基于核最大可分性的人脸姿态估计

发布时间：2021-11-20 00:15

　　随着科学技术和生物识别技术的发展,人脸识别技术广泛应用于生活和工作的各个方面。然而,在实际的人脸识别过程中,经常会受到外界一些因素的干扰而导致人脸识别的识别率降低,如光照、姿态、表情等的变化。姿态的变化作为影响人脸识别算法性能的一个重要因素,也是导致人脸识别的识别率下降的直接因素。因此,在计算机视觉、人工智能、虚拟现实、图像处理、和人机交互等领域,人脸姿态估计已经成为了一个比较热门的话题。主成分分析（PCA）方法是一种解决人脸姿态估计的算法,其能提取人脸图像中的线性特征,构造特征脸空间,实现数据降维,从而进行人脸姿态估计。但PCA只能提取人脸图像中的线性特征,对于人脸图像中的线性不可分的特征无法提取,而姿态变化下分布的人脸图像是高度非线性和复杂的。为了解决这个问题,本文引入核函数,提出一种基于核最大可分性的人脸姿态估计算法,基于CMU PIE和UMIST人脸数据库的实验数据表明该算法在人脸姿态估计方面有较高的性能。为了提取人脸图像中的非线性特征,进一步进行人脸姿态估计,本文的工作主要围绕以下三个方面进行:（1）首先将人脸数据库中某一人脸图像赋值给一个人脸姿态模板,这样做的目的是希望该人... 

【文章来源】：海南大学海南省 211工程院校

【文章页数】：40 页

【学位级别】：硕士

【部分图文】：

图３４基于ＰＣＡ的人脸姿态估计算法的主要流程??Ｆｉｇ．?３－１?Ｍａｉｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｆａｃｅ?ａｔｔｉｔｕｄｅ?ｅｓｔｉｍａｔｉｏｎ?ａｌｇｏｒｉｔｈｍ?ｂａｓｅｄ?ｏｎ?ＰＣＡ??

?基于核最大可分性的人脸姿态估计???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??图４＞５基于ＵＭＩＳＴ人脸数据库的姿态估计精确率??Ｆｉｇ．?４－５?Ｐｏｓｅ?ｅｓｔｉｍａｔｉｏｎ?ａｃｃｕｒａｃｙ?ｂａｓｅｄ?ｏｎ?ＵＭＩＳＴ?ｆａｃｅ?ｄａｔａｂａｓｅ??从图４－５中我们也可以观察到，对于不同的保留率，人脸姿态估计的精确率也不??同，而且随着保留率的不断增加，人脸姿态估计的精确率也在不断增大，Ｒａｎｋ－１精确??率始终低于Ｒａｎｋ－２精确率，当保留率接近等于１时，Ｒａｎｋ－１精确率接近９０％，而且??增长比较平稳，当保留率等于１时，Ｒａｎｋ－１精确率达到８９．１％；当保留率接近等于１??Ｂ寸，Ｒａｎｋ－２精确度已经超过９５％，当保留率等于１时，Ｒａｎｋ－２精确率达到９５．８％。??图４－４和图４－５中，当保留率接近等于１时，Ｒａｎｋ－１的精确率都超过８５％，Ｒａｎｋ－２??的精确率都超过９０％，这些数据证明了我们提出的基于核最大可分性的人脸姿态估计??的算法具有较高的姿态估计精确率。??与人脸识别不同的是，人脸姿态估计的任务可以允许出现更多的误差，在实际的??应用中，我们将人脸图像分配给与其真实的姿态模板相接近的姿态模板仍然是有价值??的。??４．５性能比较??通过在ＣＭＵＰ正和ＵＭＩＳＴ人脸数据库上的实验，将本文提出的算法与传统的算??法姿态估计精确率进行了比较，表４－１表明了本文提出的算法在ＣＭＵ?Ｐ

【参考文献】：
期刊论文
[1]基于二维主成分分析的图像特征提取研究[J]. 赵蔷,惠燕,张忠,刘咪.  航空计算技术. 2019(05)
[2]基于PCA的人脸特征提取和识别[J]. 王惠,宗玉萍.  计算机产品与流通. 2019(01)
[3]基于改进卷积神经网络的人体姿态估计[J]. 赵勇,巨永锋.  测控技术. 2018(06)
[4]基于特征脸的主成分分析人脸识别[J]. 陈勇,林颖.  计算技术与自动化. 2017(02)
[5]头部姿态估计技术研究综述[J]. 陈书明,陈美玲.  泉州师范学院学报. 2015(06)

硕士论文
[1]基于主成分分析改进算法的人脸识别研究[D]. 丁碧薇.山东师范大学 2019
[2]复杂光照条件下的人脸识别方法研究[D]. 程干.中国矿业大学 2019
[3]基于深度学习的多姿态人脸识别算法研究[D]. 肖芳.电子科技大学 2019
[4]基于子空间的人脸识别算法研究[D]. 郭晶晶.北京交通大学 2008



本文编号：3506176