学位论文 > 优秀研究生学位论文题录展示

多姿态人脸检测与表情识别关键技术研究

作　者: 阮锦新
导　师: 尹俊勋
学　校: 华南理工大学
专　业: 电路与系统
关键词: 多姿态人脸检测人脸识别人脸表情识别表情特征提取表情分类身份认证系统
分类号: TP391.41
类　型: 博士论文
年　份: 2010年
下　载: 865次
引　用: 4次
阅　读: 论文下载

内容摘要

在人工智能技术研究领域,人脸作为一种重要的生物特征,其检测、识别和表情提取是实现机器智能化的前提和关键技术之一,具有广阔的应用前景,逐渐成为一个活跃的研究分支。随着图像处理和模式识别技术的进步,人脸信息处理技术获得长足发展,但仍存在很多需要深入研究的问题。例如:姿态、表情、年龄、遮挡、光照等因素依然严重影响人脸检测与识别的效果,表情识别的研究仍处于起步阶段,理论和方法仍有待完善。本文主要是对多姿态人脸检测、人脸表情特征提取与降维、表情分类与表情识别应用等问题进行了深入研究,研究内容与创新性工作主要如下:1、提出了融合特征和图像方法,解决多姿态人脸检测这一实际应用中亟待解决的难题。算法首先利用人脸特征快速确定人脸方向,分割出大致正向的人脸候选区域,从而避免增加姿态检测器而增大算法的复杂度,克服了基于图像方法对多姿态人脸检测率低的缺点。分别运用AdaBoost、SVM和RVM三种基于图像的方法对人脸候选区域进行分类检测。实验表明,融合特征和图像方法进行多姿态人脸检测,可明显提高检测速度和检测率。2、通过分析RVM的稀疏性和泛化性能等优于SVM,将RVM用于人脸检测作了有益的尝试。在基于人脸特征方法的基础上,分别采用AdaBoost、SVM和RVM进行多姿态人脸检测,对比研究表明,AdaBoost的检测速度比SVM和RVM快,检测率略低,SVM和RVM的光照鲁棒性比AdaBoost强,RVM的检测效果优于SVM,在光照变化较大的环境下,利用RVM进行人脸检测不惜为一种好方法。3、针对AdaBoost、SVM、RVM等基于图像的人脸检测方法对样本依赖较强的问题,为了提高样本有效性,取样本长宽比为1.2,重点突出人脸中央纹理较中的部分。特别是在SVM、RVM算法中,提出了采用彩色样本的新方法,并在YC b Cr彩色空间中,有区别地选取各色彩分量的DCT系数作为特征向量,用于分类器的训练。实验表明,该方法增强了样本有效性,这样可提高算法对光照的鲁棒性和检测率。4、分析了基于Gabor变换的人脸表情特征提取方法,针对Gabor特征向量维数过高和传统特征降维方法的不足,提出了对主要表情区域进行局部Gabor表情特征提取,根据各表情子区域对表情识别贡献不同,采用非均匀采样,提取出既能反映表情变化,又利于表情分类的表情特征,以达到有效的降维。最后,运用DWT和DCT对表情特征做进一步降维,较好地解决了特征提取与降维的问题。5、对多分类SVM和RVM进行了深入的研究,针对传统的一对一、一对余等多分类方法的不足,提出了基于二对二多分类SVM与RVM的表情分类方法。该方法以四类别分类问题为研究基础,根据每个子分类器的输出结果进行判断,以相对较少的子分类器组合实现快速分类,从而减少了分类误差。在决策根节点,采用近似最优方法将多类别样本分成两组,并使其聚类中心距离最大,且每组样本数据分歧最小。根据六种基本表情识别率不同,设计出较为合理的决策方案,减小误差的累积,获取最优的分类性能。实验表明,该方法明显缩减了训练和测试时间,提高了分类性能。另外,RVM分类性能略优于SVM。6、研究了基于人脸识别的身份认证系统的活体检测技术,及其在提高系统的防欺骗性能的优缺点。根据当前人脸表情识别在与人相关时识别率高,与人无关时识别率低的特点,提出了通过访问人员能够接受又容易做到的4种基本人脸表情进行识别,在保证系统运行速度和较低的错误接受率的基础上,实现活体检测,有效提高了基于人脸识别身份认证系统的防欺骗性能。

