基于統(tǒng)計學習的自動人臉識別算法研究.pdf

1、自動人臉識別是一個典型的圖像模式分析、理解與分類計算問題，它涉及到模式識別，圖像處理，計算機視覺，統(tǒng)計學習，和認知科學等多個學科。自動人臉識別問題的深入研究和最終解決，可以極大的促進這些學科的成熟和發(fā)展。同時作為生物特征識別主要研究內容之一的人臉識別和認證技術在國家安全和公共安全領域的應用前景十分廣闊。雖然經過近40年的發(fā)展，但是由于人臉容易受到光照、姿態(tài)和表情等因素的影響，要建立一個精確和魯棒的自動人臉識別系統(tǒng)仍然是一個極具挑戰(zhàn)性的課

2、題。 近年來基于統(tǒng)計學習的模式識別方法引起了極大的關注，在自動人臉識別領域也取得了很大的成功，使得自動人臉識別系統(tǒng)在速度和精度方面都得到了比較大的提高。代表算法包括Boosting算法，SVM和貝葉斯學習等。本論文就是針對統(tǒng)計學習算法在自動人臉識別中的各個環(huán)節(jié)中的應用展開的，論文的主要工作和創(chuàng)新成果如下： 1．通過廣泛的調研，對人臉識別的歷史和現(xiàn)狀進行了比較全面的綜述本文首先對人臉識別研究的歷史和發(fā)展現(xiàn)狀作了回顧，之后對

3、人臉識別中的一些主要算法作了比較詳細地介紹，重點介紹了基于靜態(tài)圖片的人臉識別算法，另外對最近幾年備受人們關注的基于視頻的人臉識別研究也作了介紹。最后還介紹了目前人臉識別系統(tǒng)的評測情況及國內外主要的公用人臉數(shù)據(jù)庫，在此基礎上分析了當前人臉識別研究面臨的挑戰(zhàn)及可能的技術發(fā)展趨勢。 2．針對AdaBoost算法用于人臉檢測特征選擇時存在的問題，提出了一種基于代價敏感的AdaBoost算法的人臉檢測方法目前人臉檢測的主流方法是Viola

4、和Jones在2001年提出了基于AdaBoost算法的人臉檢測方法。該算法的一個缺點是訓練分類器時，將兩類分類錯誤(漏檢一張人臉和誤檢一張人臉)平等對待，即漏檢一張人臉和誤檢一張人臉的代價是一樣的。因為在實際應用中人臉的存在和出現(xiàn)是個小概率事件，所以漏檢一張人臉的代價應當比誤檢一張人臉的代價大。為此，本文提出了一種代價敏感的AdaBoost算法，此算法設定漏檢一張人臉的代價比誤檢一張人臉的代價大，然后通過學習使得兩類分類錯誤的代價最小

5、。實驗結果表明，此算法能取得更好的學習效果，提高了人臉檢測率。 3．研究了人臉識別中用AdaBoost算法挑選特征時存在的不對稱性問題，提出了一種基于AsymBoost和Fisher線性判別分析的人臉識別方法本文詳細分析了用AdaBoost算法在人臉識別中挑選特征時碰到的非對稱問題，如正負樣本數(shù)量相差懸殊和學習目標的不對稱。提出用非對稱AdaBoost算法(AsymBoost)來解決人臉識別中的不對稱問題，以及采用Fisher線

6、性判決分析對挑選出來的弱分類器的權重進行優(yōu)化，使得綜合后的分類器能最大化不同類別數(shù)據(jù)間的可分性。實驗結果表明，采用AsymBoost算法和Fisher線性判決分析后分類器的識別效果有較大提高。 4．研究了貝葉斯學習在人臉識別中的應用，提出了一種基于LBP特征和貝葉斯概率統(tǒng)計模型的姿態(tài)魯棒的人臉識別算法本文分析了姿勢變化對基于LBP特征的人臉識別算法的影響，提出用貝葉斯概率模型對姿勢變化進行建模，使得基于LBP的人臉識別算法對姿