已阅读5页,还剩127页未读, 继续免费阅读
(模式识别与智能系统专业论文)基于boosting学习的自动人脸识别算法研究.pdf.pdf 免费下载
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
摘要 摘要 统计学习方法,特别是b o o s t i n g 学习,在计算机视觉中得到广泛的应用。 本文研究基于b o o s t i n g 自动人脸识别算法。在理论上,本文提出一种改进的 b o o s t i n g 学习算法;在实践上,本文将b o o s t j n g 学习方法应用到人脸检测、 人脸对齐、对齐评估和人脸识别中。主要贡献是: 首先,本文提出一种基于理论分析的特征选择准则的b o o s t i n g 学习算法, 称为j e n s e n s h 踟o n ( j s ) b o o s t 。采用相对熵( r e l a t i v ee n t r o p y ) 作为弱 分类器性能评价的目标函数。我们推导表明,在b o o s t i n g 每轮弱分类器选择 学习中,使得j e n s e n s h a n n o n ( j s ) 散度最小的弱分类器正好是使得相对熵 最小的弱分类器。由于j s 散度比其它测度( 例如k u l l b a c k l e i b l e r 散度) 计 算稳定,所以j s 散度能为两类之间提供一种更合适的相似性度量。因此,我 们将j s 散度与b o o s t i n g 学习过程结合学习出更优化的弱分类器。将j s b o o s t 学习算法应用于人脸识别中。实验结果表明,j s b 0 0 s t 能比其他b o o s t 变种( 例 如r e a l b o o s t ,g e n t l e b o o s t ,k l b o o s t ) 得到更好的识别效果。 其次,v i o l a 和j o n e s 提出一种称为h a a r 1 i k e 的特征,并将其应用到人脸 检测中。后来有不少研究人员对h a a r l i k e 特征进行扩展,企图描述带有方向 信息的特征。然而,这些方法始终不能很好地描述人脸的形状和边缘信息。 s o b e l 算子是一种简单有效的边缘描述算子。但s o b e l 算子本身对噪声比较敏 感。我们引入一种称为s o b e l l i k e 特征。在特征构造过程中,我们采用图像 块的平均值,而不是像素值,与s o b d 算子进行卷积。然后,用b o o s t i n g 学 习这种s o b e l l i k e 特征来训练人脸检测模型。 第三,对很多人脸分析和合成来说,精确的关键点定位是非常重要。主 动形状模型( a s m ) 是一种很强的人脸对齐工具。然而,由于姿态、表情、 光线的影晌,主动形状模型很难对入脸图像给出精确的定位。本文提出一种 改进的主动形状模型,对每个关键点用统计学习的方法建立相应的模型。在 建立关键点模型时候,我们采用关键点及其周围点的g a b o r 特征作为特征空 问,然后采用b o o s t i n g 学习方法学习出比较能刻画该关键点的特征,并构造 成为分类器。 第四,本文采用统计学习的方法构造人脸对齐的评估函数。从一个正( 对 基于b 0 0 s t i n g 学习的自动人脸识别算法研究 齐好的) 负( 对齐不好的) 样本集中学习得到一种非线性的分类器,并将该 分类器用于对齐结果的评估。基于边缘信息构造弱分类器,采用b o o s t i n g 学 习出弱分类器,并组合成一个强分类器。我们还采用重采样的方法选择负样 本,训练多个强分类器。在评估过程中,训练出来的分类器给测试样本一个 合理的评价分数。值得指出,在这里本文采用多个强分类器级联的c a s c a d e 策略进行训练和测试。c a s c a d e 策略是一种分治策略,使得训练变得容易, 使测试速度变快。 第五,本文提出一种新的人脸识别算法,该识别算法是基于局部统计 g a b o r 变换系数作为特征的。对人脸图像每个像素点进行g a b o r 变换得到 g a b o r 的实部系数和虚部系数,并将这两种系数转化为幅度系数和相位系数。 用5 个尺度和8 个方向的g a b o r 滤波器与人脸图像进行卷积可以得到4 0 幅度 系数图像和4 0 幅相位系数图像。然后,用一个子窗口对这些系数图象进行从 上到下从左到右的扫描得到一系列的子窗口。统计各个子窗口的直方图。将 人脸识别这种多类分类问题转化为两类分类问题,即类内类间。用子窗口的 直方图来构造图像对的类内类间特征,并用咖方距离( c h is q u a r es t a t i s t i c d i s t a n c e ) 来度量直方图的相似性,从而构造出一系列的类内类间特征。最 后,本文采用b 0 0 s t i n g 学习的方法从特征集中学习出一个强分类器。 关键词:自动人脸识别,统计学习,b o o s t i n g ,j e n s e n s h a l l n o n 散度,人 脸检测,入脸对齐,人脸识别,g a b o r 小波。 