多姿态人脸识别算法研究
发布时间：2021-07-02 20:41
近年来随着科学技术的发展,人脸识别已经走进了人们的日常生活中,其在如刷脸支付、身份验证、智能考勤等很多方面得到了广泛的应用。并且,随着软件算法与硬件能力的进步,人脸识别技术也越来越接近成熟。不过,在现实生活的应用中,人脸识别技术仍然受到诸如光照、表情、衣物遮挡和姿态变换等因素的干扰。其中,人脸的多姿态性是目前人脸识别技术研究的重点与难点之一。本文针对多姿态人脸识别技术进行探讨和研究,主要包括基于聚类的多姿态人脸识别算法和基于深度学习的多姿态人脸识别算法两个方面。本文的研究工作如下:（1）从基于人眼定位的方法出发,对常用的ASEF（Average of Synthetic Exact Filters）算法进行研究分析与改进,通过加权后的ASEF算法定位人眼位置得到相应的人眼标定数据。依据人眼标定数据,再通过聚类算法对人脸的不同姿态进行分类估计,然后通过PCA+Adaboost与ICA+Adaboost算法进行身份识别。（2）针对目前多姿态人脸数据库样本不足的情况,使用生成对抗网络进行样本扩充。本文基于DCGAN（Deep Convolution Generative Adversaria...
【文章来源】：北京建筑大学北京市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
自动人脸识别系统
对图像与数据库中的数据的匹配程度进行二分类[57]。这一操作包括一对一的图像确认过程与一对多的图像辨认过程。近年来，以卷积神经网络为首的深度学习方法在人脸识别方向上被广泛应用。与传统的人脸识别算法相比，深度学习的方法提高了对大量数据处理的能力，且进一步提高了人脸的识别率。其识别流程与传统的人脸识别算法流程相似，其流程都由图像输入-图像预处理-特征提取-特征匹配-得出结果组成。与传统的人脸识别算法相比，深度学习算法隐藏了特征提取部分。通过卷积神经网络方式的特征提取依据其卷积方式，其网络结构如图2-2所示。2.2多姿态人脸识别算法在人脸识别算法的基础上，为了避免姿态变换对人脸识别率造成的影响，逐渐发展出现在的多姿态人脸识别算法。与针对正脸的人脸识别算法相似，多姿态人脸识别算法也可分为传统多姿态人脸识别方法与基于深度学习的多姿态人脸识别算法。传统的多姿态人脸识别方法大致分为如下几部分。（1）基于几何特征的多姿态人脸识别[58]。人脸的几何特征主要由人脸整体轮廓特征与各个器官特征组成。通过检测各个器官与人脸重要部位边缘检测，并通过算法对检测到的几何信息与数据进行匹配，判断其姿态与身份信息。（2）基于数据降维再分类的多姿态人脸识别。PCA算法的目的是将多维数据进行降维操作得到较低维度的数据再进行人脸识别，可以较快的得出检测结果。但PCA算法也很容易受到外部如光照等因素的干扰。ICA算法在降维方面与PCA算法的效果相近。近年来出现了很多基于深度学习的算法模型，其网络结构的连接方式与大量可更改的参数使深度学习的模型可以有效的解决人脸的多姿态性对人脸识别带来的困难，例如深度置信网络、DeepFace网络、FaceNet网络、VGGFace网络和DeepID网络等。其中深度置信网络与VGGF
第3章基于聚类的多姿态人脸识别算法173.3实验对比与分析本章实验基于前面小节介绍的改进的ASEF和K-means方法，首先进行人眼定位，然后根据左右眼睛之间的距离进行K-means聚类分析，从而实现对人脸姿态分类的效果。接下来，在同一个姿态的数据集内进行身份识别，分别使用PCA和ICA两种特征提取方法，分类器使用Adaboost算法。图3-1表示本章算法识别流程。为测试本章提出的算法对不同干扰因素的鲁棒性，将设计3种实验分别对其进行验证。实验一的目的是验证本章算法对极端姿态的识别率，本章实验所采用的MultiPIE数据库由15种姿态组成，其中4种姿态为倒置的姿态图像，这里不对其进行考虑。假设正面姿态人脸为0°，其他的姿态角度分别为15°，30°，-15°，-30°等，表3-1表示ASEF算法在不同角度上的人眼定位率。此实验选取20人为实验样本，通过计算定位的点与真实的点之间的平均距离代表其准确率。表3-1ASEF算法对不同姿态的识别效果Table3-1ASEFalgorithm"spositioningeffectondifferentpostures姿态分类-90°-80°-60°-30°-15°0°15°30°60°80°90°定位误差2922511.511142632由于本章算法需要依靠双眼定位，因此由表3-1可以看出，由于无法准确定位图像双眼的位置，侧面姿态（-90°和90°）和接近侧面的姿态（-80°和80°）人脸图像的人眼定位难度很大，所以，后续验证算法准确率的实验选择了以正面姿态为中心的5个姿态的数据进行实验。实验二的目的在于验证本章算法对光照的鲁棒性，本章实验所采用的MultiPIE数据库包括20种光照（用1-20表示由暗到明的光照强度，1为最暗，20为最亮），这里将实验分为两组对照实验：单一光照图像训练后进行定位与多光照混合训练后进行定位的定位准确率。表3-2是ASEF算法对不同姿态数据的定位效果。图3-
