人臉檢測(cè)和識(shí)別技術(shù)可廣泛應(yīng)用于身份識(shí)別、人機(jī)交互、視頻監(jiān)控等多個(gè)領(lǐng)域。然而,由于受到變化的光照、角度、姿態(tài)和表情等復(fù)雜情況,以及數(shù)據(jù)高維度、訓(xùn)練樣本受限等問(wèn)題的影響,目前的人臉檢測(cè)與識(shí)別技術(shù)仍面臨許多難題和挑戰(zhàn)。在過(guò)去的幾十年里,大量的基于圖像處理和機(jī)器學(xué)習(xí)的人臉檢測(cè)與識(shí)別算法被提出并得到了成功應(yīng)用,其中建立在壓縮感知理論基礎(chǔ)上的稀疏表示方法,由于其優(yōu)異的數(shù)據(jù)降維、特征提取和分類識(shí)別性能,已成為近年來(lái)人臉識(shí)別領(lǐng)域的研究熱點(diǎn)。本文在分析人臉檢測(cè)與識(shí)別方法國(guó)內(nèi)外發(fā)展現(xiàn)狀的基礎(chǔ)上,開展了基于稀疏表示及字典學(xué)習(xí)的人臉檢測(cè)與識(shí)別方法的理論和實(shí)驗(yàn)研究,具有廣闊的應(yīng)用前景。研究了視頻序列圖像中人臉區(qū)域的有效檢測(cè)問(wèn)題,提出了一種基于區(qū)域相似性的人臉檢測(cè)方法。首先以人臉目標(biāo)輪廓和位置為依據(jù),提取幀間關(guān)鍵信息,以感興趣人臉檢測(cè)窗為參考,劃分出圖像中疑似包含人臉的區(qū)域和不含人臉的區(qū)域;然后采用基于紋理、顏色的區(qū)域相似性計(jì)算結(jié)果進(jìn)行區(qū)域合并與剔除,并使用非極大值抑制算法標(biāo)記人臉檢測(cè)窗。與傳統(tǒng)的窮盡搜索單一策略相比,該方法可有效降低檢測(cè)搜索空間,剔除圖像中無(wú)關(guān)區(qū)域,提高檢測(cè)效率。研究了高維人臉圖像數(shù)據(jù)處理及有效... 

【文章頁(yè)數(shù)】：167 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
主要符號(hào)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與分析
        1.2.1 人臉檢測(cè)和識(shí)別技術(shù)發(fā)展歷史
        1.2.2 關(guān)鍵技術(shù)及存在的問(wèn)題
    1.3 本文研究?jī)?nèi)容及結(jié)構(gòu)安排
第二章 區(qū)域相似性人臉檢測(cè)方法
    2.1 引言
    2.2 相關(guān)理論基礎(chǔ)
        2.2.1 感興趣區(qū)域提取方法
        2.2.2 有選擇性搜索的物體識(shí)別
    2.3 區(qū)域相似性人臉檢測(cè)方法
        2.3.1 幀間關(guān)鍵信息提取
        2.3.2 人臉?biāo)阉鞔翱谶x取
        2.3.3 ICS-LBP紋理提取算子
        2.3.4 區(qū)域相似性人臉檢測(cè)方法
        2.3.5 窗口融合方法
    2.4 性能測(cè)試
        2.4.1 ICS-LBP算法性能測(cè)試
        2.4.2 區(qū)域相似性人臉檢測(cè)模型性能測(cè)試
    2.5 本章小結(jié)
第三章 基于流形約束KSVD的人臉識(shí)別
    3.1 引言
    3.2 經(jīng)典的流形學(xué)習(xí)方法概述
        3.2.1 等距映射算法(ISOMAP)
        3.2.2 局部線性嵌入算法(LLE)
        3.2.3 局部切空間對(duì)齊算法(LTSA)
        3.2.4 基于多層神經(jīng)網(wǎng)絡(luò)的自編碼算法(MA)
    3.3 MC-KSVD字典學(xué)習(xí)方法
        3.3.1 MC-KSVD的數(shù)學(xué)模型
        3.3.2 MC-KSVD的優(yōu)化過(guò)程
    3.4 基于MC-KSVD的數(shù)據(jù)降維和重構(gòu)及分類方法
        3.4.1 基于MC-KSVD的數(shù)據(jù)降維
        3.4.2 基于MC-KSVD的數(shù)據(jù)重構(gòu)
        3.4.3 基于MC-KSVD的數(shù)據(jù)分類
    3.5 實(shí)驗(yàn)及結(jié)果分析
        3.5.1 參數(shù)設(shè)置
        3.5.2 數(shù)據(jù)降維實(shí)驗(yàn)
        3.5.3 數(shù)據(jù)重構(gòu)實(shí)驗(yàn)
        3.5.4 分類識(shí)別實(shí)驗(yàn)
    3.6 小結(jié)
第四章 面向小樣本的稀疏人臉識(shí)別方法
    4.1 引言
