人臉識別中圖像特徵提取與匹配技術研究

論文摘要

伴隨信息技術、人工智慧、模式識別、計算機視覺等新技術的快速發展,人臉識別已被廣泛套用在公共安全、信息安全、金融等領域,近幾年已成為圖像處理等領域的研究熱點課題之一。對於一個人臉識別系統,圖像匹配的目的是把通過不同感測器、不同時間拍攝、不同視覺的人臉圖像統一到一個框架下,便於後續的特徵提取和識別。人臉面部的特徵提取是實現人臉識別技術的前提和基礎,因此研究高效且魯棒性更好的特徵提取方法具有十分重要的現實意義。本論文以特徵提取方法和圖像匹配技術為研究目標,以人臉識別為套用背景,針對不同的特徵提取方法進行深入探討和研究,所提出的一些改進算法能有效地提高人臉識別率。主要研究內容和成果包括：(1)圖像匹配的目的是把兩幅或多幅圖像在空間上進行對準,以確定它們之間存在某種變換關係的過程,這些圖像是在不同時間、不同感測器和不同視角下拍攝得到的。針對圖像匹配技術,本文闡述了它的基本定義、流程以及相關的匹配方法,在詳細研究基礎上提出了一種基於投影熵的圖像匹配技術。(2)針對直接採用奇異值分解(Singular Value Decomposition, SVD)中的奇異值向量進行人臉識別的識別率較低問題,本文採用基於類估計基空間的改進SVD計算人臉圖像的奇異值特徵向量,為了降低光照、表情、噪聲、姿態等多因素的影響,提出了一種融合多尺度全局特徵和局部特徵的人臉特徵表示方法。在得到多尺度融合人臉特徵基礎上採用粗糙集約簡算法進行特徵選擇,最後把選擇的特徵作為SVM分類器的輸入從而進行人臉識別。實驗結果表明,多尺度下融合全局特徵和局部特徵的識別方法是一種更有效的特徵提取方法。(3)針對人臉識別中的光照問題,分析一些傳統光照處理方法,深入研究和分析基於全變分模型(Total variation model, TV)的光照處理算法。本文在研究全變分模型的基礎上,採用L1範數最佳化技術並結合Bregman疊代算法求解反射係數。為了提高模型的處理速度,採用基於多解析度的處理方法從粗糙到精細的逐步疊代求解過程,最後結合分塊PCA方法提取人臉面部的局部特徵,使得局部特徵更能充分表征和描述圖像間的差異性和相似性。實驗結果表明,該方法能更有效地提取人臉圖像的局部特徵,更準確地表征人臉面部的結構特徵和紋理信息。(4)針對經典主動形狀模型(Active shape model, ASM)直接採用灰度值信息構建局部輪廓模型,灰度值對光照、噪聲等因素是十分敏感的,本文採用每個像素點的邊緣結構方向代替灰度值構建局部輪廓模型,提出了一種改進的局部輪廓模型建立方法。該方法在法線方向的兩側採樣灰度點,在每個灰度點的鄰域內再採樣若干點,能充分有效地利用每個採樣點以及它所在鄰域內點的灰度分布信息。實驗結果表明,改進ASM方法取得了較好的特徵點定位結果,基於改進ASM特徵提取的人臉識別率也有較大提高。(5)針對經典ASM採用PCA變換獲得形狀主成分向量並結合形狀參數建立一個線性統計形狀模型,傳統PCA方法不能實時有效地更新模型中的協方差矩陣和平均紋理輪廓。本文提出一種改進的ASM方法,該方法採用增量子空間學習方法更新圖像訓練集的特徵空間,不斷更新的特徵空間能很好地描述圖像之間特徵結構信息。實驗結果表明,改進的方法可以有效提高人臉特徵點的定位精度,提高人臉識別的識別率。本論文通過對人臉識別中特徵提取方法和圖像匹配技術的研究,提出了一些改進的特徵提取和識別方法。深入分析基於奇異值的人臉識別方法,提出了一種融合多尺度全局特徵和局部特徵的人臉識別方法。針對人臉識別中的光照問題,構造一種基於全變分模型且魯棒性更好的特徵提取方法。在研究經典統計模型的基礎上,提出了更加精準的基於ASM的特徵定位方法,改進的兩種ASM方法能有效提高定位精度。通過理論研究和實驗仿真相結合的方法,為人臉識別技術中的特徵提取方法及其相關領域的深入研究進行了有益的探索。

人臉識別中圖像特徵提取與匹配技術研究

基本介紹

論文摘要

引文格式

相關詞條

熱門詞條