论文部分内容阅读
人脸识别作为当前生物特征识别技术领域的热门研究课题,其实现方法多种多样。如何准确、高效地实现人脸识别是人脸识别研究的一大难点。一个完整的人脸识别系统一般包含人脸图像的获取、人脸检测与定位、人脸特征提取和特征比对四个主要环节。其中,如何快速、准确地进行人脸检测,如何准确地对检测到的人脸进行特征提取,直接影响到整个人脸识别系统的性能。本文对现有经典的人脸检测和人脸特征提取算法进行分析、研究和实现,同时针对实验过程中遇到的问题,结合数字图像处理和模式识别相关知识,对经典算法进行了一定的改进,在一定程度上提高了算法的性能。本文所做的主要研究工作如下:1.详细阐述了目前最具实用价值的基于AdaBoost算法的人脸检测方法,主要研究了Haar-like特征提取、分类器设计以及多尺度变换三个方面的问题。同时为了进一步降低误检率,对AdaBoost算法的检测结果进行肤色校验,从而实现有效地去除误检人脸区域。2.研究实现了基于主动形状模型(ASM)的人脸特征点提取算法。详细分析了经典ASM方法的模型建立和匹配搜索算法,同时针对传统方法在人脸含有表情情况下遇到的困难,设计了将人脸区域按变化相关度进行划分、建模的改进型ASM算法。改进后的方法对人脸面部存在表情或人在说话的情况下能更准确地进行特征点的定位。另外,还尝试研究了将核主成分分析替换主成分分析以提高小角度偏转情况下人脸特征点定位的准确性。3.研究实现了基于主动表观模型(AAM)的人脸特征点提取算法。详细分析了经典AAM方法的模型建立和匹配搜索算法,研究了反向合成算法在AAM匹配过程中的应用。为降低全局光照的干扰,将纹理归一化操作融合到反向合成算法中,提高了模型生成实例的准确性。4.利用OpenCV对本文的人脸检测和人脸特征提取算法进行了实现,并借助MFC搭建了一个完整的人脸识别演示程序。