基于三維人臉建模的多視角人臉識別方法研究.pdf

1、作為典型的模式識別任務,人臉識別有著巨大的實際應用價值與市場前景。理想環(huán)境下的人臉識別已經取得不俗成績,然而,當所處環(huán)境變化(如姿態(tài)變換、夸張表情、陰陽臉、分辨率較低)時,識別難度增加,效果也急劇變差。與此同時,現(xiàn)有方法大多數(shù)無法實時(在線)完成人臉識別任務,這也限制了人臉識別技術的應用。
　　本文在浙江省大學生科技成果推廣項目(2013R407063)的贊助下,以人臉識別的背景及目的意義為出發(fā)點,考慮到人臉的三維結構,分析研究了

2、基于三維人臉建模的多視角人臉識別方法,本文主要完成了以下幾方面的研究工作:
　　(1)人臉檢測階段:為了確保系統(tǒng)的穩(wěn)定性與實時性,選擇了基于AdaBoost的人臉檢測算法并將所得的分類器打包成XML文件的形式,為以后的實時人臉識別系統(tǒng)的搭建打下了基礎。
　　(2)三維人臉建模方面:在比較幾種基于圖像的三維人臉建模方法后,選擇了基于單張正面的照片的三維人臉建模方法,與常規(guī)方法相比,該方法的可行性與實用性高,方法可以無縫鏈接到人

3、臉識別系統(tǒng)中。本文提出了一套基于Candide-3的三維人臉建模方法,具體分為兩步:首先,使用改進的ASM(主動形狀模型)算法對定位正面人臉的特征點進行定位并根據臨近點插值法確定非特征點坐標;然后,在紋理貼圖階段,本文依據DMS樣條函數(shù),在Candide-3標準模型的基礎上生成了含更多頂點的人臉模型,使得建立的模型真實感和連續(xù)性更好。最后,給出了根據所建三維人臉模型生成的多視角人臉圖像。
　　(3)在人臉圖像特征提取階段:本文提出

4、了基于深度神經網絡的人臉識別方法,本文的深度神經網絡的訓練分為兩步:無監(jiān)督階段與有監(jiān)督階段。其中,在無監(jiān)督階段,使用SparseAutoencoder在大規(guī)模人臉庫LFW的基礎上進行圖像恢復以訓練深度神經網絡。與此同時,為探討網絡層數(shù)對于識別效果的影響,本文訓練了多種多層數(shù)的神經網絡,實驗結果表明,識別率并非與網絡層數(shù)正相關;有監(jiān)督階段,采用鄰近元分析的方法,利用混合人臉庫人臉的多樣性(多姿態(tài)、多表情、多種光照),有目的地提高網絡對于人

5、臉的理解能力,減小相同人臉間距離,增大不同人臉間距離。實驗結果表明,較傳統(tǒng)方法,本文提出的特征提取算法可提取人臉圖像的深度特征,適用于人臉姿態(tài)、表情、光照變化較大的人臉識別任務中,對于人臉識別方法的探究是一次有益的嘗試。
　　(4)在實際的人臉識別過程中:提出了一種“搜索半徑”的概念。首先將每張圖像用二進制數(shù)據表示。在圖像檢索過程中,先計算出圖像間的二進制數(shù)據間的漢明距離,然后按照漢明距離排序,在漢明距離較小的半徑內,尋找與待識別