基于形状索引特征的人脸检测和识别

摘要

人脸识别是指根据人的脸部特征信息进行身份识别的一种生物识别技术，这项技术在当今社会中有着十分广泛的应用，例如:身份识别、视频监控、门禁系统、人脸自动对焦、照片整理等。完整的人脸识别技术包括:人脸检测、人脸校准、特征提取和特征分类。目前，人脸识别技术已有30多年的研究历史。但是直到今天，无约束的人脸识别仍然是十分困难的问题。因为随着光照、表情、拍摄角度等的变化，同一个人的人脸会看起来十分不同。因此，研究在自然条件下的准确且快速的人脸识别问题，是一项既有实际意义，又有挑战性的工作。
　　本文提出使用形状索引特征来解决人脸检测和人脸识别中的脸部角度和表情变化问题。本算法首先利用人脸校准技术获得脸部多个基准点的位置，例如:眼角，嘴角，鼻尖等。然后以个基准点为中心建立局部坐标系。最后在这些局部坐标系中提取特征。形状索引特征充分利用了人脸内部形状结构的特点，确保在脸部角度和表情变化时，依然能够在正确的位置上提取特征，从而提高了特征的判别力。
　　此外，为了在人脸检测中使用形状索引特征，本文提出了同时处理分类和回归问题的联合层叠模型。该算法在区分人脸和非人脸区域的同时，也会预测脸部各个基准点的位置。它将人脸检测和人脸校准整合到同一个任务中。
　　本文还提出形状索引高维特征和联合贝叶斯模型，它们在人脸识别任务中取得了非常高的识别率。同时为了将我们的人脸识别算法更好的应用到实际中，我们提出了旋转稀疏回归算法，它在几乎不损失精度的情况下，大幅减少了高维人脸特征在降维过程中的计算和存储开销。
　　我们的算法在各种数据库进行了广泛的测试，实验结果均表明我们的算法能有效提高人脸检测和识别的精度。其中，我们的人脸检测算法在FDDB和AFW数据库上均取得了第一名。

目录

声明

摘要

第一章 绪论

1．1 人脸识别简介

1．2 人脸识别算法流程

1．3人脸识别的困难

1．4 主要工作和创新点

1．5 章节安排

第二章 相关工作

2．1 背景介绍：人脸检测和识别中的特征

2．1．1 像素灰度值特征

2．1．2 Haar特征

2．1．3 LBP特征

2．1．4 LE特征

2．2 处理脸部角度的变化

2．2．1 基于角度不变特征的人脸识别

2．2．2 基于弹性模型的人脸识别

2．2．3 基于重建正脸图像的人脸识别

2．3 处理光照和表情变化

2．3．1 去除光照

2．3．2 子空间学习

2．3．3 深度学习

第三章 形状索引特征

3．1 形状索引特征介绍

3．1．1 人脸基准点

3．1．2 消除全局变换

3．1．3 建立局部坐标系

3．2 形状索引特征的优势

3．2．1 精度优势

3．2．2 速度优势

3．3 实验验证

第四章 联合层叠模型

4．1 在人脸检测中使用形状索引特征

4．1．1 简单模型

4．1．2 简单模型的缺点

4．2 联合层叠模型介绍

4．2．1 算法流程

4．2．2 分类回归树

4．2．3 后续分类器

4．3 实验验证

4．3．1 和普通层叠模型的比较

4．3．2 在FDDB数据库上的结果

4．3．3 在AFW数据库上的结果

4．3．4 在CMU-MIT数据库上的结果

4．3．5 在MALF数据库上的结果

4．3．6 运行的时间和内存开销

4．3．7 人脸检测和校准的结果展示

第五章 基于形状索引的高维特征及其运用

5．1 基于形状索引特征的高纬特征

5．1．1 如何构建高维特征

5．1．2 越高越好

5．2 联合贝叶斯模型

5．2．1 贝叶斯模型

5．2．2 简单联合模型

5．2．3 联合贝叶斯模型

5．2．4 联合贝叶斯模型的参数估计

5．3 旋转稀疏回归

5．3．1 稀疏回归模型

5．3．2 旋转稀疏回归模型

5．3．3 旋转稀疏回归模型的求解

5．3．4 旋转稀疏回归模型的优点

5．4 实验验证

5．4．1 高维特征比较实验

5．4．2 联合贝叶斯模型比较实验

5．4．3 旋转稀疏回归模型比较实验

5．4．4 在LFW数据库上的结果

5．5 小结和讨论

第六章 总结与展望

6．1 研究工作总结

6．2 不足和展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果