基于ASM的姿势鲁棒的人脸识别算法

摘要

人脸识别是指基于已知的人脸样本库，利用图像处理和模式识别技术从静态或动态场景中，识别或验证一个或多个人脸。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1．对实验室原有的级联MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2．人脸正则化方法研究。将ASM定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的ASM定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3．人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用MPEG7提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的LGT(local Gabor textons)特征，以加权LGT特征直方图作为识别的特征向量。最后将提取的特征输入到K近邻分类器中，在CMU-PIE库中验证并对比了两种特征的识别结果。 4．人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题背景与意义

1.2人脸识别的发展与研究方向

1.2.1解决姿势变化的方法

1.2.2特征提取的主要方法

1.2.3 ASM的研究现状

1.3论文的研究内容和结构

第2章基于级联MR-ASM的人脸识别方法

2.1系统框架

2.2实验室工作基础

2.2.1 MR-ASM训练

2.2.2级联MR-ASM训练

2.2.3特征点定位

2.3改进的级联MR-ASM特征点定位算法

2.3.1原算法存在的问题

2.3.2改进的算法

2.3本章小结

第3章人脸正则化

3.1基于二维非线性映射的人脸正则化

3.1.1 ASM模型归一化

3.1.2平面内旋转的校正

3.1.3尺度归一化

3.1.4纹理映射

3.2基于三维模型的人脸正则化

3.2.1算法总体思路

3.2.2奇异值分解

3.2.3计算矫正矩阵

3.2.4人脸姿势校正

3.3本章小结

第4章人脸特征提取和分类识别

4.1基于本征脸的人脸特征提取

4.1.1 Eigenfaces

4.1.2基于MPEG7本征脸的特征提取

4.2基于LGT的人脸特征提取

4.2.1 LGT训练

4.2.2 LGT特征提取

4.2.3 LGT算法实现

4.3基于K近邻的分类算法

4.4实验结果

4.5本章小结

第5章人脸识别系统设计与实现

5.1系统设计

5.1.1系统需求

5.1.2功能模块

5.1.3系统结构

5.1.4数据库设计

5.2系统实现

5.2.1后台算法调用

5.2.2模块间的通信

5.2.3线程设置

5.2.4线程间的协同工作

5.2.5内存管理

5.3系统特点

5.4系统演示

5.5本章小结

总结与展望

参考文献

攻读硕士学位期间发表的学术论文

致谢