人臉檢測與識別的多特征分析與系統(tǒng)實現(xiàn).pdf

1、本論文研究人臉檢測和識別的多特征分析方法，設(shè)計和實現(xiàn)了一個具有高檢測率和識別率、具有可擴展性的實時人臉檢測與識別系統(tǒng)。我們分析和實現(xiàn)了最近比較流行的人臉檢測和識別算法，提出了新的多特征分析方法、新的弱分類器及新的級聯(lián)結(jié)構(gòu)——動態(tài)級聯(lián)結(jié)構(gòu)學習方法來改進人臉檢測算法，比較了各種不同的人臉識別算法的性能和適用情況，并在此基礎(chǔ)上完成了人臉檢測與具有在線學習功能的人臉識別系統(tǒng)。 本論文的主要工作包括以下幾個方面： （1）在人臉檢測方

2、面，我們在傳統(tǒng)的Adaboost 訓(xùn)練框架的基礎(chǔ)上，提出了多特征的動態(tài)級聯(lián)結(jié)構(gòu)（Dynamic Cascade）訓(xùn)練算法，并訓(xùn)練了一個同時具有高檢測率（Recall）和低誤檢率的（False Alarm）正面人臉檢測器。首先，在連續(xù)的Adaboost（RealBoost）算法中，我們提出了新的弱分類器——Bayesian Stump，以此來解決傳統(tǒng)弱分類器中存在的例如子區(qū)域（Bin）劃分個數(shù)的選擇、如何根據(jù)訓(xùn)練樣本分布進行不同劃分的問題

3、。其次，我們提出了新的級聯(lián)結(jié)構(gòu)（Cascade）方法——DynamicCascade 來解決使用級聯(lián)結(jié)構(gòu)訓(xùn)練中訓(xùn)練參數(shù)過多的問題，并充分利用了上一個級聯(lián)結(jié)構(gòu)分類器的信息，提高了分類效果，同時也降低了分類過程中的平均弱分類器使用數(shù)量。第三，我們提出了多特征的方法來滿足人臉檢測中Cascade 不同階段對特征性質(zhì)的要求，各特征間形成了互補，有利于檢測精度的提高。在CMU/MIT的正面人臉數(shù)據(jù)集上的評測表明了以上改進算法的有效性。在實際應(yīng)用中

4、，這個正面人臉檢測器完全達到了實時的性能。 （2）在人臉識別方面，我們闡述、實現(xiàn)并比較了不同的人臉識別算法并針對人臉識別在線訓(xùn)練算法提出了一些解決方案。通過在中科院人臉數(shù)據(jù)集CAS-PEAL和FERET數(shù)據(jù)集上對這些算法采用的預(yù)處理方法和識別性能進行測試得到的分析結(jié)果表明，采用第二種結(jié)構(gòu)的獨立成分分析（Independent Component Analysis，ICA）算法相對于其他算法在CAS-PEAL數(shù)據(jù)集中的困難光照測試集

5、中表現(xiàn)出了相當好的識別結(jié)果；對于普通的飾物、時間跨度、背景、距離、表情等測試集，局部二值模式（Local Binary Pattern，LBP）算法取得了絕對優(yōu)勢。對預(yù)處理方法的實驗表明，采用直方圖均衡化和高斯模糊，均能對不同的識別算法有顯著提高。 （3）采用了上述改進的人臉檢測算法以及在測試集中勝出的人臉識別算法開發(fā)了快速在線人臉檢測識別系統(tǒng)。在實現(xiàn)上，采用了多線程、識別結(jié)果平滑處理等技巧提高了系統(tǒng)性能，保證了系統(tǒng)檢測和識別的準