人脸识别的面部特征配准及人脸比对问题研究

摘要

随着大数据时代的到来，个人与国家的信息安全正在逐渐成为一个研究热点。而生物识别技术因为其安全性、保密性及方便性等优点迅速成为了科研人员的“宠儿”。在众多的生物特征识别技术中，人脸识别技术以其无接触性、高效性、便捷性、唯一性、精准性等优点脱颖而出，发展成了研究热度最高的生物特征识别技术。通常的人脸识别系统中面部特征配准模块和特征提取与比对识别模块占有重要地位，本文针对这两个内容展开了深入研究，主要研究工作如下:
　　首先，概述人脸识别的研究历史现状与基本技术方法;面部特征配准的研究历史现状与技术方法;人脸比对的研究现状、应用与发展方向。
　　接着，研究人脸检测与人脸图像预处理环节。对当前存在的主要人脸检测方法进行了概述和分类。从特征的选择，强分类器的生成，级联检测器的构成详细讨论基于Haar_like特征与基于LBP特征的AdaBoost的人脸检测方法。通过对这两种方法的实时性与准确性的比较得出基于Haar_like特征的AdaBoost人脸检测方法具有较好的描述能力;基于LBP特征的AdaBoost人脸检测方法时效性比较好。在检测过后，通过尺度归一化和灰度变换统一人脸区域尺寸，消除颜色信息。
　　然后，从两个方面对人脸面部特征配准方法进行了研究。一方面是基于几何特征，从人脸面部特征点出发，介绍了基于显式形状回归的面部特征配准方法。在不同的数据库进行配准实验，给出了比较全面的人脸配准效果图。另一方面是基于统计特征，研究基于不变形变换主成分分析的人脸配准方法，讨论了KL变换、特征空间的创建以及反向合成算法的迭代过程，用手动对齐的标准人脸库对该方法进行了实验验证，结果表明，该方法能比较好地配准人脸，并与识别有着相互促进的效果。
　　接着，研究了相似度度量问题。通常的度量方法仅仅是考虑下了一对样本的差异性，为了增加判别性，同时考虑人脸样本的共性和个性，采用联合共性和个性的度量方法对人脸样本对进行相似度度量。并在不同数据库对该方法进行实验验证，结果表明该方法能去的满意的结果。
　　最终将所以环节联系起来，构建一个人脸比对系统。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景、目的和意义

1．2 人脸识别概述

1．2．1 人脸识别研究的历史与现状

1．2．2 人脸识别的主要技术方法

1．3 人脸面部特征配准概述

1．3．1 人脸面部特征配准研究历史与现状

1．3．2 人脸面部特征配准主要技术方法

1．4 人脸比对概述

1．4．1 人脸比对实际商业系统

1．4．2 人脸比对应用

1．5 本论文的主要研究内容和安排

第2章 人脸检测与人脸图像预处理

2．1 人脸检测主要研究方法

2．2 基于AdaBoost人脸检测方法

2．2．1 AdaBoost算法

2．2．2 弱分类器与强分类器

2．2．3 AdaBoost级联检测器

2．3 Haar_like特征与LBP特征

2．3．1 haar-Like特征

2．3．2 LBP特征

2．4 人脸检测后图像的一些处理

2．4．1 图像的几何归一化处理

2．4．2 图像的灰度变换

2．5 实验结果分析与讨论

2．5．1 样本的选取

2．5．2 两种方法的性能分析

2．6 本章小结

第3章 基于显式形状回归的人脸配准

3．1 预备知识

3．1．1 人脸面部特征点

3．1．2 常用人脸配准数据集

3．2 基于显式形状回归的人脸特征配准

3．2．1 两级boosted回归

3．2．2 形状索引特征

3．2．3 基于相关性的特征选择

3．2．4 基于显式形状回归的人脸特征配准具体实现

3．3 实验结果分析与讨论

3．3．1 实验配置

3．3．2 实验数据准备

3．3．3 不同数据库中的性能对比

3．3．4 不同数据库人脸配准效果

3．4 本章小结

第4章 基于不变性变换主成分分析的人脸配准

4．1 反向合成算法

4．1．1 L-K算法(Lucas-Kanade algorithm)

4．1．2 反向合成算法(Inverse compositional algorithm)

4．2 主成分分析算法

4．2．1 K-L变换(Karhunen-Loeve Transform)

4．2．2 用于人脸识别领域的主成分分析

4．3 基于不变性变换PCA的人脸配准

4．3．1 算法原理

4．3．2 基于不变性变换PCA的人脸图像配准

4．4 实验结果分析与讨论

4．4．1 样本数据准备

4．4．2 人脸配准效果实验

4．4．3 人脸识别实验

4．5 本章小结

第5章 基于联合度量的人脸比对

5．1 相似度度量概述

5．2 KISSME度量学习

5．3 联合相似度度量学习

5．3．1 所提出的相似度度量

5．3．2 从相似样本对中联合学习A和B

5．3．3 数据预处理

5．4 实验结果分析与讨论

5．4．1 数据集和参数设置

5．4．2 不同数据集上的性能测试

5．5 人脸比对系统设计与实现

5．6 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