融合全局和局部特征的人脸识别

【摘要】： 人脸识别是计算机视觉和模式识别研究中的热点问题,近年来受到越来越多研究者的关注。同时,作为一种生物特征识别技术,人脸识别在公共安全和日常生活的众多领域有着广阔的应用前景。目前,最好的人脸识别系统在理想情况下已经能够取得令人满意的识别性能。但大量测试和实践的经验表明:非理想条件下的人脸识别技术还远未成熟。要开发出真正鲁棒、实用的自动人脸识别系统还需要解决大量的关键问题,尤其需要研究高效的人脸描述特征以及相应的快速、精确的核心识别算法。 本文主要针对人脸识别中的特征提取问题,采取全局和局部特征层级集成的方法,以提高人脸识别系统的正确率和速度。此外,在对Fisher线性判别分析中存在的问题进行深入分析的基础上,设计了一种全新的线性判别特征提取框架。概括而言,本文的主要研究工作包括: (1)提出了一种新的基于Gabor特征的人脸识别方法。近年来,Gabor特征被认为是最有效的人脸表示方法之一,但Gabor特征较高的维数不利于后端分类器的实现。针对此问题,本文提出了一种基于Gabor特征分组及其集成的人脸表示和识别方法,其基本思想是将Gabor特征按照一定的规则进行分组并对每组特征单独设计分类器,最后把多个分类器进行集成。该方法的优点在于将高维的Gabor特征“分而治之”,从而既保证可以利用较多的判别信息,又使得每个分类器需要处理的特征维数相对较低。此外,多分类器组合的策略也保证了该方法具有较强的推广能力。实验结果表明,该方法对光照、表情、遮挡、年龄等变化具有较好的鲁棒性,与目前主流的人脸识别方法相比也具有明显的优势。 (2)提出了一种基于全局和局部特征层级集成的人脸识别方法。心理学和生理学的研究成果表明,人类视觉感知系统在识别人脸时同时采用了全局和局部特征,但二者所起到的作用不同。受此启发,本文提出将全局的Fourier特征与局部的Gabor特征进行层级集成:第一级分类器采用全局特征,进行粗略的分类;而第二级分类器同时采用全局和局部特征,进行更为精确的分类。实验结果表明,全局和局部特征的层级集成不仅可以提高人脸识别系统的正确率,也能够使系统速度得到较大提升。 (3)提出了一种新的线性判别特征提取框架。提取具有判别能力的特征是解决任何模式识别问题的关键步骤,但是如何设计有效的特征提取算法仍然是一个具有挑战性的问题。在众多的线性判别特征提取算法中,Fisher线性判别分析(FLDA)是最常用的一种。但无论是在理论还是在实践中,该方法都存在一些问题。在对这些问题进行深入分析的基础上,本文提出了一种全新的线性判别特征提取框架,称为最优判别投影寻踪(ODPP)。该框架包含两个主要的步骤:一个是生成候选投影(特征),另一个是选择最具有判别能力的投影。在合成数据和真实数据上的实验结果均表明:ODPP的性能优于FLDA及其主要的一些改进算法。 通过上述工作,本文对人脸识别中的特征提取问题进行了深入研究,结果表明:人脸图像的全局和局部特征中包含不同的分类信息,对二者进行高效的判别特征提取后再进行层级集成,可以取得优异的识别性能。