    4.2 稀疏重構(gòu)算法
        4.2.1 IHT算法
        4.2.2 改進(jìn)的IHT算法
    4.3 IIHT-KSVD及IJSR分類算法
        4.3.1 IIHT-KSVD算法的數(shù)學(xué)模型
        4.3.2 IIHT-KSVD算法的優(yōu)化過(guò)程
        4.3.3 IJSR分類模型
        4.3.4 重構(gòu)和分類策略
    4.4 實(shí)驗(yàn)及結(jié)果分析
        4.4.1 參數(shù)設(shè)置
        4.4.2 IIHT算法性能分析
        4.4.3 字典重構(gòu)實(shí)驗(yàn)
        4.4.4 不同數(shù)據(jù)集上的識(shí)別性能比較
        4.4.5 不同樣本下的字典學(xué)習(xí)方法性能比較
    4.5 小結(jié)
第五章 基于多特征融合的多角度人臉識(shí)別方法
    5.1 引言
    5.2 方法的整體框架
    5.3 人臉特征提取
        5.3.1 全局特征提取
        5.3.2 局部特征提取
        5.3.3 特征融合
    5.4 人臉特征識(shí)別
        5.4.1 經(jīng)典的分類器設(shè)計(jì)
        5.4.2 K-MSRC分類算法
    5.5 實(shí)驗(yàn)及結(jié)果分析
        5.5.1 參數(shù)設(shè)置
        5.5.2 人臉特征描述方法的性能比較
        5.5.3 K-MSRC分類器性能比較
    5.6 小結(jié)
第六章 面向多樣本的稀疏人臉識(shí)別方法
    6.1 引言
    6.2 基于流形約束卷積稀疏編碼的特征提取
        6.2.1 CSC特征描述
        6.2.2 MC-CSC特征描述
        6.2.3 MC-CSC的優(yōu)化過(guò)程
    6.3 基于改進(jìn)相關(guān)濾波器的分類識(shí)別
        6.3.1 經(jīng)典的相關(guān)濾波器
        6.3.2 改進(jìn)的相關(guān)濾波分類器
    6.4 實(shí)驗(yàn)及結(jié)果分析
        6.4.1 參數(shù)設(shè)置
        6.4.2 CSC與MC-CSC的性能比較
        6.4.3 不同數(shù)據(jù)集上的識(shí)別性能比較
    6.5 小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
作者在攻讀博士學(xué)位期間公開發(fā)表的論文
作者在攻讀博士學(xué)位期間所作的項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)核相關(guān)濾波的運(yùn)動(dòng)目標(biāo)跟蹤算法[J]. 邢運(yùn)龍,李艾華,崔智高,方浩.  紅外與激光工程. 2016(S1)
[2]基于局部約束字典學(xué)習(xí)的數(shù)據(jù)降維和重構(gòu)方法[J]. 劉麗娜,馬世偉,溫加睿.  儀器儀表學(xué)報(bào). 2016(01)
[3]基于迭代加權(quán)l(xiāng)q范數(shù)最小化的稀疏陣列綜合方法[J]. 曹華松,陳金立,李家強(qiáng),葛俊祥.  科學(xué)技術(shù)與工程. 2015(26)
[4]行人檢測(cè)中非極大值抑制算法的改進(jìn)[J]. 陳金輝,葉西寧.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(03)
[5]基于字典學(xué)習(xí)的不同光照和姿態(tài)的人臉識(shí)別技術(shù)研究[J]. 劉海,曾東海.  科技通報(bào). 2015(05)
[6]基于HOG和SVM的公交乘客人流量統(tǒng)計(jì)算法[J]. 徐超,高夢(mèng)珠,查宇鋒,曹利民.  儀器儀表學(xué)報(bào). 2015(02)
[7]基于自適應(yīng)聚類流形學(xué)習(xí)的增量樣本降維與識(shí)別[J]. 楊靜林,唐林波,宋丹,趙保軍.  系統(tǒng)工程與電子技術(shù). 2015(01)
[8]基于旋轉(zhuǎn)不變稀疏表示和流形學(xué)習(xí)的圖像降噪[J]. 湯一彬,徐寧,姚澄,朱昌平,周琳.  儀器儀表學(xué)報(bào). 2014(05)
[9]基于DS-Adaboost算法的人臉檢測(cè)[J]. 葉俊,張正軍.  計(jì)算機(jī)科學(xué). 2013(S2)
[10]融合LLE和ISOMAP的非線性降維方法[J]. 張少龍,鞏知樂,廖海斌.  計(jì)算機(jī)應(yīng)用研究. 2014(01)



本文編號(hào)：3707087