可變光照下人臉檢測與識別研究.pdf

1、人臉檢測與人臉識別是模式識別與計算機視覺領(lǐng)域的重要研究課題，在公共安全、智能監(jiān)控、視頻會議、多媒體和數(shù)字娛樂等領(lǐng)域有廣闊的應(yīng)用前景。經(jīng)過三十多年的研究，人臉檢測與識別技術(shù)在可控環(huán)境中獲得了很大的發(fā)展，在理想情況下已經(jīng)能夠取得可以接受的檢測與識別的性能。但是在不可控環(huán)境中，由于受到多種因素的影響，如光照、姿態(tài)、表情、遮擋等，人臉檢測和識別的性能會有明顯的下降。人臉檢測與人臉識別要真正走向?qū)嵱萌匀粯O具挑戰(zhàn)性。本文對人臉檢測與人臉識別中的人臉

2、檢測器訓(xùn)練，人臉特征抽取、人臉分類器設(shè)計等問題進行了研究，同時針對可變光照下的人臉檢測與人臉識別問題，從圖像增強和獲取人臉光照不變特性的角度進行了深入的研究。主要研究成果概括如下：
　　 (1)針對應(yīng)用Adaboost算法進行人臉檢測時誤檢率比較高的問題，提出了級聯(lián)支持向量機的Adaboost-SVM人臉檢測算法。Adaboost算法利用Haar小波，積分圖和級聯(lián)的思想實現(xiàn)了接近實時的人臉檢測，但是對于復(fù)雜的背景存在著人臉誤檢率

3、比較高的問題。本文首先利用Adaboost算法訓(xùn)練了一個人臉檢測器，然后用該檢測器對圖像數(shù)據(jù)庫進行自動的人臉檢測，再對檢測結(jié)果進行人工糾正分類，產(chǎn)生人臉正樣本和負樣本，利用這些樣本訓(xùn)練基于SVM的人臉檢測器。將這兩個檢測器級聯(lián)起來，構(gòu)成Adaboost-SVM人臉檢測器。實驗表明，Adaboost-SVM人臉檢測算法在基本保持人臉檢測率的情況下，誤檢率有明顯的下降，誤檢窗口數(shù)最高下降達到82.91％。
　　 (2)當環(huán)境的光照比

4、較復(fù)雜時，人臉檢測的性能會有明顯的下降，為了減少光照的影響，提出了快速的自適應(yīng)圖像增強算法，用于改善復(fù)雜光照下的人臉檢測性能。本文深入研究了Retinex圖像增強理論，針對多尺度Retinex算法存在的運行速度慢，增強后圖像容易灰度化的現(xiàn)象，提出了一種改進的多尺度Retinex圖像增強算法。同時結(jié)合對數(shù)變換和非線性變換，進一步提出了快速的自適應(yīng)圖像增強算法，與直方圖均衡、單尺度Retinex和多尺度Retinex算法相比，自適應(yīng)圖像增強

5、算法在人臉檢測率和誤檢率方面都有明顯的改善。
　　 (3)針對Gabor小波人臉特征表示數(shù)據(jù)維數(shù)過高的問題，研究了利用二維線性子空間進行特征降維的方法，并實現(xiàn)用支持向量機進行人臉分類的策略。人臉識別的過程中，利用多個尺度和不同方向的Gabor小波來表示人臉圖像，并構(gòu)成Gabor特征臉，然后利用二維線性子空間方法直接對Gabor特征臉進行特征降維，再采用支持向量機對人臉進行分類。實驗表明，這種方法有效地提取了有利于分類的人臉特征，

6、同時解決了Gabor小波的維數(shù)災(zāi)難問題，取得了良好的分類效果。
　　 (4)綜述了復(fù)雜光照下的人臉識別算法，提出了形態(tài)學(xué)小波商圖像算法。尋找具有光照不變性的人臉特征圖像是解決復(fù)雜光照人臉識別的一個有效途徑，對人臉圖像進行形態(tài)學(xué)閉運算操作后，再在小波域去掉圖像的高頻成分，所得結(jié)果作為人臉圖像的光照估計，將光照圖像與原圖像相除后得到一種商圖像。實驗結(jié)果表明，這種形態(tài)學(xué)小波商圖像具有光照不變性，同時相比于SSR算法和形態(tài)學(xué)商圖像，形態(tài)