论文部分内容阅读
人脸识别技术近年来一直是图像分析与理解领域的研究重点之一。人脸识别技术得以迅速发展,主要有三方面的因素起着推动作用:人脸识别算法的进步,大型人脸图像数据库的获得,以及对人脸识别算法进行综合性能评测的方法[10]。由于人脸识别技术以大量的图像数据作为研究基础,而现有的人脸图像库在规模、变化条件上都存在很多不足,因此,建立一个大规模、图像条件丰富的人脸图像数据库将会对人脸识别技术的发展起到积极的促进作用。综合的性能评测一方面测试了各算法和系统的综合性能优劣,另一方面也检验了人脸识别技术的总体发展现状,指出了有价值的研究方向。本文针对人脸图像数据库的设计和创建、人脸识别系统的性能评测两方面问题开展研究,主要做出了以下贡献:(1)设计并创建了CAS-PEAL大规模人脸图像数据库我们设计和创建的CAS-PEAL人脸库包含了1,040名中国人共99,450幅头肩部图像。图像条件涵盖了姿态、表情、饰物和光照四种主要变化,部分人脸图像具有背景、距离和时间跨度的变化。本文详细介绍了CAS-PEAL人脸数据库的创建环境、文件组织、图片示例等详细情况,并介绍了CAS-PEAL数据库的共享版本CAS-PEAL-R1的构成。(2)研究了人脸识别算法的性能评测方法对人脸识别算法和系统进行性能评测,评测方法和评测标准是关系到测试是否能够达到目的的关键因素。本文中,我们介绍并探讨了人脸识别算法性能评测的基本原则、评测方法的分类和针对不同识别任务的相关评测指标,为进行大型、综合的性能评测工作提供了一个理论基础。(3)典型人脸识别算法在CAS-PEAL人脸库上的性能评测我们对两个人脸识别基准算法(Eigenface、Correlation)和两个优秀的人脸识别商业系统分别进行了实现,并在CAS-PEAL人脸数据库和性能评测方法的基础上,对这两个识别算法和两个识别系统进行了综合的性能评测。本文详细介绍了对两个基准算法和两个商业系统的实现和性能评测的过程,详细列举并分析了评测结果。