1 i a b s t r a c t a b s t r a c t i nt h i sp a p e r ,if 0 c u so na u t o m a t i cf a c er e c o g n i t i o nb a s e do n b o o s t i n g 1 e a m i n g s t a t i s t i c a l l e a r n i n g i s w i d e l yu s e d i n c o m p u t e rv i s i o n ,e s p e c i a l l y b o o s t i n g a ni m p r o v e db o o s t i n ga l g o r i t h mi sp r o p o s e dt h e o r e t i c a l l y b o o s t i n g l e a m i n ga j g o r i t 1 1 i li sa p p l i e dt of a c ed e t e c t i o n ,f a c ea l i g n m e n t ,f a c ea l i g n m e n t e v a l u a t i o na 1 1 df a c er e c o g n i t i o nw i t hd i f k r e n tf e a t u r es p a c ei np r a c t i c e i t sm a i n c o n t r i b u t i o n sa r e : f i r s t l y ,at h e o r e t i c a l l yj u s t i f i e da d a b o o s t1 e a m i n ga l g o r i t h mi sp r o p o s e d t e r m e dj e n s e n s h a i l n o n ( j s ) 一b o o s t r e l a t i v ee n t r o p yl o s si su s e da so b j e c t i v e f u n c t i o nf o rl e 唧i n gw e a kc l a s s i f i e r s w es h o wt h a tf o re a c hi t e r a t i o no f a d a b o o s t1 e a n l i n g ,aw e a kc l a s s i f i e rt h a tm a x i m i z e sj sd i v e r g e n c ei st h eo n et h a t m i n i m i z e sr e l a t i v ee n t r o p y j sd i v e r g e n c ep r o v i d e sm o r ea p p r o p r i a t em e a s u r eo f d i s s i m i l a r i t yb e t w e e nt w oc l a s s e sb e c a u s ei ti sn u m e r i c a l l ym o r es t a b 】et h a no t l e r m e a s u r e ss u c ha sk u l l b a c k l e i b l e r ( k l ) d i v e r g e n c e w em u sd e r i v ea 1 1o p t i m a l w e a l ( 1 e a m e rf o ra d a b o o s t ,h e n c et 1 1 ej s b o o s t1 e a m i n ga l g o “t h m j s b o o s t l e a m i n gi sd e m o n s t r a t e dw i t ha 1 1a p p l i c a t i o ni nf a c er e c o g n i t i o n r e s u l t ss h o w t h a tc l a s s i f i e r sl e a r n e du s i n gj s b o o s t p r o d u c e sb e t t e rr e s u l t st h a no m e ra d a b o o s t v a i a n t ss u c ha sr e a l b o o s t g e n t l e b o o s ta n dk l b d o s t s e c o n d l y ,h a a r l i k ef 音a t u r ei sp r o p o s e db yv i o l aa n dj o n e sa n de x t e n d e db y o t h e rr e s e a r c h e r sf b rf a c ed e t e c t i o n b u tj ti sh a r di 、o rh a a r 1 i k et od e s c r i b et h e s h a p ea n de d g ei n f o r m a t i o no ff a c es u i t a b l y s o b e lo p e r a t o ri sas i m p l ea 1 1 du s e f u l t o o l t or e p r e s e me d g ei n 如m a t i o n h o w e v e r ,i ti ss