【参考文献】：
期刊论文
[1]基于双层生成对抗网络的素描人脸合成方法[J]. 李凯旋,曹林,杜康宁. 计算机应用与软件. 2019(12)
[2]一种多算法融合的人脸识别方法研究[J]. 姚立平,潘中良. 光电子·激光. 2019(09)
[3]针对跨姿态人脸识别的度量学习方法[J]. 王奥迪. 现代计算机(专业版). 2019(03)
[4]基于卷积神经网络的人脸识别系统[J]. 范安宇,包乾辉,郑一超,杨毅刚,余亦锴. 电脑编程技巧与维护. 2019(01)
[5]基于正则化Fisher分析和稀疏表示的人脸识别[J]. 谢文浩,兰奇逊,徐华锋. 河南城建学院学报. 2018(06)
[6]激光光点定位技术在移动人脸识别中的应用[J]. 杨鑫,王爱学. 激光杂志. 2018(12)
[7]基于新迭代规则的稀疏CNMF人脸识别方法[J]. 周静,黄心汉. 华中科技大学学报(自然科学版). 2018(12)
[8]基于Hadoop平台Canopy-Kmeans聚类算法优化改进研究[J]. 周功建. 安徽广播电视大学学报. 2018(04)
[9]基于Sobel算子改进卷积神经网络的人脸识别[J]. 黄剑,贺兴时. 渭南师范学院学报. 2018(20)
[10]基于卷积神经网络人脸识别方法研究[J]. 陆红. 现代信息科技. 2018(10)
博士论文
[1]复杂条件下人脸局部特征检测方法的研究[D]. 桑海涛.哈尔滨理工大学 2017
硕士论文
[1]基于生成对抗的人脸正面化生成[D]. 钱一琛.北京邮电大学 2019
[2]基于度量学习的人脸识别算法研究[D]. 张隆琴.华南理工大学 2019
[3]人脸姿态矫正算法的研究[D]. 文翔.合肥工业大学 2019
[4]3D人脸多姿态合成与应用研究[D]. 杨玮玥.上海师范大学 2019
[5]人脸识别中人脸检测和特征提取算法的研究[D]. 刘胜昔.南京邮电大学 2018
[6]多姿态表情的人脸识别算法研究[D]. 曹雯静.西安理工大学 2018
[7]基于人脸识别的互联网检索技术实现[D]. 任润鹏.内蒙古大学 2018
[8]基于随机森林与稀疏表示的多姿态人脸识别方法研究[D]. 张超.西北大学 2018
[9]基于局部不变特征的二维多姿态人脸识别研究[D]. 杜跃伟.重庆邮电大学 2018
[10]基于深度学习的多姿态人脸识别研究[D]. 王勋涛.吉林大学 2018
本文编号：3261192
【文章来源】：北京建筑大学北京市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
自动人脸识别系统
对图像与数据库中的数据的匹配程度进行二分类[57]。这一操作包括一对一的图像确认过程与一对多的图像辨认过程。近年来，以卷积神经网络为首的深度学习方法在人脸识别方向上被广泛应用。与传统的人脸识别算法相比，深度学习的方法提高了对大量数据处理的能力，且进一步提高了人脸的识别率。其识别流程与传统的人脸识别算法流程相似，其流程都由图像输入-图像预处理-特征提取-特征匹配-得出结果组成。与传统的人脸识别算法相比，深度学习算法隐藏了特征提取部分。通过卷积神经网络方式的特征提取依据其卷积方式，其网络结构如图2-2所示。2.2多姿态人脸识别算法在人脸识别算法的基础上，为了避免姿态变换对人脸识别率造成的影响，逐渐发展出现在的多姿态人脸识别算法。与针对正脸的人脸识别算法相似，多姿态人脸识别算法也可分为传统多姿态人脸识别方法与基于深度学习的多姿态人脸识别算法。传统的多姿态人脸识别方法大致分为如下几部分。（1）基于几何特征的多姿态人脸识别[58]。人脸的几何特征主要由人脸整体轮廓特征与各个器官特征组成。通过检测各个器官与人脸重要部位边缘检测，并通过算法对检测到的几何信息与数据进行匹配，判断其姿态与身份信息。（2）基于数据降维再分类的多姿态人脸识别。PCA算法的目的是将多维数据进行降维操作得到较低维度的数据再进行人脸识别，可以较快的得出检测结果。但PCA算法也很容易受到外部如光照等因素的干扰。ICA算法在降维方面与PCA算法的效果相近。近年来出现了很多基于深度学习的算法模型，其网络结构的连接方式与大量可更改的参数使深度学习的模型可以有效的解决人脸的多姿态性对人脸识别带来的困难，例如深度置信网络、DeepFace网络、FaceNet网络、VGGFace网络和DeepID网络等。其中深度置信网络与VGGF
