近年來隨著科學技術的發(fā)展,人臉識別已經走進了人們的日常生活中,其在如刷臉支付、身份驗證、智能考勤等很多方面得到了廣泛的應用。并且,隨著軟件算法與硬件能力的進步,人臉識別技術也越來越接近成熟。不過,在現(xiàn)實生活的應用中,人臉識別技術仍然受到諸如光照、表情、衣物遮擋和姿態(tài)變換等因素的干擾。其中,人臉的多姿態(tài)性是目前人臉識別技術研究的重點與難點之一。本文針對多姿態(tài)人臉識別技術進行探討和研究,主要包括基于聚類的多姿態(tài)人臉識別算法和基于深度學習的多姿態(tài)人臉識別算法兩個方面。本文的研究工作如下:（1）從基于人眼定位的方法出發(fā),對常用的ASEF（Average of Synthetic Exact Filters）算法進行研究分析與改進,通過加權后的ASEF算法定位人眼位置得到相應的人眼標定數據。依據人眼標定數據,再通過聚類算法對人臉的不同姿態(tài)進行分類估計,然后通過PCA+Adaboost與ICA+Adaboost算法進行身份識別。（2）針對目前多姿態(tài)人臉數據庫樣本不足的情況,使用生成對抗網絡進行樣本擴充。本文基于DCGAN（Deep Convolution Generative Adversaria... 

【文章來源】：北京建筑大學北京市

【文章頁數】：58 頁

【學位級別】：碩士

【部分圖文】：

自動人臉識別系統(tǒng)

對圖像與數據庫中的數據的匹配程度進行二分類[57]。這一操作包括一對一的圖像確認過程與一對多的圖像辨認過程。近年來，以卷積神經網絡為首的深度學習方法在人臉識別方向上被廣泛應用。與傳統(tǒng)的人臉識別算法相比，深度學習的方法提高了對大量數據處理的能力，且進一步提高了人臉的識別率。其識別流程與傳統(tǒng)的人臉識別算法流程相似，其流程都由圖像輸入-圖像預處理-特征提取-特征匹配-得出結果組成。與傳統(tǒng)的人臉識別算法相比，深度學習算法隱藏了特征提取部分。通過卷積神經網絡方式的特征提取依據其卷積方式，其網絡結構如圖2-2所示。2.2多姿態(tài)人臉識別算法在人臉識別算法的基礎上，為了避免姿態(tài)變換對人臉識別率造成的影響，逐漸發(fā)展出現(xiàn)在的多姿態(tài)人臉識別算法。與針對正臉的人臉識別算法相似，多姿態(tài)人臉識別算法也可分為傳統(tǒng)多姿態(tài)人臉識別方法與基于深度學習的多姿態(tài)人臉識別算法。傳統(tǒng)的多姿態(tài)人臉識別方法大致分為如下幾部分。（1）基于幾何特征的多姿態(tài)人臉識別[58]。人臉的幾何特征主要由人臉整體輪廓特征與各個器官特征組成。通過檢測各個器官與人臉重要部位邊緣檢測，并通過算法對檢測到的幾何信息與數據進行匹配，判斷其姿態(tài)與身份信息。（2）基于數據降維再分類的多姿態(tài)人臉識別。PCA算法的目的是將多維數據進行降維操作得到較低維度的數據再進行人臉識別，可以較快的得出檢測結果。但PCA算法也很容易受到外部如光照等因素的干擾。ICA算法在降維方面與PCA算法的效果相近。近年來出現(xiàn)了很多基于深度學習的算法模型，其網絡結構的連接方式與大量可更改的參數使深度學習的模型可以有效的解決人臉的多姿態(tài)性對人臉識別帶來的困難，例如深度置信網絡、DeepFace網絡、FaceNet網絡、VGGFace網絡和DeepID網絡等。其中深度置信網絡與VGGF

