论文部分内容阅读
在摄像环境不可控条件下,姿态成为了目前人脸识别中最具挑战因素,至今没有得到很好的解决。其主要原因之一是人脸的关键特征点检测不够准确,人脸匹配时存在错位。本文进行了人脸关键点自动检测模型的研究并将其应用于姿态人脸的识别过程中。本文首先介绍了 LBP、Gabor特征提取算法,分析了人脸关键点局部特征和全局特征随姿态的分类能力。为了得到人脸准确关键点,本文以AAM关键点检测算法和Zhu等人提出的混合树算法为基础,提出一种改进的多姿态人脸关键点检测算法。算法首先对AAM模型进行多姿态扩展,分别建立了 13类不同姿态下的纹理及形状关键点检测模型,其次将多姿态AAM与对应的混合树模型进行结合,得到自动关键点检测模型。该方法充分利用了二者优缺点的互补性,既满足了AAM对关键点检测的初始要求,又实现了多姿态人脸关键点自动精确检测。在上述工作基础上,提出基于全局+局部特征和基于多关键点局部特征多姿态人脸识别方法。两种方法充分利用局部特征在人脸旋转良好的分类能力,以多个关键点局部特征取代传统全局特征作为人脸的表示。并采用以关键点为圆心的圆形统计区域代替以往的矩形区域,以提高了算法对人脸旋转的适应性。虽然局部特征能在一定姿态变化范围保持不变,但在人脸姿态有较大变化时,人脸信息会出现自遮挡,为更好解决较大姿态变化造成人脸信息缺失的问题,提出按姿态参数对人脸进行姿态分类策略,分类的人脸按“提取遮挡较小半脸特征”为原则。其中人脸姿态旋转角度由本文提出的基于关键点形成的“X”型模板估计的得到。实验在LFW库和CAS-PEAL-R1姿态子库进行,对比以往全局方法,方法在LFW库view2协议下,有监督训练和无训练下分别取得90.45%和76.67%的识别率。在R1的三个姿态子库上,较以往相同特征提取方法识别率都提高超过10%。结果表明本文方法对多姿态人脸具有良好的识别效果。