非控環(huán)境下的人臉特征提取與分類算法研究.pdf

1、隨著信息社會(huì)的來(lái)臨，由于在網(wǎng)絡(luò)購(gòu)物、網(wǎng)上銀行、電子支付、門禁系統(tǒng)、監(jiān)控體系、刑事偵查等領(lǐng)域的應(yīng)用前景廣闊，人臉識(shí)別受到了越來(lái)越多研究者的關(guān)注。目前已有的人臉識(shí)別方法主要集中于解決可控或半可控環(huán)境下的人臉識(shí)別問(wèn)題，針對(duì)非控環(huán)境下的人臉識(shí)別算法較少。非控環(huán)境下的人臉識(shí)別受光照、姿態(tài)、遮擋、表情、年齡、種族等干擾因素的綜合影響，傳統(tǒng)算法在進(jìn)行特征提取時(shí)引入的干擾信息較多，因而給后續(xù)的分類工作也帶來(lái)較大的困難。本文針對(duì)目前經(jīng)典算法應(yīng)用于非控環(huán)境

2、下人臉識(shí)別時(shí)產(chǎn)生的識(shí)別率低、實(shí)時(shí)性較差等問(wèn)題進(jìn)行研究，從特征提取算法、分類器設(shè)計(jì)兩個(gè)方面開展研究，主要的工作內(nèi)容包括以下幾個(gè)方面：
　?。?）受生物視覺(jué)注意機(jī)制的啟發(fā)，研究主動(dòng)形狀模型（Active Shape Model，ASM）算法，對(duì)生物視覺(jué)ROI區(qū)域（即眉毛、眼睛、鼻子、嘴巴等區(qū)域）進(jìn)行關(guān)鍵點(diǎn)標(biāo)記，在此基礎(chǔ)上研究并采用梯度方向直方圖（Histograms of Oriented Gradients，HOG）算法進(jìn)行人臉特征

3、提取，提出了基于關(guān)鍵點(diǎn)的HOG人臉特征提取算法（Histograms of Oriented Gradients based on key-points,k-HOG）。實(shí)驗(yàn)結(jié)果證明，本文提出的k-HOG算法相比于經(jīng)典的全局特征提取算法不僅大大降低了特征維度，而且減少了額頭、臉頰等非特征區(qū)域冗余信息的干擾，識(shí)別率得到提高。
　?。?）經(jīng)典HOG算法中用梯度算子計(jì)算像素點(diǎn)的梯度幅值和梯度方向，它僅描述了水平和垂直兩個(gè)方向的灰度變化，包

4、含的像素點(diǎn)信息較少，因此本文提出了基于關(guān)鍵點(diǎn)的多尺度多梯度HOG特征提取算法（Multi-Scale Multi-Gradient Histograms of Oriented Gradient based on keypoints，k-MSMG-HOG）。首先設(shè)計(jì)3*3、5*5兩種尺度下四組梯度模板，利用這些模板分別計(jì)算各個(gè)像素點(diǎn)的梯度變化，統(tǒng)計(jì)得到兩種尺度下的梯度方向直方圖并進(jìn)行融合，得到最終特征向量。實(shí)驗(yàn)結(jié)果表明，本文提出的k-M

5、SMG-HOG算法，更全面精細(xì)地提取了關(guān)鍵點(diǎn)周圍的人臉特征信息，算法的識(shí)別率有顯著提高。
　?。?）一對(duì)多高斯過(guò)程分類器（One Against All Gaussian Process Classifier,OAA-GPC）在訓(xùn)練每個(gè)二分類器時(shí)都需要將所有的訓(xùn)練樣本作為輸入，因此其對(duì)大規(guī)模樣本進(jìn)行分類時(shí)所耗費(fèi)的時(shí)間代價(jià)巨大。本文提出了基于一對(duì)一方法的高斯過(guò)程多分類器（One Against One Gaussian Proces

6、s Classifier,OAO-GPC），以及在其基礎(chǔ)上改進(jìn)的基于有向無(wú)環(huán)圖方法的高斯過(guò)程多分類器（Directed Acyclic Graph Gaussian Process Classifier,DAG-GPC），這兩種分類器在訓(xùn)練二分類器時(shí)僅需將所其對(duì)應(yīng)的兩類訓(xùn)練樣本作為輸入，改善了一對(duì)多方法的不足，在不降低識(shí)別率的基礎(chǔ)上大大減少了算法的運(yùn)行時(shí)間。在Oil、Segment、USPS三個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果均表明，OAO-GPC和