第3章基于聚類的多姿態(tài)人臉識別算法173.3實驗對比與分析本章實驗基于前面小節(jié)介紹的改進的ASEF和K-means方法，首先進行人眼定位，然后根據左右眼睛之間的距離進行K-means聚類分析，從而實現(xiàn)對人臉姿態(tài)分類的效果。接下來，在同一個姿態(tài)的數據集內進行身份識別，分別使用PCA和ICA兩種特征提取方法，分類器使用Adaboost算法。圖3-1表示本章算法識別流程。為測試本章提出的算法對不同干擾因素的魯棒性，將設計3種實驗分別對其進行驗證。實驗一的目的是驗證本章算法對極端姿態(tài)的識別率，本章實驗所采用的MultiPIE數據庫由15種姿態(tài)組成，其中4種姿態(tài)為倒置的姿態(tài)圖像，這里不對其進行考慮。假設正面姿態(tài)人臉為0°，其他的姿態(tài)角度分別為15°，30°，-15°，-30°等，表3-1表示ASEF算法在不同角度上的人眼定位率。此實驗選取20人為實驗樣本，通過計算定位的點與真實的點之間的平均距離代表其準確率。表3-1ASEF算法對不同姿態(tài)的識別效果Table3-1ASEFalgorithm"spositioningeffectondifferentpostures姿態(tài)分類-90°-80°-60°-30°-15°0°15°30°60°80°90°定位誤差2922511.511142632由于本章算法需要依靠雙眼定位，因此由表3-1可以看出，由于無法準確定位圖像雙眼的位置，側面姿態(tài)（-90°和90°）和接近側面的姿態(tài)（-80°和80°）人臉圖像的人眼定位難度很大，所以，后續(xù)驗證算法準確率的實驗選擇了以正面姿態(tài)為中心的5個姿態(tài)的數據進行實驗。實驗二的目的在于驗證本章算法對光照的魯棒性，本章實驗所采用的MultiPIE數據庫包括20種光照（用1-20表示由暗到明的光照強度，1為最暗，20為最亮），這里將實驗分為兩組對照實驗：單一光照圖像訓練后進行定位與多光照混合訓練后進行定位的定位準確率。表3-2是ASEF算法對不同姿態(tài)數據的定位效果。圖3-

【參考文獻】：
期刊論文
[1]基于雙層生成對抗網絡的素描人臉合成方法[J]. 李凱旋,曹林,杜康寧.  計算機應用與軟件. 2019(12)
[2]一種多算法融合的人臉識別方法研究[J]. 姚立平,潘中良.  光電子·激光. 2019(09)
[3]針對跨姿態(tài)人臉識別的度量學習方法[J]. 王奧迪.  現(xiàn)代計算機(專業(yè)版). 2019(03)
[4]基于卷積神經網絡的人臉識別系統(tǒng)[J]. 范安宇,包乾輝,鄭一超,楊毅剛,余亦鍇.  電腦編程技巧與維護. 2019(01)
[5]基于正則化Fisher分析和稀疏表示的人臉識別[J]. 謝文浩,蘭奇遜,徐華鋒.  河南城建學院學報. 2018(06)
[6]激光光點定位技術在移動人臉識別中的應用[J]. 楊鑫,王愛學.  激光雜志. 2018(12)
[7]基于新迭代規(guī)則的稀疏CNMF人臉識別方法[J]. 周靜,黃心漢.  華中科技大學學報(自然科學版). 2018(12)
[8]基于Hadoop平臺Canopy-Kmeans聚類算法優(yōu)化改進研究[J]. 周功建.  安徽廣播電視大學學報. 2018(04)
[9]基于Sobel算子改進卷積神經網絡的人臉識別[J]. 黃劍,賀興時.  渭南師范學院學報. 2018(20)
[10]基于卷積神經網絡人臉識別方法研究[J]. 陸紅.  現(xiàn)代信息科技. 2018(10)

博士論文
[1]復雜條件下人臉局部特征檢測方法的研究[D]. 桑海濤.哈爾濱理工大學 2017

碩士論文
[1]基于生成對抗的人臉正面化生成[D]. 錢一琛.北京郵電大學 2019
[2]基于度量學習的人臉識別算法研究[D]. 張隆琴.華南理工大學 2019
[3]人臉姿態(tài)矯正算法的研究[D]. 文翔.合肥工業(yè)大學 2019
[4]3D人臉多姿態(tài)合成與應用研究[D]. 楊瑋玥.上海師范大學 2019
[5]人臉識別中人臉檢測和特征提取算法的研究[D]. 劉勝昔.南京郵電大學 2018
[6]多姿態(tài)表情的人臉識別算法研究[D]. 曹雯靜.西安理工大學 2018
[7]基于人臉識別的互聯(lián)網檢索技術實現(xiàn)[D]. 任潤鵬.內蒙古大學 2018
[8]基于隨機森林與稀疏表示的多姿態(tài)人臉識別方法研究[D]. 張超.西北大學 2018
[9]基于局部不變特征的二維多姿態(tài)人臉識別研究[D]. 杜躍偉.重慶郵電大學 2018
[10]基于深度學習的多姿態(tài)人臉識別研究[D]. 王勛濤.吉林大學 2018



本文編號：3261192