抗局部圖像污染的人臉識別方法研究與實(shí)現(xiàn).pdf_第1頁
已閱讀1頁,還剩79頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、在許多人臉識別算法、信息安全和多媒體信息恢復(fù)中,要求人臉識別系統(tǒng)在局部污染情況(如未知、部分扭曲/閉塞、旋轉(zhuǎn)角度或者缺乏光照條件)下具有魯棒性。但是,目前許多人臉識別系統(tǒng)在上述條件下識別率會(huì)大幅下降甚至無法識別。其主要原因是在實(shí)際應(yīng)用中,光照條件、人臉旋轉(zhuǎn)角度、表情、發(fā)型和背景等因素的變化造成了訓(xùn)練和識別數(shù)據(jù)間的失配,從而極大程度地影響了識別算法的性能。本論文致力于上述問題的研究和介紹新的適應(yīng)未知,部分扭曲,閉塞,人臉旋轉(zhuǎn)等條件下的人臉

2、識別方法。
   本論文的研究是基于863項(xiàng)目工作的延伸,也就是后驗(yàn)聯(lián)合概率決策神經(jīng)網(wǎng)絡(luò)(PUDBNN)模型。該模型是能在對環(huán)境先驗(yàn)知識未知情況下,對含噪聲特征進(jìn)行自適應(yīng)的抑制,確保認(rèn)證結(jié)果主要是由干凈特征所決定。這樣該模型有效的提高了部分特征在被噪聲污染情況下的認(rèn)證精確度。該模型是由后驗(yàn)概率模型(PUM)與高斯混合模型(GMM)相融合形成的。因此,PUDBNN有兩個(gè)明顯的缺點(diǎn)--需要大量訓(xùn)練樣本和不能處理高維人臉特征。本論文針

3、對上述兩個(gè)問題進(jìn)行了深入研究。本論文的主要工作如下:
   (1)本論文對經(jīng)典的特征提取算法進(jìn)行了分析和研究,結(jié)合分塊Gabor特征提取算法和完備鑒別保局投影算法(CDLPP)的優(yōu)點(diǎn),提出了分塊Gabor+CDLPP特征提取方法對高維特征降維和去除冗余信息。并使用典型相關(guān)分析特征融合對CDLIPP算法做了改進(jìn)。為后面的人臉識別算法提供更加易于分類的人臉特征。
   (2)本論文提出了一種新人臉識別模型。該模型是利用核函數(shù)

4、的相關(guān)性,用核相關(guān)函數(shù)代替高斯混合模型(GMM),將PUM模型與核相關(guān)函數(shù)相聯(lián)合,讓核相關(guān)函數(shù)作為決策函數(shù),提出一個(gè)新型的魯棒性人臉識別認(rèn)證模型。從而解決小訓(xùn)練樣本和高維特征情況下人臉圖像局部污染和人臉有旋轉(zhuǎn)角度情況下的人臉識別問題。
   (3)將新模型在XM2VTS和MIT-CBCL人臉數(shù)據(jù)庫上進(jìn)行測試,即使用測試圖像遇到各種模擬以及現(xiàn)實(shí)的部分扭曲,閉塞和人臉旋轉(zhuǎn)的情況。本論文比較了不同的人臉特征:分塊小波特征、分塊Gabo

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論