基于kinect的人臉識別技術研究.pdf

1、使用常規(guī)相機獲得的人臉圖像可能具有固定的限制，阻礙臉部圖像中一些特定信息表達。為了實現(xiàn)更好的性能，通過專門的采集方法捕獲的3D面部已經用于改進的方法。雖然由于諸如成本和可訪問性的若干問題，這些3D圖像仍然難以獲得，但是低成本的深度傳感器如Kinect允許直接獲取3D信息以及RGB彩色圖像。這為計算機視覺和人臉識別研究提供了新的機會。
　　本文的主要工作如下:
　　1.調研了一系列基于RGB-D數(shù)據(jù)的人臉識別方法。探討了低成本

2、深度傳感器Kinect在人臉識別過程中獲取深度的有效性并獲得一系列結論。僅僅使用深度圖像進行人臉識別的分類結果超出了人類期望的知覺，將RGB和深度圖像結合確實提高了識別性能，并且Kinect深度圖像的性能高度依賴預處理步驟。以上結論證明了研究RGB-D人臉識別的意義。
　　2.提出了一種緊密的二值描述子用于解決RGB-D人臉識別過程中的特征表達問題。首先，該方法不同于傳統(tǒng)的使用手工設計的特征，其使用無監(jiān)督學習的方法從訓練數(shù)據(jù)學習緊

3、密的二值特征，自動的在可區(qū)分性和不變性之間達到了很好的折中;其次，為了有效的利用空間上下文信息，該方法并非采用原始的像素作為訓練數(shù)據(jù)，而使用像素與周圍像素的差異信息作為輸入;最后，考慮到Depth圖像相較于RGB圖像的平滑性特點，對分塊的Depth圖像和RGB圖像提取不同半徑范圍的像素差異信息。實驗結果表明，所提出的方法具有較強的人臉描述能力和可鑒別性。且對光照和面部的遮擋變化具有一定的魯棒性，并在三個公開的數(shù)據(jù)集上獲得了較好的識別率。

4、
　　3.提出了針對Kinect v2的深度增強方法和基于深度圖像序列的人臉檢測方法用于實時的Kinect的人臉識別。訓練隨機森林進行基于深度圖像序列的人臉檢測和姿勢估計，由于獲得的人臉的大小和人臉中心點的距離具有2次關系，因此可以裁剪出人臉;然后，對7個姿態(tài)的人臉訓練獲得7種相應的AAM模型，將檢測到的頭部姿勢進行多姿勢AAM的初始化和模型的選擇，快速準確的定位人臉的特征點;最后進行人臉跟蹤并且提取上面設計的特征描述子。本文設計