全文目录

摘要  6-8
Abstract  8-16
第一章绪论  16-42
  1.1 研究背景、内容和意义  16-22
    1.1.1 研究背景  16-18
    1.1.2 研究内容  18-20
    1.1.3 研究意义与应用领域  20-22
  1.2 人脸检测概述  22-28
    1.2.1 国内外研究的现状  22-23
    1.2.2 人脸检测的主要技术方法  23-26
    1.2.3 人脸检测的难点  26-27
    1.2.4 人脸检测的发展方向  27-28
  1.3 人脸表情识别概述  28-35
    1.3.1 国内外研究的现状  28-29
    1.3.2 人脸表情识别的主要技术方法  29-33
    1.3.3 人脸表情识别的难点  33-34
    1.3.4 人脸表情识别的发展方向  34-35
  1.4 主要人脸数据库  35-40
  1.5 本文研究内容及组织结构  40-42
    1.5.1 本文研究内容  40
    1.5.2 论文的组织结构  40-42
第二章多姿态人脸检测  42-79
  2.1 引言  42-43
  2.2 人脸特征检测  43-48
    2.2.1 肤色检测  44-46
    2.2.2 眼睛检测  46-47
    2.2.3 嘴巴检测  47-48
  2.3 Adaboost 算法  48-54
    2.3.1 Haar-Like 特征  48-50
    2.3.2 Adaboost 算法  50-53
    2.3.3 Adaboost 级联分类器  53-54
  2.4 支持向量机  54-62
    2.4.1 机器学习的基本问题  54-56
    2.4.2 统计学习理论  56-59
    2.4.3 支持向量机  59-62
  2.5 相关向量机  62-67
    2.5.1 贝叶斯学习理论  62-65
    2.5.2 相关向量机  65-67
  2.6 多姿态人脸检测  67-77
    2.6.1 基于人脸特征和AdaBoost 的多姿态人脸检测  67-71
    2.6.2 基于人脸特征和支持向量机的多姿态人脸检测  71-75
    2.6.3 基于人脸特征和相关向量机的多姿态人脸检测  75-77
  2.7 本章小结  77-79
第三章基于Gabor 变换的人脸表情特征提取与降维  79-99
  3.1 引言  79
  3.2 二维Gabor 小波变换  79-82
    3.2.1 二维Gabor 小波函数  79-81
    3.2.2 二维Gabor 小波变换  81-82
  3.3 Gabor 人脸表情特征提取  82-85
    3.3.1 Gabor 滤波器组的设计  82-84
    3.3.2 Gabor 人脸表情特征提取  84-85
  3.4 Gabor 人脸表情特征降维  85-96
    3.4.1 选取人脸的主要表情区域  86
    3.4.2 局部非均匀采样  86-89
    3.4.3 DWT  89-92
    3.4.4 DCT  92-96
  3.5 基于DWT 和DCT 的局部非均匀Gabor 表情特征提取与降维  96-97
  3.6 本章小结  97-99
第四章基于支持向量机与相关向量机的人脸表情识别  99-115
  4.1 引言  99-100
  4.2 多分类问题的描述  100
  4.3 多分类问题的解决方法  100-107
    4.3.1 一次性求解方法  101
    4.3.2 一对一方法  101-102
    4.3.3 有向无环图方法  102-103
    4.3.4 二叉树方法  103-104
    4.3.5 一对余方法  104-105
    4.3.6 二对二方法  105-107
  4.4 基于二对二支持向量机的表情分类  107-113
    4.4.1 基于二对二支持向量机的表情分类算法  107-109
    4.4.2 实验结果与分析  109-113
  4.5 基于二对二相关向量机的表情分类  113-114
    4.5.1 基于二对二相关向量机的表情分类算法  113-114
    4.5.2 实验结果与分析  114
  4.6 本章小结  114-115
第五章利用表情识别提高基于人脸识别的身份认证系统的防欺骗性  115-131
  5.1 引言  115-116
  5.2 常见基于生物特征识别的身份认证技术  116-120
  5.3 常见的活体检测技术  120-122
  5.4 人脸识别  122-125
    5.4.1 常见的人脸识别方法  122-124
    5.4.2 基于Gabor 变换的人脸识别算法  124-125
  5.5 结合表情识别与人脸识别的身份认证系统  125-130
    5.5.1 结合表情识别与人脸识别的身份认证系统算法  125-129
    5.5.2 实验结果与分析  129-130
  5.6 本章小结  130-131
总结与展望  131-134
  1. 本文工作总结  131-133
  2. 后续研究工作展望  133-134
参考文献  134-147
攻读博士学位期间取得的研究成果  147-148
致谢  148

多姿态人脸检测与表情识别关键技术研究

内容摘要

全文目录

相似论文