人脸检测与识别技术的研究及实现
VIP免费
摘 要
随着计算机技术的发展和实际应用的需要，人脸识别在安全识别、身份鉴定、
人机交互等方面有很大的应用前景，在模式识别和机器学习领域里引起了广泛的
重视。一个完整的人脸识别系统通常包括人脸检测部分和特征提取与识别部分两
个环节。
本文在检测环节实现了改进的AdaBoost算法：针对人脸图像的Haar−Like型特
征数目非常多，对每个弱分类器阈值的搜索很耗时导致原始AdaBoost算法中的训
练时间过长的缺点，直接求取Haar−Like型特征对应的弱分类器。即采用将每个
Haar−Like特征下所有样本的特征值量化后分别计算出人脸和非人脸样本的权重直
方图，由此直接快速计算出每个特征对应的弱分类器的阈值和偏置。同时，引入
了函数形式的分类风险敏感因子，使之不但参与到权值更新规则中，且与级联分
类器结合，解决了人脸和非人脸两类模式分类错误的风险极不平衡的实际问题。
实验证明，这种改进的AdaBoost算法的鲁棒性和自适应性均得到了提高，不但提
高了训练的速度，且具有更高的检测率和更低的误检率。
在人脸识别环节，本文采用4个尺度6个方向的Log-Gabor滤波器对图像滤波得
到Log-Gabor特征，根据Log-Gabor特征的特点采用了下采样与PCA相结合的特征选
择方法，得到了最优选取特征数，然后把这些特征输入Kernel Direct DA，得到最
佳分类效果的特征向量。采用Kernel Direct DA作为分类器，不但可以减少特征维
数和类间区分度，并且解决了既有LDA面临的SSS(small sample size problem)问题。
本文实验将此识别方法应用在CAS-PEAL人脸图像库做测试，取得了较高的识别
率。
最后，对人脸识别系统进行了实现，给出了各个环节的流程框图，并对人脸
识别系统设计的关键点进行了探讨。
关键字：人脸检测 人脸识别 Adaboost Log-Gabor 特征提取 KDDA
ABSTRACT
As the development of the computer technology and practical requirement,
Human face recognition can be widely applied in such fields as safey recognition，
personal identification and human-computer interface, etc. It is also one of the most
active and challenging tasks of computer vision and pattern recognition. A typical
automatic face recognition system consists of the following two functions: face
detection, feature extraction and recognition. This paper mainly studies the approaches
to real-time face detection and recognition in static images.
This paper proposes an improved AdaBoost algorithm in face detection. Firstly, the
feature values of all training samples with each Haar-like feature are quantified. Then
the weight histograms of face and nonface are computed by using these quantified
feature values. The threshold of weak classifier with each feature is computed faster
based on the weight histograms. In order to solve the risk of misclassification from face
and non-face modes which is extremely imbalanced in face detection, a classification
risk coefficient is introduced. It is associated with cascade classifier and takes part in
weight updating. Experimental results illustrate that the improved algorithm could make
training process convergence quickly and the detection speed and detection precision all
exceed the initial Adaboost algorithm.
In the part of face recognition, Log-Gabor is used as face representation, several
methods is tested for feature selecting and the optimizing numbers are selected to input
to KDDA classification which reduces feature dimensions, shrinks In-Class difference
and also avoids the SSS problem. The Recognition experiments with the cas-peal-R1
show that the method can achieve excellent first recognition rate.
At last, an automated face recognition system is showed and some key points are
discussed.
