人臉光照樣本重構(gòu)與基于支持向量機的人臉檢測研究.pdf

1、該文的研究工作主要包括人臉光照樣本重構(gòu)及其在人臉檢測中的應(yīng)用和基于支持向量機的多層人臉檢測分類器兩部分內(nèi)容.主要的創(chuàng)新可以分為如下幾個方面:第一:通過對人臉樣本進行光照重構(gòu)生成新的樣本解決人臉檢測中的光照問題.光照問題是人臉檢測中比較難于解決的問題之一,在基于學習的方法中,由于光照樣本的不足,對各種光照特征的學習不夠,學習的結(jié)果對于光照的推廣性不強.在人臉光照樣本重構(gòu)的研究中,我們利用已知樣本生成新的光照樣本,從而解決了上述光照樣本不足

2、的問題.光照可以用諧波函數(shù)空間的前九個展開系數(shù)來近似表示,利用這個理論我們用九維系數(shù)來近似表示所有可能的光照條件.利用一個平均的三維人臉模型和商圖像的概念,我們可以給人臉樣本加上新的光照,從而可以獲得特定光照條件下的樣本.同樣我們也可以獲得多種不同光照條件下的樣本,從而豐富了人臉訓練樣本庫.第二,提出一種新的邊緣特征作為人臉分類器的分類特征.邊緣特征對光照具有比較好的魯棒性,我們充分利用人臉的外輪廓和內(nèi)部邊緣方向特征,提取了人臉樣本的5

3、4維邊緣特征,對人臉進行分類.在特征提取時,還利用了人的肩部輪廓信息,可分性比較高.第三,基于支持向量機的多層人臉檢測分類器.我們使用支持向量機作為基本的分類器,利用邊緣特征進行分類,最后利用面部區(qū)域狄度特征進行認證,構(gòu)造了一個多層的人臉檢測分類器.由于非線性的支持向量機計算速度比較慢,而線性的SVM分類能力又比較差,為了達到速度和檢測率兩方面的要求,我們首先使用線性SVM分類器排除大量的明顯的非人臉樣本,然后利用非線性SVM進行進一步