基于kpca特征融合模型的遮挡人脸判别

《基于kpca特征融合模型的遮挡人脸判别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码10530学号201510171821分类号TP391密级公开硕士学位论文基于KPCA特征融合模型的遮挡人脸判别学位申请人刘浩博指导教师石跃祥教授学院名称信息工程学院学科专业计算机科学与技术研究方向图像处理二○一八年五月四日OcclusionfacerecognitionbasedonKPCAfeaturefusionmodelCandidateLiuHaoboSupervisorProf.ShiYuexiangCollegeCollegeofInformationEngineeringProg

2、ramComputerScienceandTechnologySpecializationImageManagementDegreeMasterofEngineeringUniversityXiangtanUniversityDate2018-05-04摘要人脸遮挡问题是目前人脸识别系统在面向现实应用时面临的一个巨大挑战。人脸遮挡问题是指人脸被墨镜、口罩、头盔等遮挡物遮挡而导致人脸信息丢失的问题，人脸遮挡问题一旦出现在银行、商场、关口等安全等级需求高的场所下都可能引发一定程度的安全风险，因此解决人脸识别

3、系统中的人脸遮挡问题具有非常重要的研究价值。对一副人脸图像进行遮挡判别的困难之处主要体现在难以提取出具有代表性的遮挡特征。在现有特征提取方法中，浅层机器学习方法提取的特征在泛化能力和稳定性上都不够强，不适合处理人脸遮挡判别这样的复杂问题。深度学习方法中卷积神经网络虽然能够提取出代表性很强的深层特征，但训练过程过于繁琐，PCANet模型虽然具有比CNN更简单的网络结构，但模型整体的非线性拟合能力不够。因此本文在PCANet的基础上提出一种KPCA特征融合模型来解决人脸遮挡问题，该模型的创新性体现在：（1）

4、在PCA层引入核变换来提高模型的非线性拟合能力。传统PCANet的PCA映射层非线性处理能力薄弱，因此在对原图像进行分块采样后利用核函数把它映射到线性可分高维空间，利用特征空间的核主成分进行卷积核的学习。（2）采用层间特征融合的思想来增强所提取遮挡特征的表达能力。同时保留浅层特征中的结构细节信息和深层特征的高层语义信息，对两层PCA映射层的输出均作哈希编码处理，然后分块计算直方图信息，最后将所有直方图特征级联起来作为最后的分类特征。（3）用随机森林来替换传统PCANet中的SVM来进行遮挡类别分类。实验

5、表明，随机森林比SVM具有更高的识别率和速度优势。关键字：人脸遮挡；KPCA；特征融合；随机森林IAbstractTheproblemoffaceocclusionisagreatchallengefacedbythecurrentfacerecognitionsystemwhenitisappliedtoreality.Theproblemoffaceocclusionreferstotheproblemofhumanfaceinformationbeinglostbecausethehumanfac

6、eisblockedbyshadessuchassunglasses,masks,helmets,etc.Oncethefaceocclusionproblemappearsinplaceswithhighsecuritylevelssuchasbanks,shoppingmallsandgateways,itmaycauseAcertaindegreeofsecurityrisk,sotosolvetheproblemoffaceocclusioninfacerecognitionsystemhasa

7、veryimportantresearchvalue.Thedifficultyintheocclusiondiscriminationofafaceimageismainlyreflectedinthedifficultyinextractingarepresentativeocclusionfeature.Intheexistingfeatureextractionmethods,thefeaturesextractedbyshallowmachinelearningmethodsarenotstr

8、ongenoughingeneralizationabilityandstability,andarenotsuitablefordealingwithcomplexissuessuchasfaceocclusiondiscrimination.Indeeplearningmethods,althoughtheconvolutionalneuralnetworkcanextractrepresentativedeepfeatures,the