Key Word：Face detection, Face recognition, Adaboost, Log-Gabor,
Feature select, KD DA
目 录
摘 要 1
ABSTRACT .................................................................................................................... 1
第一章 绪 论 ....................................................................................................................1
§1.1 研究的背景及意义...........................................................................................1
§1.2 研究的内容与发展现状...................................................................................2
§1.2.1 研究的内容与难点.................................................................................2
§1.2.2 研究的发展历程和国内外研究现状.....................................................3
§1.3 主要关键技术...................................................................................................4
§1.4 论文的组织结构...............................................................................................5
第二章 人脸检测与识别算法 ..........................................................................................6
§2.1 人脸检测的主要方法.......................................................................................6
§2.1.1 基于知识的方法(Knowledge-based methods) ...................................... 6
§2.1.2 特征不变量方法(Feature invariant approaches) ....................................6
§2.1.3 模板匹配的方法(Template matching methods) .....................................7
§2.1.4 基于表观的方法(Appearance-based methods) ......................................8
§2.2 人脸识别的主要方法.....................................................................................10
§2.2.1 人脸特征提取.......................................................................................10
§2.2.2 人脸分类方法.......................................................................................11
§2.3 人脸检测与人脸识别的异同.........................................................................13
§2.4 人脸图像数据库.............................................................................................13
§2.5 检测和识别算法性能的评价.........................................................................15
第三章 基于改进的 Adaboost 算法的人脸检测的实现 ..............................................16
§3.1 Adaboost 算法的理论基础 ............................................................................. 16
§3.1.1 集成机器学习.......................................................................................16
§3.1.2 PAC 学习模型和弱学习理论............................................................... 16
§3.1.3 Boosting 算法 ........................................................................................ 17
§3.2 Adaboost 算法及其性能分析 ......................................................................... 18
§3.2.1 Adaboost 算法 ....................................................................................... 18
§3.2.2 Adaboost 算法性能分析 ....................................................................... 20
§3.3 基于 Adaboost 的人脸检测算法研究........................................................... 22
§3.3.1 人脸特征的选取...................................................................................23
§3.3.2 特征计算...............................................................................................23
