嵌入式隐Markov模型和神经网络人脸识别

摘要

人脸自动识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一,也是近来研究的一个热点问题,具有十分广泛的应用前景.虽然人类不需要任何训练准备即能识别出人脸,但人脸的机器自动识别却是一个难度极大的课题.人脸自上而下自左至右的不同特征区域可以用嵌入式隐Markov模型(EmbeddedHidden Markov Model,简记为E-HMM)的状态序列来表示.同一个人的脸像由于受到多种变化因素的影响而具有丰富的表现,可以把这些不同的影像看作是同一组状态序列产生的一系列表现,它们对应的是同一个E-HMM.不同的人用不同的E-HMM的来描述.E-HMM可以在模型层反映人脸二维方向的结构特征,能够较好地描述具体人脸的个人特征,基于E-HMM模型的人脸识别方法已经初步取得了较好的结果.该文深入研究了基于E-HMM的人脸识别方法,进一步改进了经典的E-HMM参数重估算法,特别是将人工神经网络(Artificial Neural Network,简记为ANN)技术与E-HMM相结合,从而扩充和加强了基于E-HMM人脸识别的识别性能.

目录

文摘

英文文摘

第一章绪论

1.1研究背景和意义

1.2人脸识别的研究内容

1.3人脸识别的难点

1.4本文的研究思想和主要工作

1.5论文的结构

第二章人脸识别的研究现状

2.1静止图像中人脸识别方法

2.1.1基于几何特征的识别

2.1.2基于模板的识别

2.1.3基于模型的识别

2.2视频系列中人脸识别方法

2.3三维人脸识别方法

2.4人脸识别国内研究现状

2.5小结

第三章人脸图像的预处理

3.1论文研究测试用到的人脸图像库

3.1.1 ORL人脸图像库

3.1.2自建人脸图像库

3.2人脸图像的预处理

3.3.1基于仿射变换的几何矫正

3.3.2灰度分布正规化

3.3人脸识别系统的评价

3.4小结

第四章嵌入式隐Markov模型基本理论及其训练算法的改进

4.1隐Markov模型基本理论

4.1.1隐Markov模型

4.1.2嵌入式隐Markov模型

4.1.3嵌入式隐Markov模型的三个基本算法

4.2嵌入式隐Markov模型人脸识别

4.2.1人脸图像的嵌入式隐Markov模型

4.2.2观察向量的选择

4.3嵌入式隐Markov模型的训练和识别

4.3.1训练和识别流程

4.3.2一些具体计算问题

4.3.3嵌入式隐Markov模型人脸识别系统流程

4.4改进的嵌入式隐Markov模型训练算法

4.4.1加权合成的嵌入式隐Markov模型训练算法

4.4.2增量式训练方法—模块化嵌入式隐Markov模型训练算法

4.5 Viterbi训练算法

4.6人脸识别实验

4.7小结

第五章E-HMM/ANN混合识别网络

5.1 E-HMM人脸识别器

5.2 E-HMM/ANN混合识别网络拓扑结构

5.3 E-HMM/ANN混合识别网络训练算法

5.3.1基于互熵函数准则的神经网络二阶学习算法

5.3.2 E-HMM/ANN混合识别网络的训练和识别

5.4人脸识别实验

5.5小结

第六章E-HMM/ANN混合模型

6.1 E-HMM/ANN混合模型

6.1.1 E-HMM/ANN混合模型定义

6.1.2 E-HMM/ANN混合模型拓扑结构

6.2 E-HMM/ANN混合模型训练算法

6.3 E-HMM/ANN混合模型训练算法实现中的问题

6.3.1多个观察向量序列训练

6.3.2数值稳定性问题

6.4发散问题

6.4.1 Bayes训练算法

6.4.2基于最大后验概率准则的训练算法

6.5 E-HMM/ANN混合模型建模训练和检测识别流程

6.5.1预处理

6.5.2 E-HMM/ANN混合模型的训练流程

6.5.3 E-HMM/ANN混合模型训练算法复杂度分析

6.5.4 E-HMM/ANN混合模型人脸识别系统流程

6.6人脸识别实验

6.7小结

第七章总结与展望

7.1总结

7.2对进一步工作的展望

参考文献

附录1 ORL人脸图像库中部分对象脸像

附录2自建人脸图像库中部分对象脸像

攻读博士学位期间发表(录用)论文

创新点摘要

致谢