计算机科学与技术毕业论文--人脸识别技术综述.doc

该【计算机科学与技术毕业论文--人脸识别技术综述 】是由【夜紫儿】上传分享，文档一共【47】页，该文档可以免费在线阅读，需要了解更多关于【计算机科学与技术毕业论文--人脸识别技术综述 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。计算机科学与技术毕业论文--人脸识别技术综述摘要随着社会信息化网络化得不断发展个人身份趋于数字化隐性化如何准确的鉴定确保信息安全得到越来越多的重视人脸识别一种应用比较广泛的生物识别方法在基于人脸固有的生物特征信息利用模式识别和图行图像处理技术来对个人身份进行鉴定在国家安全计算机交互家庭娱乐等其他很多领域发挥着举足轻重的作用能提高办事效率防止社会犯罪等有着重大的经济和社会意义本文主要研究了人脸识别在图像检测识别方面的一些常用的方法由于图像处理的好坏直接影响着定位和识别的准确率因此本文对图像的一些识别算法做了着重的介绍例如基于二维Gabor小波矩阵表征人脸的识别算法基于模型匹配人脸识别算法等此外本文还提及了一般人脸识别系统的设计并着重介绍了图像预处理环节的光线补偿图像灰度化等技术使图像预处理模块在图像处理过程中能取到良好的作用提高图像识别和定位的准确率[关键词]人脸识别特征提取图像预处理光线补偿FaceRecognitionOverviewAbstracturatelyidentifytoensurethatinformationsecurityismoreandmoreattentionFacerecognitionanapplicationofbiometricidentificationmethodsmorewidelybasedonputerinteractionfamilyentertainmentandmanyotherareasFacerecognitioncanimproveefficiencypreventsocialcrimeofcourseithassignificanteconomicandsocialsignificanceuracyoflocationandidentificationsosomeofimagerecognitionalgorithmwillbefocusedpresentationsuchasGaborwavelet-basedtwo-dimensionalmatrixrepresentationoffacerecognitionalgorithmsmodel-uracy[KeyWords]pensation目录1前言611课题背景6com人脸识别技术研究的背景[1]612人脸识别技术研究的意义613国内外现状与趋势7com人脸识别的发展阶段[1]7com国内的发展概况82人脸识别技术921人脸识别概述9com人脸识别的研究范围922人脸检测算法10基于特征空间的方法10com基于统计模型的方法1023人脸识别算法11com基于二维Gabor小波矩阵表征人脸的识别方法11com基于多特征融合和BoostingRBF神经网络的人脸识别方法12基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法173人脸图像预处理实验2131需求分析2132预处理技术21com光线补偿21com灰度变化21com高斯平滑处理21com对比度增强22com直方图均衡2233概要设计2234程序设计与实验22com光线补偿22com图像灰度化23com高斯平滑处理24com直方图均衡264总结29参考文献30声明31致谢32附录原文及译文331前言11课题背景com人脸识别技术研究的背景[1]现在地球上居住着亿人每个人的都由眉毛眼睛鼻子嘴巴组成大体位置固定的并且每张脸的然而这个世界上找不出两张完全相同的人脸即使是面容极其相似的双胞胎能够容易地根据他们细微差异将他们区分区多的不同人脸的特征是什么设计出具有人类一样的人脸识别能力的自动机器这自动机器的人脸识别能力能够超越人类身分析和解答这些问题具有重要的理论和应用价值正是从事人脸识别研究人员所面临的挑战这些问题并那么容易计算机视觉模式识别神经计算生理学等领域的科学问题困惑着我们每天都区分着亲人同事朋友等大多数人却很难出如何区分他们的描述不出自己熟悉的人具体特征意味着仿生学