学位论文 > 优秀研究生学位论文题录展示

视频序列人脸图像分割与识别技术研究

作　者: 陈蕾
导　师: 黄贤武
学　校: 苏州大学
专　业: 计算机应用技术
关键词: 视频序列图像分割数学形态学人脸检测提升小波变换特征提取支持向量机学习矢量量化神经网络人脸识别
分类号: TP391.41
类　型: 博士论文
年　份: 2006年
下　载: 939次
引　用: 2次
阅　读: 论文下载

内容摘要

随着计算机和网络信息技术的发展，对快速有效的自动身份验证的要求日益迫切，已经引起了国际学术界和企业界的广泛关注。生物识别是一种根据人体自身的生理特征(如指纹、脸像、虹膜等)和行为特征(如笔迹、声音、步态等)来识别身份的技术。由于脸像作为一种高普遍性的、可非接触式采集的重要生物特征，可以应用在多种不同的安全领域，如公安刑侦、司法鉴定、访问控制、金融支付、医学应用、视觉监控和视频会议等，因此人脸识别正在成为当前人们关注和投入较大研究力量的重点。依托于计算机视觉、图像处理、模式识别和神经网络等领域的人脸自动识别技术是现今国际前沿和热点问题，有着十分重要的现实意义。本文在分析和总结国内外近十多年来的相关研究成果和最新研究进展的基础上，针对应用上急需解决的人脸分割定位和人脸识别的方法和理论进行了系统的实验和理论研究，在视频序列人脸图像分割与识别技术方面取得了一些成果。本文的主要研究内容集中在两个方面：视频序列中人脸图像分割方法和利用提升小波变换与学习矢量量化网络相结合的人脸识别方法。从人脸检测到人脸识别，本文力图将马尔可夫随机场理论、数学形态学、机器学习、优化理论、小波变换、神经网络等方面的成果，与计算机视觉领域对图像进行智能解译的理论结合起来，提出并实现了一系列有实际应用价值的算法。本文在研究了马尔可夫随机场理论和数学形态学基本运算后，利用它们各自的特性，提出了将马尔可夫随机场理论与数学形态学相结合的方法，对视频序列中的运动目标进行提取，再利用区域生长方法及人脸几何特征对人脸图像进行初步分割。采用基于高斯马尔可夫随机场模型的运动目标自动分割算法，可以将运动目标从背景中分离出来。该算法利用高斯分布描述视频序列的帧差图像的条件概率分布，使用快速EM(Expectation-Maximization)算法解决了从不完整数据中估计概率模型参数问题。在此基础上建立马尔可夫随机场模型，构造系统相应的能量函数。然后通过ICM(Iterated Condition Modes，迭代条件模型)优化算法求解能量函数的

全文目录

第一章绪论  13-30
  1.1 研究背景与意义  13-14
  1.2 人脸检测与识别研究的发展与现状  14-16
  1.3 视频序列人脸检测方法综述  16-24
    1.3.1 视频序列中运动目标分割方法综述  16-18
    1.3.2 人脸检测方法综述  18-24
  1.4 人脸识别方法综述  24-27
  1.5 论文主要研究内容  27-29
    1.5.1 论文研究内容  27-29
    1.5.2 论文的主要创新  29
  1.6 论文结构概要  29-30
第二章视频序列人脸检测预处理  30-46
  2.1 引言  30
  2.2 马尔可夫随机场模型的基本概念  30-36
    2.2.1 点集和标记集  30-31
    2.2.2 邻域系定义  31-32
    2.2.3 马尔可夫随机场  32-33
    2.2.4 Gibbs随机场  33-34
    2.2.5 MRF与GRF之间的等价性  34-35
    2.2.6 MAP-MRF标记  35-36
    2.2.7 后验能量函数的优化算法  36
  2.3 基于马尔可夫随机场模型的运动目标分割  36-42
    2.3.1 马尔可夫随机场(MRF)  36-37
    2.3.2 后验能量函数定义  37-39
    2.3.3 差分图像的高斯混合模型  39-40
    2.3.4 快速EM算法  40-41
    2.3.5 能量函数优化算法  41-42
  2.4 实验及其结果分析  42-45
  2.5 本章小结  45-46
第三章基于形态学的人脸区域的初步检测  46-57
  3.1 引言  46
  3.2 二值形态学的基本运算  46-48
  3.3 灰度形态学  48-53
    3.3.1 灰度形态学理论基础  48-49
    3.3.2 灰度形态学基本变换  49-52
    3.3.3 灰度形态学梯度  52
    3.3.4 Top-Hat变换  52-53
  3.4 基于数学形态学的人脸初步检测  53-56
    3.4.1 区域分割  53-55
    3.4.2 人脸定位  55-56
  3.5 本章小结  56-57
第四章基于支持向量机的人脸检测  57-75
  4.1 引言  57
  4.2 机器学习的基本问题  57-59
    4.2.1 学习问题的一般表示  57-58
    4.2.2 经验风险最小化  58-59
    4.2.3 复杂性与推广能力  59
  4.3 统计学习理论  59-62
    4.3.1 VC维  60
    4.3.2 推广性的界  60-61
    4.3.3 结构风险最小化  61-62
  4.4 支持向量机  62-65
    4.4.1 最优分类超平面  62-64
    4.4.2 非线性支持向量机  64-65
  4.5 基于支持向量机的人脸检测算法  65-72
    4.5.1 最优化理论基础  66-69
    4.5.2 支持向量机的学习算法  69-70
    4.5.3 改进算法  70-72
  4.6 实验与结果分析  72-74
    4.6.1 图像预处理  72-73
    4.6.2 人脸检测  73-74
  4.7 本章小结  74-75
第五章基于提升小波变换和学习矢量量化网络的人脸识别  75-94
  5.1 引言  75-76
  5.2 二维小波变换原理  76-81
    5.2.1 小波变换的由来和作用  76-79
    5.2.2 二维小波变换与图像的小波分解和重构  79-81
  5.3 提升小波变换原理  81-85
    5.3.1 多项式拟合的预测算法  83-85
    5.3.2 自适应更新算法  85
  5.4 人工神经网络基础  85-87
    5.4.1 人工神经网络的分类  86
    5.4.2 神经网络的学习  86-87
  5.5 基于LVQ网络的多姿态人脸识别  87-91
    5.5.1 竞争神经网络基础  87-88
    5.5.2 LVQ网络模型  88-89
    5.5.3 LVQ网络学习规则  89-91
  5.6 实验与结果分析  91-93
  5.7 本章小结  93-94
第六章总结与展望  94-97
  6.1 本文工作的总结  94
  6.2 本文主要研究成果  94-95
  6.3 进一步的工作与展望  95-97
参考文献  97-111
致谢  111-112
在学期间公开发表论文及其它科研成果  112-113
中文详细摘要  113-124

视频序列人脸图像分割与识别技术研究

内容摘要

全文目录

相似论文