人臉檢測和識別技術(shù)可廣泛應(yīng)用于身份識別、人機交互、視頻監(jiān)控等多個領(lǐng)域。然而,由于受到變化的光照、角度、姿態(tài)和表情等復(fù)雜情況,以及數(shù)據(jù)高維度、訓(xùn)練樣本受限等問題的影響,目前的人臉檢測與識別技術(shù)仍面臨許多難題和挑戰(zhàn)。在過去的幾十年里,大量的基于圖像處理和機器學(xué)習(xí)的人臉檢測與識別算法被提出并得到了成功應(yīng)用,其中建立在壓縮感知理論基礎(chǔ)上的稀疏表示方法,由于其優(yōu)異的數(shù)據(jù)降維、特征提取和分類識別性能,已成為近年來人臉識別領(lǐng)域的研究熱點。本文在分析人臉檢測與識別方法國內(nèi)外發(fā)展現(xiàn)狀的基礎(chǔ)上,開展了基于稀疏表示及字典學(xué)習(xí)的人臉檢測與識別方法的理論和實驗研究,具有廣闊的應(yīng)用前景。研究了視頻序列圖像中人臉區(qū)域的有效檢測問題,提出了一種基于區(qū)域相似性的人臉檢測方法。首先以人臉目標(biāo)輪廓和位置為依據(jù),提取幀間關(guān)鍵信息,以感興趣人臉檢測窗為參考,劃分出圖像中疑似包含人臉的區(qū)域和不含人臉的區(qū)域;然后采用基于紋理、顏色的區(qū)域相似性計算結(jié)果進行區(qū)域合并與剔除,并使用非極大值抑制算法標(biāo)記人臉檢測窗。與傳統(tǒng)的窮盡搜索單一策略相比,該方法可有效降低檢測搜索空間,剔除圖像中無關(guān)區(qū)域,提高檢測效率。研究了高維人臉圖像數(shù)據(jù)處理及有效... 

【文章頁數(shù)】：167 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
主要符號對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀與分析
        1.2.1 人臉檢測和識別技術(shù)發(fā)展歷史
        1.2.2 關(guān)鍵技術(shù)及存在的問題
    1.3 本文研究內(nèi)容及結(jié)構(gòu)安排
第二章 區(qū)域相似性人臉檢測方法
    2.1 引言
    2.2 相關(guān)理論基礎(chǔ)
        2.2.1 感興趣區(qū)域提取方法
        2.2.2 有選擇性搜索的物體識別
    2.3 區(qū)域相似性人臉檢測方法
        2.3.1 幀間關(guān)鍵信息提取
        2.3.2 人臉?biāo)阉鞔翱谶x取
        2.3.3 ICS-LBP紋理提取算子
        2.3.4 區(qū)域相似性人臉檢測方法
        2.3.5 窗口融合方法
    2.4 性能測試
        2.4.1 ICS-LBP算法性能測試
        2.4.2 區(qū)域相似性人臉檢測模型性能測試
    2.5 本章小結(jié)
第三章 基于流形約束KSVD的人臉識別
    3.1 引言
    3.2 經(jīng)典的流形學(xué)習(xí)方法概述
        3.2.1 等距映射算法(ISOMAP)
        3.2.2 局部線性嵌入算法(LLE)
        3.2.3 局部切空間對齊算法(LTSA)
        3.2.4 基于多層神經(jīng)網(wǎng)絡(luò)的自編碼算法(MA)
    3.3 MC-KSVD字典學(xué)習(xí)方法
        3.3.1 MC-KSVD的數(shù)學(xué)模型
        3.3.2 MC-KSVD的優(yōu)化過程
    3.4 基于MC-KSVD的數(shù)據(jù)降維和重構(gòu)及分類方法
        3.4.1 基于MC-KSVD的數(shù)據(jù)降維
        3.4.2 基于MC-KSVD的數(shù)據(jù)重構(gòu)
        3.4.3 基于MC-KSVD的數(shù)據(jù)分類
    3.5 實驗及結(jié)果分析
        3.5.1 參數(shù)設(shè)置
        3.5.2 數(shù)據(jù)降維實驗
        3.5.3 數(shù)據(jù)重構(gòu)實驗
        3.5.4 分類識別實驗
    3.6 小結(jié)
第四章 面向小樣本的稀疏人臉識別方法
    4.1 引言
    4.2 稀疏重構(gòu)算法
        4.2.1 IHT算法
        4.2.2 改進的IHT算法
    4.3 IIHT-KSVD及IJSR分類算法
        4.3.1 IIHT-KSVD算法的數(shù)學(xué)模型
        4.3.2 IIHT-KSVD算法的優(yōu)化過程
        4.3.3 IJSR分類模型
        4.3.4 重構(gòu)和分類策略
    4.4 實驗及結(jié)果分析
        4.4.1 參數(shù)設(shè)置
        4.4.2 IIHT算法性能分析
        4.4.3 字典重構(gòu)實驗
        4.4.4 不同數(shù)據(jù)集上的識別性能比較
        4.4.5 不同樣本下的字典學(xué)習(xí)方法性能比較
    4.5 小結(jié)
第五章 基于多特征融合的多角度人臉識別方法
    5.1 引言
    5.2 方法的整體框架
    5.3 人臉特征提取
        5.3.1 全局特征提取
        5.3.2 局部特征提取
        5.3.3 特征融合
    5.4 人臉特征識別
        5.4.1 經(jīng)典的分類器設(shè)計
        5.4.2 K-MSRC分類算法
    5.5 實驗及結(jié)果分析
        5.5.1 參數(shù)設(shè)置
        5.5.2 人臉特征描述方法的性能比較
        5.5.3 K-MSRC分類器性能比較
    5.6 小結(jié)
第六章 面向多樣本的稀疏人臉識別方法
    6.1 引言
    6.2 基于流形約束卷積稀疏編碼的特征提取
        6.2.1 CSC特征描述
        6.2.2 MC-CSC特征描述
        6.2.3 MC-CSC的優(yōu)化過程
    6.3 基于改進相關(guān)濾波器的分類識別
        6.3.1 經(jīng)典的相關(guān)濾波器
        6.3.2 改進的相關(guān)濾波分類器
    6.4 實驗及結(jié)果分析
        6.4.1 參數(shù)設(shè)置
        6.4.2 CSC與MC-CSC的性能比較
        6.4.3 不同數(shù)據(jù)集上的識別性能比較
    6.5 小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻
作者在攻讀博士學(xué)位期間公開發(fā)表的論文
作者在攻讀博士學(xué)位期間所作的項目
致謝


