论文部分内容阅读
随着网络信息技术的飞速发展,信息已经成为推动经济快速发展的新型生产力,信息安全带来的隐患成为制约信息生产力发展的重要因素。对人的身份信息进行快速准确判别的途径已经成为了一个亟待解决问题,人脸识别由于其非接触式、信息采集设备简单、多平台支持等优势从众多的生物识别设备中脱颖而出。实时的人脸识别系统涵盖了人脸检测、人脸校准、图像预处理、人脸注册、人脸特征提取与匹配等若干模块。人脸检测可以通过视频流的实时检测,以检测是否包含人脸图像及位置确定,人脸识别是通过对检测到的人脸图像与已知身份的人脸相匹配,以确定检测到的人脸图像的身份。本文对人脸检测算法以及主要的图像预处理算法做了详细的介绍,并重点对人脸识别阶段进行研究并提出了算法改进。目前,人脸识别的方法一般分为基于尺度不变特征(SIFT)、局部二值模式、Harris角点等的局部特征表征,以及基于线性以及非线性子空间分析、流形学习、神经网络和支持向量机等的全局特征表征。尽管这些方法对正面人脸以及简单背景环境的鉴别有较好的效果,但是当人脸存在姿态变换、角度偏转等复杂因素时,鉴别精度就会出现较大波动,是以复杂因素下鉴别精度的提升成为科研的主要方向。主要研究工作如下:(1)尺度不变的SIFT特征是人脸局部特征的表征方式之一,在传统SIFT方法中,由于特征点的坐标是根据高斯差分空间的局部极值点来确定,造成特征点匹配困难。为了解决这一问题,提出了基于标点邻域SIFT描述符的特征提取(LN-SIFT)算法。本文首先采用基于回归的局部二值特征对人脸进行校准,获取了与人的面部几何特征相吻合的标点,从而采用有益于人脸鉴别的标点代替SIFT算法的特征点。然后,用具有不变特性的SIFT描述符来表征标点邻域内的局部特征,从而有效地提高了鉴别速度以及鉴别精度。最后,对标点按照人脸几何特征区域进行加权,能够对人脸的姿态变化以及角度偏转等因素引起的误差有一定的鲁棒性。(2)由于非线性的拉普拉斯特征映射,具有难以获得新样本的低维投影的缺点,局部保持投影对其进行了线性扩展,使样本可以通过线性投影矩阵快速的投影到子空间中。但是,这一方法是一种不包含标签信息的无监督方法,未能使用已知的标签信息提高鉴别精度。为了解决这一问题,提出了最大类间相斥的局部鉴别投影(MR-LDP)算法。本文采用添加了局部类别信息的权值矩阵,从而使近邻的同一类别样本尽量紧凑,近邻的不同类别样本尽量远离。同时,针对未能充分利用全局类别标签信息的缺点,引入了最大化不同类别间样本信息,从而使不同类别间均值中心最大程度地相互远离带动了不同类别间样本的整体分散,最后得到既保持了内在流形结构又使不同类别的距离最大的全局特征投影矩阵。(3)人类以及其他高等生命面对未知的待识别对象时,都会自主提取对象若干的最有意义特征,然后通过若干特征的综合融合作为鉴别的依据。单独的特征鉴别很难达到最优的效果,难以对光线、背景、姿态等若干因素的变化做出自适应的反应,从而缺乏依据环境变化的自动调节性。为了解决这一问题,通过对本文的局部特征提取算以及全局特征提取算法进行了融合,提出了基于混合特征的人脸鉴别算法,有效的提高了鉴别精度。