基于关键特征点的多信息融合人脸识别研究

《基于关键特征点的多信息融合人脸识别研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于关键特征点的多信息融合人脸识别研究第1章绪论1.1课题研究的背景和意义人脸识别技术研究起始于20世纪60年代末，其定义是：利用人们的面貌特点，对给定的人物面部图像亦或是视频片段做判定，判定给定的信息中是否有人脸的存在。若给定的信息中有，则会继续的计算出每一个脸面部的位置信息、尺寸信息和所有关键脸部器官的位置所在。接着根据以上运算所得的结果，进而得到各个面部图像中所包括的身份信息，然后把这些信息跟已经存入数据库中的的面部信息做比较，就能判断出各个人脸的身份。在当今这个属于互联网的时代，文字搜索、语音搜索已经应用广泛，基

2、于人脸图像识别技术的搜索引擎必将引领未来互联网的潮流。如今社会，技术越来越发达，为了应对频繁发生的刑事案件、恐怖事件，人脸识别技术得到了众多研究者的青睐。人脸识别技术按照应用领域的不同可以分作以下的两种类别：应对于恐怖案件、犯罪事件或者证据获取等警方所用的技术，和应对于公司制度保障、商业机密方面的民用技术。前面一种的技术的运用相比于后一种更加繁琐，而且对准确率的要求会更加严格。后一种的运用场景与第一种相比，主要是为了减少人力方面的付出，故准曲率方面的要求会宽松一些。在判断的运算中，计算机利用人脸识别软件对输入信息中的数据

3、做数据采集、面部定位、预操作、和数据匹配等操作，从而甄别图像中的人。人脸识别技术这一研究方向目前的成果。最近一段时间，香港中文大学的专家研究并发明创造了目前世界上最准确的脸部认证软件。本软件的准确率极高，有可能为人们在安全性领域带动巨大的革命。这个软件在世界测试的过程中，准确率可以达到99%以上，高过目前世界上所以的此类软件，并且也高于人们自身的97%的准确率。测试中，该软件可以从几千张的人脸图片中，准确的找到为同一个人脸的图像，并且其抗环境因素干扰的能力特别强，不会受到光线等因素的干扰。.1.2人脸识别技术的研究现状与

4、展望针对二维人脸识别技术，国外投入在这个领域的时间比较早，并且投入了许多精力，故已经取得了很大的进展。伴随科技的进步，许多该技术所依赖的领域已经可以投入使用，故近几年，不但算法研究上取得了比较大的进步，而且许许多多成熟的应用也出现在人们的视野中，为人们的生活提供者便利。鉴于此，国内众多学者也相继开始对人脸识别技术进行研究。其中主要包括清华大学、哈尔滨工业大学、北京工业大学等[6]。目前主要的研究方法有：基于几何特征的人脸识别方法；基于主成分分析的人脸识别方法；基于奇异值分解的人脸识别方法；隐马尔科夫模型方法；基于图像重建

5、的人脸识别方法[7,8]。近几年来，二维人脸识别的研究算法更多的倾向于基于稀疏表示的识别方法，正因为稀疏表示方法本身存在的优势，自2009年稀疏保持投影方法出现后，越来越多的改进方法开始出现，如加权稀疏表示，结构稀疏表示等方法，最近陈丽霞等又通过融合监督将维的方法对稀疏表示进行改进，取得了很好的识别效果。然而，虽然二维人脸识别技术已经取得的一定的成果，但是许多算法的研究都是在特定环境在进行的，仍然无法克服因光照、姿态、表情等环境因素的影响，也就导致关于二维人脸识别技术早已出现严重瓶颈，制约着其进一步的发展。.第2章人脸识

6、别相关理论2.1引言在人脸识别过程中主要涉及三个部分，分别为人脸检测、特征提取以及分类识别。本文改进算法主要针对特征提取和关键特征点定位两个方面，故这里对改进算法中相关理论知识进行介绍。一方面是针对特征提取过程中，由于数据维数过低包含信息较少或在原始的线性空间中数据线性不可分，通常采用核方法将原始数据映射到高维空间，使其变得线性可分。故这里对一些基本的核方法进行介绍[29]。另一方面针对本文的关键特征点定位算法，检测到人脸信息后，我们往往要对人脸作预处理操作如滤波，这也是必不可少的一步，不仅影响特征点定位，也会影响后续提

7、取和分类的效果。因此人脸图像预处理越来越得到研究学者们的重视，以保证特征提取算法不会因基础数据问题导致识别效果不佳。有效的预处理操作不仅能提高算法训练样本的可靠性和准确性，同时能够减少后面操作的实现复杂度，故这里对滤波去噪方法进行介绍[30]，对比分析选取恰当的滤波方法。2.2稀疏表示理论近些年，Donoho等人提出了压缩感知(pressiveSensing,CS)理论，这种理论的出现得到了众多学者的关注和研究。压缩感知理论突破了长久以来的传统采样方式，打破人们目前研究的瓶颈问题。在该理论中声明，若一个信号在某正交空间里

8、面拥有稀疏性，则能够通过对较低频率进行采样处理，这种方式获取的频率要比传统采样低很多，然后高概率准确的对原始信号进行恢复。而稀疏表示方法就是以压缩感知理论为基础发展过来的，通过上式我们求得最优稀疏系数向量表示为s，该向量所包含的非0向量应尽可能少，且能够有效地恢复原始信号x。但是上述公式2-2为NP难问题，很难进行求