基于机器学习和灰度分布的眼睛定位算法

摘要

一个完整的人脸识别系统由人脸检测、眼睛定位、特征提取和人脸识别四部分组成。其中，眼睛定位主要用于人脸配准，定位的准确与否将直接影响特征提取的效果，是提高人脸识别准确率的关键所在。
　　目前，存在一些眼睛定位的算法，如:基于先验规则的灰度投影法和人脸图像二值化方法，基于几何信息的模板匹配法，基于肤色信息的方法基于统计信息的支持向量机和人工神经网络，基于关联信息的概率网络模型和动态链接模型。但是，这些算法都具有较强的约束，需要适当光照、无遮挡物、无表情等条件，而且计算复杂度相对较高，难以达到实时性。
　　本文总结了眼睛定位算法中存在的问题，采用了先定位后判断、再定位的“多次定位”的研究思路。按照这种思路，针对近红外和可见光，分别提出了不同的定位方法。本文还采取了逐步缩小的定位策略，加快了眼睛定位算法的运算速度，进一步提高了算法的准确度和鲁棒性。
　　本文还探索了与结构模型相结合的定位方法。首先用支持向量机筛选出左眼、右眼以及鼻子的候选点，并分别给出相似的概率，然后把双眼和鼻子看成一个三角形，并计算边长、边长比值以及夹角，最后利用这个三角形的结构信息进行判断。这种思想接近于人的认知模式，适合解决复杂条件下的眼睛定位问题。
　　最后，本文在人脸数据库上进行了测试。近红外定位算法在CASIANIR数据库上的定位准确率达到了96.63％，可见光定位算法在CAS-PEAL-R1数据库上的定位准确率达到了98.55％。

目录

声明

摘要

第1章 绪论

1．1 人脸识别综述

1．1．1 研究背景和意义

1．1．2 发展历史和现状

1．1．3 人脸识别系统的组成

1．2 眼睛定位简介

1．2．1 眼睛定位研究的必要性

1．2．2 眼睛定位的现状分析

1．3 本文的研究内容以及安排

第2章 眼睛定位主要算法简介

2．1 基于先验规则

2．1．1 灰度投影法

2．1．2 人脸图像二值化

2．2 基于几何信息

2．3 基于肤色信息

2．4 基于统计信息

2．4．1 支持向量机

2．4．2 人工神经网络

2．5 基于关联信息

2．5．1 概率网络模型

2．5．2 动态链接模型

2．6 眼睛定位算法优劣的评价

2．7 本章小结

第3章 人脸识别中的眼睛定位算法

3．1 眼睛定位存在的问题和发展趋势

3．1．1 存在的问题

3．1．2 发展趋势

3．2 基于Haar分类器的眼睛检测

3．2．1 Haar-like特征

3．2．2 积分图

3．2．3 AdaBoost算法

3．2．4 级联算法

3．2．5 Haar分类器眼睛检测

3．3 近红外眼睛定位算法

3．3．1 近红外人脸图像眼镜的判断

3．3．2 基于瞳孔反光点的眼睛定位

3．3．3 Haar分类器定位准确性的判断和检测

3．3．4 基于几何结构信息的判断调整

3．4 可见光眼睛定位算法

3．4．1 光照处理

3．4．2 基于灰度信息的眼睛精确定位

3．4．3 基于随机森林的定位准确性的判断和调整

3．5 本章小结

第4章 结合结构信息的眼睛定位

4．1 基于概率支持向量机的外观模型的建立

4．1．1 概率支持向量机

4．1．2 灰度密度特征和Gabor特征

4．1．3 外观模型的建立

4．2 基于特征点的结构约束模型的建立

4．3 结合结构信息的眼睛定位算法

4．4 本章小结

第5章 眼睛定位的实验结果以及总结展望

5．1 眼睛定位算法的评价标准

5．2 本文眼睛定位算法结果及分析

5．2．1 近红外人脸图像眼睛定位分析

5．2．2 可见光人脸图像眼睛定位分析

5．2．3 结合结构信息的眼睛定位分析

5．3 总结和展望

5．3．1 本文工作总结

5．3．2 眼睛定位展望

参考文献

致谢