本文關(guān)鍵詞：基于局部紋理模型的人臉對(duì)齊算法研究

  更多相關(guān)文章： 人臉識(shí)別 人臉檢測(cè) 人臉對(duì)齊 隨機(jī)森林 AdaBoost ASM

【摘要】：隨著人工智能技術(shù)的日趨提高,人們不斷在刷新對(duì)身份認(rèn)證技術(shù)的安全、便捷、潮流的認(rèn)知感。傳統(tǒng)的鑰匙、IC卡等身份認(rèn)證方法,存在著不足和諸多安全隱患,已經(jīng)不能滿足人們追求可靠的、便利的身份認(rèn)證。近年來(lái),基于人體生物特征的個(gè)人身份識(shí)別技術(shù)迅速發(fā)展,歸結(jié)于其安全性、便利性極好。與基于指紋、掌紋、虹膜、視網(wǎng)膜、靜脈、骨骼等其他生物特征的身份識(shí)別方式相比,人臉識(shí)別更加具有非侵犯性、防偽性、采集方便等特點(diǎn)。人臉識(shí)別系統(tǒng)一般包括圖像攝取、人臉檢測(cè)、人臉對(duì)齊和身份確認(rèn)四個(gè)步驟。其中,人臉對(duì)齊的目標(biāo)是定位面部上眼睛、鼻子、嘴巴及臉部輪廓等主要器官的特征點(diǎn)。精確地定位人臉特征點(diǎn)能夠?yàn)闇?zhǔn)確地提取人臉特征奠定基石,快速地定位人臉特征點(diǎn)能夠?yàn)橄到y(tǒng)實(shí)時(shí)工作有效提供保障,從而更加有利于人臉識(shí)別工作順利進(jìn)行。然而在復(fù)雜環(huán)境下,由于受光照,遮擋,姿態(tài),表情,圖片質(zhì)量等因素變化的影響,人臉對(duì)齊算法性能大大下降,實(shí)現(xiàn)一種魯棒高效的人臉對(duì)齊方法仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。本文重點(diǎn)探討基于局部紋理模型的人臉對(duì)齊方法,首先敘述了基于Haar-like特征及AdaBoost算法的人臉檢測(cè),其次闡明了基于主動(dòng)形狀模型(Active Shape Models, ASM)的人臉對(duì)齊,最后論述了提出的一種基于隨機(jī)森林回歸的人臉對(duì)齊算法,形成了從原始圖像到人臉檢測(cè)再到特征點(diǎn)定位的一套完整的全自動(dòng)人臉特征點(diǎn)定位系統(tǒng),文章主要分為四大塊：首先,闡述了國(guó)內(nèi)外人臉對(duì)齊的研究形狀及難點(diǎn),總結(jié)了人臉對(duì)齊常用的方法,并總結(jié)了人臉對(duì)齊工作常用的數(shù)據(jù)庫(kù)及人臉對(duì)齊方法性能評(píng)估的幾種方法。其次,敘述了基于Haar-like特征及AdaBoost算法的人臉檢測(cè)方法的實(shí)現(xiàn)過(guò)程,詳解了Haar-like特征的提取、積分圖的構(gòu)造、分類器的構(gòu)建與級(jí)聯(lián),并在MATLAB R2009A平臺(tái)和Helen數(shù)據(jù)庫(kù)、LFPW數(shù)據(jù)庫(kù)及BioID數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)。接著,闡明了基于主動(dòng)形狀模型的人臉對(duì)齊方法的實(shí)現(xiàn)過(guò)程,詳解了訓(xùn)練樣本形狀的對(duì)齊、形狀模型構(gòu)建、梯度向量特征提取及局部模型構(gòu)建,并在MATLABR2009A平臺(tái)和Helen數(shù)據(jù)庫(kù)、LFPW數(shù)據(jù)庫(kù)及BioID數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)。最后,論述了提出的一種基于隨機(jī)森林回歸的人臉對(duì)齊方法的實(shí)現(xiàn)過(guò)程,詳解了像素差值特征的提取、隨機(jī)森林回歸模型的構(gòu)建、隨機(jī)森林回歸模型的遍歷、全局形狀優(yōu)化模型的構(gòu)建及級(jí)聯(lián)結(jié)構(gòu)的應(yīng)用,并在MATLAB R2009A平臺(tái)和Helen與LFPW數(shù)據(jù)庫(kù)對(duì)提出的方法進(jìn)行了測(cè)試,實(shí)驗(yàn)結(jié)果表明基于隨機(jī)森林回歸的人臉對(duì)齊方法不僅特征點(diǎn)定位時(shí)間短、定位精度高,而且訓(xùn)練模型較小。
【關(guān)鍵詞】：人臉識(shí)別 人臉檢測(cè) 人臉對(duì)齊 隨機(jī)森林 AdaBoost ASM
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-20
• 1.1 研究背景與意義10-11
• 1.2 人臉對(duì)齊國(guó)內(nèi)外研究現(xiàn)狀11-19
• 1.2.1 研究現(xiàn)狀11-13
• 1.2.2 研究難點(diǎn)13-14
• 1.2.3 常用的數(shù)據(jù)庫(kù)14-18
• 1.2.5 人臉對(duì)齊的性能評(píng)估18-19
• 1.3 論文的結(jié)構(gòu)安排19-20
• 第2章 基于HAAR-LIKE特征ADABOOST算法的人臉檢測(cè)20-35
• 2.1 人臉檢測(cè)方法概述20-21
• 2.1.1 基于級(jí)聯(lián)分類器的方法20
• 2.1.2 基于可變形部件模型的方法20-21
• 2.1.3 基于神經(jīng)網(wǎng)絡(luò)的方法21
• 2.2 基于ADABOOST算法的人臉檢測(cè)實(shí)現(xiàn)21-31
• 2.2.1 Haar-like特征22-25
• 2.2.2 積分圖25-27
• 2.2.3 分類器的構(gòu)建27-28
• 2.2.4 分類器的級(jí)聯(lián)28-31
• 2.3 實(shí)驗(yàn)結(jié)果與分析31-34
• 2.4 本章小結(jié)34-35
• 第3章 基于ASM的人臉對(duì)齊算法35-46
• 3.1 點(diǎn)分布模型35-36
• 3.2 ASM的人臉對(duì)齊實(shí)現(xiàn)36-42
• 3.2.1 訓(xùn)練樣本形狀的對(duì)齊37-38
• 3.2.2 構(gòu)建形狀模型38-39
• 3.2.3 構(gòu)建局部紋理模型39-41
• 3.2.4 人臉形狀搜索41-42
• 3.3 實(shí)驗(yàn)結(jié)果與分析42-45
• 3.4 本章小結(jié)45-46
• 第4章 基于隨機(jī)森林回歸的人臉對(duì)齊算法46-59
• 4.1 算法原理46-47
• 4.2 基于隨機(jī)森林回歸的人臉對(duì)齊實(shí)現(xiàn)47-52
• 4.2.1 人臉形狀初始化48-49
• 4.2.2 構(gòu)建隨機(jī)森林模型49-51
• 4.2.3 構(gòu)建形狀優(yōu)化模型51-52
• 4.3 實(shí)驗(yàn)結(jié)果與分析52-54
• 4.4 方法比較54-58
• 4.5 本章小結(jié)58-59
• 結(jié)論59-61
• 參考文獻(xiàn)61-66
• 致謝66-67
• 附錄A (攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄)67-68
• 附錄B (攻讀學(xué)位期間所參與的科研項(xiàng)目)68

，

本文編號(hào)：562878