论文部分内容阅读
人脸识别是当前模式识别领域的一个研究热点,常用的方法有很多,一般说来包括定位和分类两个部分。准确的定位是正确分类的前提,而分类的成功率又反映了定位质量的好坏,这两个方面是人脸识别的研究重点。但面部图像的特征提取即是重点又是难点。面部图像特征提取技术是人脸识别系统的核心问题,其覆盖了计算机技术、图像处理技术、模式识别技术等领域,并向深度和广度迅速发展。本文主要研究基于主动形状模型(Active Shape Model,ASM)和主动纹理模型(Active Appearance Model,AAM )的人脸特征定位方法和基于最小距离分类法(Nearest Neighbor Classification,NNC)、最近邻分类法(k-nearest neighbor, KNN)的人脸表情识别技术,并在人脸特征提取的过程中对原有的方法进行了改进,本文的主要工作如下:⑴复现了经典的ASM模型算法、AAM模型算法、联合模型算法(AAM+ASM)和本文的改进算法。联合模型(AAM+ASM)是一种用来进行人脸特征提取的有效方法。它由人脸动态表观模型和拟合算法两部分组成。本文对此算法进行了改进,改进体现在:在联合模型思想的基础上,充分挖掘标定点之间的联系,研究了一种构建局部纹理模型的新方法。改进算法使得局部纹理模型的误差体现的更为显著,因此匹配过程中每次迭代后的形变更加显著,从而提高了匹配速度。改进算法更加充分的利用了标定点之间的关系,更好的获得特征点附近的纹理信息,使得匹配过程中每次迭代的结果更加逼近输入图像,从而提高了匹配精度。匹配实验表明,改进算法是有效的,改进后的匹配算法提高了特征点定位的精度和匹配速度。⑵提出了将联合模型与最小距离分类法相结合并用于人脸识别的方法,利用联合模型对面部进行特征提取得到特征定位的坐标,用此作为最小距离分类法的分类信息。实验结果表明,在相同的实验条件下,改进后的模型算法与相关分类法相结合的方法与原算法相比具有更高的识别率。