本文關(guān)鍵詞：基于視頻的人臉追蹤與識別，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息技術(shù)的快速發(fā)展,視頻監(jiān)控越來越多地應(yīng)用于安全監(jiān)控以及身份識別等相關(guān)領(lǐng)域,人臉識別是重要的生物特征識別方法之一,主要依據(jù)人的面部特征,采用自動化的方法來驗證或識別一個人的身份,具有使用便捷、識別率高與非接觸性等特點,并且具有廣闊的應(yīng)用發(fā)展前景。大多數(shù)的人臉識別研究工作,都是在良好的照明條件和正面姿態(tài)下進行的,然而在真實場景的實際應(yīng)用中,并不是每一次都能夠獲得可靠的面部外觀特征描述。人臉識別中最重要的任務(wù)就是要找到有效的、區(qū)別性的面部外觀描述,從而可以減小低質(zhì)量的人臉圖像、尺度變化、光照變化、姿態(tài)變化和部分遮擋等帶來的影響。其主要有兩種重要的方法:基于幾何特征描述和基于外觀形狀描述。在人臉面部變化過程中幾何結(jié)構(gòu)描述方法很難提取可靠的特征信息,而出現(xiàn)的特征臉由于殘余空間配準誤差,往往模糊了圖像細節(jié)信息,但單一特征并不能有效的描述人臉信息,并且具有準確率低和魯棒性差的特點。本文主要分為兩大模塊,分別為人臉檢測與追蹤、人臉特征提取與識別,如下所示:1)人臉檢測與追蹤模塊:它是以良好的安全性和監(jiān)視為基礎(chǔ)的智能應(yīng)用模塊。本文首先深入分析了Adaboost算法理論并對其進行推導(dǎo),接著選取視頻進行實驗分析,證明了它的優(yōu)越性,且實時性良好。人臉追蹤是智能視頻監(jiān)控系統(tǒng)中的一個重要組成部分,深入分析了Mean Shift算法基本理論,然后延伸到Camshift算法。雖然傳統(tǒng)的Mean Shift算法通過手動的設(shè)置追蹤對象,可以追蹤移動物體的軌跡,但它不能夠很容易地追蹤對象,例如對象被遮擋或相同顏色干擾的障礙物。本文根據(jù)Ada Boost和Camshift算法的特點,可以自動的完成人臉檢測和準確追蹤。2)人臉特征提取與識別模塊:為了解決單一特征在基于視頻的人臉識別中準確率較低的問題,提出了基于方向梯度直方圖(HOG)特征和局部三值模式(LTP)特征融合的人臉識別方法。結(jié)合輪廓信息和紋理信息,通過HOG特征和LTP特征自適應(yīng)融合,不僅可以準確識別人臉,解決識別率低下的問題,而且可以減少訓(xùn)練時間,提高系統(tǒng)運行速度。為了說明本文方法的有效性,我們分別在Yale和ORL數(shù)據(jù)集進行測試,這些數(shù)據(jù)集包含大量的照明變化,類似于那些在不受控制的條件下拍攝的自然圖像,并從互聯(lián)網(wǎng)中選取一部分視頻進行仿真分析,實驗結(jié)果表明:本文方法能夠提高精度,減小誤差率。
【關(guān)鍵詞】：人臉識別 方向梯度直方圖 支持向量機 局部三值模式
【學(xué)位授予單位】：長春工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-16
• 1.1 課題的研究背景及意義8-9
• 1.2 本論文研究內(nèi)容9-10
• 1.3 國內(nèi)外研究現(xiàn)狀10-13
• 1.3.1 人臉檢測與追蹤研究現(xiàn)狀10-12
• 1.3.2 人臉識別研究現(xiàn)狀12-13
• 1.4 本論文的研究難點13-14
• 1.5 論文的組織結(jié)構(gòu)14-16
• 第二章 人臉檢測與追蹤16-24
• 2.1 視頻人臉檢測16-20
• 2.1.1 特征提取16-17
• 2.1.2 積分圖17-18
• 2.1.3 基于Haar級聯(lián)的人臉檢測18-19
• 2.1.4 Adaboost算法流程19-20
• 2.2 視頻人臉追蹤20-22
• 2.2.1 Meanshift追蹤算法簡介20-21
• 2.2.2 Camshift追蹤算法分析21-22
• 2.3 視頻人臉檢測與追蹤設(shè)計思路22-23
• 2.4 本章小結(jié)23-24
• 第三章 人臉特征提取與識別24-37
• 3.1 特征提取與識別流程24
• 3.2 人臉圖像預(yù)處理24-28
• 3.2.1 直方圖均衡化25-27
• 3.2.2 中值濾波27
• 3.2.3 人臉圖像歸一化27-28
• 3.3 HOG-LTP人臉特征提取28-34
• 3.3.1 HOG特征提取28-30
• 3.3.2 LBP特征提取30-32
• 3.3.3 LTP特征提取32-33
• 3.3.4 特征融合方式33
• 3.3.5 KPCA特征降維處理33-34
• 3.4 人臉分類器設(shè)計34-36
• 3.4.1 SVM算法簡介34-35
• 3.4.2 SVM算法推導(dǎo)35-36
• 3.5 本章小結(jié)36-37
• 第四章 實驗結(jié)果分析及討論37-45
• 4.1 實驗環(huán)境與數(shù)據(jù)庫選擇37-38
• 4.3 實驗仿真與結(jié)果分析38-44
• 4.3.1 視頻人臉檢測與追蹤實驗38-40
• 4.3.2 視頻人臉追蹤與識別實驗40-44
• 4.4 本章小結(jié)44-45
• 第五章 總結(jié)與展望45-47
• 5.1 總結(jié)45-46
• 5.2 展望46-47
• 致謝47-48
• 參考文獻48-53
• 作者簡介53
• 攻讀碩士學(xué)位期間研究成果53

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 江宇聞;朱思銘;;基于Overcomplete ICA的人臉特征提取[J];計算機科學(xué);2005年07期

2 陳鵬;;人臉特征提取方法的研究[J];中國水運(理論版);2006年12期

3 魏冬冬;諶海新;聶鐵鑄;;人臉特征提取與識別技術(shù)研究[J];計算機與現(xiàn)代化;2007年03期

4 王宏勇;王青青;;三維人臉特征提取方法綜述[J];電子科技;2012年12期

5 王fE;楊光;;改進的脈沖耦合神經(jīng)網(wǎng)絡(luò)人臉特征提取方法[J];計算機工程與應(yīng)用;2013年01期

6 宋宇,周激流,何坤,劉智明,黎奎;多尺度人臉特征提取[J];計算機應(yīng)用研究;2005年04期

7 陶宇權(quán);程德福;李成榮;徐U

本文編號：400011