人臉識(shí)別中新算法的實(shí)現(xiàn)與改進(jìn).pdf

1、自動(dòng)人臉識(shí)別研究已經(jīng)走過(guò)了近四十年的發(fā)展歷程。研究人員試圖賦予計(jì)算機(jī)通過(guò)面孔而能辨別人的身份的能力。在過(guò)去的幾十年里，人臉識(shí)別已經(jīng)取得了長(zhǎng)足的發(fā)展，在信息安全、訪問(wèn)控制、視頻監(jiān)控等領(lǐng)域有著廣泛的應(yīng)用前景。但研究人員發(fā)現(xiàn)，目前的人臉識(shí)別技術(shù)也只是在理想的情況下能夠達(dá)到滿意的效果，非理想情況下的人臉識(shí)別還遠(yuǎn)未成熟。人臉識(shí)別的成功將很大程度上依賴于計(jì)算機(jī)視覺(jué)、模式識(shí)別、認(rèn)知科學(xué)、心理學(xué)、神經(jīng)科學(xué)等多學(xué)科的交叉研究! 在人臉識(shí)別研究中，

2、人臉檢測(cè)技術(shù)是目前相對(duì)較為成熟的技術(shù)。而對(duì)于面部特征點(diǎn)精確定位、人臉特征提取與識(shí)別這些核心技術(shù)，依然有很多工作要做?；诖耍疚牡难芯恐攸c(diǎn)為人臉識(shí)別中新算法的實(shí)現(xiàn)與改進(jìn)。主要貢獻(xiàn)如下： 1.系統(tǒng)綜述了人臉識(shí)別的發(fā)展歷史與研究現(xiàn)狀。以人臉識(shí)別的共性模型為基礎(chǔ)，闡述了人臉識(shí)別系統(tǒng)主要模塊組成，如人臉檢測(cè)、面部特征點(diǎn)定位、人臉特征提取與分類識(shí)別。以這些主要模塊的核心技術(shù)為線索，詳細(xì)的論述了人臉識(shí)別在不同發(fā)展階段的特點(diǎn)、成就。對(duì)人臉識(shí)別

3、中所涉及的方法進(jìn)行有效的分類整理，并以此為基礎(chǔ)，指出了人臉識(shí)別目前需要解決的一些問(wèn)題，探討了人臉識(shí)別可能的發(fā)展趨勢(shì)。此外，介紹了目前國(guó)內(nèi)外相關(guān)的科研機(jī)構(gòu)，已有的人臉識(shí)別商業(yè)系統(tǒng)以及評(píng)估體系。 2.研究了面部顯著特征點(diǎn)的定位問(wèn)題，提出了眼睛特征、嘴唇特征等顯著特征點(diǎn)精確定位的新方法。眼睛特征定位分為瞳孔定位、眼角定位、眼瞼擬合。其中，眼角定位是通過(guò)在Gabor空間中構(gòu)造眼角濾波器完成的。嘴唇特征主要以分割的思想為基礎(chǔ)，結(jié)合象素的空

4、間信息、頻域信息，使得嘴唇區(qū)域能夠較明顯的區(qū)別于膚色區(qū)域，提高分割效果。面部顯著特征點(diǎn)的精確定位將有助于后續(xù)人臉識(shí)別性能的提高。 3.研究了ASM(ActiveShapeModel)定位問(wèn)題，提出了基于顯著特征點(diǎn)定位的ASM方法。ASM通常是通過(guò)局部紋理搜索，形成迭代過(guò)程，使得形狀模型與輸入模型達(dá)到最佳匹配。由于ASM的搜索時(shí)間較長(zhǎng)，對(duì)初始化位置比較敏感，使得ASM難以直接用于人臉面部特征的提取。為此，在面部顯著特征點(diǎn)定位的基礎(chǔ)

5、上，我們提出了基于顯著特征點(diǎn)定位的ASM，較好的克服了ASM方法本身的一些不足，減少了迭代搜索時(shí)間，提高了多特征點(diǎn)一次性定位的精度。這一研究對(duì)后續(xù)的人臉識(shí)別、人臉三維建模具有重要的意義。 4.研究了NMF(Non-negativeMatrixFactorization)用于圖像特征提取的問(wèn)題，提出了基于穩(wěn)健初始化的NMF方法并應(yīng)用于人臉識(shí)別。Lee等人最早在《自然》上發(fā)表了一篇文章，從視覺(jué)機(jī)理出發(fā)，討論了NMF方法。與傳統(tǒng)方法所

6、不同的是，NMF方法在提取圖像特征時(shí)所得到的是圖像的部分特征而非整體特征；更重要的是，這些局部特征在重構(gòu)原圖像時(shí)，都是非負(fù)組合。然而，NMF在初始化這一問(wèn)題上是非常敏感的?？紤]到實(shí)驗(yàn)的可重復(fù)性以及算法的魯棒性，我們提出了三種穩(wěn)健的初始化方法?；诜€(wěn)健初始化的NMF方法對(duì)于NMF中的參數(shù)選擇具有一定的指導(dǎo)意義，并且在分類識(shí)別性能上有所提高。 5.研究了流形學(xué)習(xí)理論用于人臉識(shí)別的問(wèn)題，提出了GSLPP、SKLPP、GSLLE等新的流