人脸识别特征提取算法研究.doc

发布时间：2022-06-09 发布人：admin 分类：说明书资料大小：3.16M 资料格式：doc 举报版权申诉

hcl_88-4448710-4744302542972695440.doc.pdf-第1页.png

第1页 / 共47页

hcl_88-4448710-4744302542972695440.doc.pdf-第2页.png

第2页 / 共47页

hcl_88-4448710-4744302542972695440.doc.pdf-第3页.png

第3页 / 共47页

hcl_88-4448710-4744302542972695440.doc.pdf-第4页.png

第4页 / 共47页

hcl_88-4448710-4744302542972695440.doc.pdf-第5页.png

第5页 / 共47页

hcl_88-4448710-4744302542972695440.doc.pdf-第6页.png

第6页 / 共47页

hcl_88-4448710-4744302542972695440.doc.pdf-第7页.png

第7页 / 共47页

hcl_88-4448710-4744302542972695440.doc.pdf-第8页.png

第8页 / 共47页

摘要

Abstract

第一章绪论

1.1课题研究的背景和意义

1.2人脸识别技术的研究现状

1.3研究的主要内容及结构安排

1.3.1研究主要内容

1.3.2本文的结构安排　　

1.3.3 相关的主要内容

第二章相关技术与理论基础

2.1主动形状模型

2.1.1训练阶段

2.1.2建立模型

2. 1. 3 ASM模型的搜索定位

2.2边缘检测算法理论

2.2.1 Roberts算子

2.2.2 Sobel边缘算子

2.2.3基于神经网络的边缘检测算法

2.3形状、色彩特征提取

2.4本章小结

第三章基于ASM的人脸特征点提取

3.1经典ASM算法

3.1.1统计形状模型

3.1.2局部灰度模型

3.1.3匹配搜索算法

3.2人脸区域划分的ASM算法

3.2.1训练过程

3.2.2 匹配搜索过程

3.2.3实验结果与分析

第四章基于AdaBoost算法的人脸检测

4.1 Viola经典人脸检测技术介绍

4.2 Haar-like特征提取

4.2.1 利用“积分图”实现特征值的快速计算

4.2.2 人脸检测的AdaBoost算法

4.2.3 训练样本，得到人脸检测分类器

4.2.4 利用训练好的分类器，进行人脸检测

4.3 本章小结

第五章基于matlab7.0的人脸识别程序设计

5.1系统结构框图

5.2 人脸识别系统的构成

5.3人脸识别的实现结果

5.4本章小结

第六章总结与展望

致谢

参考文献

附录

编号本科生毕业设计人脸识别特征提取算法研究 Face recognition feature extraction algorithm based on 学生姓名专学业号指导教师学院二〇一二年六月

长春理工大学本科毕业设计毕业设计（论文）原创承诺书 1．本人承诺：所呈交的毕业设计（论文）《人脸识别特征提取算法研究》，是认真学习理解学校的《长春理工大学本科毕业设计（论文）工作条例》后，在教师的指导下，保质保量独立地完成了任务书中规定的内容，不弄虚作假，不抄袭别人的工作内容。 2．本人在毕业设计（论文）中引用他人的观点和研究成果，均在文中加以注释或以参考文献形式列出，对本文的研究工作做出重要贡献的个人和集体均已在文中注明。 3．在毕业设计（论文）中对侵犯任何方面知识产权的行为，由本人承担相应的法律责任。 4．本人完全了解学校关于保存、使用毕业设计（论文）的规定，即：按照学校要求提交论文和相关材料的印刷本和电子版本；同意学校保留毕业设计（论文）的复印件和电子版本，允许被查阅和借阅；学校可以采用影印、缩印或其他复制手段保存毕业设计（论文），可以公布其中的全部或部分内容。以上承诺的法律结果将完全由本人承担！作者签名：年月日

长春理工大学本科毕业设计摘要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，其中，人脸检测是对样本图像进行 Haar_Like 特征提取，并用积分图快速计算 Haar_Like 特征值，利用 Adaboost 算法实现人脸分类器，最终实现一个能快速进行人脸识别的系统。关键词: 人脸识别人脸检测特征提取 AdaBoost 算法主动形状模型

