基于改进的肤色检测算法与改进CNN的人脸识别研究

摘要

在图像处理与模式识别等技术中，人脸识别技术一直是一个研究热点。在目前的人脸识别技术中，基于肤色检测和卷积神经网络的人脸识别算法，对人脸识别的研究和应用做出了重大贡献。肤色检测可以起到快速检测肤色信息的作用，所以在人脸识别中，可以通过它，快速地对处在一些背景下的人脸进行检测，再由识别算法对检测到的人脸进行身份识别。在人脸识别算法中，卷积神经表现出了较大的优势。卷积神经网络可以自动提取图像特征，并且它识别的准确性相对较高。因此将肤色检测和卷积神经网络共同应用在人脸识别中是值得研究的课题。　　在人脸识别中，表情与姿态是影响人脸识别最主要的干扰因素。人脸识识别主要是依靠提取面部特征，来进行识别。通常在表情与姿态发生变化时，仍然可以在图像上提取到较完整的人脸特征，但如果存在人脸遮挡情况时，实现对较完整的人脸特征的提取是比较困难的。考虑到以上这些干扰因素对人脸识别的影响，本文进行了相关研究，主要工作内容有以下3个方面。　　(1)对人脸识别，普遍采用的一些算法，进行了相关概念以及其实现方式的阐述，并且对其中的一些算法进行了分析，介绍了这些算法所存在的问题，在这些问题的基础上进行了相关的改进，提出能进一步提高识别效果的人脸识别算法。　　(2)通过伪彩色算法、BP神经网络与传统肤色检测算法结合，构建出基于伪彩色和BP神经网络改进的肤色检测算法，利用该算实现在灰度图像和彩色图像上，对人脸主要信息区域检测，以提高对无遮挡人脸的识别效率。输入到BP神经网络的数据采用了融合型PCA特征，即LTP-PCA特征，并且对BP神经网络进行优化采用遗传算法与一种改进的拟牛顿算法相结合的方法来实现。由仿真实验结果可以发现，这种改进的肤色检测算法能够比较精确地检测出人脸主要信息区域。　　(3)提出了一种低秩重构图像的改进RPCA算法，并利用该算法进行人脸去噪处理，然后利用PCA方式构造的卷积滤波器与LeNet-5网络结合构造出了PCAL卷积神经网络，最后采用改进RPCA算法与PCAL卷积神经网络相结合，提出了一种基于具有去噪预处理机制的卷积神经网络的人脸识别算法。通过与其他卷积神经网络人脸识别算法进行对比，证明了该算在存无遮挡和有遮挡环境下，识别效果是比较好的。

目录

1 绪论

1.1研究背景与意义

1.2国内外研究现状

1.3本文的主要研究内容

1.4文章组织结构

2 相关技术分析

2.1基于肤色概率的人脸检测算

2.2人脸识别算法

2.2.1 处理遮挡问题的方法

2.2.2 基于特征脸的方法

2.2.3 基于卷积神经网络的方法

2.3本章小结

3改进的肤色检测算法

3.1 LTP-PCA的特征提取

3.2基于截断式核范数的人脸恢复算法

3.3肤色分割模型

3.3.1 肤色概率统计模型

3.3.2 数学形态学模型

3.4基于YCbCr彩色空间的伪彩色算法

3.4.1 彩色空间转换

3.4.2 伪彩色算法的实现

3.5 BP神经网络

3.5.1 BP神经网络结构

3.5.2 BP神经网络优化方法

3.6人脸归一化处理

3.7基于伪彩色算法和BP神经网络改进的肤色检测算法的实现

3.7.1基于伪彩色算法和BP神经网络改进的肤色检测算法原理

3.7.2基于伪彩色算法和BP神经网络改进的肤色检测算法实现步骤

3.8 本章小结

4 基于改进CNN的人脸识别算法

4.1 改进的RPCA算法

4.2 PCAL卷积神经网络分类识别

4.2.1 PCAL卷积神经网络结构

4.2.2 PCAL卷积神经网络优化算法

4.3 基于改进RPCA的PCAL卷积神经网络的识别原理

4.4 本章小结

5 仿真实验

5.1改进的肤色检测算法实验结果与分析

5.2确定改进RPCA训练样本数量与PCAL网络卷积模板尺寸

5.3人脸识别实验结果与分析

5.4 本章小结

6 总结和展望

参考文献

攻读硕士期间主要研究成果

致谢

声明