学位论文 > 优秀研究生学位论文题录展示

基于AAM的人脸建模与匹配技术的研究

作　者: 杨占栋
导　师: 解梅
学　校: 电子科技大学
专　业: 电子与通信工程
关键词: 人脸识别 动态外观模型 半动态外观模型 反向合成图像对齐 灰度共生矩阵
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 42次
引　用: 0次
阅　读: 论文下载
 

内容摘要


处在信息化时代,数据的海量以及安全对人们造成了很多困境。随之,生物特征识别技术越来越受到人们的重视,人脸识别作为生物特征识别研究领域之一,凭借其很多优点,也成为了人们研究的热门领域。人脸识别的完整过程主要包括四个方面,人脸图像的采集、人脸检测、特征点提取与定位以及特征匹配与识别。其中,特征点提取与定位和特征匹配与识别这两个方面对人脸识别的准确率和效率起到至关重要的作用。本文对经典的动态外观模型(Active Appearance Model, A-AM)、反向合成图像对齐算法(Inverse Compositional Image Alignment, ICIA)进行了深入的分析与研究,并且针对经典算法的计算的时间复杂度大、容易受到光照、角度、表情等的影响做了改进,提出了半动态外观模型(Semi-Active Appearance Model,SAAM),此模型在建模以及匹配的过程中,降低了数据计算过程中的时间复杂度和空间复杂度,并且在匹配识别的准确率上有一定的提高。本文的主要研究方面以及创新结果如下：(1)详细的研究了AAM的建模以及匹配计算。AAM的建模包括形状模型的建立、纹理模型的建立以及组合模型的建立,该模型对人脸的特征点定位较准确,很好的表示了人脸图像的外观,但是由于人脸图像数据量很大,从而计算量较大；AAM的匹配计算是采用经典的梯度下降法,效率比较低。(2)在AAM的匹配计算中,考虑到经典的梯度下降法效率较低,深入的研究了反向合成图像对齐算法。此算法是由Lucas-kanade算法与前向合成图像对齐算法进行推导得来,在理论上得到了证明,并且将反向合成图像对齐算法应用到AAM的特征匹配计算中,计算效率得到了很大程度的提高。(3)针对AAM建模的过程中,计算数据量大、容易受到光照、角度、表情的影响,本章提出了SAAM模型。此模型是将动态形状模型(Active Shape Model, ASM)与灰度共生矩阵(Grey Level Co-occurrence Matrix, GLCM)相结合推导出来的。该模型在建立的过程中,省去了很多计算特征值、特征向量的复杂计算,在匹配计算的过程中,为了提高匹配的计算效率以及准确率,将反向合成图像对齐算法应用于其中。经过试验证明,该模型具有计算简单、识别准确率高等特点,有效地解决了AAM在计算效率、识别准确率存在的问题。(4)本章在基于OpenCV的环境下,并利用MFC实现了一个完整的人脸识别程序软件。该过程包括图像采集与人脸检测模块、特征点提取与定位模块、特征匹配与识别模块以及存储模块。

