靜態(tài)場景下人臉的檢測與識別.pdf

1、人臉檢測和識別的研究目的是使計算機具有類似人類的臉像識別能力.它在身份鑒別、人機交互、圖像檢索和視覺監(jiān)控等眾多領(lǐng)域有著重要的應用.盡管近三十年里,人臉檢測和識別受到了國內(nèi)外學術(shù)界和企業(yè)界的廣泛關(guān)注,但作為模式識別和計算機視覺領(lǐng)域中的一個研究熱點和難點,人臉檢測和識別仍有很多理論與技術(shù)問題需待解決.有鑒于此,該文圍繞靜態(tài)圖像中的人臉檢測和識別研究中存在的一些重要問題開展了深入研究,主要工作可以歸納如下:(1)完整地研究了基于擴展的Harr

2、特征與Adaboost分類學習算法的實時在線檢測技術(shù),成功地實現(xiàn)了整個人臉檢測系統(tǒng).(2)針對小樣本情況下LDA出現(xiàn)的問題,進行零空間(null space)的分析,提出零空間線性判別分析(NLDA)方法,實驗證明NLDA是小樣本情況下LDA最好的擴展.(3)結(jié)合零空間方法與核Fisher判別分析,提出新的非線性人臉識別方法:基于零空間的核Fisher判別分析(Null Space-based Kernel Fisher Discrim

3、inant Analysis or NKFDA).NKFDA方法用Cosine核函數(shù)來代替多項式核函數(shù),基于最小的重構(gòu)誤差構(gòu)造核映射和核樣本集,在核樣本集上執(zhí)行簡化了的NLDA算法,最后輸出一個全局的非線性維數(shù)降低映射.NKFDA方法僅僅執(zhí)行一次特征分解,實驗證明在訓練樣本數(shù)量很多(大于300個)的情況下,提出的NKFDA在識別率上優(yōu)于典型的LDA方法.(4)利用虛擬樣本這一重要思想,提出了一個新的分類方法:最近類內(nèi)空間(nearest

4、 intra-class space or NICS).每類的人臉模式分布由類內(nèi)空間(intra-class space or ICS)表示和描述,它捕捉和覆蓋各式各樣的類內(nèi)變化,所有的虛擬樣本都在類內(nèi)空間被創(chuàng)建;然后基于子空間方法定義了兩個距離量度:子空間外距離(distance-from-subspace)和子空間內(nèi)距離(distance-in-subspace),二者的加權(quán)就是測試樣本到類內(nèi)空間的距離量表,分類規(guī)則將基于最短的加權(quán)

5、距離判定.(5)使用流形學習技術(shù)(manifold learning)建立虛擬的局部流形結(jié)構(gòu),以局部流形為單位提出新的分類方法:局部流形匹配(local manifold matching or LMM).LMM方法假設每個特征點和它的近鄰存在于一個虛擬的線性局部流形中,使用局部流形學習技術(shù)于虛擬的流形結(jié)構(gòu),學習出所有的局部流形;然后定義測試樣本到局部流形的距離量度,最匹配的局部流形將基于最短的流形距離量度判定,最后將測試樣本分類到最匹