人脸识别研究路线找基本科学问题[1]第一阶段1964年1990年人脸识别只是作为一个一般性的模式识别问题来研究基于人脸几何结构特征Geometricfeaturebased的方法剪影Profile人们面部剪影曲线的结构特征提取分析布莱索Bledsoe戈登斯泰因Goldstein哈蒙Harmon以及金出武雄KanadeTakeo等较早从事AFR研究的研究人员总阶段是人脸识别研究的初级阶段重要的成果也基本没有获得实际应用第二阶段1991年1997年阶段尽管时间短暂但却是人脸识别研究的高期诞生了代表性的人脸识别算法并出现了商业化运作的人脸识别系统比如著名的Visionics的FaceIt系统麻省理工学院MIT媒体实验室潘特兰德Pentland特克Turk提出的特征脸方法是最负盛名的人脸识别方法的很多人脸识别技术或多或少与特征脸有关系特征脸已经归一化的协相关量NormalizedCorrelation方法一成为人脸识别的性能测试基准算法人脸识别中的另一种重要方法弹性图匹配技术ElasticGraphMatchingEGM基本思想是用一个属性图来描述人脸属性图顶点代表面部关键特征点相应特征点处的多分辨率多方向局部特征称为Jet对任输入人脸图像弹性图匹配通过优化搜索策略来定位预先定义的若干面部关键特征点同时提取它们的Jet特征得到输入图像的属性图最后通过计算与已知人脸属性图的相似来完成识别过程方法的优点是既对人脸的关键局部特征进行了建模保留了面部的全局结构特征总体而言阶段的人脸识别技术发展迅速提出的算法在图像采集对象配合正面人脸数据库上了非常好的性能也出现了人脸识别商业公司第三阶段1998年FERET96人脸识别算法评估主流的人脸识别技术对或者对象不配合造成的变化鲁棒性比较差问题逐渐成为研究人脸识别的商业系统进一步发展hiades布兰兹Blanz和维特Vetter巴斯里Basri和雅各布Jacobs总体而言非理想成像条件下光照和姿态对象不配合大规模人脸数据库上的人脸识别问题逐渐成为统计学****理论非线性建模方法基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势国家863项目面像检测与识别核心技术通过成果鉴定并初步应用标志着我国在人脸识别领域掌握了一定的核心技术2002年北京科瑞奇技术股份有限公司一种人脸鉴别系统对人脸图像进行处理对图像进行特征识别人脸别使用正面照别的人脸图像不同拍摄的使用的照相机不一样2005年1月国家"十五"攻关项目《人脸识别系统》清华大学电子系人脸识别课题组负责人苏光大教授主持通过了公安部专家鉴定鉴定委员会项技术处于国内领先水平国际先进水平《人脸识别系统》人脸识别[2]人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术广义的人脸识别实际包括构建人脸识别系统的一系列相关技术包括人脸图像采集人脸定位人脸识别预处理身份确认以及身份查找等而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统人脸识别是一项热门的计算机技术研究领域它属于生物特征识别技术是对生物体一般特指人本身的生物特征来区分生物体个体生物特征识别技术所研究的生物特征包括脸指纹手掌纹虹膜视网膜声音语音体形个人****惯例如敲击键盘的力度和频率签字等相应的识别技术就有人脸识别指纹识别掌纹识别虹膜识别视网膜识别语音识别用语音识别可以进行身份识别也可以进行语音内容的识别只有前者属于生物特征识别技术体形识别键盘敲击识别签字识别等1人脸的检测FaceDetection在不同背景条件下检测出人脸存在并且确定其位置影响这一任务的因素主要有光照噪声面部倾斜度以及各种各样遮挡等2人脸的表征FaceRepresentation采取某种表示方式表示检测出来的人脸一般的表示法包含代数特征几何特征固定特征模板特征脸云纹图等3人脸的识别FaceIdentification主要是将需要识别的人脸和所存在的数据库中人脸比较这一过程的关键是选择恰当的人脸表征方式以及匹配策略4表情姿态分析ExpressionGestureAnalysis主要是对需要识别的人脸表情或者姿态信息进行分析归类5生理分类PhysicalClassification主要是指对需要识别的人脸的生理特征进行分析得出相关信息比如性别年龄等22人脸检测算法com基