e n s i t i v et on o i s e a ne m c i e m f e a t u r e ,n a m e l ys o b e l 一1 j k ef e a t u r e ,i si n t r o d u c e df o rf a c ed e t e c t i o n d u r i n g s o b e l 一1 i k ef e a t u r ec o n s t r u c t i o n ,b l o c k so fi m a g e ,i n s t e a do fp i x e l s ,a r ec o n v o l v e d w i t hs o b e lo p e r a t o r t h e n ,s o b e l - l i k ef e a t u r ei su s e dt ot r a i nag o o dm o d e la n d t e s ti nf 矗c ed e t e c t i o n t h i r d ly ,a c c l l r a t el o c a l i z a t i o no fr e p r e s e n t a t i v ep o i m so faf a c ei sc m c i a l t o m a n yf a c ea n “y s i sa n ds y n t h e s i sp r o b l e m s a c t i v es h a p em o d e l ( a s m ) i sa p o w e r f u ls t a t i s t i c a lt o o lf o rf a c ea l i g n m e n t ,h o w e v e r ,i ts u f 托r sf r o mv a r i a t i o n so f 基丁b 0 0 s l j n g 学习的自动人脸识别算法研究 p o s e ,i l l u m i n a t i o na n de x p r e s s i o n s i n 山i sp a p e r ,w ep r o p o s ea ni m p r o v e da s m m e t h o d ,r g - a s m ,i nw h i c hl o c a la p p e a r a n c em o d e l so fk e yp o i n t sa r em o d e l e d u s i n gs t a t i s t i c a ll e a m i n g b o o s t i n gi su s e dt o b u i l dt h el i k e l i h o o dm o d e lt h a t e n s u r e st h eg r o u n dt m t hp o s i t i o no fe a c hk e yp o i n tw i l lm o r el i k e l yh a v eah i 曲e r l i k e l i h o o dt h a ni t sn e i g h b o r s 1 n s t e a do fu s i n gp r i n c i p a lc o m p o n e n ta n a l y s i sa n d o n ep i x e lg a b o rc o e m c i e n t s ,g a b o rw a v e l e tf e a t u r e so fk e yp o i n ta n di t s n e i g h b o r sa r eu s e da st h ef 色a t u r es p a c ei nt h el e a m i n gp r o c e d u r et om o d e l1 0 c a l s t m c t u r e so faf a c e f o u n h l y , w ep r o p o s eas t a t i s t i c a ll e a m i n ga p p r o a c hf o rc o n s t n 】c t i n ga 1 1 e v a l u a t i o nf u n c t i o nf o rf a c ea l i g n m e n t an o n l i n e a rc l a s s i n c a t i o nf u n c t i o ni s l e a m e d 仃o mas e to fp o s i t i v e ( g o o d “g n m e n t ) a n dn e g a t i v e ( b a da l i g m e n t ) t r a i n i n ge x a m p l e st oe f f e c t i v e l yd i s t i n g u i s hb e t w e e nq u a l i f i e da n du n q u a l i f i e d a l i g n m e n tr e s u l t s t h ea d a b o o s tl e a m i n ga l g o r i t h mi su s e d ,w h e r ew e a l ( c l a s s i 6 e