长春理工大学本科毕业设计 Abstract Face recognition is a hot research field in biometrics identification technology, and there are many ways to realize it. How to implement it accurately and efficiently is one of the major difficulties in face recognition. Generally, a complete face recognition system consists of four main areas: the acquisition of face images, face detection, facial feature extraction and feature matching. In these areas, how to detect face fast and accurately, and how to extract facial feature accurately will affect the performance of the system directly. In this paper, we select the existing classic face detection and facial research and implementation. In these areas，Face detection is Get the haar_like features from the samples. And calculate the value of the haar_like features by checking the integral data, design the face detection categorizer based on the adaboost algorithm at last a quick face recognition system is reached. feature extraction algorithm to analyze, Keywords: face recognition; face detection;feature extraction;AdaBoost;active shape model

长春理工大学本科毕业设计目录摘要......................................................................................................................... III Abstract........................................................................................................................IV 第一章绪论................................................................................................................... 1 1.1 课题研究的背景和意义................................................................................ 1 1.2 人脸识别技术的研究现状............................................................................ 1 1.3 研究的主要内容及结构安排........................................................................ 3 1.3.1 研究主要内容.................................................................................... 3 1.3.2 本文的结构安排................................................................................ 3 1.3.3 相关的主要内容............................................................................... 4 第二章相关技术与理论基础....................................................................................... 6 2.1 主动形状模型................................................................................................ 6 2.1.1 训练阶段............................................................................................ 7 2.1.2 建立模型.......................................................................................... 10 2.1.3 ASM 模型的搜索定位...................................................................... 14 2.2 边缘检测算法理论...................................................................................... 14 2.2.1 Roberts 算子.................................................................................. 15 2.2.2 Sobel 边缘算子.............................................................................. 15 2.2.3 基于神经网络的边缘检测算法...................................................... 16 2.3 形状、色彩特征提取.................................................................................. 17 2.4 本章小结...................................................................................................... 17 第三章基于 ASM 的人脸特征点提取..................................................................... 18 3.1 经典 ASM 算法.............................................................................................. 18 3.1.1 统计形状模型.................................................................................. 18 3.1.2 局部灰度模型.................................................................................. 21 3.1.3 匹配搜索算法.................................................................................. 22 3.2 人脸区域划分的 ASM 算法.......................................................................... 23 3.2.1 训练过程.......................................................................................... 24 3.2.2 匹配搜索过程................................................................................. 25 3.2.3 实验结果与分析.............................................................................. 26 第四章基于 AdaBoost 算法的人脸检测................................................................. 28 4.1 Viola 经典人脸检测技术介绍.................................................................. 28 4.2 Haar-like 特征提取.................................................................................. 28 4.2.1 利用“积分图”实现特征值的快速计算..................................... 29 4.2.2 人脸检测的 AdaBoost 算法........................................................... 29

长春理工大学本科毕业设计 4.2.3 训练样本，得到人脸检测分类器................................................. 30 4.2.4 利用训练好的分类器，进行人脸检测......................................... 31 4.3 本章小结..................................................................................................... 31 第五章基于 matlab7.0 的人脸识别程序设计..................................................... 32 5.1 系统结构框图.............................................................................................. 32 5.2 人脸识别系统的构成................................................................................. 32 5.3 人脸识别的实现结果.................................................................................. 33 5.4 本章小结...................................................................................................... 34 第六章总结与展望................................................................................................... 35 致谢........................................................................................................................... 36 参考文献..................................................................................................................... 37 附录............................................................................................................................. 39

