復(fù)雜背景下多視角人臉檢測(cè)與識(shí)別.pdf

1、自動(dòng)人臉檢測(cè)與識(shí)別屬于模式識(shí)別和計(jì)算機(jī)視覺的交叉學(xué)科，具有重要的科學(xué)意義。隨著低價(jià)位攝像裝置的出現(xiàn)與計(jì)算機(jī)技術(shù)的快速發(fā)展，以及商業(yè)和軍事應(yīng)用領(lǐng)域需求的不斷提高，人臉檢測(cè)與識(shí)別技術(shù)的研究得到了愈加廣泛的關(guān)注和參與。自然人臉圖像受多種因素的影響具有很強(qiáng)的模式多樣性，這使得人臉檢測(cè)與識(shí)別問題極富挑戰(zhàn)性。復(fù)雜背景和多姿態(tài)是人臉檢測(cè)與識(shí)別技術(shù)走向?qū)嵱没杞鉀Q的關(guān)鍵問題。 本文系統(tǒng)地分析了現(xiàn)有人臉檢測(cè)與識(shí)別方法的優(yōu)缺點(diǎn)。針對(duì)如下問題進(jìn)行了深

2、入的研究：基于可能近似正確學(xué)習(xí)模型的人臉檢測(cè)方法中的樣本選擇和多姿態(tài)問題；識(shí)別任務(wù)中的人臉對(duì)齊問題；多因素影響下人臉圖像線性子空間識(shí)別方法中的視角非線性變化問題。主要的創(chuàng)新性研究成果概括如下： (1)針對(duì)主動(dòng)機(jī)器學(xué)習(xí)中訓(xùn)練示例的選擇問題，提出了嵌入式Bootstrap主動(dòng)樣本選擇算法。通過將Bootstrap和嵌入式Bootstrap的思想進(jìn)行形式化描述，從理論和實(shí)驗(yàn)中均證明了新算法在保持和原Bootstrap算法訓(xùn)練時(shí)間相當(dāng)?shù)?/p>

3、前提下，可得到更典型的訓(xùn)練示例集，從而解決了計(jì)算條件對(duì)訓(xùn)練集規(guī)模的限制，使訓(xùn)練所得的預(yù)測(cè)器具有更高的性能。并將Bootstrap和嵌入式Bootstrap應(yīng)用于基于AdaBoost的正面人臉檢測(cè)任務(wù)的負(fù)樣本選擇中，實(shí)驗(yàn)結(jié)果表明了理論分析的正確性。該算法適用于一大類主動(dòng)學(xué)習(xí)中訓(xùn)練示例的選擇問題。 (2)當(dāng)人臉姿態(tài)變化較大時(shí)，人臉圖像可利用的共同特征明顯減少，為解決多姿態(tài)人臉的類內(nèi)差異，提出基于聚類有效性分析和FloatBoost的

4、多姿態(tài)人臉檢測(cè)算法。對(duì)多種姿態(tài)采取“分而治之”的策略，通過模糊c-均值聚類和基于修正的劃分模糊度的聚類有效性分析對(duì)多姿態(tài)人臉圖像進(jìn)行分類，然后用FloatBoost學(xué)習(xí)得到樹型的多姿態(tài)人臉檢測(cè)器。與原樹形檢測(cè)器算法相比，新算法在訓(xùn)練階段速度更快，在檢測(cè)階段更有效。 (3)面部特征精確配準(zhǔn)是實(shí)現(xiàn)魯棒人臉識(shí)別的前提，為了更精確的描述人臉特征和提高分類的精度，提出一種新的人臉序列圖像的對(duì)齊方法。文中借鑒人臉圖像中的灰度分布平滑性，提出

5、快速魯棒的模糊連通度分割方法實(shí)現(xiàn)序列圖像中的人臉分割，并根據(jù)人臉主要器官進(jìn)行正面人臉對(duì)齊，實(shí)驗(yàn)結(jié)果表明該方法有助于識(shí)別性能的提高。此外，所提出的分割算法在多噪聲和序列醫(yī)學(xué)圖像的分割上也取得較原基于尺度的分割方法更快的速度。 (4)基于張量分解的線性子空間識(shí)別方法主要用于解決多因素影響下的復(fù)雜人臉識(shí)別，本文針對(duì)其中的視角非線性變化問題進(jìn)行深入的研究，提出基于視角流形建模的多姿態(tài)人臉識(shí)別算法。首先采用張量分解將影響人臉圖像的多種因素

6、分離；再結(jié)合視角流形建模來(lái)解決人臉視角空間的非線性問題，最后給出身份和視角參數(shù)的自動(dòng)求解方法。對(duì)測(cè)試視角與訓(xùn)練視角進(jìn)行交叉驗(yàn)證的結(jié)果表明，與原基于張量臉的識(shí)別算法相比，新算法的識(shí)別率提高了12％左右。 (5)針對(duì)人臉姿態(tài)低維流形與高維人臉數(shù)據(jù)之間的非線性映射關(guān)系，提出一種基于非線性張量分解的人臉生成模型。文中深入地研究了多視角人臉表達(dá)中的三種視角流形生成方法的有效性，并提出一種基于EM-like的模型參數(shù)求解方法。對(duì)測(cè)試視角與訓(xùn)

7、練視角進(jìn)行交叉驗(yàn)證的結(jié)果表明，與基于張量臉的識(shí)別算法相比，識(shí)別率提高了19％左右。此外，基于非線性張量分解的方法為混合線性-非線性因素影響下的精細(xì)目標(biāo)建模提供了有效途徑。 上述研究成果分別從復(fù)雜背景條件下的多姿態(tài)人臉檢測(cè)、對(duì)齊與識(shí)別等方面給出了具體的研究方案和實(shí)驗(yàn)結(jié)果，為人臉檢測(cè)與識(shí)別的理論研究和應(yīng)用推廣提供了新思路。此外，文中提出的主動(dòng)樣本選擇方法、圖像分割方法、多姿態(tài)人臉檢測(cè)和識(shí)別模型具有一定的通用性，為相關(guān)的模式識(shí)別問題提