多姿态人脸检测与表情识别关键技术研究

【摘要】： 在人工智能技术研究领域,人脸作为一种重要的生物特征,其检测、识别和表情提取是实现机器智能化的前提和关键技术之一,具有广阔的应用前景,逐渐成为一个活跃的研究分支。 随着图像处理和模式识别技术的进步,人脸信息处理技术获得长足发展,但仍存在很多需要深入研究的问题。例如:姿态、表情、年龄、遮挡、光照等因素依然严重影响人脸检测与识别的效果,表情识别的研究仍处于起步阶段,理论和方法仍有待完善。本文主要是对多姿态人脸检测、人脸表情特征提取与降维、表情分类与表情识别应用等问题进行了深入研究,研究内容与创新性工作主要如下: 1、提出了融合特征和图像方法,解决多姿态人脸检测这一实际应用中亟待解决的难题。算法首先利用人脸特征快速确定人脸方向,分割出大致正向的人脸候选区域,从而避免增加姿态检测器而增大算法的复杂度,克服了基于图像方法对多姿态人脸检测率低的缺点。分别运用AdaBoost、SVM和RVM三种基于图像的方法对人脸候选区域进行分类检测。实验表明,融合特征和图像方法进行多姿态人脸检测,可明显提高检测速度和检测率。 2、通过分析RVM的稀疏性和泛化性能等优于SVM,将RVM用于人脸检测作了有益的尝试。在基于人脸特征方法的基础上,分别采用AdaBoost、SVM和RVM进行多姿态人脸检测,对比研究表明,AdaBoost的检测速度比SVM和RVM快,检测率略低,SVM和RVM的光照鲁棒性比AdaBoost强,RVM的检测效果优于SVM,在光照变化较大的环境下,利用RVM进行人脸检测不惜为一种好方法。 3、针对AdaBoost、SVM、RVM等基于图像的人脸检测方法对样本依赖较强的问题,为了提高样本有效性,取样本长宽比为1.2,重点突出人脸中央纹理较中的部分。特别是在SVM、RVM算法中,提出了采用彩色样本的新方法,并在YC b Cr彩色空间中,有区别地选取各色彩分量的DCT系数作为特征向量,用于分类器的训练。实验表明,该方法增强了样本有效性,这样可提高算法对光照的鲁棒性和检测率。 4、分析了基于Gabor变换的人脸表情特征提取方法,针对Gabor特征向量维数过高和传统特征降维方法的不足,提出了对主要表情区域进行局部Gabor表情特征提取,根据各表情子区域对表情识别贡献不同,采用非均匀采样,提取出既能反映表情变化,又利于表情分类的表情特征,以达到有效的降维。最后,运用DWT和DCT对表情特征做进一步降维,较好地解决了特征提取与降维的问题。 5、对多分类SVM和RVM进行了深入的研究,针对传统的一对一、一对余等多分类方法的不足,提出了基于二对二多分类SVM与RVM的表情分类方法。该方法以四类别分类问题为研究基础,根据每个子分类器的输出结果进行判断,以相对较少的子分类器组合实现快速分类,从而减少了分类误差。在决策根节点,采用近似最优方法将多类别样本分成两组,并使其聚类中心距离最大,且每组样本数据分歧最小。根据六种基本表情识别率不同,设计出较为合理的决策方案,减小误差的累积,获取最优的分类性能。实验表明,该方法明显缩减了训练和测试时间,提高了分类性能。另外,RVM分类性能略优于SVM。 6、研究了基于人脸识别的身份认证系统的活体检测技术,及其在提高系统的防欺骗性能的优缺点。根据当前人脸表情识别在与人相关时识别率高,与人无关时识别率低的特点,提出了通过访问人员能够接受又容易做到的4种基本人脸表情进行识别,在保证系统运行速度和较低的错误接受率的基础上,实现活体检测,有效提高了基于人脸识别身份认证系统的防欺骗性能。