论文部分内容阅读
人脸识别技术是计算机视觉和机器学习领域中一个重要的研究课题,在信息安全、人机交互、图像检索等方面有着广阔的应用前景。人脸识别就是将从静态图像或者视频中检测并提取出的人脸与数据库中的人脸相匹配的过程,其难点在于人脸外观易受到姿势、遮挡、光照、表情和时间延迟等因素的影响,从而呈现出复杂的形态。目前的人脸识别技术对特征点定位和特征匹配分别进行了独立的深入研究,而对二者协作能力的研究工作却十分匮乏。本文将当前特征匹配算法粗略的分为三类,基于几何特征的人脸识别算法、基于统计特征的人脸识别算法以及二者之外的其它算法。第一类算法以人脸的几何特征为基础构建特征矢量并进行训练,得到识别分类器,其优点在于简单、易于理解,但很难提取到稳定的特征;第二类算法将线性不可分的样本非线性的映射到新的线性可分的空间,在新空间建立决策边界,以达到分类效果,不需任何参数,但应用范围受到限制;第三类算法依具体模型而异。现有的特征点定位算法有两类,基于最优的人脸对齐算法和基于回归的人脸对齐算法,前者的定位效果依赖于误差方程的设计和优化,后者的定位效果主要依赖于参数模型。本文对基于双层回归器的、无参数的人脸对齐算法进行了详细介绍,深入分析了其双层结构的优势、迭代工作的原理以及训练特征的设计,并采用随机森林模型对第二层回归器模型进行了优化。实验表明,改进模型的特征点定位比原算法更加精准。此外,本文对特征点定位算法和特征匹配算法的协作能力进行了探索。首先,介绍了基于线性区分分析的人脸识别算法及其改进算法;然后,将改进的基于线性区分分析的人脸识别算法与改进的基于双层回归器的人脸对齐算法相结合,提取人脸的Gabor特征和几何特征,并设计实验,探索其协作能力。实验结果表明,二者的联合有助于提高人脸识别准确率。