计算机人脸检测与识别方法的研究

【摘要】： 生物特征识别是利用人类特有的生理或行为特征来识别个人身份的技术,它提供了一种可靠、稳定的身份鉴别途径。人脸检测和识别是目前生物特征识别中最受关注的一个分支,是当前图像处理、模式识别和计算机视觉领域内的一个热门研究课题。在公安部门犯罪搜索、安全部门动态监控、银行密码系统等许多领域有广泛的应用。与指纹、视网膜、虹膜、掌纹等其他人体生物特征识别方法相比,人脸识别具有直接、友好、使用者无心理障碍等特点。 本文的研究目的是探索人脸检测和识别的有效方法。本文的研究内容主要包括人脸检测和人脸识别两个方面。主要的研究工作及创新如下: (1)分析了2DLDA、修改的2DLDA算法的本质。提出了一种基于并行特征提取的方法2DCCDA。该方法首先将并行提取到的行与列的特征信息整合到一起,有效克服了(2D)2LDA算法中特征提取串行模式中不能平衡提取行列信息的缺点。然后利用C2DLDA的方法并进行进一步的复特征提取,根据每个特征系数的分类能力从特征矩阵中抽取出最具分类能力的系数组成特征向量,相比较2DLDA和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且识别率也有相应提高。(参见6.4) (2)详细分析了基于主元分析的各种算法并提出了一种基于二元结构特征选取的人脸识别方法(BFS)。其主要思想是将两个类作为一个组,从所有特征脸(主元)中挑选出最适合区分这两个类的特征脸。BFS方法充分考虑不同的两个类之间需要不同的特征脸进行分类,为任意两个类挑选最合适分类的特征脸。某个特征脸只是在需要它参与分类的时候才被使用,大大提高了分类的准确性。(参见第五章) (3)提出了一种基于肤色模型和眼睛定位的人脸检测方法。首先利用肤色模型确定肤色区域,并且根据人脸肤色区域的几何特性利用掩模进行定位,确定人脸的大致区域,然后基于方向模板的眼睛定位在粗定位的基础上验证人脸是否存在以及对人脸的位置进行细调。实验证明了该方法对于复杂背景下人脸检测的有效性。(参见3.3) (4)考虑到实际的人脸识别问题往往每类只有一个训练样本,在这种情况下基于LDA或者2DLDA的算法由于无法估计类内散布矩阵而失效。本文提出一种基于2DCCDA的多方向的人脸识别方法。该方法通过采样解决了2DCCDA处理单训练样本的问题,并且通过旋转图片进一步提取多方向上的信息。(参见6.5)