基于特征学习的人脸识别算法研究--毕业论文.docx
《基于特征学习的人脸识别算法研究--毕业论文.docx》由会员分享,可在线阅读,更多相关《基于特征学习的人脸识别算法研究--毕业论文.docx(72页珍藏版)》请在咨信网上搜索。
1、硕士学位论文基于特征学习的人脸识别算法研究学科专业电路与系统学位类型科学学位专业学位研究生姓名 李茅 指导教师姓名、职称王 玲教授论文编号湖南师范大学学位评定委员会办公室二一六年六月分 类 号TP391密级学校代码10542学号201302110919基于特征学习的人脸识别算法研究Sudy on Feature Learning For Face Recognition 研 究 生 姓 名 刘海媚指导教师姓名、职称王玲教授学 科 专 业 电路与系统研 究 方 向 模式识别湖南师范大学学位评定委员会办公室 二一六年六月I基于特征学习人脸算法研究中文摘要人脸识别算法因其在实际应用中广阔的前景而收到
2、关注,它是人工智能、模式识别、计算机视觉等相关学科交叉领域的研究热点。人脸识别的核心问题是根据提供的人脸图像用机器提取出具有判别能力的特征来鉴别个人的身份。目前人脸识别算法受制于光照变化、姿态多样、饰物遮挡、表情变化和多模态图像影响,在实际应用中算法识别率不理想。本文以局部特征提取的框架为基础,对人脸识别中的遇到的难点提出相应的解决方法。主要的研究成果有:(1)研究了局部二值模式(LBP)的原理以及基于LBP的扩展算法。综合分析LBP模式的优点和缺点,提出了类LBP识别框架,同时给类LBP模式指出了相应的改进方向。(2)局部序数模式(LIOP)提出使用邻域之间的序数关系对于纹理的描述有重要的作
3、用。但是它只能应用在很小的邻域点上,得到的特征向量的判别能力较弱。于是我们研究了LIOP和LQP的相关原理,提出了基于局部序数描述的增强量化模式人脸特征提取算法。实验验证了该算法具有良好的识别能力,能够对表情、背景和遮挡有一定的鲁棒性。并进一步使用白化主成份分析使特征向量的分布更为紧凑,降低了特征向量的维度,提高了总体的识别性能。(3)针对异质图像的识别问题,提出了基于成对判别滤波核学习的局部特征异质图像识别方法。与传统的使用图像灰度特征直接进行异质图像的共同特征的提取不同的是,我们先将图像进行判别滤波减去不同模态带来的图像差异,接着使用增强量化模式为图像编码并提取直方图特征用于最终的人脸匹配
4、。不像CCA方法这种没有用到样本的标签信息的无监督学习方法,成对判别分析方法充分考虑了不同模态之间图像的标签信息。最终通过实验验证了该算法取得了比现有算法更好的效果。关键词:局部二值模式;人脸识别;线性判别分析;滤波学习;异质图像识别ABSTRACTFace recognition is a important issue in real world application which involving pattern recognition ,artificial intelligence and computer vision area. The key point of face re
5、cognition is how to extract discriminative feature from face images to identify the specific person. Due to various adverse effects such as lighting, pose, accessory, expression and heterogeneous modality variations, the performance of most existing face recognition algorithms is not satisfactory in
6、 real world.in this thesis, we study on the local feature extract framework and present some strategies to improve the performance of face recognition algorithms. The main contributions of this thesis are:1.Study on local binary pattern and its varieties, and summarize a like local binary pattern fe
7、ature extract framework. Besides, we list the pros and cons of ours framework, give the research direction of future works.2.Local Intensity Order Pattern(LIOP) is a highly discriminative descriptor which encodes the local ordinal information of each pixel. However, the discriminative power of LIOP
8、is limited since it just describes the relationship among the four neighbors around the center point. Local Quantized Patterns(LQP) could enrich the discriminative power of local pattern. We incorporate LIOP and LQP , and propose enhanced Local Quantized Patterns(ELQP).the experiment result indicate