r sa r ec o n s t l l l c t e db a s e do ne d g ef 色a t u r e sa n dc o m b i n e di n t oas t r o n g c l a s s i 行e r s e v e r a js t r o n gc l a s s i f i e r sa r e1 e a n l e di ns t a g e su s i n gb o o t s t r a ps a m p i e s d u r i n gt l l et r a i n i n g t h ee v a l u a t i o nf u n c t i o n t h u sl e a m e dg i v e saq u a i i t i t a t i v e c o n f i d e n c ea n dt h eg o o d b a dc l a s s i f i c a t i o ni sa c h i e v e db yc o m p a r i n gt l l e c o n f i d e n c ew i t ha1 e a r n e do p t i m a lt h r e s h 0 1 d w ep o i n to u tt h ei m p o n a n c eo f u s i n gc a s c a d es t r a t e g y i nt h e s t a g e w i s el e a r n i n g o fs n d n gc l a s s i f i e r s t h e d i v i d e a n d c o n q u e rs t r a t e g y n o t o n l yd r a n l a t i c a u y i n c r e a s e st h e s p e e d o f c l a s s i n c a t i o n ,b u ta l s om a k e st h et r a i n i n ge a s i e ra n dt h eg o o d b a dc l a s s i n c a t i o n m o r ee f 亿c t i v e l a s t l y ,w ep r e s e n tan o v e la p p r o a c hf o rf a c er e c o g n i t i o nw h i c h u s e sb o o s t e d s t a t i s t i c a ll o c a lg a b o rf c a t u r eb a s e dc l a s s i f i e r s t w og a b o rp a r t s ,r e a lp a na n d i m a g i n a r yp a r t ,a r ee x t r a c t e df o fe a c hp i x e lo f 鱼c ei m a g e s t h et w op a r t sa r e t r a n s f o m e di n t ot w ok i n d so fg a b o rf e a t u r e s ,m a g n i t u d ef c a t u r ea n dp h a s e f e a t u r e 4 0m a g n i t u d eg a b o r f a c e sa n d4 0p h a s eg a b o r f a c e sa r eg e n e r a t e df o r e a c hf a c e i m a g eb yc o n v o l u t i n g f a c e i m a g e sw i t h n v es c a l e sa n de i g h t o r i e n t a t i o n sg a b o rf i l t e r s t h e nt h e s eg a b o r f a c e sa r es c a n n e d w i t has u b - w i n d o w f r o mw h 证hi h eq u a n t 面e dg a b o rf e a t u r e sh i s t o g t a m sa r ee x t r a c t e dr e p r e s e n t i n g e f f i c i e n t l yt h e f a c e i m a g e t h em u l t i c l a s sp f o b l e mo ff a c er e c o g n i t i o ni s i v 垒堕! 