论文部分内容阅读
随着信息社会的来临,由于在网络购物、网上银行、电子支付、门禁系统、监控体系、刑事侦查等领域的应用前景广阔,人脸识别受到了越来越多研究者的关注。目前已有的人脸识别方法主要集中于解决可控或半可控环境下的人脸识别问题,针对非控环境下的人脸识别算法较少。非控环境下的人脸识别受光照、姿态、遮挡、表情、年龄、种族等干扰因素的综合影响,传统算法在进行特征提取时引入的干扰信息较多,因而给后续的分类工作也带来较大的困难。本文针对目前经典算法应用于非控环境下人脸识别时产生的识别率低、实时性较差等问题进行研究,从特征提取算法、分类器设计两个方面开展研究,主要的工作内容包括以下几个方面:(1)受生物视觉注意机制的启发,研究主动形状模型(Active Shape Model,ASM)算法,对生物视觉ROI区域(即眉毛、眼睛、鼻子、嘴巴等区域)进行关键点标记,在此基础上研究并采用梯度方向直方图(Histograms of Oriented Gradients,HOG)算法进行人脸特征提取,提出了基于关键点的HOG人脸特征提取算法(Histograms of Oriented Gradients based on key-points,k-HOG)。实验结果证明,本文提出的k-HOG算法相比于经典的全局特征提取算法不仅大大降低了特征维度,而且减少了额头、脸颊等非特征区域冗余信息的干扰,识别率得到提高。(2)经典HOG算法中用梯度算子计算像素点的梯度幅值和梯度方向,它仅描述了水平和垂直两个方向的灰度变化,包含的像素点信息较少,因此本文提出了基于关键点的多尺度多梯度HOG特征提取算法(Multi-Scale Multi-Gradient Histograms of Oriented Gradient based on keypoints,k-MSMG-HOG)。首先设计3*3、5*5两种尺度下四组梯度模板,利用这些模板分别计算各个像素点的梯度变化,统计得到两种尺度下的梯度方向直方图并进行融合,得到最终特征向量。实验结果表明,本文提出的k-MSMG-HOG算法,更全面精细地提取了关键点周围的人脸特征信息,算法的识别率有显著提高。(3)一对多高斯过程分类器(One Against All Gaussian Process Classifier,OAA-GPC)在训练每个二分类器时都需要将所有的训练样本作为输入,因此其对大规模样本进行分类时所耗费的时间代价巨大。本文提出了基于一对一方法的高斯过程多分类器(One Against One Gaussian Process Classifier,OAO-GPC),以及在其基础上改进的基于有向无环图方法的高斯过程多分类器(Directed Acyclic Graph Gaussian Process Classifier,DAG-GPC),这两种分类器在训练二分类器时仅需将所其对应的两类训练样本作为输入,改善了一对多方法的不足,在不降低识别率的基础上大大减少了算法的运行时间。在Oil、Segment、USPS三个数据集上的实验结果均表明,OAO-GPC和DAG-GPC两种分类器的运行时间远远低于OAA-GPC,且识别率与OAA-GPC近似相等;在LFW和ORL数据库上的结果表明,OAO-GPC和DAG-GPC的识别率优于常用的KNN和SVM分类器。由此证明OAO-GPC和DAG-GPC两种分类器可迅速、有效地解决样本的多分类问题。