论文部分内容阅读
随着互联网的进步与发展,身份验证技术被普遍应用于安全防范领域。相较传统的身份验证技术,生物特征识别技术更具有便捷、稳定、不易伪造等特点,因此得到了广泛的应用。人脸识别技术作为最重要的生物特征识别技术之一,在模式识别和机器学习领域得到了广泛关注。目前约束性的人脸识别已经取得较好的识别效果,但非受控下的人脸识别仍然面临巨大挑战,主要存在光照变化、姿态变化、表情变化、遮挡等多种问题。本文针对人脸识别中的变光照和变姿态问题,从提取光照和姿态不敏感特征、融合辨识性分类器、正面人脸合成方面进行了研究,主要工作如下:(1)针对LBP和HOG特征对光照和姿态不敏感的特性,且融合特征维度较高的问题,本文提出将ULBP和改进的多尺度HOG特征(MHOG)进行融合的方法。根据人脸不同区域所含信息量不同的特点,对人脸图像进行分块,提取ULBP_MHOG特征,同时采用信息熵计算每块权值,获得自适应加权的ULBP_MHOG特征(AWULBP_MHOG),最后输入加权稀疏表示分类器(WSRC)完成变光照和变姿态的人脸识别,实验表明该方法能有效提高变光照和变姿态人脸识别率。(2)深度学习在人脸识别中起到重要作用,本文提出将深度学习特征和AWULBP_MHOG特征融合的方法,实现特征优势互补。利用训练好的VGGFace模型提取4096维的VGG特征,并进行PCA特征降维,获得VGG_PCA特征,再与 AWULBP_MHOG 特征融合得到 AWULBP_MHOG_VGG_PCA(AMVP)特征,最后输入加权稀疏表示分类器(WSRC)完成变光照和变姿态的人脸识别,实验表明该方法能进一步提高变光照和变姿态人脸识别率。(3)为了进一步消除姿态影响,本文提出基于扩展邻域搜索和随机取块的WSR正面人脸合成方法。为了弥补手工人脸对齐的缺陷,首先对每个人脸图像块进行扩展邻域搜索,然后进行随机取块和离散余弦变换(DCT)特征降维,降低时间消耗,最后将测试人脸进行加权稀疏表示(WSR)获取加权稀疏表示系数用于合成正面人脸。实验表明合成的正面人脸图像质量得到提高,利于多姿态人脸识别。在多个公开的人脸库上进行实验证明,AMVP特征结合WSRC分类器是一种解决变光照和变姿态人脸识别的较好方案。基于扩展邻域搜索和随机取块的WSR正面人脸合成方法,能进一步解决人脸多姿态问题,利于提高人脸识别率。