检测和定位。基于肤色模型的方法，首先根据肤色的聚类特性检测人脸的2DPCA区域，在提取灰度和轮廓特征对眼睛、嘴巴等进行特征定位，最后得到人脸的精确位置；基于AdaBoost的方法，通过训练分类器，实现人脸的检测和定位。系统的测试结果表明：基于肤色模型的人脸检测对正面人脸的检测效果较好，而对多尺度检测的能力较弱并且对光线的变化敏感；基于AdaBoost的人脸检测算法具有更好的实时性和准确性。
　　 (2)基于视频的人脸跟踪技术能为人脸识别系统提供更多的信息和更高的性能，本文将基于CamShift的目标跟踪算法应用于人脸识别系统中；并采用了AdaBoost方法的人脸检测算法实现跟踪区域的初始化，克服了CamShift算法跟踪窗口必须手动标定的缺陷，实现了人脸的自动追踪。
　　 (3)深入研究了基于PCA的人脸识别方法。并对应用过程中特征值和距离准则选择问题进行了对比试验，实现了优化的基于PCA算法的人脸识别。针对PCA方法特征值提取计算量大的问题，本文实现了改进的2DPCA算法，在Orl和yale人脸数据库上的实验结果表明其算法速度和识别率均优于基于传统PCA的人脸识别算法。
　　 (4)在算法研究的基础上，本文采用了VC++和OpenCV开发了分立的人脸识别系统，其中包括基于肤色的人脸检测子系统、基于AdaBoost算法的人脸检测子系统，人脸跟踪子系统和基于图形的人脸识别子系统。
　　 课题研究中所实现的人脸检测、跟踪和识别算法程序具有良好的性能和可移植性，在下一步研究中针对具体应用需要，很容易采用模块化设计搭建出实用的人脸识别系统。由于时间和精力所限。本文没有完成集成的人脸识别系统开发。

目录

文摘

英文文摘

第1章 绪论

1.1 研究背景及意义

1.2 人脸识别研究简史和发展现状

1.3 人脸识别的技术难点

1.4 论文的工作内容及章节安排

第2章 人脸识别的主要技术方法

2.1 色彩空间描述

2.1.1 RGB色系坐标系

2.1.2 HSI HIS格式（色度、饱和度、亮度模型）

2.1.3 YCbCr格式

2.1.4 HSV色系坐标系

2.2 人脸检测技术研究

2.2.1 基于模板匹配的方法

2.2.2 基于外观形状的方法

2.2.3 基于知识的方法

2.2.4 基于特征的方法

2.3 人脸跟踪技术研究

2.3.1 基于区域的跟踪

2.3.2 基于特征点的跟踪

2.3.3 基于变形模板的运动跟踪

2.4 人脸识别的研究

2.4.1 基于子空间变换的方法

2.4.2 基于机器的学习方法

2.4.3 基于模型的方法

2.4.4 弹性图匹配方法

2.5 本章小结

第3章 人脸检测算法研究和实现

3.1 基于肤色的人脸检测

3.1.1 高斯模型与相似度计算

3.1.2 人脸的二值化

3.1.3 投影运算

3.1.4 人脸区域标注

3.1.5 人脸特征提取

3.2 基于AdaBoost人脸检测

3.2.1 AdaBoost算法概述

3.2.2 检测策略

3.2.3 后处理

3.2.4 检测结果

3.3 两种人脸检测方法实验结果比较及分析

3.3.1 评价标准

3.3.2 实验结果及分析

3.3.3 结果分析

3.4 本章小结

第4章 基于CAMSHIFT的人脸跟踪算法研究

4.1 基于CamShift算法的人脸跟踪

4.1.1 颜色概率分布图(Color Probability Distributions)

4.1.2 均值漂移算法(Mean Shift算法)

4.1.3 连续自适应的均值漂移算法(CamShift)

4.1.4 算法实现流程

4.1.5 CamShift算法跟踪结果分析

4.1.6 CamShift算法的特点

4.2 改进的CamShift人脸跟踪算法

4.2.1 确定搜索区域

4.2.2 增强肤色信息

4.2.3 人脸跟踪的实现

4.2.4 人脸跟踪结果及讨论

4.3 本章小结

第5章 基于PCA的人脸识别算法实现

5.1 主分量分析(PCA)

5.1.1 K-L变换的基本原理

5.1.2 最近邻分类器

5.1.3 基于PCA的人脸识别

5.2 基于2DPCA的人脸识别

5.2.1 2DPCA算法的基本原理

5.2.2 2DPCA的特征提取

5.2.3 2DPCA的分类原则

5.3 人脸识别图像库

5.4 实验设计和结果分析

5.5 本章小结

第6章 人脸检测识别系统的软件系统开发

6.1 系统介绍

6.1.1 开发平台

6.1.2 系统框架

6.2 软件组成

6.2.1 OpenCV简介

6.2.2 系统各模块的运行界面

6.3 系统的测试结果分析

6.4 本章小结

第7章 总结和展望

7.1 本文总结

7.2 进一步工作展望

参考文献

致谢

作者简介