于肤色特征的检测方法人脸的一些面部细节特征比如眼睛鼻子嘴等受旋转表情等变化影响很大但肤色则不同它不仅是人脸的重要信息而且又具有相对的稳定性能和大多数背景物体的颜色区别一般常用肤色模型来描述肤色特征比如直方图模型高斯模型混合高斯模型等其实肤色模型和其他的数学建模也是一样的即用一种代数的或查找表等形式来说明哪些像素的色彩属于肤色或者表征出的某个像素的色彩和肤色的相似程度在用肤色模型对肤色进行检测的过程中主要有两个阶段模型的建立和模型的运用模型的建立主要是指通过对大量的肤色像素集进行统计分析然后确定模型中的一些参数而模型的运用主要是指通过已经建立好的肤色模型来判别所输入的像素或区域是否是肤色或者给出它和肤色的相似程度com基于启发式模型的方法这种方法的过程一般是先抽取图像的几何形状灰度纹理等然后再检验他们是否符合人脸的一些基本条件由于人脸的各个器官比如眼睛鼻子嘴等具有较为恒定的模式所以一些方法首先检测出这些器官或者其他局部特征然后根据这些器官的相对位置关系判别是否该区域是人脸com基于特征空间的方法这种方法是将人脸区域的图像变换到其他某一特征空间并且根据其分布规律划分为人脸和非人脸两种模式常用的分析方法有主分量分析PCA等PCA方法是根据人脸图像的统计特征进行正交变换K-L变换来消除原有向量各个分量之间的相关性通过这样的变换能够得到特征值依次递减的特征向量即特征脸com基于统计模型的方法这种方法是解决复杂的人脸识别检测问题的有效途径是目前比较流行的方法它主要针对正面人脸的检测并且优点很明显1它不依赖于人脸的参数模型和先验知识能够有效地避免不完整的或者不精确的知识造成的错误2它采用实例学****方法获取模型的参数在统计意义上可靠性更好3学****实例的学****可以很好的扩充检测模式的范围提高检测系统的鲁棒性23人脸识别算法com基于二维Gabor小波矩阵表征人脸的识别方法[3]Gabor滤波器小波由于其良好的空间局部性和方向选择性在人脸识别系统中得到了很好的应用但是由于Gaboerface是由几十个Gabor滤波器和人脸图像进行卷积运算得到的所以它的特征空间维数是非常巨大的因此我们可以采样或压缩来减少特征空间的维数在基于线性相关准则的优化Gabor滤波器集合的方法中我们通过分析Gabor滤波器的相关矩阵得出当选取的尺度集合VV-2V5时相关矩阵达到最小值因此可以得到一组优化的滤波器集合这样就可以尽可能的减少特征集合的冗余com1Gabor滤波器Gabor核函数的定义其中μ和v分别代表滤波器的方向和尺度因子滤波器的参数分别是com2基于相关准则选取Gabor滤波器集合以8个方向和8个尺度的图像为例这样就有64个Gabor滤波器采用线性相关准则来度量滤波器之间的冗余时可以先固定方向集合Uμ0μ7然后调整尺度集合从V1v-4v3到V5v0v7如图由于虚部得到相同的结果所以与滤波器的实部为例来分析先将滤波器的实部按行或列连接成一个矢量这样2个滤波器和的线性相关定义为全部64个滤波器的相关系数就组成了一个6464的对称矩阵对角线上的元素为1由于相关系数的范围为[-11]取其绝对值并且将其绝对值区间即[01]映射到灰度尺度区间[0255]这样矩阵的特性就可以用图示的方式来表示了下图为不同尺度集合下得到的相关矩阵情况由滤波器方向和尺度的相关特性将滤波器进行2种排列组合在图1-5中滤波器的排列规则是先方向后尺度而6-10是先尺度后方向的规则排列的从上图可以看出高的相关系数主要集中于低的尺度因子区域v-4-31中和v-32中以及高的尺度因子区域v64中和v675中相似的相关系数较高的主要集中在低尺度因子区域中子块的左上角以及高尺度因子区域中子块的右下角这和图中1-5得到的观察结果是完全一致的此外由图3和8可知当选取v3尺度集合时全部相关系数达到最小值因此选取v3v-2v5作为Gabor滤波器的尺度集合可以提取尽可能的不相关的特征数据来减少冗余com基于多特征融合和BoostingRBF神经网络的人脸识别方法[4]com1人脸特征的提取com11人脸的Zernike矩特征在统计学中我们常用矩来表征随机量的分布因此我们可以把二值图或者灰度图看成是二维密度分布函数那么矩技术就可以应用于描述一幅图像的特征Zernike矩方法源于正交矩阵思想因此能构造出任意的高阶矩并且具有旋转不变性有非常强的图像表示能力用fxy表示二维离散图像函数nm阶Zernike不变矩阵表示为