復(fù)雜光照變化的單樣本人臉識別方法研究及在駕駛員辨識中的應(yīng)用.pdf

1、隨著圖像技術(shù)的飛速發(fā)展，智能交通監(jiān)控系統(tǒng)的應(yīng)用前景日趨廣泛。從智能交通監(jiān)控系統(tǒng)采集的高清車輛圖像中，提取駕駛員人臉圖像進(jìn)行識別，或與后臺駕駛證圖像、嫌疑犯圖像中的人臉進(jìn)行識別，可以快速鎖定駕駛員、嫌疑人的身份和位置，為交通執(zhí)法、刑事偵查提供線索和證據(jù)。駕駛員人臉圖像在戶外環(huán)境采集，具有復(fù)雜的光照變化，且每個卡口只采集一張包含駕駛員的車輛圖像。因此，駕駛員人臉識別問題是復(fù)雜光照變化條件下的單樣本人臉識別(SSFR:Single sampl

2、e face recognition)，研究復(fù)雜光照變化的SSFR具有廣泛的學(xué)術(shù)意義和商業(yè)應(yīng)用價值。
　　本文以交通駕駛員人臉圖像為研究對象，圍繞人臉圖像光照處理和SSFR類內(nèi)變化估計兩個關(guān)鍵問題展開研究。論文主要研究內(nèi)容如下:
　　(1)局部光照變化常存在于駕駛員人臉圖像中，本文從控制局部光照變化影響的角度，提出了基于矩陣分解的高頻人臉特征。首先，鑒于人臉圖像的頻率模型與矩陣分解模型具有相似的分布特性，構(gòu)建了一種人臉圖像特

3、征的矩陣分解模型，該模型是矩陣分解算法提取高頻人臉特征的理論依據(jù)。其次，通過構(gòu)造具有頻率分布特性的奇異值分解(SVD:Singular value decomposition)基及對應(yīng)的SVD權(quán)值，構(gòu)建基于SVD的高頻人臉特征模型，然后，設(shè)計SVD權(quán)值規(guī)格化模型，提出了一種規(guī)格化SVD人臉特征，能有效的控制光照變化的影響。最后，通過構(gòu)建基于SVD權(quán)值的光照水平估計模型，提出了一種自適應(yīng)SVD人臉特征，該特征的非線性參數(shù)通過人臉圖像的光照

4、水平自適應(yīng)選取，對各種不同的光照變化有較好的魯棒性。同時，通過設(shè)計具有頻率分布特性的列選主正交三角(QRCP:Orthogonal triangular with column pivoting)分解基及對應(yīng)的QRCP權(quán)值，構(gòu)建一種QRCP人臉特征，通過規(guī)格化QRCP權(quán)值，提出了一種規(guī)格化QRCP人臉特征，通過QRCP權(quán)值估計人臉圖像光照水平，提出了一種自適應(yīng)QRCP人臉特征。實驗結(jié)果表明，當(dāng)人臉圖像受各種局部光照變化影響時，本文方法與

5、現(xiàn)有主流方法比較，識別率有較大的提高。
　　(2)全局光照變化是駕駛員人臉圖像的常態(tài)現(xiàn)象，本文從控制光照不變測度失真影響的角度，提出了基于局部鄰域的光照不變測度人臉特征。首先，鑒于對數(shù)域中人臉圖像可由表面反射系數(shù)與光照之和來表示，構(gòu)建了基于對數(shù)域的局部鄰域光照不變測度，該測度比像素域測度的穩(wěn)定性更好，失真更小。其次，根據(jù)不同的局部鄰域光照不變測度鑒別力不同，設(shè)計了鑒別力權(quán)值和高斯權(quán)值，實現(xiàn)多局部鄰域光照不變測度的融合，削弱因干擾像

6、素造成的測度失真，增強(qiáng)光不變測度的魯棒性。然后，將雙極性sigrnoidal函數(shù)引入融合測度，提出了一種基于局部鄰域的光照不變測度人臉特征，該特征有效控制了融合測度失真造成的高頻噪聲干擾。最后，利用矩陣分解算法的頻率特性，將人臉圖像分解為低頻頻特征和高頻特征，通過消除低頻人臉特征的光照影響和校正高頻人臉特征的噪聲干擾，構(gòu)建了一種基于頻率分解的光照預(yù)處理方法，在此基礎(chǔ)上，提出了一種基于頻率分解的光照不變測度人臉特征，該特征在劇烈光照條件下

7、具有更好的魯棒性。實驗結(jié)果表明，人臉圖像受全局光照變化影響時，本文方法與現(xiàn)有主流方法相比獲得了更高的識別率。
　　(3)SSFR缺乏人臉類內(nèi)變化信息，本文從重建高質(zhì)量逼近圖像的角度，提出了自適應(yīng)的逼近人臉圖像重建方法。首先，鑒于人臉圖像的秩可以描述圖像矩陣的稀疏程度和圖像尺寸變化，構(gòu)建了人臉圖像秩與重建逼近圖像之間的關(guān)系模型，提出了一種基于圖像秩的自適應(yīng)逼近人臉圖像重建方法，實現(xiàn)基于SVD的逼近圖像自適應(yīng)重建，接著，通過SVD和Q

8、RCP構(gòu)建同時對角化直接線性鑒別分析(DLDA:Direct linear discriminant analysis)類間和類內(nèi)離散度矩陣的特征矩陣，提出了快速DLDA最優(yōu)投影空間算法。然后，提出了一種基于三角(LU:Lower-upper)分解的自適應(yīng)逼近人臉圖像重建方法，該方法通過LU分解，分別構(gòu)建人臉圖像及其轉(zhuǎn)置的分解圖象集，進(jìn)一步，定義了分解圖像集的構(gòu)建標(biāo)準(zhǔn)，在此基礎(chǔ)上，構(gòu)建基于能量函數(shù)的逼近圖像重建模型，并建立能量函數(shù)的估計

9、模型，通過估計最優(yōu)能量函數(shù)值，重建高質(zhì)量的逼近圖像。實驗結(jié)果表明，本文方法優(yōu)于現(xiàn)有的逼近圖像重建方法。
　　(4)利用輔助圖像估計人臉類內(nèi)變化，對提高SSFR的效果至關(guān)重要。本文從消除輔助人臉圖像固有信息和有效估計人臉類內(nèi)變化兩方面，提出了基于光照不變特征的稀疏表示分類方法。首先，鑒于人臉特征分解的加模型有利于消除輔助人臉固有信息，設(shè)計了人臉特征分解的兩個加模型(高頻和低頻特征加(H&L:High-and low-frequenc

10、y additive)模型、反射系數(shù)和光照加(R&L:Reflectance and illumination additive)模型），將它們分別引入基于稀疏表示的SSFR模型，提出了基于人臉特征分解的稀疏表示模型，分離了光照變化對人臉固有信息的干擾，消除了輔助人臉固有信息。然后，通過融合光照不變特征和對數(shù)人臉圖像，提出了光照不變特征稀疏表示模型，該模型在分離光照干擾、消除輔助人臉固有信息的同時，完整的保持了人臉圖像的鑒別信息。最后，