隨著科學(xué)技術(shù)和生物識(shí)別技術(shù)的發(fā)展,人臉識(shí)別技術(shù)廣泛應(yīng)用于生活和工作的各個(gè)方面。然而,在實(shí)際的人臉識(shí)別過(guò)程中,經(jīng)常會(huì)受到外界一些因素的干擾而導(dǎo)致人臉識(shí)別的識(shí)別率降低,如光照、姿態(tài)、表情等的變化。姿態(tài)的變化作為影響人臉識(shí)別算法性能的一個(gè)重要因素,也是導(dǎo)致人臉識(shí)別的識(shí)別率下降的直接因素。因此,在計(jì)算機(jī)視覺(jué)、人工智能、虛擬現(xiàn)實(shí)、圖像處理、和人機(jī)交互等領(lǐng)域,人臉姿態(tài)估計(jì)已經(jīng)成為了一個(gè)比較熱門的話題。主成分分析（PCA）方法是一種解決人臉姿態(tài)估計(jì)的算法,其能提取人臉圖像中的線性特征,構(gòu)造特征臉空間,實(shí)現(xiàn)數(shù)據(jù)降維,從而進(jìn)行人臉姿態(tài)估計(jì)。但PCA只能提取人臉圖像中的線性特征,對(duì)于人臉圖像中的線性不可分的特征無(wú)法提取,而姿態(tài)變化下分布的人臉圖像是高度非線性和復(fù)雜的。為了解決這個(gè)問(wèn)題,本文引入核函數(shù),提出一種基于核最大可分性的人臉姿態(tài)估計(jì)算法,基于CMU PIE和UMIST人臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)數(shù)據(jù)表明該算法在人臉姿態(tài)估計(jì)方面有較高的性能。為了提取人臉圖像中的非線性特征,進(jìn)一步進(jìn)行人臉姿態(tài)估計(jì),本文的工作主要圍繞以下三個(gè)方面進(jìn)行:（1）首先將人臉數(shù)據(jù)庫(kù)中某一人臉圖像賦值給一個(gè)人臉姿態(tài)模板,這樣做的目的是希望該人... 

【文章來(lái)源】：海南大學(xué)海南省 211工程院校

【文章頁(yè)數(shù)】：40 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３４基于ＰＣＡ的人臉姿態(tài)估計(jì)算法的主要流程??Ｆｉｇ．?３－１?Ｍａｉｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｆａｃｅ?ａｔｔｉｔｕｄｅ?ｅｓｔｉｍａｔｉｏｎ?ａｌｇｏｒｉｔｈｍ?ｂａｓｅｄ?ｏｎ?ＰＣＡ??

?基于核最大可分性的人臉姿態(tài)估計(jì)???Ｐｏｓｅ?ｅｓｔｉｍａｔｉｏｎ?ａｃｃｕｒａｙ?ｏｎ?ＵＭＩＳＴ??１〇〇?ｉ?ｉ?ｉ?ｉ?ｉ??Ｉ８０＇??—？—Ｒａｎｋ－１??—Ｒａｎｋ－２??Ｗｕ?０．５?０．６?０．７?０．８?０．９?１??Ｒｅｔａｉｎ?ｒａｔｅ??圖４＞５基于ＵＭＩＳＴ人臉數(shù)據(jù)庫(kù)的姿態(tài)估計(jì)精確率??Ｆｉｇ．?４－５?Ｐｏｓｅ?ｅｓｔｉｍａｔｉｏｎ?ａｃｃｕｒａｃｙ?ｂａｓｅｄ?ｏｎ?ＵＭＩＳＴ?ｆａｃｅ?ｄａｔａｂａｓｅ??從圖４－５中我們也可以觀察到，對(duì)于不同的保留率，人臉姿態(tài)估計(jì)的精確率也不??同，而且隨著保留率的不斷增加，人臉姿態(tài)估計(jì)的精確率也在不斷增大，Ｒａｎｋ－１精確??率始終低于Ｒａｎｋ－２精確率，當(dāng)保留率接近等于１時(shí)，Ｒａｎｋ－１精確率接近９０％，而且??增長(zhǎng)比較平穩(wěn)，當(dāng)保留率等于１時(shí)，Ｒａｎｋ－１精確率達(dá)到８９．１％；當(dāng)保留率接近等于１??Ｂ寸，Ｒａｎｋ－２精確度已經(jīng)超過(guò)９５％，當(dāng)保留率等于１時(shí)，Ｒａｎｋ－２精確率達(dá)到９５．８％。??圖４－４和圖４－５中，當(dāng)保留率接近等于１時(shí)，Ｒａｎｋ－１的精確率都超過(guò)８５％，Ｒａｎｋ－２??的精確率都超過(guò)９０％，這些數(shù)據(jù)證明了我們提出的基于核最大可分性的人臉姿態(tài)估計(jì)??的算法具有較高的姿態(tài)估計(jì)精確率。??與人臉識(shí)別不同的是，人臉姿態(tài)估計(jì)的任務(wù)可以允許出現(xiàn)更多的誤差，在實(shí)際的??應(yīng)用中，我們將人臉圖像分配給與其真實(shí)的姿態(tài)模板相接近的姿態(tài)模板仍然是有價(jià)值??的。??４．５性能比較??通過(guò)在ＣＭＵＰ正和ＵＭＩＳＴ人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)，將本文提出的算法與傳統(tǒng)的算??法姿態(tài)估計(jì)精確率進(jìn)行了比較，表４－１表明了本文提出的算法在ＣＭＵ?Ｐ

【參考文獻(xiàn)】：
期刊論文
[1]基于二維主成分分析的圖像特征提取研究[J]. 趙薔,惠燕,張忠,劉咪.  航空計(jì)算技術(shù). 2019(05)
[2]基于PCA的人臉特征提取和識(shí)別[J]. 王惠,宗玉萍.  計(jì)算機(jī)產(chǎn)品與流通. 2019(01)
[3]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)估計(jì)[J]. 趙勇,巨永鋒.  測(cè)控技術(shù). 2018(06)
[4]基于特征臉的主成分分析人臉識(shí)別[J]. 陳勇,林穎.  計(jì)算技術(shù)與自動(dòng)化. 2017(02)
[5]頭部姿態(tài)估計(jì)技術(shù)研究綜述[J]. 陳書明,陳美玲.  泉州師范學(xué)院學(xué)報(bào). 2015(06)

碩士論文
[1]基于主成分分析改進(jìn)算法的人臉識(shí)別研究[D]. 丁碧薇.山東師范大學(xué) 2019
[2]復(fù)雜光照條件下的人臉識(shí)別方法研究[D]. 程干.中國(guó)礦業(yè)大學(xué) 2019
[3]基于深度學(xué)習(xí)的多姿態(tài)人臉識(shí)別算法研究[D]. 肖芳.電子科技大學(xué) 2019
[4]基于子空間的人臉識(shí)別算法研究[D]. 郭晶晶.北京交通大學(xué) 2008



本文編號(hào)：3506176