翌璺一 t 豫n s f o r m e di n t oat w o c l a s so n eo fj n t r a a n de x t r a c l a s s c l a s s i n c a t i o nu s i n g i n t r a - p e r s o n a la 1 1 de x t r a p e r s o n a li m a g e s t h e i n t r a ,e x t r af c a t u r e sa r ec o n s t r u c t e d b a s e do nt h e s eh i s t o g r a m so ft w od i f i e r e n tf a c ei m a g e sw i t hc h is q u a r es t a t i s t i c d i s t a n c ea sd i s s i m i l a r i t ym e a s u r e as t r o n gc i a s s i f j e ri s l e a r n e du s i n gb o o s t i n g e x a m p l e s ,s i m i l a r t ot h ew a yi nf a c ed e t e c t i o nf 锄e w o r k k q w o r d s : a u t o m a t i c f a c e r e c o g n i t i o n , j e n s e n s h a n n o nd i v e r g e n c e ,f a c ed e t e c t i o n , g a b o rw a v e l e t v s ta _ b s t i c a ll e a m i n g ,b o o s t i n g , f a c e 址i g n m e 姒,f a c er e g 虹虹o n , 独创性声明 本人声明所成交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知, 除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确地说明并表示了谢意。 签名= 莲电鸳 日期 关于论文使用授权的说明 l 覃虹l 本人完全了解中国科学院自动化研究所有关保留、使用学位论文的规定,e f :中国科学院自 动化研究所有权保留送交论文的复印件,允许论文被查阅和借阅;可以公布论文的全部或部分内 容,可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 躲毒缸生铆豁碰丝日期 协,。 o 第一章绪论 1 1 研究背景及意义 第一章绪论 本论文的研究得到了中国科学院自动化研究所韩国三星综合技术 院人机交互联合实验室的联合项目m r t d ( m a c h i n er e a d a b l et r a v e l d o c u m e n t ) ,8 6 3 项目“智能化人机交互网络游戏示范应用”( 课题编号: 2o o3 a a l140 2o ) 的资助。此外,还得到了国家自然科学基金课题“光 线变化下的人脸表示方法研究”( 课题编号:6 0 4 7 3 0 4 7 ) 项目的资助。 作为一个跨学科的新兴研究领域,自动人脸识别越来越得到人们的重 视。它不仅仅为机器提供了种全新的基于生物特征的身份鉴别技术,同 时也为人类展现了一种自然、友好、舒适、智能的人机交互方式。在上述 的这些项目中,m r t d 项目涉及的关键技术就是人体生物特征识别,尤其 是自动人脸识别的核心技术。而“智能化人机交互网络游戏示范应用”项 目正是研究一种新的人机交互方式。自动人脸识别是一个跨学科的、复杂 的研究课题。自动人脸识别的各个环节都可以看作是一个对复杂模式进行 建模的问题。例如人脸检测就是要建立一个复杂的( 不同人的、不同光照 下的、不同表情的、不同姿态的) 通用的入脸模型:入脸对齐则是要对人 脸的关键点及人脸形状建立通用模型;人脸识别则是要对不同人建立不同 的模型,而且这个模型要能描述同一个人的各种变化。所有这些模式都是 很复杂的,人们对这些模式的认识还很肤浅,很难用一种形式化的方法来 对这些模式进行描述,因此,必须寻求一种基于统计学习的方法来解决这 些闯题。 1 2自动人脸识别问题的描述 自动人脸识别( a u t o m a t i cf a c er e c o g n i t i o n ,简称a f r ) 是指在不需要 人工干预情况下,计算机自动获取图像、检测入脸在图像所处的位置、大 小,将图像的人脸与数据库中的人脸进行对齐,并识别图像中人脸是谁。 在这个研究中,我们将摄像机看作计算机获取信息的“眼睛”。数字图像 ( d 蟛t a li m a g e ) 可以看作计算机观察到的视觉信息。计算机根据观察到 茎王堡! ! 型堡兰翌塑鱼垫坠塑型簦鲨塑窒 的这些视觉信息进行对象分析。然后判断该对象是“何物”或者“何人”。 一般来说,这种分析识别能力应该包括以下几种不同功能和任务: 1 2 1 复杂背景下的人脸检测 复杂背景下人脸检测任务是要求判断计算机自动获取的图像中否存在 人脸,以及人脸在图像中的位置和大小。这里要解决的问题有三个:一、 要将那些看起来象人脸的背景拒绝出去;二、要能对各种各样的人脸进行 建模:三、计算机要能实时地将人脸从复杂的背景中检测出来。这样就涉 及到检测算法的精度、鲁棒性、时间复杂度等。因此,我们希望能提取一 些简洁有效的特征来作为人脸的表示,同时需要一种有效的学习机制,将 复杂的人脸模型建立起来。 1 2 2 面部关键点定位 这一任务就是要求确定面部图像中眼睛中心( 或者眼角) 、嘴巴中心 ( 或者嘴角) 、鼻子等器官的精确位置,以便后端的人脸比较有个基准。 这就要求对这些器官及其面部轮廓的形状建立相应的模式模型,以便用这 些模型来对关键点进行定位。值得指出的是,关键点模式变化是很大的, 例如不同人在不同光照、不同表情下的同一关键点。