基于HOG特征的人脸识别系统研究

摘要

人脸识别很久以来一直是计算机视觉和模式识别领域最关注的问题。近年来人脸识别技术取得了日新月异的发展，但在复杂环境下的人脸检测和识别，如表情、姿态、复杂光照环境下仍有待进一步发展与完善。梯度方向直方图（Histograms of Oriented Gradients,HOG）已被证实为在目标识别领域非常有效的特征提取算子。本文提出了一种基于HOG特征的人脸检测方法，研究了一种基于HOG特征的人脸特征提取方法,并构建了人脸检测和识别系统。
　　本文所做的主要研究工作如下：
　　1.研究并实现了一种基于HOG特征结合支持向量机（Support Vector Machine, SVM）的人脸检测算法，完成了人脸检测分类器的训练。提出了一种人脸检测分类器设计方法，该方法先训练出大量基于HOG特征的局部SVM分类器，然后从这些局部分类器中选出分类效果较好的。把选出的各个局部分类器对训练样本的分类结果组合成新的特征向量，最后对这些向量再次用SVM训练出最终的分类器。同时在训练和检测过程中运用HOG积分图，从而显著提高了训练和检测速度。
　　2.研究了全局HOG特征和局部HOG特征融合的特征提取方法。为了去除全局HOG特征冗余信息和解决类内离散矩阵奇异的问题，先将全局HOG特征用主成份分析（Principal Component Analysis, PCA）降维，再用线性判别分析方法(Linear Discriminant Analysis,LDA)降维，得到全局特征向量。另外，我们将人脸图像做区域划分，再用Fisher线性准则降维各个区域HOG特征，得到局部特征向量。最后把局部特征和全局特征结合起来，通过把距离加权求和的方式来确定最终人脸分类器。该算法得到的特征向量保持人脸的只有性和稳定性特点，对光照、姿态、表情、距离等因素造成的人脸多变性具有较强的鲁棒性。
　　3.为了克服光线不好情况下的暗度图像和强光照射情况下的高亮度图像中人脸检测困难的问题，本文提出一种图像预处理方法，该方法用灰度实现分段Gamma校正，实现了低灰度像素范围的向高灰度拉伸，高灰度范围像素向低灰度的拉伸。
　　4.在多个图片库上分别进行了人脸检测及识别测试，实验结果表明，本文所用人脸检测及识别算法表现良好。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究的背景及意义

1.2 人脸识别技术研究的内容

1.3 人脸识别技术的研究现状

1.4 研究的主要内容及全文结构安排

第二章 人脸识别系统流程概述

2.1 图像采集阶段

2.2 图像预处理

2.3 人脸检测阶段

2.4 特征提取过程

2.5 图像校正

2.6 注册及识别过程

2.7 本章小结

第三章 基于HOG特征的人脸检测

3.1 图像预处理

3.2 HOG特征提取

3.3机器学习与支持向量机理论

3.4 分类器设计

3.5 人脸检测的实现

3.6 本章小结

第四章 基于HOG的人脸特征提取

4.1 识别预处理

4.2 提取全局HOG特征

4.3 提取局部HOG特征算法

4.4 全局和局部HOG特征的结合

4.5 本章小结

第五章 人脸识别系统的实现和结果分析

5.1 人脸识别的系统设计

5.2 人脸检测算法性能比较

5.3 人脸识别算法性能比较

5.4 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻硕期间取得的研究成果