机器视觉人脸识别若干关键问题研究_欧凡

杨利霞

机器视觉人脸识别若干关键问题研究_欧凡

6 s- X  L( D+ f# d, U
人脸识别是一个十分活跃的研究领域。基于机器视觉和人工智能理论的人脸识别技
术具有广阔的应用前景。近二十年来,人脸识别技术己取得很大进展。但识别精度仍然
受到光照、位姿、表情、时间跨度以及其它随机因素变动的困扰。进一步提高人脸识别
性能的研究是一项有挑战性难度的课题,具有重要理论意义和实用价值。本学位论文对
人脸识别研究中下述关键内容进行了研究。
光照规范化及差异补偿
光照差异是干扰人脸识别精度的最主要因素之一,为消除光照差异的干扰,本文提
出了一种光照规范化方法。采集图像是外界光照强度与物体表面反射属性综合作用的结
果。在无遮挡情况下,图像中光照强度沿几何空间的变化是缓慢连续的,相邻像素的光
照强度相仿,可以通过亮度比值运算约去。因此邻近像素的亮度比值近似等于对应位置
  q' C: x8 j5 z( m的反射属性比值。计算一像素与其邻域内所有像素的亮度比值,将这些比值进行合理卷
积,卷积结果可定义为综合表征该像素表面反射属性的特征,在不同光照条件下保持稳
. p' ]. E, L; V1 k/ u! R定不变,称为本征亮度值。以本征亮度值构建的图像可作为光照规范化图像。在卷积综
合中,除对像素间空间距离作卷积之外,本文还增加亮度差卷积计算,以消除亮度相差
/ W/ l# o* F& N$ t较大区域边界附近因跨界卷积而产生的斑迹,进一步提高了光照规范化图像的质量。本
文还对采集图像中遮挡阴影区域的检测和光照补偿原理及方法作了探索研究。
面向人脸检测的专用域灰度差特征的构建
人脸图像共性的灰度分布模式是人脸检测处理的重要依据,域灰度差特征具有健壮
的区分域间灰度分布关系的能力。年和提出的采用类灰度差特征
人脸检测算法,检测性能取得显著进展,但一算法中,采用的灰度差特征数量
/ {* \- x5 S: Y8 _5 u太大。本论文提出一种面向面部灰度分布结构的专用域灰度差特征的构建理论方法。以
人脸数据集中像素平均灰度与灰度变化标准差的比值作为表征该像素位置明暗的统计
性参数,然后按灰度明暗统计参数,对图像划分明暗区域组建专用域灰度差特征。由于
这些专用域灰度差特征是依据人脸灰度分布模式构建的,因此对人脸具有很强的检测能
* X/ ?7 m. n( D; j, {力。本文还提出一种表征整体灰度分布的灰度分布状态特征。在试验中,本文研发的原
2 T, Z( C0 j$ c! ^. Z8 F型系统仅采用个专用域灰度差特征及个整体性灰度分布状态特征,就达到了与采
& n; Y8 g1 ^1 z* b( W用数以千计类灰度差特征的方法相仿的检测率。
特征和曲线波特征融合的人脸识别
1 }- ~5 `# K1 I- h! x8 h信息融合能够为识别系统提供更多的信息线索和评判依据,是提高识别性能的有效
途径。特征和曲线波特征都具有很强的多尺度纹理描述能力,但侧重不同,具有
% F( }9 H; l3 \0 c& @* ^机器视觉人脸识别若干关键问题研究
) ?3 k4 m+ d( U2 L5 ^) I' x3 r良好的互补性。本文研讨了特征人脸表示和曲线波特征人脸表示在评分层和在特
征层的信息融合算法,分别提出一种评分规范化处理方法和
2 a+ c3 j: m8 M) O" j- _$ J融合特征构建方法。在评分层融合中,将基于不同原理求得的评分先规范为统一表征识
1 m- @7 S4 ?4 U) n& c# i别失误率的评分值,再由方法进行评分合成。在特征层融合中,首先对小
波特征和曲线波特征分别作主分量分析和线性判别分析,降维并强化
1 y9 {7 Q) Q4 J; z# j: A4 D) w$ t其分类区分能力再通过典型相关分析导出两者相关紧密的投影序列,按两序
列对应项相加组成单一序列,本文称之为融合特征。在测试集上的测试结
果表明,采用评分层融合和特征层融合都可有效降低识别失误率,其中采用特征
融合进行识别处理效果更好,与单独采用特征或曲线波特征进行识别处理相比,
4 }7 ^1 h/ }8 P6 M8 E0 W# m# t失误率降低了。
: W6 [" O* H1 m( C' D4 R! |论文最后一章对已完成的研究工作内容作了简要总结。人脸识别作为一项正在快速
! }. Q& G; m2 U4 n$ `7 g发展的技术,目前仍存在许多函待解决的原理性困难问题,本文也对后续研究的若干研
究方向和问题作了展望和建议。



5 [. V' T( z4 V, d" J