§3.3.3 构建弱分类器.......................................................................................25
§3.3.4 训练强分类器.......................................................................................25
§3.3.5 生成级联分类器...................................................................................26
§3.4 改进的 Adaboost 算法................................................................................... 28
§3.4.1 弱分类器的求取...................................................................................28
§3.4.2 基于风险敏感因子的改进...................................................................30
§3.5 改进算法的实验和结果.................................................................................33
§3.5.1 样本集的选取.......................................................................................33
§3.5.2 训练及检测过程...................................................................................34
§3.5.3 实验结果和分析...................................................................................35
第四章 人脸识别算法及实现 ........................................................................................40
§4.1 人脸识别的特征表示.....................................................................................40
§4.1.1 Gabor 滤波器理论................................................................................40
§4.1.2 人脸图像的 Log-Gabor 滤波提取.......................................................41
§4.2 特征选取方法.................................................................................................43
§4.2.1 滑动窗方法...........................................................................................43
§4.2.2 下采样方法...........................................................................................44
§4.2.3 PCA 方法................................................................................................44
§4.3 线性判别分析的研究.....................................................................................46
§4.3.1 LDA 线性判别分析 .............................................................................. 47
§4.3.2 对Kernel LDA 的分析 ........................................................................ 49
§4.3.3 对Direct LDA 的分析......................................................................... 51
§4.3.4 对Kernel Direct DA 的分析 ................................................................ 51
§4.4 识别算法的实验过程.....................................................................................56
§4.4.1 图像预处理...........................................................................................56
§4.4.2 提取 Log-Gaobr 特征图像...................................................................57
§4.4.3 降维.......................................................................................................58
§4.4.4 训练.......................................................................................................58
§4.4.5 识别.......................................................................................................58
§4.5 实验的结果与分析.........................................................................................59
第五章 人脸识别系统的实现方案 ................................................................................63
§5.1 人脸识别系统的实现方案流程.....................................................................63