长春理工大学本科毕业设计第一章绪论 1.1 课题研究的背景和意义随着计算机信息技术的发展，人类的社会生活习惯受到了极大地改变，怎样在现实生活中快速，有效地对用户进行身份验证成为一个急需解决的问题，目前普通的身份验证技术主要基于证件和密码,而且，目前社会上利用假身份的情况也层出不穷。所以，基于传统方式的身份验证方法越来越不能满足社会安全和发展的需要[1]。因此，有必要对人脸特征提取问题进行专门的研究。研究人脸识别在理论和技术上都有重要的意义：一是可以推进对人类视觉系统本身的认识；二是可以满足人工智能应用的需要。采用人脸识别技术，建立自动人脸识别系统，用计算机实现对人脸图像的自动识别有着广阔的应用领域和诱人的应用前景。同时人脸识别作为一种生物体征识别与其它较成熟的识别方法（如指纹、虹膜、DAN 检测等）相比有以下几个优点： ①无侵犯性，人脸图像的获取不需要被检测人发生身体接触，可以在不惊动被检测人的情况下进行； ②低成本、易安装，人脸识别系统只需要采用普通的摄像头、数码摄像机或手机上的嵌入式摄像头等被广泛使用的摄像设备即可，对用户来说也没有特别的安装要求； ③无人工参与，整个人脸识别过程不需要用户或被检测人的主动参与，计算机可以根据用户预先的设置自动进行。由于具有以上优点，近几年来，人脸识别技术引起了越来越多科研人员的关注。 1.2 人脸识别技术的研究现状人脸是人类情感表达和交流的最重要、最直接的载体。通过人脸可以推断出一个人的种族、地域，甚至身份、地位等信息；人们还能通过人脸丰富而复杂细小的变化，得到对方的个性和情绪状态。科学界从计算机图形学、图像处理、计算机视觉、人类学等多个学科对人脸进行研究。最早的人脸识别技术的研究可以追溯到 20 世纪 50 年代，当时的研究人员主要涉及的是社会心理学领域；到了 60 年代，开始有一些工程文献陆续发表出来；但是，真正的自动人脸识别的研究是从 20 世纪 70 年代的 Kanade 和 Kelly 开始的，当时采用的技术基本上都是典型的模式识别技术，例如利用脸部重要特征点之间的距离进行分类识别[2-8]。国际上对人脸及人脸面部表情识别的研究现在逐渐成为科研热点。国内外很多机构都在进行这方面的研究,尤其美国、日本。进入 90 年代,对人脸表情识别的研究变得非常活跃,吸引了大量的研究人员和基金支持,EI 可检索到的相关文献就多达数千篇。美国、日本、英国、德国、荷兰、法国等经济发达国家和发展中国

长春理工大学本科毕业设计家如印度、新加坡都有专门的研究组进行这方面的研究。其中 MIT、CMU、Maryland 大学、Standford 大学、日本城蹊大学、东京大学、ATR 研究所的贡献尤为突出。在人脸识别的领域中，国际上逐步形成了以下几个研究方向： ①基于几何特征的人脸识别方法，主要代表是 MIT 的 Brunelli 和 Poggio 小组，他们采用改进的积分投影法提取出用欧氏距离表征的 35 维人脸特征矢量用于模式分类； ② 基于模板匹配的人脸识别方法，主要代表是 Harvard 大学 Smith-Kettlewell 眼睛研究中心的 Yuille，他采用弹性模板来提取眼睛和嘴巴的轮廓，Chen 和 Huang 则进一步提出用活动轮廓模板提取眉毛、下巴和鼻孔等不确定形状； ③基于 K-L 变换的特征脸的方法，主要研究者是 MIT 媒体实验室的 Pentland ④基于隐马尔可夫模型的方法，主要代表有 Cambridge 大学的 Samaria 小组和 Georgia 技术研究所的 Nefian 小组； ⑤神经网络识别的方法，如 Poggio 小组提出的 HyperBF 神经网络识别方法，英国 Sussex 大学的 Buxton 和 Howell 小组提出的 RBF 网络识别方法等；国内关于人脸自动识别的研究始于二十世纪 80 年代，主要的研究单位有清华大学，哈尔滨工业大学，中科院计算所，复旦大学，北京科技大学等，并都取得了一定的成果。国内的研究工作主要是集中在三大类方法的研究：基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。四川大学的周激流教授实现了具有反馈机制的人脸正面识别系统，运用积分投影法提取面部特征的关键点并用于识别，获得了比较满意的效果。同时他对人脸侧面剪影识别做了一定的研究，并实现了正，侧面互相参照的识别系统。清华大学彭辉、张长水等对特征脸的方法做了进一步的发展，提出采用类间散布矩阵作为产生矩阵，进一步降低了产生矩阵的维数，在保持识别率的情况下，大大降低了运算量。北京科技大学的王志良教授主要研究人工心理，建立了以数学公式为基础的心理学模型。中科院计算所与成都银晨网讯与 2000 年 5 月联合创立了国内首家专门从事面像识别核心技术研究与开发的实验室。主要研究领域涉及计算机视觉、模式识别、机器学习等，尤其关注于人脸识别以及多模式人机交互技术。他们关注的核心技术主要包括：实时精确的人脸检测与跟踪，快速精确的面部特征定位，准确快速的人脸识别确认方法等。尤其关注复杂环境下（光照、姿态、表情、老化等）的人脸识别问题。

分享到：

赞收藏

资料库

人脸识别特征提取算法研究.doc

相关推荐

课程资源

热门标签

最新资料