9、 the proposed algorithm has better performance than compared algorithms. with WPCA, our algorithms performance get improved.3.To deal with the heterogeneous face recognition(HFR) problem, we propose the common discriminative subspace framework which utilizes two learning filter kernels to reduce the
10、 heterogeneous datas difference of the same person and then use ELQP to extract discriminative histgram features to classify each image. unlike the traditional heterogeneous face recognition algorithm using CCA to extract features, our method can use Linear Discriminate Analysis(LDA) to utilize loca
11、l the label information to enhance the algorithms performance. Experiment in HFB show our algorithm get good performance.key words: local binary pattern; face recognition; Linear Discriminate Analysis; image filter; HFR III目录中文摘要IABSTRACTIII第1章 绪论VIII1.1人脸识别的研究背景和意义VIII1.2人脸识别技术的研究历程和现状XI1.3人脸识别技术的研
12、究内容XIII1.4人脸识别技术研究的难点XX1.5人脸识别的评判标准XXII1.6 本文的主要工作和结构安排XXIII第2章 类局部二值模式理论综述XXV2.1 LBP概述XXV2.2LBP编码的特点XXVI2.3针对LBP算法的改进XXVII2.3.1图像滤波上的改进XXVII2.3.2针对模式采样的改进XXVII2.3.3针对模式编码上的改进XXVIII2.4类局部二值模式的直方图特征提取框架XXVIII2.4.1直方图特征度量XXIX2.4.2直方图权重度量方法XXX2.4.3直方图特征的降维方法XXXI2.4.4WPCA的计算过程XXXII第3章 增强局部量化模式人脸识别算法XXXI
13、V3.1引言XXXIV3.2 增强局部量化模式XXXV3.2.1 局部序数模式XXXV3.2.2 局部量化模式XXXVII3.2.3 增强局部量化模式XXXVIII3.3 相似度量与降维方法XXXIX3.3.1 相似度量XXXIX3.3.2 WPCA降维XL3.4 融合PP和Retina的图像预处理方法XLI3.4.1 Retina模型XLI3.4.2 PP(a pipeline of image preprocessing)预处理XLIII3.4.3 本章PP-retina预处理算法XLV3.4 实验结果与分析XLVI3.4.1 实验参数与结果XLVII3.4.2 WPCA降维结果XLVII
14、I3.5本章总结XLIX第4章 基于局部共同特征的异质人脸识别方法L4.1异质人脸识别概述L4.2异质人脸识别研究回顾LI4.3成对判别滤波核和增强量化模式融合算法LII4.3.1判别滤波核学习LII4.3.2 成对判别判别滤波核学习LV4.3.3整体算法框架LVIII4.4实验与结果分析LIX4.5本章总结LX第5章 总结与展望LXI61第1章绪论1.1人脸识别的研究背景和意义一直以来身份鉴别相关技术都是广大研究者的热门研究对象1-5。在实际应用中正确的识别每一个对象,并赋予相应的权限,实现该对象的功能。正确的识别用户身份,防止错误的识别也就显得尤为重要。例如身份证的编号,大门的钥匙,网络帐
15、号的密码这些就是识别身份的重要信息。目前来看身份的识别分为两种,一种是传统的身份验证方法,包括利用各种物理的实体或者虚拟的信息进行身份的授权,比如钥匙,口令,磁卡等。另一种是新型的基于生物特征的识别方法,生物特征的方法一般是指用人的某些具有明显区分能力的特征来鉴别人的身份,常用的有人脸,指纹,手指静脉血管,虹膜,语音等。与传统的识别方法相比,生物特征具有5个优势:(1)能够根据人的特征识别身份。(2)能够防止被非法用户入侵和篡改(3)不易丢失,不可转让(4)用户体验好,不需要携带特定的工具,也不易损坏。(5)不可伪造,也不可盗用,安全性能好。理想的生物识别技术具有四个特性:普遍性、唯一性、持久
16、性和可收集性。生物特征识别技术具体来说可以分为两类,一类是利用身体特征,比如人脸、指纹、虹膜等;另一类是利用行为特征,比如手写笔迹、步态、语音语调。生物特征识别技术的研究就是我们常说的模式识别的研究。不同之处在于生物特征识别侧重于从不同的模式中鉴别对象的身份。进入21世纪以后,随着相应技术的成熟,以生物特征为代表的身份识别技术逐渐进入了普通人的日常生活,例如以人脸和指纹识别为代表的生物特征识别技术已经开始应用在金融、教育、医疗和社保等领域。我们可以展望,在各国政府的重视和推动下,在不久的将来,生物特征识别技术将越来越深入到人们的日常生活之中,给人们的生活带来便利。人脸识别技术作为生物特征的一种
