考慮光照及姿態(tài)的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究.pdf

1、針對(duì)人臉識(shí)別中存在的一系列問(wèn)題，本文主要研究光照，表情以及姿態(tài)對(duì)人臉識(shí)別的影響。其中光照問(wèn)題的解決方案是WLS(Weighted Least Square)算法與直方圖映射算法;表情的解決方案是使用HSLGBP(Histogram Sequence of Local Gabor Binary Pattern)算法;而針對(duì)姿態(tài)問(wèn)題主要解決的是人臉在平面內(nèi)的旋轉(zhuǎn)問(wèn)題，采用的解決方案是首先定位出人眼的坐標(biāo)，然后根據(jù)人眼的坐標(biāo)對(duì)人臉圖像進(jìn)行仿射

2、變換，使之矯正為歸一化的人臉圖像。本文的主要研究工作包括:
　　(1)人臉檢測(cè)部分主要研究了基于膚色聚類的人臉檢測(cè)算法，基于Adaboost弱分類器挑選的人臉檢測(cè)算法以及這兩種方法的融合。
　　Adaboost算法進(jìn)行一系列的迭代以生成一些弱分類器，最后將這些弱分類器組成一個(gè)級(jí)聯(lián)的強(qiáng)分類器，這些弱分類器可以是任何的分類器，如SVM，決策樹，ANN等。基于顏色空間(YCrCb，HSV)的膚色模型檢測(cè)的核心思想是尋找一個(gè)顏色空間

3、，在此顏色空間內(nèi)膚色能很好的聚類在一起。
　　為了提高人臉檢測(cè)的精準(zhǔn)度和降低Adaboost算法的誤檢率，將基于膚色模型的人臉檢測(cè)算法和基于Adaboost算法的人臉檢測(cè)算法結(jié)合起來(lái)提高人臉檢測(cè)的可靠性。算法首先使用Adaboost算法進(jìn)行初檢，最后使用膚色對(duì)檢測(cè)出的疑似人臉區(qū)域進(jìn)行后驗(yàn)證來(lái)排除掉一些非人臉區(qū)域。
　　(2)人臉矯正部分主要研究了基于統(tǒng)計(jì)模型的人臉坐標(biāo)點(diǎn)擬合算法(ASM)，基于ASEF的人眼坐標(biāo)定位算法。

4、r>　　基于統(tǒng)計(jì)模型的人臉特征點(diǎn)擬合主要包括三個(gè)步驟:第一個(gè)步驟為在大量的人臉圖像上標(biāo)記相應(yīng)的特征點(diǎn);第二個(gè)步驟為使用這些已知的特征點(diǎn)的坐標(biāo)或者紋理來(lái)生成相應(yīng)的模型;第三個(gè)步驟為在未知的人臉圖像上搜尋相應(yīng)的特征點(diǎn)即算法擬合部分。
　　基于ASEF的人眼坐標(biāo)定位算法分為兩個(gè)部分:第一部分為模型的訓(xùn)練部分，使用大量的已知人眼坐標(biāo)的圖像，假設(shè)其在頻域中只有在眼睛處具有較為明顯的響應(yīng)，按照濾波模型求出這些響應(yīng)對(duì)應(yīng)的濾波器，然后將其做平均生

5、成相應(yīng)的濾波器模型。第二個(gè)部分為濾波部分，將檢測(cè)出的人臉圖像歸一化到模型人臉的大小，并與求出的濾波器模型進(jìn)行卷積求其局部最大值，定位出人眼的坐標(biāo)。
　　(3)光照預(yù)處理部分主要研究了基于同態(tài)濾波的人臉光照預(yù)處理，基于小波濾波的人臉光照預(yù)處理，基于Retinex理論的人臉光照預(yù)處理，基于WLS算法的人臉光照預(yù)處理。
　　(4)特征提取部分主要研究了基于子空間的人臉特征提取算法(PCA，LDA)，基于LBP的人臉特征提取算法，基

6、于Gabor的人臉特征提取算法。LBP算法可以對(duì)人臉圖像的關(guān)鍵區(qū)域，如嘴巴、眼睛、眉毛、鼻子等進(jìn)行有效的描述。Gabor小波能夠提取人臉圖像不同頻率，不同尺度的信息。這兩種算法在一定程度上能夠有效解決光照、姿勢(shì)、表情變化的影響。然后使用Gabor小波和LBP結(jié)合的提取特征的新方式提取人臉圖像的特征。Gabor小波變換是在頻率域中進(jìn)行的，速度要比在時(shí)域中快很多，處理320×240的圖像基本可以達(dá)到實(shí)時(shí)性。
　　本文以開發(fā)一套實(shí)時(shí)在線