考慮光照及姿態(tài)的實時人臉識別系統(tǒng)應(yīng)用研究.pdf

1、針對人臉識別中存在的一系列問題，本文主要研究光照，表情以及姿態(tài)對人臉識別的影響。其中光照問題的解決方案是WLS(Weighted Least Square)算法與直方圖映射算法;表情的解決方案是使用HSLGBP(Histogram Sequence of Local Gabor Binary Pattern)算法;而針對姿態(tài)問題主要解決的是人臉在平面內(nèi)的旋轉(zhuǎn)問題，采用的解決方案是首先定位出人眼的坐標，然后根據(jù)人眼的坐標對人臉圖像進行仿射

2、變換，使之矯正為歸一化的人臉圖像。本文的主要研究工作包括:
　　(1)人臉檢測部分主要研究了基于膚色聚類的人臉檢測算法，基于Adaboost弱分類器挑選的人臉檢測算法以及這兩種方法的融合。
　　Adaboost算法進行一系列的迭代以生成一些弱分類器，最后將這些弱分類器組成一個級聯(lián)的強分類器，這些弱分類器可以是任何的分類器，如SVM，決策樹，ANN等。基于顏色空間(YCrCb，HSV)的膚色模型檢測的核心思想是尋找一個顏色空間

3、，在此顏色空間內(nèi)膚色能很好的聚類在一起。
　　為了提高人臉檢測的精準度和降低Adaboost算法的誤檢率，將基于膚色模型的人臉檢測算法和基于Adaboost算法的人臉檢測算法結(jié)合起來提高人臉檢測的可靠性。算法首先使用Adaboost算法進行初檢，最后使用膚色對檢測出的疑似人臉區(qū)域進行后驗證來排除掉一些非人臉區(qū)域。
　　(2)人臉矯正部分主要研究了基于統(tǒng)計模型的人臉坐標點擬合算法(ASM)，基于ASEF的人眼坐標定位算法。

4、r>　　基于統(tǒng)計模型的人臉特征點擬合主要包括三個步驟:第一個步驟為在大量的人臉圖像上標記相應(yīng)的特征點;第二個步驟為使用這些已知的特征點的坐標或者紋理來生成相應(yīng)的模型;第三個步驟為在未知的人臉圖像上搜尋相應(yīng)的特征點即算法擬合部分。
　　基于ASEF的人眼坐標定位算法分為兩個部分:第一部分為模型的訓(xùn)練部分，使用大量的已知人眼坐標的圖像，假設(shè)其在頻域中只有在眼睛處具有較為明顯的響應(yīng)，按照濾波模型求出這些響應(yīng)對應(yīng)的濾波器，然后將其做平均生

5、成相應(yīng)的濾波器模型。第二個部分為濾波部分，將檢測出的人臉圖像歸一化到模型人臉的大小，并與求出的濾波器模型進行卷積求其局部最大值，定位出人眼的坐標。
　　(3)光照預(yù)處理部分主要研究了基于同態(tài)濾波的人臉光照預(yù)處理，基于小波濾波的人臉光照預(yù)處理，基于Retinex理論的人臉光照預(yù)處理，基于WLS算法的人臉光照預(yù)處理。
　　(4)特征提取部分主要研究了基于子空間的人臉特征提取算法(PCA，LDA)，基于LBP的人臉特征提取算法，基

6、于Gabor的人臉特征提取算法。LBP算法可以對人臉圖像的關(guān)鍵區(qū)域，如嘴巴、眼睛、眉毛、鼻子等進行有效的描述。Gabor小波能夠提取人臉圖像不同頻率，不同尺度的信息。這兩種算法在一定程度上能夠有效解決光照、姿勢、表情變化的影響。然后使用Gabor小波和LBP結(jié)合的提取特征的新方式提取人臉圖像的特征。Gabor小波變換是在頻率域中進行的，速度要比在時域中快很多，處理320×240的圖像基本可以達到實時性。
　　本文以開發(fā)一套實時在線