论文部分内容阅读
自动人脸识别技术(AFR)是一项极具挑战性的前沿研究课题。它试图通过计算机分析人脸图像并从中提取有效识别信息，达到辨认人员身份的目的。对AFR技术的研究不仅具有重大的理论和学术研究意义，而且具有潜在的巨大应用价值。 经过近几十年特别是近几年来的研究，自动人脸识别技术已经取得了长足发展，用于人脸识别商业系统已经面市，但对应用条件的限制相当严格；在非理想可控情况下的自动人脸识别技术还远未达到实用化的程度，有很多研究工作要做。 本文作为上海市应用材料科技国际合作共同计划(上海市科委AM基金)项目(《基于ARM和RFID芯片的自组织安全监控系统的研制》编号：0512)的主要研究内容之一，从构建自动人脸识别系统需要解决的若干关键问题入手，重点探讨了实时人脸检测与跟踪、面部关键特征定位、高效的人脸特征描述、鲁棒的人脸识别分类器及自动人脸识别系统设计等问题。 1、提出了结合肤色校验的Haar特征级联分类器实时人脸检测算法(SCC-HCC)和基于人脸约束的人脸实时跟踪算法(AM-CamShift) 人脸检测是自动人脸识别系统首先需要解决的关键问题。Viola于2001年提出的基于Haar特征级联强分类器的人脸检测算法，通过抽取人脸的Haar特征训练分类器，达到人脸检测的目的，但由于其仅仅利用了人脸的灰度信息，没有考虑人脸的肤色分布，因而对复杂背景中类人脸结构的物体对象区分的鲁棒性较差。鉴于此，论文第三章提出了基于肤色模型校验和Haar特征级联强分类器的快速人脸检测算法(SCC-HCC)。 人脸跟踪是基于视频的人脸识别、视频监控等典型应用中必不可少的环节，CamShift算法对于目标物体的跟踪具有较强的鲁棒性，但其存在跟踪窗口(Tracking Window)必须通过手工标定的缺陷，而且对背景中类肤色区域的鲁棒性欠佳。我们在CamShift算法的基础上提出了基于人脸约束的实时跟踪算法(AM-CamShift)，实现了跟踪窗口自动标定及多目标的快速自动跟踪，有效提高了对背景中类肤色区域的鲁棒性。 2、针对传统线性判别分析法存在的小样本问题(SSS)，通过调整Fisher判别准则，实现了自适应线性判别分析(A-LDA)算法，提出了基于A-LDA算法的分类判决准则及相应的人脸识别方法