因此,关键点定位问 题并不仅仅是图像处理的问题,而是一种复杂的模式分类问题。 1 2 3 人脸特征选择和比对 根据人脸样本的学习,确定面部哪些位置的哪些特征在人脸识别时比 较具有区分能力。依据上一步骤面部关键点的定位的结果,提取那些有用 的特征,对图像中的人脸进行分类判别。由于同一个人在不同情况下获得 的图像变化很大,尤其是在光线变化、姿态变化、表情变化下。正因为这 样的变化,导致同一个人的模式变得很复杂,很难用一种简单的形式化方 法来描述清楚。 1 3人脸识别的研究意义及其应用 人脸识别的研究始于二十世纪六十年代中后期,近4 0 年来得到了充分 的发展。尤其是近几年来,随着信息技术的发展,微处理器、数字式摄像 2 第一章绪论 头等硬件设备性能价格比的不断提高,入脸识别更成为一个热门的研究课 题,国内外各知名大学、研究所、i t 公司的研究院等都得到了大量的项目 支持。人脸识别问题之所以得到重视,是因为其有重要的理论研究意义和 巨大的潜在应用前景: 1 3 1 人脸识别研究是一种多学科的交叉研究和发展 自动人脸识别作为个典型的图像模式分析、理解与分类计算问题, 它还涉及到统计学习,流形( m a n i f o l d ) 分析。图像处理、分析与理解, 计算机视觉,人工智能,人机交互,图形学,认知科学,心理学等学科。 由于自动人脸识别的模式非常复杂,样本在高维空问中的分布可能是一种 非常复杂的流形,很难用简单的方法来刻画这些流形的特性。人脸识别问 题的深入研究,可以极大的促进这些学科的成熟和发展。作为一个模式识 别问题,它被认为是最具有挑战性的问题之一:由于人们事先不知道样本 可能的分布情况,在采集样本时,可能有些特性的样本被采集得比较充分, 而另外一种样本在这次采集中根本就不出现。这样导致后面的统计学习有 很大的偏差,即训练出来的模型只对某个测试集有用,对另外的测试集就 很糟糕。这就要求统计学习在处理小样本,甚至偏差样本方面的能力有比 较大的提高。另外,模式种类繁多,不同类别模式的差别非常微妙,这一 点由于数据采集过程的噪声、成像设备的精度、外界条件的交化以及数据 缺损等原因而显得更加突出。这就促进硬件设备的设计水平和制造工艺发 展。再如,作为一个计算机视觉问题,如何融合人脸的一般性先验形状信 息来准确地恢复特定人脸的3 d 结构也是一个非常有价值的研究问题。从 图形学的角度,研究3 d 人脸在光源照射下的成像过程,以指导人脸图像 的3 d 形状分析、光照模式分析及其生成虚拟光照、不同视角视图问题也 已经成为一个重要的研究课题。 人脸识别也是智能人机接口领域的重要研究内容之一。自动人脸识别 的研究是人们希望赋予计算机具有鉴别事物的能力,也就是“看”的能力, 这正是智能人机接口研究需要解决的问题之一。自动人脸识别深入研究将 促进其他人机交互方式的发展,例如智能游戏中的手势人机交互和情感人 机交互。 3 基于b 0 0 s t i n g 学习的自动人脸识别算法研究 1 3 2 人脸识别具有巨大的应用前景 重要场所( 如银行、机场等) 的管理、电子商务、人口管理等应用对 于快速、有效的人身份识别提出了更迫切的需要,基于人脸或人脸与其它 特征相结合的识别验证再度成为研究的热点之。尽管有些时候是无意识的, 我们每天都要对很多人的身份做出判别,同时,每个人也都要经常通过各 种方式和手段证明自己的身份。目前我们大多数情况下仍然依赖于传统的 身份验证手段来完成这些身份辨别过程,这些手段包括身份证卡等各类标 识物( 如身份证、学生证等各类证件) ,钥匙,密钥( 如密码、口令等) , 而这些方式存在不方便、不安全、不可靠的缺点。这些缺点使得他们已经 越来越不能适应社会发展的需求,我们亟需更方便、更可靠、更安全的身 份验证方式。另外,国家公共安全、信息安全等关系国计民生的领域更需 要高可靠性、高安全性的身份验证技术,尤其是“9 11 ”事件之后,安全 问题更加成为人们关注的热点问题,而生物特征识别技术被认为是这些需 求的最好的解决方案。 生物特征识别( b i o m e t r i c s ) 是指利用人类本身所拥有的、能够标识其 身份的生理特征或者行为特征进行身份验证的技术。生理特征通常是指人类 个体“与生俱来、独一无二、长期不变”( 至少在一定程度上满足) 的生理 特性,如人脸、指纹、虹膜、掌纹、手形、d n a 、耳廓形状、视网膜等;与 传统的身份验证方法相比,生物特征识别突出的优势表现在生物特征可以从 杜绝伪造和窃取,而且是人类自身拥有的,从而具有更高的可靠性、安全性 和可用性上。因而,人们对生物特征识别技术寄予厚望,期望能够满足从国 家公共安全,社会安全,到金融安全以及人机交互等方面的各类应用。 在国家公共安全方面,国内外违法犯罪人员,尤其是恐怖分子严重威 胁人民的生命财产安全,是社会安定团结的极大威胁,对这些危险分子进 行及时、有效的监控和抓捕至关重要,而生物特征识别技术,特别是人脸、 指纹和虹膜识别技术,为此提供了更加有力的技术保障。我国是一个人口 流动大国,人口的身份管理和跟踪变得特别的复杂和困难,利用生物特征 识别技术来辅助人口身份管理显得尤为重要。 在信息安全领域,信息网络和电子商务日益普及和发展,这在带给人 民群众更多方便和利益,同时也带来了严峻的信息获取和访问的安全问题。 4 第一章绪论 信息安全已引起了全社会的广泛关注,通过信息网络窃取国家机密、商业 资料、行骗集资等犯罪现象曰益增多,严重影响了国家安全和社会的稳定。 