§5.1.1 人脸检测部分流程图...........................................................................63
§5.1.2 人脸识别部分流程图...........................................................................65
§5.1.3 人脸识别系统的实现...........................................................................66
§5.2 人脸识别系统的关键点.................................................................................67
第六章 结论与展望 .......................................................................................................69
§6.1 论文的主要工作和结论.................................................................................69
§6.2 进一步的研究工作.........................................................................................69
参考文献.……………………………………………………………………………...71
在读期间公开发表的论文和承担科研项目及取得成果 .............................................76
致 谢 ………………………………………………………………………………...77
第一章 绪论
1
第一章 绪 论
在客观世界中，人类有75%的信息量都来自视觉。人脸是人类视觉中最为普遍
的模式，它反映的视觉信息在人与人的交流中有着重要的作用。人类能够轻而易
举地从大量背景中辨识到人脸且快速识别出熟悉的面孔，刚出生的婴儿就能对人
脸表示特别关注，且识别人脸的能力随着年龄增长而增强。尤为重要的是人的这
种看似生来具有的身份鉴别能力几乎不受姿势、表情、年龄、发型及光照等外界
条件的影响。这种人类交际的基本能力隐藏着非常复杂的认知系统，使得赋予计
算机同样的能力即自动人脸识别成为模式识别和人工智能领域的研究热点之一[1]。
§1.1 研究的背景及意义
在计算机及网络技术高速发展的信息社会中，信息安全的重要性前所未有。
身份识别及鉴定是保证系统安全的重要前提，在国家安全、公安、电子商务、电
子政务、安检、保安监控等应用领域，都需要准确的身份识别及鉴定。根据鉴别
特征的类型，分为基于口令鉴定、持有物鉴定、生物特征识别三类。日前，个人
身份鉴别主要依靠持有物鉴别(ID卡如身份证、智能卡等)和口令鉴别(密码)，存在
易遗失、损坏、破解、盗用和仿制等诸多问题，面临着严峻的挑战。
由于人体本身所固有的生理特征是使用人体本身所固有的生理特征[2](如人
脸、指纹、虹膜、视网膜、手形、掌纹、DNA等)及行为特征(如声音、步态、笔迹、
击键等)，具有很强的自身稳定性和个体差异性，因此是身份识别及鉴定的最理想
依据。人体生物特征识别技术就是使用通过图像处理和模式识别的方法来鉴别个
人身份的技术。这些特征具有“人各有异”、“终生不变”、“随身携带”的特点，因此
具有更好的安全性、可靠性和有效性，将逐步取代现有的密码、钥匙，成为鉴定
身份的方式，将最大限度的保证个人资料的安全，尤其在如今的社会中，对于防
止各类刑事、经济犯罪活动也起到遏制作用。
相对于其它种类的生物特征，由于人脸图像可以通过直接、自然的方式获取，
不需要被测定者的主动配合参与且无需过多动作进行非接触式人像获取，因此具
有对正常用户的强制性和妨碍度低且便于隐蔽，以及蕴含信息量大、不需要复杂
的采集方式且布设灵活等优点，尤其，通过对人脸的表情/姿态分析，还能获得其
他生物特征难以获得的一些信息。因此在生物特征识别技术中，人脸识别[3]具有更
广泛的应用与研究价值。
人脸识别技术应用背景广泛，可用于公安系统的罪犯身份识别、驾驶执照及
护照等与实际持证人的核对、银行和海关的监控系统及自动门禁系统等。人脸检
人脸检测与识别技术的研究及实现
2
测和识别可用于允许和拒绝人们使用ATM自动提款机或计算机，控制人们在机密
区域的进出，在特殊的地方(如银行、商场、考场等)或特定的数据库(如公安局或
考试管理系统的数据库等)中识别人的身份。在可视化分析和目标识别研究中，理
解人类如何处理和识别彼此的相貌，并进行相应的计算机建模最终完成人脸的自
动识别也成为最具有挑战性的任务之一。随着网络技术、多媒体技术和个人PC的
广泛应用，要求人脸识别系统能够对一般环境图像具有一定的适应能力，由此所
面临的一系列问题使得人脸检测开始作为一个独立的课题受到重视。今天，人脸
检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字
视频处理、视觉监测等方面有着重要的应用价值。
虽然人类自身的检测和识别能力很强，能够快速检测出多姿态人脸并且辨别
上千个不同的人脸，可是计算机来实现这些过程却是很大的挑战。其原因在于：
人脸姿态的多样化；人脸表情丰富；人脸随年龄增长而变化；人脸的附属物(比如
胡须、眼镜、发型等)的变化；人脸成像受光照、成像角度及成像距离等影响；而
且从二维重建三维是病态过程，目前没有很好的描述人脸三维模型。所以从学术
上讲，人脸识别研究作为一个典型的图像模式分析、理解与分类问题，为模式识
别，图像处理、分析与理解，计算机视觉，人机交互，甚至认知科学，神经计算，
生理学，心理学等多学科提供了一个很好的具体问题，有利于构建这些学科领域
的基础实验平台用于新方法的尝试和新理论的研究，极大的促进这些学科的发展。
§1.2 研究的内容与发展现状
§1.2.1 研究的内容与难点
本文进行的人脸的检测和识别，先从图像或视频中把人脸检测出来，然后对
存储的静态人脸图像用手工进行人眼的定位，再根据识别算法将输入的人脸图像
与原有的人脸库中的模型进行比较，以确定是否存在相匹配的图像。
人脸识别的研究可以追溯到上世纪的六、七十年代，经过几十年的曲折发展
已日趋成熟。一般来说，一个人脸识别系统通常包括两个环节：(1)人脸检测与定
位；(2)特征提取与人脸识别部分。如图1-1所示
图1-1 人脸识别系统的构成框图
人脸检测是人脸识别的前期阶段，要对人脸和非人脸的差异区分人脸和非人
脸的两类模式。指在在照片(静态图像)和视频(动态图像)中，采用一定的方法对其
第一章 绪论
3
进行搜索以判断图像中有无人脸，如果存在则把人脸标定出来，同时得到人脸的
数目、位置、大小、姿态等信息。由于检测的人脸图像信息过于庞大，且其中的
信息冗余量大，就要提取合理有效的特征对人脸信息做出描述，并根据特征提取
的结果分析，可以对检测到的人脸的性别、表情、种族、年龄等属性做出判断。
提取方法将直接影响人脸识别的精度和效率。人脸识别是将检测到的人脸图像的
特征进行分析，依据那些在不同个体之间存在较大差异而对于同一个人则比较稳
定的度量，与已知人脸数据库中的模型的特征信息做比较，以确定是否存在相匹
配的图像从而判断人物身份。
人脸是一个极为复杂的、多维的、典型的非刚体模型，作为人的一个标志性
特征，本身蕴涵的信息量非常丰富；图像中的人脸往往位于相对复杂的环境中，
