基于局部视觉模型的人脸识别研究

摘要

人脸识别技术方兴未艾,是模式识别和机器视觉领域的研究热点,研究内容包括人脸检测和识别、表情识别等。由于人脸识别技术在司法、安全、军事等领域有着广泛的应用前景,受到了研究人员的普遍关注,在近年来更是获得了较大的发展,一系列创新算法不断涌现,也出现了部分接近实用并初步商用化的原型系统。其中,基于局部视觉特征模型的人脸识别方法由于对光照变化等不利因素更为鲁棒的优点逐渐成为主流方法之一。本文在前人的研究基础上,针对人脸识别对光照等干扰因素敏感的问题,从局部特征入手,在图像预处理、特征提取和多特征融合识别三个方面分别进行了探讨,并完成了以下主要工作:
　　 (1)图像预处理是人脸识别的重要前期工作,能够有效减少各种干扰因素,对后期图像识别效果的优劣影响很大。本文对人脸图像的预处理算法中,除了方向、大小等归一化步骤外,重点提出一种针对光照不均图像的预处理方法,即结合Gamma校正、高斯差分(DoG)以及对比度均衡处理为一体。该方法有效降低了光照对人脸的影响,提高了对比度,强化了人脸特征区域,有利于后续的特征提取和识别。
　　 (2)特征提取是人脸识别的核心步骤,本文采用了多种人脸局部视觉特征的提取方法。通过分析传统算法的优缺点之后,本文在传统经典算法基础上,一方面,对LBP纹理特征进行改进,在LBP的差值计算步骤引入Dipole双极比较算子,由此提取不同距离和尺度的更大范围的局部特征,记为ILBP,即改进的LBP算法;之后,再结合Gabor特征的多方向、多尺度等优点,对人脸的Gabor特征图谱提取ILBP特征,并记为ILGBP特征。另一方面,由于实际应用中采集的人脸图像往往受光照变化、角度等因素干扰,而SIFT算法具有平移不变性、旋转不变性、尺度变化不变性等优点,本文又将SIFT特征引入人脸识别当中,用ILGBP特征和SIFT特征共同描述人脸。
　　 (3)基于D-S证据理论和Fisherface方法进行人脸的局部多特征融合识别。鉴于D-S证据理论是基于决策级的融合,本文提出的融合识别算法是在识别过程中,首先运用Fisherface方法分别对ILGBP和SIFT特征分别进行分类识别,得到特征比对的相似度;然后,对这两个相似度,按照D-S证据理论的规则,进行信任度判别,得到最终的判别结果。由于Fisherface的特性,该方法能够有效降低特征维数,并且具有较强的鲁棒性。在MATLAB开发平台上的仿真实验结果显示,本文算法对有遮挡、低光照、侧面等不利情况有较强的识别能力。

目录

文摘

英文文摘

1.绪论

1.1 生物特征识别技术

1.2 人脸作为生物特征进行识别的优势与劣势

1.3 人脸识别技术的研究意义及应用

1.4 人脸识别研究现状

1.4.1 人脸识别算法综述

1.4.2 人脸识别技术的研究现状

1.5 人脸库

1.6 本文主要研究内容及安排

2.人脸图像预处理

2.1 引言

2.2 图像常规预处理

2.3 改进的光照预处理方法

2.4 本章小结

3.基于局部视觉特征的人脸描述

3.1 引言

3.2 人脸LBP纹理特征的提取及应用

3.2.1 LBP算子

3.2.2 LBP方法在人脸识别中的应用

3.2.3 LBP的改进算法

3.3 Gabor小波特征提取

3.4 结合Gabor滤波及改进LBP算子的人脸特征提取

3.5 SIFT特征提取

3.5.1 尺度空间极值的确定

3.5.2 特征点位置及方向的确定

3.5.3 构造SIFT特征向量

3.6 本章小结

4.基于局部多特征融合的人脸识别

4.1 引言

4.2 信息融合概述

4.3 基于D-S证据理论和Fisherface的多特征融合人脸识别

4.3.1 D-S证据理论

4.3.2 Fisherface人脸识别

4.3.3 多特征融合的人脸识别

4.4 本章小结

5.原型系统实验与结果分析

5.1 引言

5.2 人脸识别系统框架

5.3 实验与结果分析

5.4 本章小结

6.总结与展望

6.1 文章的主要工作

6.2 进一步的工作展望

参考文献

致谢

攻读硕士学位期间取得的学术成果