自动人脸识别作为一种典型生物特征识别技术,以其自然性、高可接受性 等优点受到了人们的青睐,可应用于各行各j 止中。 t 4 问题的提出及本文主要贡献 1 4 1问题的提出 经过四十多年的发展,尤其是近几年来的研究,自动人脸识别技术已 经取得了充分的进展。目前,有不少自动人脸识别系统在注册和识别环境 比较相象、用户相对比较配合的情况下,已经能够达到令人满意的效果, 对1 0 0 0 人左右的识别系统,其正确识别率可以在9 5 左右;验证系统的 等错误率( e e r ) 性能也在2 以下。然而,这并不意味着人脸识别技术已经 非常成熟了,恰恰相反,因为更大量的入脸识别应用系统需要在大规模人 脸库、摄像环境不可控、用户不配合的情况下使用,目前最好的识别系统 在这样的情况下识别性能下降非常快,很多情况下识别系统正确识别率陡 降至7 5 以下,验证系统等错误率攀升到1 0 以上这样的性能显然是 应用系统用户根本无法接受的! 因此,现有的人脸识别系统尚未成熟,要 开发出真正鲁棒、实用的自动人脸识别应用系统还需要解决大量的关键阔 题,尤其需要研究以下关键问题: 1 4 1 1 如何有效地选择特征? 模式识别问题可以看作是一个特征构造和选择的问题。主元分析 ( p r i n c i p l ec o m p o n e n ta n a l y s i s ,简称p c a ) ,线性判别分析( l i n e a r d is c r i m i n a t ea n a l y s i s ,简称l d a ) 和支持向量机( s u p p o r tv e c t o r a c h i n e , 简称s v m ) 等算法都是根据样本的分布来构造判别函数的。由于这些算法判 别函数的构造都是直接根据样本分布来进行的,所以不存在特征选择问题。 目前,人脸检测、对齐、识别等算法中用到的特征都是和样本分布没有关系 的,例如h a a r 特征,g a b o r 特征等。这样就存在一个问题,如何从构造出来 的,庞大的特征集中,选择出比较具有分类能力的、高效的特征? 经典的特 征选择算法有:a d a b o o s t ,r e a l b 0 0 s t ,g e n t l e b o o s t ,k l b o o s t ,s e q u e n t i a l 5 基于b o o s l j n g 学习的自动人脸识别算法研究 f o r w a r df e a t u r es e l e c t i o n( s f f s ) , s e q u e n t i a lb a c k w a r df e a t u r e s e l e c t i o n ( s b f s ) 。这些算法以什么样的准则来选择特征呢? 这些准则是否 合理,有效? 1 4 。1 2 缆不能构造一些高效的特征? 人脸检测技术逐步成熟,并接近实用,尤其是在v i 0 1 a 提出基于b o o s t i n g 的算法之后。但作为自动人脸识别系统的一个必要环节,系统对人脸检测技 术的要求很高,即需要实时地、准确地检测出人脸的位置和大小。而原来人 脸检测是基于h a a r 特征的,一般需要选择出几千个特征方能比较鲁棒地检测 复杂背景下的人脸。虽然,这样的检测算法本身可以接近或者已经是实时, 但给整个自动人脸识别系统的实时性带来困难。因此,我们迫切需要构造一 些比较简洁有效的特征来描述人脸,使得人脸检测过程所需要的时间缩短。 1 4 1 3 面部关键点定位可以看作是一个统计的模式识别问题吗? 面部关键点定位是自动人脸识别关键的一个环节。定位准确与否直接关 系到整个系统的性能。然而,关键点定位是个非常复杂的问题,尤其是在光 线变化,表情变化,遮挡等情况下。经典的对齐算法有主动形状模型( a c t i v e s h a p em o d e l ,简称a s m ) 和主动表观模型( a c t i v ea p p e a r a n c em o d e l ,简 称a a m ) 。主动形状模型在搜索单个关键点时候利用该点的法线的协方差矩 阵作为模型,然后用马氏距离作为度量。这种方法的实质是期望关键点的法 线内外有比较明显的变化。但在复杂的表观情况下,这样的信息是很难用于 定位关键点的。例如嘴角,描述嘴角的特征远远不仅仅是嘴角的法线信息, 嘴角周围的信息也能提供很有用的信息。因此,是不是可以构造一种利用关 键点周围信息的方法,然后在大样本中学习出一个稳定的关键点描述模型? 1 4 1 。4 对齐算法一定靛将人脸对齐鸥? 由于对齐对整个自动人脸识别系统的来说是尤为重要。如果对齐不好, 那么后面的识别就是个“牛头不对马嘴”的问题。但目前也没有一种对齐方 法能做到百分之一百的正确对齐。而基于视频的自动人脸识别系统也不需要 每一帧都正确对齐和识别。因此,如果我们能够构造一种对对齐结果进行评 估的算法,并对对齐结果进行评估,将对齐不理想的帧抛弃。那么对自动人 6 第一章绪论 脸识别系统也是个提高。 1 4 1 5 雒否构造一些局部统计特征? 经典的识别算法,例如主元分析,线性判别,弹性图匹配等,都是基于 某种线性算子和人脸图像进行卷积来构造特征的。这样的特征有些对噪声敏 感,有些不能体现人脸的局部特性。因此,我们应该思考,能否构造一些既 能鲁棒抗噪,又能比较好地体现局部性的特征。 此外,对开发鲁棒实用的自动人脸识别系统而言,研究应用系统设计层 面的诸多工程技术问题同样至关重要的。