基于特征描述的人脸流形识别技术研究-控制工程专业论文.docx

独创性声明 本 人 声明 所呈 交 的学位 论 文是 我个 人 在导师 指 导下 进行 的 研究工 作 及 取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含 任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献 的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律 结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学 校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文 被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容 编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇 编本学位论文。 本论文属于 保密□， 在 年解密后适用本授权书。 不保密□。 （请在以上方框内打“√”） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 华中科技 大学硕士 学 华 中 科 技 大 学 硕 士 学 位 论 文 I I 摘 要 人脸识别因其直观、非接触等特点成为生物特征识别技术中热门的研究对象之 一。但是，由于人脸图片成像的复杂性和表情的多样性，如何提取有效的鉴别特征 是实现人脸准确识别的重点和难点。流形学习算法被证实可以有效地挖掘隐藏在高 维人脸数据中的本征信息与内在规律，随着变量（光照、姿态等）的连续变化，可 以假设人脸样本数据分布在高维空间中的一个光滑的曲面上，人脸图片可以看作是 嵌入在高维空间中的低维流形。然而基于全图矢量描述的人脸流形模型对噪声敏感， 而大量的研究表明局部特征可以获得对象更加稳定的描述，能够优化识别效果，因 此本文通过引入特征描述改进现有的人脸流形算法以提高系统的鲁棒性。 本文分析了基于流形学习的人脸识别算法，引入局部特征对该算法进行改进， 并实现了两种方案。第一种方案首先采用 LBP(Local Binary Pattern)特征对全图进行 处理，然后进行离散余弦变换，得到基于变换域特征的人脸流形描述。实验表明， 该方法在标准库中可以获得较高的识别率，对光照具有较强的鲁棒性，但对于包含 噪声的自然人脸数据还不够稳定。第二种方案首先通过面部基准点定位的手段获取 人脸待描述点的坐标，并将这些点进行排序，然后对上述点进行 SIFT 特征描述，将 其特征向量按照基准点的编号排列成一个矢量，将该矢量作为人脸流形的描述。选 择面部基准点进行描述的方式保证了特征采样的稀疏性和稳定性。本文通过实验对 比主动形状模型和显式回归器模型，选择了后者作为面部基准点定位手段。实验表 明，该方案在自然人脸库中也能获得较高的识别率，其难点在于确定特征描述范围 和基准点分布的选择。最后，本文选择方案二实现了一个在线的人脸识别系统。 综上所述，相较于基于全图向量表达的人脸流形，基于特征描述的人脸流形具 有更高的鲁棒性。并且，与 LBP 等全局变换域特征相比，SIFT 特征能够适应丰富的 表情、姿态、遮挡等外界因素的变化，具有更好的表达能力。 关键词：人脸识别 流形学习 局部特征 面部基准点定位 II II Abstract Face recognition has become a hot research topic in the field of biometric identification technology for the merits of being directly perceived and intuitive. However, human face images always include different expressions and complex environment factors, it’s crucial to extract effectively discriminant features for face recognition. Manifold learning has been proven to find the intrinsic feature information and the inherent laws in face data effectively. With variables (light, pose)changing, the sample data can be hypothesized to be on a smooth surface in high-dimensional space, so face images can be regarded as a low-dimensional manifold embedded in the high-d