版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、雖然經(jīng)過幾十年的研究與發(fā)展,人臉識(shí)別問題仍然是計(jì)算機(jī)視覺中研究的熱點(diǎn)和難點(diǎn)。近年來,人臉識(shí)別系統(tǒng)在公安系統(tǒng)、軍事、醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用,超低分辨率下的人臉圖像存在著細(xì)節(jié)信息嚴(yán)重缺失、含有噪聲等因素,對(duì)識(shí)別算法的研究造成了很大的困難。本文研究的對(duì)象是超低分辨率人臉圖像,這些圖像通過檢測(cè)、對(duì)齊和重構(gòu)步驟,實(shí)現(xiàn)圖像分辨率提高,細(xì)節(jié)的增強(qiáng)。
目前現(xiàn)在已經(jīng)存在的人臉圖像重構(gòu)方法中,絕大部分方法都是將尺度為24×24像素或者24×3
2、2的人臉圖像作為輸入的低分辨率圖像。但是研究表明,24×24像素的人臉圖像識(shí)別率仍然較高,是可分辨的。而低于該尺度的圖像,本文稱為超低分辨率圖像,存在識(shí)別困難等問題。所以,超低分辨率圖像的重構(gòu)更有意義。
本文首先介紹了人臉重構(gòu)方面的研究現(xiàn)狀,針對(duì)超低分辨率人臉圖像的重構(gòu)問題,本文提出了包括人臉檢測(cè)、對(duì)齊、重構(gòu)三步驟的整體算法。在人臉檢測(cè)階段,本文采用的是基于Haar-like特征和AdaBoost分類器的檢測(cè)方法,其主要步驟是
3、先計(jì)算人臉圖像的Haar-like特征,再通過AdaBoost算法訓(xùn)練出若干個(gè)最優(yōu)弱分類器分類器,將弱分類器結(jié)合起來,構(gòu)成一個(gè)強(qiáng)分類器,可以區(qū)分出人臉和非人臉,最后采用分類器級(jí)聯(lián)把強(qiáng)分類器級(jí)聯(lián)到一起來提高準(zhǔn)確率和效率。該方法具有明顯優(yōu)勢(shì),不僅檢測(cè)精度高,運(yùn)算速度也比其他方法快很多。
在人臉對(duì)齊階段,針對(duì)超低分辨率下的人臉對(duì)齊,本文采用了基于SIFT特征的人臉對(duì)齊算法。首先先提取圖像的SIFT特征點(diǎn),根據(jù)任意兩幅圖像的SIFT特
4、征點(diǎn)匹配情況進(jìn)行圖像聚類,將相似度高的圖像聚成一類,每類生成一個(gè)模板;對(duì)類內(nèi)的圖像,采用SIFT特征及最小熵算法生成模板,本文在最小熵函數(shù)中加入了兩個(gè)約束條件,一是為了避免變換過大偏離初始位置,二是針對(duì)人臉的垂直對(duì)稱性加入了對(duì)稱約束,提高了模板生成的準(zhǔn)確性,并使得本算法更適用于人臉對(duì)齊。對(duì)于新檢測(cè)到的人臉圖像,先通過 SIFT特征判斷所屬的類別,然后根據(jù)相應(yīng)的類模板和訓(xùn)練階段迭代時(shí)產(chǎn)生的分布域序列來進(jìn)行實(shí)現(xiàn)對(duì)齊。將SIFT特征運(yùn)用到人臉
5、對(duì)齊算法中是因?yàn)镾IFT特征具有尺度縮放、旋轉(zhuǎn)和仿射變換不變性,同時(shí)對(duì)微視角變化、噪聲、光線等因素有較好魯棒性,獨(dú)立性和擴(kuò)展性。由于人臉圖像對(duì)齊之后,人臉的形狀更加規(guī)則,各器官的空間位置分布更加滿足垂直對(duì)稱結(jié)構(gòu),而且人臉圖像對(duì)齊之后眼睛的中心位置容易獲得,因此,本文通過對(duì)齊的效果圖和人眼的均值線來衡量對(duì)齊的效果,并以此來確定對(duì)稱約束的參數(shù)。在重構(gòu)階段,本文采用了基于字典學(xué)習(xí)的半耦合重構(gòu)算法。該算法屬于基于學(xué)習(xí)的重構(gòu)算法,主要通過學(xué)習(xí)方法
