基于AAM姿态矫正和局部加权匹配的人脸识别研究

摘要

人脸识别可以广泛地应用在视频检索、出入控制、人机交互和电子商务等领域。近年来，能够处理真实情形下人脸图像的鲁棒性人脸识别已逐渐成为人们的需求，然而现今的人脸识别算法大都受到光照、大的姿态变化、各种遮挡物等因素的影响。
　　本文主要研究基于AAM的图像对齐和局部匹配人脸识别算法，使之能够增强人脸识别算法对姿态、表情变化的鲁棒性。AAM能够快速准确地定位人脸的特征点，进而将图片扭转到一个标准正面人脸模型中。几种基于Gabor小波特征的人脸识别算法在国际通用数据库上得到了不错的表现。在本文中，我们提出了一种新的基于信息熵的Gaborjet加权方法用于提高人脸识别率;我们还对Bordacount分类器组合方法进行了改进，认为在投票过程中为其设置阈值来排除“噪声”的干扰可以提高识别率。我们证明了在使用AAM矫正图像后，联合熵加权Gabor方法和加阈值Borda能够取得比单独使用更好的成绩。

目录

声明

摘要

第一章 绪论

1．1 人脸识别的背景与意义

1．2 人脸识别的历史与现状

1．3 应用领域

1．4 本文的主要内容与结构安排

第二章 人脸识别的常用算法

2．1 引言

2．2 主成分分析(PCA)

2．2．1 KL变换原理

2．2．2 PCA在人脸识别上的应用

2．3 局部二值模式(LBP)

2．4 Gabor小波特征

2．4．1 Gabor小波滤波器在人脸识别中的应用

2．5 Adaboost方法

2．5．1 Haar-like特征和积分图

2．5．2 Adaboost算法

2．5．3 多分类器级联结构

2．6 本章小结

第三章 基本AAM算法和改进的特征点定位方法

3．1 引言

3．2 AAM模型的建立

3．2．1 AAM形状建模

3．2．2 AAM纹理建模

3．2．3 AAM模型实例

3．3 AAM模型的拟合

3．3．1 Lucas-Kanade(LK)算法

3．3．2 反向组合算法

3．3．3 基于反向组合算法的AAM匹配

3．4 基于扩展Haar特征和人脸肤色分割的特征点初始化

3．4．1 扩展Haar特征的人脸检测

3．4．2 人脸肤色分割确认

3．5 本章小结

第四章 基于AAM姿态矫正和局部加权匹配的人脸识别

4．1 引言

4．2 局部匹配人脸识别

4．2．1 图像对齐和分区

4．2．2 局部特征提取

4．2．3 分类和组合

4．3 改进的局部匹配人脸识别

4．3．1 基于AAM的图像对齐与姿态矫正

4．3．2 Gabor jct与形状信息和全局纹理信息的结合

4．3．3 熵增强的Borda count

4．3．4 Borda count的加阈值改进

4．4 实验结果与分析

4．4．1 数据库的选择

4．4．2 实验流程与实验结果

4．5 本章小结

第五章 总结与展望

致谢

参考文献

作者在读期间的研究成果