论文部分内容阅读
随着计算机和网络通信技术的飞速发展,人们开始采用一些人类身上的生物特征进行身份验证。生物特征识别一般包括人脸识别,语音识别,指纹和掌纹识别,步态识别等。其中,人脸识别具有人脸特征获取相对方便,识别时间相对较短等优点因而在社会公共安全和日常生活中具有广泛的应用前景。一个完整的人脸识别系统一般包含以下几个处理步骤：人脸检测,人脸对齐、特征提取和分类。其中,人脸对齐和特征提取又是影响系统最终性能的两个关键性步骤。因此,本文主要对这两个问题进行研究。本文主要工作如下：(1)研究了一种基于统计模型的特征点定位方法主动形状模型(Active Shape Models,简称ASM)算法,针对ASM特征点搜索的范围有限以及易受噪声和光照影响的不足,本文提出了一种基于LBP的改进的ASM算法,该算法改进了ASM中特征点的搜索策略,扩大了搜索范围。改进的算法利用LBP编码值而不是直接使用灰度值来建立局部纹理模型。实验结果表明本文提出的基于LBP的改进的ASM算法相比于传统ASM算法可以更好的定位人脸特征点。(2)研究了基于回归模型的人脸对齐方法,包括基于线性回归的人脸对齐方法和基于形状回归的人脸对齐方法。本文首先分析了密集、稀疏和完全稀疏三种线性回归模型,并通过实验验证了这三种模型的区别以及对于特征点定位的影响。与基于线性回归模型的方法相比,基于形状回归的方法不采用固定参数的形状模型而是利用级联的思想不断更新初始人脸形状从而实现对面部特征点的定位。该方法没有用PCA去约束形状模型,用训练样本的线性组合来约束形状。实验结果表明基于形状回归的方法可以更好的定位人脸特征点。(3)研究了人脸图像局部特征提取方法,如：局部二值模式(Local binary Pattern,简称LBP)、尺度不变特征转换(Scale Invariant Feature Transform,简称SIFT)、Gabor特征、局部Gabor二值模式等,然后从图像信息分解的角度,提出了一种基于图像分解和特征融合的人脸识别方法。该方法借鉴了LGBP的思想,首先对图像做分解,然后在分解后的一系列子图像上分别提取LBP特征和SIFT特征,并将不同子图像的LBP特征和SIFT特征分别连接成两个高维的特征向量,再用LDA获取低维的鉴别特征,最后将两类特征进行融合。实验结果表明本文的方法在人脸识别任务中优于LBP、SIFT、Gabor等方法。