普通場景視頻人臉檢測與識別的關鍵技術研究.pdf

1、對普通場景視頻進行人臉識別時，會受到視頻抖動、光照、姿態(tài)、表情等等因素的影響，其中光照變化對人臉識別系統(tǒng)的影響非常顯著;視頻抖動對圖像的后續(xù)處理以及人工觀察十分不利，因此本文對普通場景視頻在光照變化條件下的視頻穩(wěn)像、人臉檢測，人臉特征提取以及分類器設計等關鍵問題進行了深入研究。論文的主要內(nèi)容如下：
　　第一章闡述了人臉識別研究的背景、意義和目的，并分析了人臉識別中難點和挑戰(zhàn);同時詳細論述了視頻穩(wěn)像以及可變光照條件下人臉識別研究和應

2、用的現(xiàn)狀以及發(fā)展趨勢，并針對視頻人臉識別的視頻穩(wěn)像以及光照問題，給出了本課題的研究內(nèi)容和思路。
　　第二章論述了人臉識別的一般過程，并針對普通場景視頻人臉識別的關鍵技術進行了詳細剖析，為后續(xù)研究提供了理論基礎。
　　第三章研究了視頻穩(wěn)像算法與視頻人臉圖像穩(wěn)定獲取。在基于旋轉平移運動模型和均值濾波的傳統(tǒng)穩(wěn)像算法基礎上，提出了基于運動成像模型和自適應均值運動濾波算法的穩(wěn)像算法，并將其應用于視頻人臉圖像穩(wěn)定獲取。運動成像模型是將掃

3、描運動和旋轉平移模型融合在一起而構成的運動模型，實現(xiàn)了消除快速掃描運動的影響。同時為了滿足運動成像模型對局部運動點的對稱性要求，采用了塊的二階矩估計局部運動。自適應步長均值運動濾波方法實現(xiàn)了自動判斷抖動過程是否結束，并在抖動結束后用均值濾波方法分離出抖動運動矢量。實驗結果表明，所提出的算法能在存在快速掃描運動情況下有效實現(xiàn)視頻穩(wěn)像，實現(xiàn)了視頻人臉圖像穩(wěn)定獲取。
　　第四章對Adaboost算法的應用進行了深入研究。利用Adaboo

4、st算法和Haar-like特征實現(xiàn)了視頻或圖片中人臉的檢測，并采用人眼區(qū)域和人臉區(qū)域的空間約束關系實現(xiàn)假人臉區(qū)域的消除。
　　第五章提出了基于濾波和LBP人臉高階光照不變特征提取方法。針對用濾波方法提取的人臉特征受到較嚴重光照影響以及與濾波參數(shù)有關的問題，采用LBP編碼濾波特征以獲得人臉高階特征，從而減少上述兩個因素對特征的影響，同時低通濾波能夠降低圖像的噪聲，使得高階特征對噪聲具有魯棒性。實驗結果表明，所提出的特征提取方法更能

5、適應光照條件的變化。
　　第六章提出了基于非局部NeighShrink濾波的降維光照不變特征提取方法。該算法將非局部均值濾波思想融入NeighShrink模型，使獲得的非局部NeighShrink模型對光照的自適應能力更強;同時把數(shù)據(jù)融合技術和小波分析結合在一起，實現(xiàn)提取人臉的降維全信息特征。實驗結果證明，所提出的算法能更好地適應光照條件的變化，以及降低后續(xù)計算所需的資源和時間。
　　第七章提出了基于改進的多數(shù)投票法多分類器

6、集成，并對集成系統(tǒng)多樣性進行了研究。改進的多數(shù)投票法用混淆矩陣估計成員分類器把輸入分到某一類的概率，實現(xiàn)了多分類器集成在多類分類問題上性能的提升。同時針對傳統(tǒng)集成系統(tǒng)多樣性度量的不足，提出了基于Shapley值的多樣性度量方法。該方法實現(xiàn)了多樣性描述和分類結果的關聯(lián)。實驗結果證明改進的多數(shù)投票法在多類分類問題上優(yōu)于多數(shù)投票法，以及所提出的多樣性度量方法能較好地衡量集成系統(tǒng)的多樣性。
　　第八章搭建了視頻圖像人臉識別控制系統(tǒng)平臺。該