没有太多的规律可寻，要对人脸做出准确的检测与识别，是一个非常具有挑战性
的任务[4]，其难点主要包括以下两方面：
1.人脸内在的变化所引起：(1) 人脸相对复杂的细节变化，不同的外貌、肤色
等，还包括复杂的表情变化，年龄变化，发型变化，化妆的浓淡程度等；(2)人脸
的遮挡，如眼镜、头发和头部饰物及其他外部物体等。
2. 由于外在条件变化所引起：(1)光照的影响，在均匀光线、背光、侧面光等
条件下的图像有很大的差别；(2)由于成像角度的不同造成人脸的多姿态，如平面
内旋转、深度旋转以及上下旋转，其中深度旋转影响较大，还有人脸大小的不固
定，在同一图像内会出现大小不同的人脸图像。(3)图像的成像条件，如摄像设备
的焦距、成像距离、图像获得的途径等等。
§1.2.2 研究的发展历程和国内外研究现状
人脸识别和检测的研究始于20世纪60年代末，最早是以人脸特征点的间距、
比率等参数为特征，建成了一个半自动的人脸识别系统。早期人脸识别和检测研
究主要提取人脸几何特征的方法，包括人脸部件归一化的点间距离和比率以及人
脸的一些特征点，如眼角、嘴角、鼻尖等部位构成的二维拓扑结构，接着出现模
板匹配的方法，主要是利用计算模板和图像灰度的自相关性来实现识别功能。
自从90年代基于整体的研究方法开始发展，人脸识别技术由单纯的科研转向
实用。它考虑模式的整体属性，包括基于主成分分析(PCA)的特征脸(Eigenface)的
方法，SVD分解的方法、人脸等密度线分析匹配方法、统计模型方法、弹性图匹
配方法以及神经网络方法等。另外还有基于局部特征分析的方法，即将人脸基准
点的相对比率和其它描述脸部特征的形状参数或类别参数等一起构成识别特征向
量。基于整体的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件
人脸检测与识别技术的研究及实现
4
本身的信息；而基于部件的识别是通过提取局部轮廓信息及灰度信息来设计具体
识别算法。基于整个人脸的识别把整个人脸图像作为模式，光照、视角以及人脸
尺寸会对人脸识别有很大的影响，因此如何能够有效的去掉这些干扰很关键。近
年来的一个趋势是将人脸的整体识别和特征分析的方法结合起来。
近些年随着实际的人脸识别和视频编码系统开始成为现实，人脸检测开始作
为一个独立的课题受到普遍重视。早期用的模板匹配、变形模板匹配、子空间方
法往往只针对简单无变化背景下的正面人脸检测，后来用运动、肤色和一般信息
的方法的多种检测方法得到蓬勃发展，尤其统计和神经网络方法使得在复杂背景
和多分辨率中的人脸检测成为可能。近期人脸检测的研究主要集中于机器学习方
法，如统计模型方法，神经网络方法，SVM方法，Boosting方法等。2001年Viola P[5]
的基于Adaboost算法的人脸检测是真正意义上走向实用的里程碑。
美国国防部资助的FERET(FacE Recognition technology Test)项目主要包括识
别算法研究、识别算法性能评测、人脸数据库的建立三部分，极大促进了人脸识
别算法理论研究和实际应用。MPEG7标准组织建立了人脸识别草案小组，人脸检
测算法也是征集的内容。国外的大学一般都有Computer Vision研究组，并有从事人
脸图像处理课题的研究小组。
我国也奋起直追国际先进水平。90年代以来，国内的人脸识别项目得到如
NSFC、863计划的资助，研究一度成为热点。清华大学苏光大教授、丁晓青教授
等[6,7]中科院计算技术研究所高文教授[8]和中科院自动化研究所谭铁牛等[9]很早就
开始从事人脸检测与识别的相关研究。另外，微软亚洲研究院的李子青博士[10]领
导的研究组也开展了大量人脸识别方面的工作。
实用的人脸检测识别系统，如Facelt等，已在机场安检系统投入应用。国内也
有部分公司开发了人脸识别产品。
§1.3 主要关键技术
本文首先对常用的人脸检测和识别方法在一起做了比较详细的考察，并提出
了二者的联系和异同。在进一步的研究中，本文采用改进的Adaboost算法进行人脸
检测，在识别部分采用Log-Gabor作为特征，用先下采样与PCA相结合的特征提取
方法，最后再利用KDDA算法进行识别。
人脸检测部分：由于人脸和非人脸两类模式分类错误的风险极不平衡，而在
原始AdaBoost算法中，人脸图像的Haar−Like型特征数目非常多，所需人脸和非人
脸样本数量大而且不平衡，对每个弱分类器阈值的搜索很耗时，使得训练时间过
长。本文提出了改进的AdaBoost算法。首先直接求取Haar−Like 型特征对应的弱分
摘要：
展开>>
收起<<
摘要随着计算机技术的发展和实际应用的需要，人脸识别在安全识别、身份鉴定、人机交互等方面有很大的应用前景，在模式识别和机器学习领域里引起了广泛的重视。一个完整的人脸识别系统通常包括人脸检测部分和特征提取与识别部分两个环节。本文在检测环节实现了改进的AdaBoost算法：针对人脸图像的Haar−Like型特征数目非常多，对每个弱分类器阈值的搜索很耗时导致原始AdaBoost算法中的训练时间过长的缺点，直接求取Haar−Like型特征对应的弱分类器。即采用将每个Haar−Like特征下所有样本的特征值量化后分别计算出人脸和非人脸样本的权重直方图，由此直接快速计算出每个特征对应的弱分类器的阈值和偏置。...
相关推荐
-
USST_Arts_112480743自动生产线的同步维修模型及案例分析VIP免费
2025-01-09 15 -
USST_Arts_112480745基于供需网特征理念的企业间关系状态研究VIP免费
2025-01-09 18 -
USST_Arts_112480756 我国城镇化与能源消费结构间关系的研VIP免费
2025-01-09 21 -
USST_Arts_112490763 企业创新型团队社会网络、知识管理过程及团队创造力关系研究VIP免费
2025-01-09 15 -
USST_Arts_112490769创新团队执行力影响因素分析VIP免费
2025-01-09 19 -
USST_Arts_112070649基于团队自反性的科技型企业TMT特征对企业绩效的影响研究VIP免费
2025-01-09 22 -
TR公司工业机器人市场发展战略研究VIP免费
2025-01-09 28 -
二氧化碳套管式气冷器的研究VIP免费
2025-01-09 21 -
非共沸混合物在微通道水平单管内流动沸腾特性VIP免费
2025-01-09 102 -
基于MRO的连铸辊维护管理系统研究VIP免费
2025-01-09 12
作者：赵德峰
分类：高等教育资料
价格：15积分
属性：79 页
大小：1.99MB
格式：PDF
时间：2024-11-19
作者详情
相关内容
-
USST_Arts_112070649基于团队自反性的科技型企业TMT特征对企业绩效的影响研究
分类：高等教育资料
时间：2025-01-09
标签：无
格式：PDF
价格：15 积分
-
TR公司工业机器人市场发展战略研究
分类：高等教育资料
时间：2025-01-09
标签：无
格式：PDF
价格：15 积分
-
二氧化碳套管式气冷器的研究
分类：高等教育资料
时间：2025-01-09
标签：无
格式：PDF
价格：15 积分
-
非共沸混合物在微通道水平单管内流动沸腾特性
分类：高等教育资料
时间：2025-01-09
标签：无
格式：PDF
价格：15 积分
-
基于MRO的连铸辊维护管理系统研究
分类：高等教育资料
时间：2025-01-09
标签：无
格式：PDF
价格：15 积分
