论文部分内容阅读
当前人脸识别技术已经成为计算机视觉和模式识别领域的研究热点,它具有广泛的应用领域和重要的理论研究价值。人脸识别技术主要包括人脸检测和人脸识别两个方面。人脸检测要走向实际应用,检测精度和速度是两个关键问题;多角度人脸检测是人脸检测中的一个难题。由于人脸的三维非刚体特性,同一人脸在不同姿态、光照条件下表现出很大的差异性,人脸识别算法的鲁棒性和速度都需要提高。本文使用基于统计的模式识别方法针对这些问题进行研究,主要工作内容有以下三点:1、分析了现有人脸检测方法的优缺点,提出了一种基于Census特征和CS-AdaBoost的实时人脸检测方法。该方法使用了一种更加有效的统计学习算法来训练样本,并且采用了一种多分辨率图像金字塔的搜索策略。实验证明,本方法提高了检测率,降低了误检率,而且新的搜索策略加快了检测速度。另外,本文还将改进后的方法应用于多角度人脸检测。2、对HMM在人脸识别中的应用进行了研究,分析了不同特征抽取方法对识别效果的影响,提出了一种基于局部奇异值和HMM的人脸识别方法。本方法采用局部奇异值向量作为HMM的观察序列,能够更加充分地利用图像的细节信息,用优化的模型进行人脸识别。对比其它基于HMM的人脸识别方法,本方法识别率更高,在ORL数据库上最高获得了99%的识别率,而且识别时间更短。3、对人脸识别中的光照问题进行了研究,分析了相位信息可以消除光照影响的特性,提出了一种基于相位重构和DiaPCA的人脸识别方法,并与几种经典的统计识别方法进行了对比。实验证明,在光照人脸识别问题上,本方法的识别率有了很大的提升,尤其当特征矩阵维数很小时,计算量大大降低,而且识别率也高于其它方法,可以用于快速光照人脸识别。