论文部分内容阅读
人脸识别系统是先从视频序列或一幅图像中检测出其中的人脸区域,然后提取它的特征,再通过匹配算法与人脸库中已有模型进行匹配来得出识别结果。人脸识别系统的应用效果主要受人脸特征提取方法与分类方法的影响,本文采用基于统计特征提取与隐马尔可夫模型建模的人脸识别方法,来设计与实现一个基于视频序列的人脸识别系统。具体而言,就是先对人脸图像做分块离散余弦变换DCT,再对变换系数矩阵作主成分分析PCA,得到的特征向量作为隐马尔可夫模型HMM训练的观察向量。采用这种人脸识别方法有以下优点:第一,这种统计特征提取方法是为了降低图像的冗余以便提高特征的提取速度;第二,隐马尔可夫模型HMM有对人脸精确建模的特点,可以保证识别的高精度;第三,基于HMM的人脸识别方法采用的是人脸二维统计特征,对光线、姿态、遮挡物的变化有较强的鲁棒性;最后,人脸库样本与其模型一一对应,人脸库的添加/删除操作较容易,易于维护。本课题中所研究设计的人脸识别系统在前期进行人脸图像的采集与训练以建立一个人脸库,在识别时用来与某个人脸图像进行匹配。系统对于输入背景静止的一段视频序列,采用帧差分法提取其中的运动人体;然后使用Adaboost算法检测出人脸的区域,并对此区域进行一系列的预处理操作,包括滤波去噪、二值化等;再对人脸区域进行分块离散余弦变换,将变换后的系数矩阵作主成分分析,得到特征向量,即进行了人脸统计特征提取;将提取的特征作为隐马尔可夫模型HMM的观察序列;最后将所得的观察序列与库中的人脸HMM模型进行匹配,即识别,从而实现一个基于视频序列的人脸识别系统。另外还对系统的识别效果进行测试,先使用标准库ORL与自建库来测试系统识别模块的识别率,即以静止图像为输入进行识别,以比较DCT与DCT+PCA两种特征提取法的识别效果;再以视频序列作为输入,用自建库来测试系统的应用效果。实验表明,该方法在一定场合能够有效地分割出视频序列中的运动人体并检测出其中的人脸区域,当人脸库采集所用摄像头与最终应用时的摄像头相同时,或其分辨率高于训练样本采集时的分辨率时能有效识别人脸,一方面初步实现了实验室的人脸识别功能,另一方面从长远来看也为人机智能交互、视频监控与身份认证等提供了应用基础。