17、,相对于其他生物特征,比如指纹、虹膜、掌纹等,其具有四大优势。第一,具有非接触性。不需要用户与设备直接接触,可以远距离进行识别和认证;第二,隐蔽性强。不需要用户刻意配合,只要使用摄像头采集到人脸就可以,该优点决定了该技术适用于安防监控乃至于公安刑侦领域;第三,可交互性强,使用人脸对身份进行鉴别符合人的直觉易于接收;第四,数据采集成本低,已有的图像数据量十分巨大便于研究。人脸识别技术利用摄像头采集人脸图像信息,而指纹识别需要利用电子压力传感器采集指纹,因而在采集设备方面,人脸识别技术的采集设备简单易得且成本低廉。近几年随着模式识别、机器学习和人工智能等相关技术的发展使得人脸识别技术在实际应用中实
18、现变得可能,同时由于人脸识别技术的上述诸多优点使得它在人们生活中的许多领域得到了推广,例如2008年的北京奥运会上中科院的人脸识别系统为奥运会期间的安保工作保驾护航。我国的已经广泛应用的第二代数字身份证的芯片保存有每个人的人脸数据,可以轻松的收集到大量的数据用于人脸识别。目前的人脸识别系统主要包含两个子类6,一类是人脸鉴别(Face Verification),另一类是人脸认证(Face Identification)。前者是一对一的识别,需要判断待识别人是否是系统中登记的用户是否为同一个人;后者是一对多的识别,判断待识别用户是否是系统的授权用户。人脸识别技术在实际生活中的应用主要包括以下几个
19、领域:1.考勤系统:越来越多的企业开始使用人脸考勤机对员工进行考勤。相对于之前广泛使用的指纹考勤机,人脸不容易伪造不涉及私密信息,系统部署更加方便。2.门禁和安检系统:利用人脸识别身份认证控制门的开启和关闭,可以安装在小区住宅大门、保密室、看守所等需要安全保密的场所。3.社保和金融应用:通过使用人脸识别技术防止信用卡被非法者使用以及社保支付被冒领等。使用人脸识别进行活体检验和身份识别。4.公共安全系统:利用人脸识别技术隐蔽性强的优势,在银行、机场、商场等人员聚集的公共场所对人群进行监控,用于犯罪调查和安全检查。5.相机和手机等休闲娱乐设备:在新型数码相机上搭载人脸识别功能进行自动拍照对焦,利用
20、人脸识别对手机屏幕进行解锁。从应用的范围来看,人脸鉴别系统可以应用在身份证件的真伪鉴别。而人脸认证系统可以应用在公安刑侦等涉及到巩固安全的场合。人脸识别技术的研究最早开始于上个世纪六十年代,到了上个世纪九十年代已经成为了科研热点,至今已有大量的产品和设备具有人脸识别功能。人脸识别技术主要包含模式识别、计算机视觉和人工智能这三个主要的研究方向。人脸识别技术的身份认证主要任务是研究如何使机器能够更迅速、更准确地根据用户的人脸图像信息来判别用户的身份。人脸识别技术包含的研究内容极其广泛,属于多学科交叉领域。它与图像处理、模式识别、计算机视觉、心理学以及神经网络等十多门学科联系紧密,同时其原理与人脑工
21、作机制和认知科学息息相关。因此,在研究人脸识别技术的同时可以促进与其相关学科技术的发展,其他学科的突破可以大大促进人脸识别技术的进步。不同于机器,人们可以快速高效的通过人脸面部图像来鉴别人的身份并理解人的情绪,但是对于机器来说却十分困难。由于在成像过程中存在着各种因素的影响从而导致同一个人的人脸面部图像随着环境的变化而发生较大的变化,因此如何建立一个稳定的自动人脸识别系统具有重要的研究意义。尽管目前商用的一些人脸识别系统其性能都宣称达到了良好的识别效果,但是在用户不主动配合以及成像条件受限的情况下,比如户外光照条件恶劣时,其识别性能会急剧下降,目前关于人脸识别研究并没有达到完美的境地,还存在许
22、多尚未解决的难题,仍然有非常大的研究空间。1.2人脸识别技术的研究历程和现状回顾人脸识别技术的发展历程,按照时间顺序可以将其划分为4个发展阶段7-8。第一阶段是20世纪60年代生物特征识别技术处于萌芽时期9-10,研究人员在1965年设计了人脸识别系统,从而开启了以人脸识别为代表的生物特征识别技术的新时代。第二阶段是在1991年美国麻省理工大学的研究人员提出了特征脸人脸识别的理论和方法11,这标志着人脸识别技术作为一个新兴学科正式起步。第三阶段是在2001年美国“911”事件发生后,世界各国意识到人脸识别的重要意义,各国开始投入大量的资金和人员进行研发,这带动了人脸识别技术的进一步发展。第四阶
23、段是自2008年的北京奥运会后,人脸识别技术开始应用于大型场馆的安全监控,这标志着人脸识别技术开始进入了大规模的应用实践阶段。我国在“十一五”和十二五的科技发展规划中将人脸识别技术的研究和发展列入其中。与此同时,国内一些科研机构和院校开始在人脸识别技术方面做了大量具有创新性的工作,如中国科学院自动化所、清华大学、中国科学院计算机所、香港中文大学多媒体实验室自主研发的人脸识别技术已经进入了世界先进水平行列。在第一阶段主要研究的是人脸识别所需要的面部特征。研究人员采用人脸的几何特征结构来表示人脸,比如人的眼睛、嘴巴、鼻子等等。利用这些面部五官特征,从它们之中选出稳定的配置特征点,这些稳定的特征点以
24、距离、角度或者形状来反映。这一特征表示方法由于特征数量较少并且特征鲁棒性差的缘故,从而导致整个人脸识别系统的性能不够理想。在第二阶段主要采用代数特征的方法来表达人脸。其中最具代表性的是基于子空间的人脸表示方法,包括PCA(pricipal component analysis)算法、LDA(Linear discriminant analysis)算法12和ICA(Independent component analysis)算法13。该方法的优点是在用户配合的情况下,识别性能较为理想。在第三阶段主要是采用局部特征来表示人脸。根据人脸不同区域对识别的重要性不同,从而相对于第三阶段的全局方法,局
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 特征 学习 识别 算法 研究 毕业论文
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【胜****】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【胜****】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。