復雜背景下多視角人臉檢測與識別.pdf

1、自動人臉檢測與識別屬于模式識別和計算機視覺的交叉學科，具有重要的科學意義。隨著低價位攝像裝置的出現(xiàn)與計算機技術的快速發(fā)展，以及商業(yè)和軍事應用領域需求的不斷提高，人臉檢測與識別技術的研究得到了愈加廣泛的關注和參與。自然人臉圖像受多種因素的影響具有很強的模式多樣性，這使得人臉檢測與識別問題極富挑戰(zhàn)性。復雜背景和多姿態(tài)是人臉檢測與識別技術走向實用化需解決的關鍵問題。 本文系統(tǒng)地分析了現(xiàn)有人臉檢測與識別方法的優(yōu)缺點。針對如下問題進行了深

2、入的研究：基于可能近似正確學習模型的人臉檢測方法中的樣本選擇和多姿態(tài)問題；識別任務中的人臉對齊問題；多因素影響下人臉圖像線性子空間識別方法中的視角非線性變化問題。主要的創(chuàng)新性研究成果概括如下： (1)針對主動機器學習中訓練示例的選擇問題，提出了嵌入式Bootstrap主動樣本選擇算法。通過將Bootstrap和嵌入式Bootstrap的思想進行形式化描述，從理論和實驗中均證明了新算法在保持和原Bootstrap算法訓練時間相當?shù)?/p>

3、前提下，可得到更典型的訓練示例集，從而解決了計算條件對訓練集規(guī)模的限制，使訓練所得的預測器具有更高的性能。并將Bootstrap和嵌入式Bootstrap應用于基于AdaBoost的正面人臉檢測任務的負樣本選擇中，實驗結果表明了理論分析的正確性。該算法適用于一大類主動學習中訓練示例的選擇問題。 (2)當人臉姿態(tài)變化較大時，人臉圖像可利用的共同特征明顯減少，為解決多姿態(tài)人臉的類內差異，提出基于聚類有效性分析和FloatBoost的

4、多姿態(tài)人臉檢測算法。對多種姿態(tài)采取“分而治之”的策略，通過模糊c-均值聚類和基于修正的劃分模糊度的聚類有效性分析對多姿態(tài)人臉圖像進行分類，然后用FloatBoost學習得到樹型的多姿態(tài)人臉檢測器。與原樹形檢測器算法相比，新算法在訓練階段速度更快，在檢測階段更有效。 (3)面部特征精確配準是實現(xiàn)魯棒人臉識別的前提，為了更精確的描述人臉特征和提高分類的精度，提出一種新的人臉序列圖像的對齊方法。文中借鑒人臉圖像中的灰度分布平滑性，提出

5、快速魯棒的模糊連通度分割方法實現(xiàn)序列圖像中的人臉分割，并根據(jù)人臉主要器官進行正面人臉對齊，實驗結果表明該方法有助于識別性能的提高。此外，所提出的分割算法在多噪聲和序列醫(yī)學圖像的分割上也取得較原基于尺度的分割方法更快的速度。 (4)基于張量分解的線性子空間識別方法主要用于解決多因素影響下的復雜人臉識別，本文針對其中的視角非線性變化問題進行深入的研究，提出基于視角流形建模的多姿態(tài)人臉識別算法。首先采用張量分解將影響人臉圖像的多種因素

6、分離；再結合視角流形建模來解決人臉視角空間的非線性問題，最后給出身份和視角參數(shù)的自動求解方法。對測試視角與訓練視角進行交叉驗證的結果表明，與原基于張量臉的識別算法相比，新算法的識別率提高了12％左右。 (5)針對人臉姿態(tài)低維流形與高維人臉數(shù)據(jù)之間的非線性映射關系，提出一種基于非線性張量分解的人臉生成模型。文中深入地研究了多視角人臉表達中的三種視角流形生成方法的有效性，并提出一種基于EM-like的模型參數(shù)求解方法。對測試視角與訓

7、練視角進行交叉驗證的結果表明，與基于張量臉的識別算法相比，識別率提高了19％左右。此外，基于非線性張量分解的方法為混合線性-非線性因素影響下的精細目標建模提供了有效途徑。 上述研究成果分別從復雜背景條件下的多姿態(tài)人臉檢測、對齊與識別等方面給出了具體的研究方案和實驗結果，為人臉檢測與識別的理論研究和應用推廣提供了新思路。此外，文中提出的主動樣本選擇方法、圖像分割方法、多姿態(tài)人臉檢測和識別模型具有一定的通用性，為相關的模式識別問題提