6、訓(xùn)練出字典對(duì)和映射函數(shù),字典對(duì)主要用來分別描述高低分辨率圖像域的結(jié)構(gòu)特征,映射函數(shù)則用來反映他們之間的內(nèi)在聯(lián)系。本文的算法主要分為訓(xùn)練階段和重構(gòu)階段,臉重構(gòu)算法由兩個(gè)階段構(gòu)成:一個(gè)是字典對(duì)和映射函數(shù)的訓(xùn)練階段,一個(gè)是高分辨率人臉預(yù)測(cè)階段。在訓(xùn)練階段放寬了字典對(duì)的約束條件,并不要求字典對(duì)是完全耦合的,以便映射函數(shù)可以表達(dá)的更加精確。該算法訓(xùn)練了多個(gè)模型,因此具有更強(qiáng)的魯棒性和適用性。在預(yù)測(cè)階段,利用了人臉圖像的非局部自相似性方面的先驗(yàn)知識(shí)
7、,改善了圖像的重構(gòu)效果。該算法的實(shí)驗(yàn)中共需要考慮三個(gè)參數(shù)——圖像塊大小,訓(xùn)練的圖像數(shù)目,訓(xùn)練模型時(shí)圖像的分辨率大小。該實(shí)驗(yàn)選取來自 FERET人臉數(shù)據(jù)庫中正面人臉圖像,將尺度為12×12像素的測(cè)試集圖像重構(gòu)成尺度為24×24像素的高分辨率圖像,重構(gòu)之后,通過峰值信噪比的大小作為評(píng)價(jià)重構(gòu)效果的標(biāo)準(zhǔn)。
本文實(shí)現(xiàn)了上述算法,確定了算法中的參數(shù),并進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)表明,本文提出的人臉對(duì)齊與重構(gòu)的整個(gè)系統(tǒng)達(dá)到了提高準(zhǔn)確率的效果,也證
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于多輸出回歸的超低分辨率人臉重構(gòu)研究.pdf
- 低分辨率人臉識(shí)別算法研究.pdf
- 低分辨率人臉識(shí)別技術(shù)及其應(yīng)用.pdf
- 監(jiān)控視頻中的低分辨率人臉識(shí)別.pdf
- 基于稀疏表示的低分辨率人臉疲勞表情識(shí)別.pdf
- 基于深度學(xué)習(xí)的低分辨率多姿態(tài)人臉識(shí)別.pdf
- 基于FPGA的低分辨率人臉識(shí)別系統(tǒng)設(shè)計(jì).pdf
- 低分辨率下的行人檢測(cè).pdf
- 基于2DPCA的低分辨率人臉識(shí)別算法研究.pdf
- 基于統(tǒng)一特征空間的低分辨率人臉識(shí)別算法.pdf
- 基于多幅低分辨率圖像的超分辨率圖像重建.pdf
- 基于(2D)2PCA的低分辨率人臉識(shí)別.pdf
- 低分辨率人臉圖像識(shí)別關(guān)鍵技術(shù)研究.pdf
- 低分辨率目標(biāo)檢測(cè)與跟蹤算法及其應(yīng)用.pdf
- 低分辨率下紙幣的識(shí)別與污損檢測(cè).pdf
- 基于低分辨率視頻的手勢(shì)運(yùn)動(dòng)方向檢測(cè)
- 基于混合相機(jī)系統(tǒng)的低分辨率視頻增強(qiáng).pdf
- 基于半耦合判決性字典學(xué)習(xí)的極低分辨率人臉識(shí)別算法.pdf
- 低分辨率永磁同步電機(jī)控制技術(shù)研究.pdf
- 應(yīng)用低分辨率數(shù)據(jù)搭建蛋白結(jié)構(gòu)的方法研究.pdf
評(píng)論
0/150
提交評(píng)論