基于魯棒特征的人臉檢測與身份識別.pdf

1、人臉分析作為計算機視覺和人工智能領(lǐng)域的熱門方向，包括人臉檢測和人臉識別，一直以來備受人們關(guān)注。人臉檢測是在安防、視頻監(jiān)控、人機界面等領(lǐng)域得到了廣泛應用。但是人臉外觀很容易受到自身和外界因素的影響，比如光照、表情、姿態(tài)、遮擋等情況，這些因素使得人臉檢測的難度加大。而人臉識別由于現(xiàn)實場景中人臉的表現(xiàn)形式過于復雜，也存在和人臉檢測同樣的問題，使得如今的人臉識別技術(shù)仍難應用實際中。
　　針對傳統(tǒng) Adaboost算法在光照不均勻、姿態(tài)不定

2、、遮擋等情況下進行人臉檢測出現(xiàn)檢測率不佳的問題，本文在人臉檢測部分主要的工作內(nèi)容有：（1）提出IB-Adaboost（Illumination compensation and Binarization）人臉檢測方法。該方法通過對圖像光照補償預處理，改善圖像光照質(zhì)量；再基于 Adaboost算法訓練人臉分類器；接著對圖像進行 YCbCr色彩空間轉(zhuǎn)換并二值化處理，縮小人臉搜索區(qū)域；再經(jīng)過R、G、B顏色疊加獲取皮膚區(qū)域的彩色圖像實現(xiàn)人臉檢測

3、。（2）由于IB-Adaboost算法的人臉檢測效果仍存在提升空間，因而本文又提出一改使用Haar特征，利用歸一化像素差（NPD）的特征使得人臉不受光照、尺度等影響，采用GentleAdaboost算法，學習基于深二次樹的NPD的最佳子集特性和組合；并構(gòu)造soft-cascade演算法分類器處理復雜的人臉集合、任意的姿態(tài)和遮擋條件，構(gòu)成新的算法NPD-GAdaboost人臉檢測算法。（3）針對NPD-GAdaboost算法的檢測效果又做

4、了重新選擇初始的負例樣本確定訓練模型。由于人臉識別率也會受到環(huán)境、姿態(tài)等影響，本文在人臉識別部分的主要內(nèi)容有：在基于深度學習的基礎(chǔ)上，本文根據(jù)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的 DeepID，學習基于深度學習（DeepID、DeepID2、DeepID2+）的人臉識別，比較各個人臉識別算法，并對人臉進行身份識別，凸顯DeepID2+良好的魯棒性。
　　人臉檢測和識別的具體方法在VisualStudio平臺上進行了仿真實現(xiàn)，基于數(shù)據(jù)庫 FDDB、