第3章基于聚类的多姿态人脸识别算法173.3实验对比与分析本章实验基于前面小节介绍的改进的ASEF和K-means方法，首先进行人眼定位，然后根据左右眼睛之间的距离进行K-means聚类分析，从而实现对人脸姿态分类的效果。接下来，在同一个姿态的数据集内进行身份识别，分别使用PCA和ICA两种特征提取方法，分类器使用Adaboost算法。图3-1表示本章算法识别流程。为测试本章提出的算法对不同干扰因素的鲁棒性，将设计3种实验分别对其进行验证。实验一的目的是验证本章算法对极端姿态的识别率，本章实验所采用的MultiPIE数据库由15种姿态组成，其中4种姿态为倒置的姿态图像，这里不对其进行考虑。假设正面姿态人脸为0°，其他的姿态角度分别为15°，30°，-15°，-30°等，表3-1表示ASEF算法在不同角度上的人眼定位率。此实验选取20人为实验样本，通过计算定位的点与真实的点之间的平均距离代表其准确率。表3-1ASEF算法对不同姿态的识别效果Table3-1ASEFalgorithm"spositioningeffectondifferentpostures姿态分类-90°-80°-60°-30°-15°0°15°30°60°80°90°定位误差2922511.511142632由于本章算法需要依靠双眼定位，因此由表3-1可以看出，由于无法准确定位图像双眼的位置，侧面姿态（-90°和90°）和接近侧面的姿态（-80°和80°）人脸图像的人眼定位难度很大，所以，后续验证算法准确率的实验选择了以正面姿态为中心的5个姿态的数据进行实验。实验二的目的在于验证本章算法对光照的鲁棒性，本章实验所采用的MultiPIE数据库包括20种光照（用1-20表示由暗到明的光照强度，1为最暗，20为最亮），这里将实验分为两组对照实验：单一光照图像训练后进行定位与多光照混合训练后进行定位的定位准确率。表3-2是ASEF算法对不同姿态数据的定位效果。图3-
【参考文献】：
期刊论文
[1]基于双层生成对抗网络的素描人脸合成方法[J]. 李凯旋,曹林,杜康宁. 计算机应用与软件. 2019(12)
[2]一种多算法融合的人脸识别方法研究[J]. 姚立平,潘中良. 光电子·激光. 2019(09)
[3]针对跨姿态人脸识别的度量学习方法[J]. 王奥迪. 现代计算机(专业版). 2019(03)
[4]基于卷积神经网络的人脸识别系统[J]. 范安宇,包乾辉,郑一超,杨毅刚,余亦锴. 电脑编程技巧与维护. 2019(01)
[5]基于正则化Fisher分析和稀疏表示的人脸识别[J]. 谢文浩,兰奇逊,徐华锋. 河南城建学院学报. 2018(06)
[6]激光光点定位技术在移动人脸识别中的应用[J]. 杨鑫,王爱学. 激光杂志. 2018(12)
[7]基于新迭代规则的稀疏CNMF人脸识别方法[J]. 周静,黄心汉. 华中科技大学学报(自然科学版). 2018(12)
[8]基于Hadoop平台Canopy-Kmeans聚类算法优化改进研究[J]. 周功建. 安徽广播电视大学学报. 2018(04)
[9]基于Sobel算子改进卷积神经网络的人脸识别[J]. 黄剑,贺兴时. 渭南师范学院学报. 2018(20)
[10]基于卷积神经网络人脸识别方法研究[J]. 陆红. 现代信息科技. 2018(10)
博士论文
[1]复杂条件下人脸局部特征检测方法的研究[D]. 桑海涛.哈尔滨理工大学 2017
硕士论文
[1]基于生成对抗的人脸正面化生成[D]. 钱一琛.北京邮电大学 2019
[2]基于度量学习的人脸识别算法研究[D]. 张隆琴.华南理工大学 2019
[3]人脸姿态矫正算法的研究[D]. 文翔.合肥工业大学 2019
[4]3D人脸多姿态合成与应用研究[D]. 杨玮玥.上海师范大学 2019
[5]人脸识别中人脸检测和特征提取算法的研究[D]. 刘胜昔.南京邮电大学 2018
[6]多姿态表情的人脸识别算法研究[D]. 曹雯静.西安理工大学 2018
[7]基于人脸识别的互联网检索技术实现[D]. 任润鹏.内蒙古大学 2018
[8]基于随机森林与稀疏表示的多姿态人脸识别方法研究[D]. 张超.西北大学 2018
[9]基于局部不变特征的二维多姿态人脸识别研究[D]. 杜跃伟.重庆邮电大学 2018
[10]基于深度学习的多姿态人脸识别研究[D]. 王勋涛.吉林大学 2018
本文编号：3261192
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3261192.html
最近更新
教材专著