例如,身高与摄像头位置的关系, 以及人与系统的交互性。这些问题直接和用户打交道,是用户满意与否的直 接问题。合适的采集位置和采集方式,友好的人机交互将是系统的推广使用 保障。 1 4 2 本文主要贡献 本文重点探讨了实现鲁棒实用的自动人脸识别系统必须的上述核心技术 和关键问题,对特征学习和选择的测度做了一些新的探讨和研究,在人脸检 测方面提出一种新的特征方法,将关键点定位问题看作一种统计学习问题, 对对齐结果进行合理的评估,提出一种基于局部统计特征的识别算法。本文 的主要贡献总结如下: 1 4 2 1对自动人脸识别研究的历史和现状进行综述 自动入脸识别研究国内外综述文章大多是将入脸检测和识别分开综述 的,而且综述内容大多是2 0 0 0 年以前的文献情况。本文认为人脸检测,对齐, 识别等三个润题是有很大的相似性,即基于样本学习的一种模式分类,应该 在一起综述。本文对自动人脸识别发展和技术分别做了综述。通过综述分析 本文认为统计学习垮是自动人脸识别一个重要的技术,并将不断地发展。同 时,我们指出了简单有效的b o o s t in g 学习算法的一些不足和没有解决的公开 问题。还有,本文指出在特征构造方面应该朝哪些方面进行努力。 1 4 2 2提出一种新的b 0 0 8 t i n g 学习算法j s b o o s t 本文对经典特征选择算法,例如a d a b o o s t ,r e a l b o o s t ,g e n t l e b o o s t , 基于b o o s t i n g 学习的自动人脸识别算法研究 k l b o o s t ,s e q u e n t i a lf o r w a r df e a t u r es e l e c t i o n ( s f f s ) ,s e q u e n t i a l b a c k w a r df e a t u r es e l e c t i o n ( s b f s ) ,进行充分分析。根据测度的定义, 引入一种新的测度方法来衡量特征的有用性和有效性,即j e n s e n s h a n n o n 散 度( j e n s e n s h a n n o nd i v e r g e n c e ,简称j s d ) 。该测度方法能比较合理有效 地衡量两个变量分布的相似性,即两个变量分布直方图的距离。结合该测度 方法和b o o s t 学习机制,本文提出一种新的特征选择算法,即j s b o o s t 。 1 4 2 3 在人脸检测中,提出一种类s o b e i 特征来描述人脸 人脸检测技术逐步接近使用和成熟了。但作为自动人脸识别系统的一个 必要环节,系统对人脸检测技术的要求很高,即需要实时地,准确地检测出 人脸的位置和大小。而原来人脸检测是基于h a a r 特征的,一般需要选择出几 千个特征方能比较鲁棒地检测复杂背景下的人脸。众所周知,s o b e l 算子能 够比较好地描述边缘特性。而人脸正是可以由一些边缘或者线条来描述。所 以s o b e l 算子能够比较好地描述入脸的。但原始s o b e l 算子仅仅与图像的单个 像素进行卷积,这对噪声很不鲁棒,因此,我们构造一种类s o b e l 特征来表 示人脸。 1 4 2 4 提出一种基于统计学习的关键点定位算法 面部关键点的定位是自动人脸识别的一个关键环节。定位准确与否直接 关系到整个系统的性能。经典的对齐算法主动形状模型( a s m ) 在搜索单个 关键点的时候利用该点的法线的协方差矩阵模型来进行搜索。这种方法的实 质是期望关键点的法线内外有比较明显的变化。但在复杂的表观情况下,仅 仅用这些信息是很难将关键点定位准确的。例如定位嘴角,能够描述好嘴角 的特征远远不仅仅是嘴角的法线信息,嘴角周围像素能提供比法线更有用的 信息。在关键点定位时,本文提出一种利用关键点周围像素信息的算法。该 算法利用g a b o r 对关键点及其周围的像素点进行特征提取和特征集构造,然 后利用b o o s t i n g 学习出那些有用的特征。
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026事业单位工勤技能-安徽-安徽计算机操作员四级(中级工)历年参考题库含答案详解
- 2026事业单位工勤技能-安徽-安徽有线广播电视机务员一级(高级技师)历年参考题库含答案详解
- 注册消防工程师一级消防安全技术综合能力(多项选择题)模拟试卷57
- webscarab工具使用介绍
- 世界机床工具行业发展现状分析
- 2026年港口集装箱运输成本控制策略分析报告
- 2026年电子元器件行业报告:供应链与市场动态
- 2026年物流企业仓储成本优化策略报告
- 2026年文化行业报告:传统文化产业数字化转型与品牌推广
- 2026年眼镜光学镜片技术发展趋势报告
- 交通标志标线工程施工组织设计方案
- 儿保生长发育偏离识别
- 肿瘤患者免疫治疗相关心肌炎诊疗
- 2025成都农业科技职业学院教师招聘考试题目及答案
- 2025年棉花加工辅助工三级安全教育(班组级)考核试卷及答案
- 精神科药物依从性管理
- 中小学以体育强化为核心落实“健康第一”教育理念实施方案
- 间羟胺药物课件
- 整县屋顶分布式光伏项目绿色施工方案
- GB/T 4337-2025金属材料疲劳试验旋转弯曲方法
- 手术室精益管理汇报
评论
0/150
提交评论