人脸光照样本重构与基于支持向量机的人脸检测研究

摘要

该文的研究工作主要包括人脸光照样本重构及其在人脸检测中的应用和基于支持向量机的多层人脸检测分类器两部分内容.主要的创新可以分为如下几个方面:第一:通过对人脸样本进行光照重构生成新的样本解决人脸检测中的光照问题.光照问题是人脸检测中比较难于解决的问题之一,在基于学习的方法中,由于光照样本的不足,对各种光照特征的学习不够,学习的结果对于光照的推广性不强.在人脸光照样本重构的研究中,我们利用已知样本生成新的光照样本,从而解决了上述光照样本不足的问题.光照可以用谐波函数空间的前九个展开系数来近似表示,利用这个理论我们用九维系数来近似表示所有可能的光照条件.利用一个平均的三维人脸模型和商图像的概念,我们可以给人脸样本加上新的光照,从而可以获得特定光照条件下的样本.同样我们也可以获得多种不同光照条件下的样本,从而丰富了人脸训练样本库.第二,提出一种新的边缘特征作为人脸分类器的分类特征.边缘特征对光照具有比较好的鲁棒性,我们充分利用人脸的外轮廓和内部边缘方向特征,提取了人脸样本的54维边缘特征,对人脸进行分类.在特征提取时,还利用了人的肩部轮廓信息,可分性比较高.第三,基于支持向量机的多层人脸检测分类器.我们使用支持向量机作为基本的分类器,利用边缘特征进行分类,最后利用面部区域狄度特征进行认证,构造了一个多层的人脸检测分类器.由于非线性的支持向量机计算速度比较慢,而线性的SVM分类能力又比较差,为了达到速度和检测率两方面的要求,我们首先使用线性SVM分类器排除大量的明显的非人脸样本,然后利用非线性SVM进行进一步的分类,去除第一层分类器的误检.由于人脸面部灰度中蕴涵有很多人脸的关键特征,我们使用人脸面部灰度特征来进行最后的人脸的验证.实验表明该分层人脸分类器在测试集上取得了良好的结果,在结合样本光照重构的结果,该系统还能够在一定的程度上解决光照问题.

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第一章绪论

1.1人脸检测的研究背景和意义

1.2国内外研究综述

1.2.1特征提取的方法

1.2.2分类器的设计方法

1.3光照估计在人脸研究中的应用概述

1.4本文主要研究内容

1.5论文的组织安排

第二章统计学习模式识别基础

2.1传统的统计方法

2.2统计学习理论

2.2.1经验风险与期望风险的关系

2.2.2推广能力

2.2.3结构风险最小化

2.3 SVM理论

2.3.1线性可分的二分类问题

2.3.2广义的最优分类面

2.3.3支持向量机

2.4本章小结

第三章光照样本的重构和实验

3.1球谐函数与图像表示

3.1.1球面谐波函数

3.1.2九维系数空间

3.1.3人脸图像的光照表示

3.1.4用球面谐波函数表示人脸图像

3.2人脸光照

3.2.1人脸光照估计

3.2.2光照估计的条件

3.2.3人脸加光模型

3.3人脸检测的光照实验

3.3.1 CAS-PEAL数据库特定光照实验

3.3.2扩展性测试实验

3.4本章小结

第四章多层SVM人脸检测分类器

4.1 SVM在人脸检测中的应用

4.2边缘特征用于人脸检测

4.3多层人脸检测分类器

4.3.1边缘特征提取

4.3.2面部特征提取

4.3.3 SVM分类器

4.3.4多层人脸检测分类器的结果

4.3.5一些检测实例

4.3.6系统实现中速度的提高

4.4本章小结

结论和展望

参考文献

攻读硕士学位期间发表的论文

致谢