全文目录


摘要  4-6
ABSTRACT  6-11
第一章 绪论  11-19
  1.1 研究的背景和意义  11-13
  1.2 人脸识别技术的研究进展和现状  13-17
  1.3 本文研究的主要内容及安排  17-19
    1.3.1 研究的主要内容  17-18
    1.3.2 论文的结构安排  18-19
第二章 动态外观模型的理论与技术  19-31
  2.1 建立AAM前的基础理论  20-23
    2.1.1 点分布模型PDM(Point Distribution Model)  20-21
    2.1.2 训练数据的对齐  21-22
    2.1.3 主成分分析PCA  22-23
  2.2 AAM模型的建立  23-29
    2.2.1 形状模型的建立  23-25
    2.2.2 纹理模型的建立  25-28
    2.2.3 组合模型的建立  28-29
  2.3 AAM模型的匹配  29-30
  2.4 本章小结  30-31
第三章 反向合成图像对齐算法  31-47
  3.1 Lucas-Kanade图像对齐算法  31-34
    3.1.1 仿射变换的定义  31
    3.1.2 算法及推导  31-33
    3.1.3 仿射集的定义  33
    3.1.4 该算法的步骤  33-34
  3.2 前向合成图像对齐算法  34-36
    3.2.1 仿射变换合成的定义  34
    3.2.2 算法及推导  34-35
    3.2.3 仿射集的定义  35
    3.2.4 该算法步骤  35-36
  3.3 反向合成图像对齐算法  36-38
    3.3.1 算法及推导  36-37
    3.3.2 仿射集的定义  37
    3.3.3 该算法步骤  37-38
  3.4 反向合成图像对齐算法在AAM匹配中的应用  38-42
    3.4.1 模型实例的生成  38-39
    3.4.2 问题的提出  39-40
    3.4.3 外观变化的问题  40-41
    3.4.4 参数更新的问题  41
    3.4.5 算法步骤  41-42
  3.5 实验结果及分析  42-45
    3.5.1 AAM的构建  42-43
    3.5.2 实验结果及分析  43-44
    3.5.3 反向合成图像对齐算法在AAM应用中的问题  44-45
  3.6 本章小结  45-47
第四章 半动态外观模型的研究与应用  47-67
  4.1 SAAM模型的建立  47-54
    4.1.1 ASM模型的建立  47-48
    4.1.2 纹理特征提取  48-51
    4.1.3 SAAM模型的建立  51-54
  4.2 局部SAAM模型的建立  54-57
    4.2.1 矩形分块的局部SAAM模型的建立  54-55
    4.2.2 关键特征区域分块的局部SAAM模型的建立  55-57
  4.3 SAAM的匹配计算  57-58
  4.4 反向合成图像对齐算法在SAAM匹配计算问题中的应用  58-62
    4.4.1 模型的实例  58-59
    4.4.2 问题的提出  59-60
    4.4.3 外观变化的问题  60-61
    4.4.4 算法步骤  61-62
  4.5 实验结果与分析  62-65
  4.6 本章小结  65-67
第五章 基于SAAM的人脸识别应用软件设计  67-72
  5.1 系统结构框图  67-69
  5.2 系统功能模块  69-71
    5.2.1 图像采集与检测模块  70
    5.2.2 特征点提取与定位模块  70
    5.2.3 匹配与识别模块  70-71
    5.2.4 存储模块  71
  5.3 本章小结  71-72
第六章 总结与展望  72-75
  6.1 总结  72-74
  6.2 展望  74-75
致谢  75-76
参考文献  76-80
攻硕期间取得的研究成果  80

相似论文

  1. 2D人脸模板保护算法研究,TP391.41
  2. 蚁群算法及其在气象卫星云图分割中的应用,TP391.41
  3. ASAR与MODIS协同的海洋溢油信息提取,X87
  4. 基于模糊聚类的图像检索方法研究及其系统实现,TP391.41
  5. 基于加权投票和关键帧提取的视频流人脸识别方法研究,TP391.41
  6. 基于差分演化的人脸识别方法研究,TP391.41
  7. 基于灰度共生矩阵和BP神经网络的织物组织结构识别,TP391.41
  8. 基于子模式的局部保留映射的人脸识别方法研究,TP391.41
  9. 三维人脸识别系统研究,TP391.41
  10. 鲁棒流形学习算法研究,TP391.41
  11. 基于神经树的人脸识别方法研究,TP391.41
  12. 鉴别性流形学习在人脸识别中的研究应用,TP391.41
  13. 基于AdaBoost算法的人脸识别研究,TP391.41
  14. 基于Gabor和SVM的光照鲁棒人脸识别算法研究,TP391.41
  15. 人脸图像特征提取和分类算法研究,TP391.41
  16. 流形学习算法的改进及在人脸识别中的应用,TP391.41
  17. 基于ARM的网络视频监控系统若干关键技术研究,TP391.41
  18. 频谱脸与FLD结合的彩色分量特征融合人脸识别算法研究,TP391.41
  19. 网络监控系统中人脸检测和识别技术的研究,TP391.41
  20. 基于VC++的人脸识别系统的设计与实现,TP391.41
  21. 基于人脸与指纹的多模态身份识别系统研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com