基于图像梯度方向的有遮挡人脸识别

摘要

随着人脸识别技术的迅猛发展，现阶段在可控条件下的人脸识别系统已有了良好的识别性能。然而，非受控环境下采集到的人脸图像往往会因多种非受控因素(光照、遮挡等)的交错混叠的影响而产生混合遮挡，使得人脸识别系统的性能急剧下降，难以满足实际需求。
　　针对在混合遮挡影响的情况下，人脸识别性能大幅下降的问题，本文在图像梯度方向域中对重构误差的概率模型和误差编码模型进行深入地探索和研究。分别提出了基于协同误差编码和基于结构化加权误差编码的有遮挡人脸识别算法，具体内容如下：
　　(1)为了更为有效地检测混合遮挡的位置，排除其对人脸识别性能产生的影响，在建模的过程中分别利用结构误差和判别误差进行有效特征选取和图像识别。利用遮挡的空间结构(连续性和局部方向性)构造结构误差；利用稀疏表示理论和图像在高维特征空间中的表示，构造判别误差。这两种误差既在功能和度量方法上相互独立又在性能上相互影响，将这两种不同的误差和遮挡支撑相结合，提出了协同误差编码模型。为了进一步增强协同误差编码模型的特征选择能力和识别性能，将图像梯度方向特征和协同误差编码相融合。实验表明，协同误差编码方法可以选取待识别人脸图像中的有效特征并提高识别性能。
　　(2)为了在消除混合遮挡影响的同时进一步减小非遮挡区域的误差对人脸识别的影响，在协同误差编码模型中引入权重，提出了结构化加权误差编码模型。一方面，在图像梯度方向域中,对遮挡区域与非遮挡区域的重构误差分别建立条件误差概率生成模型，提出遮挡区域的重构误差服从???,??上的均匀分布，而对于非遮挡区域，引入权重向量以自适应地调节其误差大小，使其分布满足加权的高斯分布；另一方面，使用马尔科夫随机场对遮挡支撑的空间连续性结构进行建模。此模型既通过估算遮挡支撑来消除遮挡的影响，又利用权重向量来调整非遮挡区域的误差，减小非遮挡区域误差的影响，因此提高了算法的识别性能。
　　(3)为了便于观察和分析算法的效果，搭建了基于MATLAB的人脸识别算法效果的演示系统。该系统将算法的识别结果以图像和直方图的形式集中显示于系统的界面上，为人脸识别技术的研究者们提供了一个良好的算法性能分析和对比的平台。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景和意义

1.2 研究现状概述

1.3 研究内容

1.4 结构安排

第2章 相关理论知识及原理

2.1 图像梯度方向特征

2.2 结构化误差度量和聚类

2.3 基于稀疏表示的编码模型

2.4 本章小结

第3章 协同误差编码的方法

3.1 引言

3.2 模型的建立

3.3 模型的求解过程及优化

3.4 算法流程

3.5 实验结果分析与对比

3.6本章小结

第4章 结构化加权误差编码方法

4.1 建模思想

4.2 模型建立过程

4.3 模型的求解及算法流程

4.4 实验结果分析与对比

4.5 本章小结

第5章 基于MATLAB的算法实现与效果演示系统

5.1 系统设计的出发点

5.2 系统运行环境

5.3 系统设计的总体方案与关键技术

5.4 系统的实现效果

5.5 算法测试结果对比及分析

5.6 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

攻读学位期间参加的科研项目和成果