【參考文獻】：
期刊論文
[1]改進核相關(guān)濾波的運動目標(biāo)跟蹤算法[J]. 邢運龍,李艾華,崔智高,方浩.  紅外與激光工程. 2016(S1)
[2]基于局部約束字典學(xué)習(xí)的數(shù)據(jù)降維和重構(gòu)方法[J]. 劉麗娜,馬世偉,溫加睿.  儀器儀表學(xué)報. 2016(01)
[3]基于迭代加權(quán)l(xiāng)q范數(shù)最小化的稀疏陣列綜合方法[J]. 曹華松,陳金立,李家強,葛俊祥.  科學(xué)技術(shù)與工程. 2015(26)
[4]行人檢測中非極大值抑制算法的改進[J]. 陳金輝,葉西寧.  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2015(03)
[5]基于字典學(xué)習(xí)的不同光照和姿態(tài)的人臉識別技術(shù)研究[J]. 劉海,曾東海.  科技通報. 2015(05)
[6]基于HOG和SVM的公交乘客人流量統(tǒng)計算法[J]. 徐超,高夢珠,查宇鋒,曹利民.  儀器儀表學(xué)報. 2015(02)
[7]基于自適應(yīng)聚類流形學(xué)習(xí)的增量樣本降維與識別[J]. 楊靜林,唐林波,宋丹,趙保軍.  系統(tǒng)工程與電子技術(shù). 2015(01)
[8]基于旋轉(zhuǎn)不變稀疏表示和流形學(xué)習(xí)的圖像降噪[J]. 湯一彬,徐寧,姚澄,朱昌平,周琳.  儀器儀表學(xué)報. 2014(05)
[9]基于DS-Adaboost算法的人臉檢測[J]. 葉俊,張正軍.  計算機科學(xué). 2013(S2)
[10]融合LLE和ISOMAP的非線性降維方法[J]. 張少龍,鞏知樂,廖海斌.  計算機應(yīng)用研究. 2014(01)



本文編號：3707087