基于多貝葉斯分類器融合的人臉識別.pdf

1、人臉識別是圖像處理、計算機模式識別、生物特征識別等領(lǐng)域的研究的熱點，因其巨大的學(xué)術(shù)和實際應(yīng)用價值而越來越受到廣泛的關(guān)注。近幾十年來在眾多科研工作者們的努力下人臉識別技術(shù)雖然取得了極大的進展，但在用戶不配合、非理想采樣、海量人臉圖像等條件下，人臉識別仍然存在著很大的困難。對于海量圖像庫中的人臉匹配識別，適合于分布式并行處理機制的模式分類器的訓(xùn)練、設(shè)計與實現(xiàn)是需要解決的關(guān)鍵問題。
　　本文針對復(fù)雜人臉圖像樣本的高性能身份識別以及分布式

2、并行處理需求，結(jié)合近幾年來人臉識別技術(shù)領(lǐng)域中分類器發(fā)展的趨勢，研究和提出了一種通過對基于局部特征的Joint Bayesian分類器進行融合的人臉匹配識別方法。該方法首先使用訓(xùn)練好的約束局部模型(Constrain Local Model，CLM)模型在人臉上提取27個關(guān)鍵點，并提取以這些特征點為中心的人臉塊，將它們進一步劃分互不重疊的若干個單元格;然后利用局部二值模式(Local Binary Pattern，LBP)描述子對人臉塊的

3、特征進行表征，并將這些局部LBP特征通過Joint Bayesian統(tǒng)計訓(xùn)練得到多個局部分類器;最后使用邏輯回歸模型將這些局部分類器進行融合，用于人臉的驗證。具體的研究工作包括:
　　(1)提出了CLM與LBP相結(jié)合的人臉特征抽取方法，與傳統(tǒng)的全局LBP紋理特征提取、基于特征點的低維結(jié)構(gòu)特征提取等人臉特征抽取方法相比，本文提出的方法可以同時提取目標的結(jié)構(gòu)特征與紋理特征，在特征提取的精度和效率上實現(xiàn)合理折中。
　　(2)提出了

4、融合多個基于局部特征的joint Bayesian分類器的人臉識別方法，在該方法中，各個局部分類器可以獨立訓(xùn)練與測試，多個局部分類器可以分布式并行訓(xùn)練與測試，與傳統(tǒng)的全局貝葉斯分類方法相比，提高了分類器的訓(xùn)練與實時識別（測試）效率。由于訓(xùn)練和測試效率的提高，本文的局部分類器可以使用高維的LBP特征，使得全局的有效特征維數(shù)增加，提高了匹配識別性能。
　　(3)研究和提出了利用邏輯回歸模型對多個基于局部特征的Joint Bayesia