基于卷积神经网络和改进LBP的部分遮挡人脸识别

发布时间：2020-12-02 13:39

　　受控环境下的人脸识别现阶段已经取得了很好的效果,识别率远超了人眼。然而,在不受控制和自然环境下的面部识别易受姿态、照明、遮挡等的影响,这降低了算法的性能,一些商业应用在应对这些干扰问题时的效果也差强人意。其中,部分遮挡人脸识别是目前必须要解决的问题之一。本文提出以下两种方法对部分遮挡情况下的人脸识别进行研究,具体如下:（1）提出一种基于多尺度地标的梯度直方图进行特征点特征提取,并使用PCA白化空间进行分类识别的方法。首先,我们使用DLIB库检测器来检测图像中的面部区域,并基于特征点位置进行面部对齐。在获得面部图像之后,使用高斯差分（DoG）作为带通滤波器进行图像预处理。对处理之后的图像使用多尺度地标的梯度直方图（HOG）来保持特征点的定位和变化,来使特征的提取在面部变化下更具鲁棒性。将提取到的面部特征在PCA白化空间中进行分类,根据空间内特征向量的欧氏距离计算其相似性,从而对有遮挡人脸进行分类。通过实验可以看出该方法对人脸部分遮挡的识别有一些提升,对光照和遮挡有较好鲁棒性。（2）人脸识别中,若面部特征被遮挡,随着其遮蔽区域的增大,依靠对图像中人脸的整体特征识别就变得越来越困难,所能提取... 

【文章来源】：安徽理工大学安徽省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图２－１人脸识别框架图??Ｆｉｇ２－１?Ｆａｃｅ?ｒｅｃｏｇｎｉｔｉｏｎ?ｆｒａｍｅ??

对图像用隐马尔可夫模型进行采样提取特征，为了使人脸的关键部分特征不??被切断和破坏，可以将人脸部分分割成五个区域，分别是额头，眼睛，鼻子，嘴??巴和下巴，形成５级隐马尔可夫模型。如图２－４所示。??眼睛??ｉ?ｍ?＾??＇?Ｉ?参?■??１．，．?嘴巴??下巴??图２－４?５级人脸隐马尔可夫模型??Ｆｉｇ２－４?Ｌｅｖｅｌ?５?ｆａｃｅ?ＨＭＭ?ｍｏｄｅｌ??为了使隐马尔可夫模型中矩形块的选取更能表达出人脸的相关特征，人们做??了很多相关工作。如Ａｒａ?ＶＮｅｆｉａｎ等人提出模型中使用二维离散余弦的变换，??降低了模型的计算复杂度，并且使图像对无关噪声、光照和面部姿态角度等更具??鲁棒性，使ＨＭＭ模型识别率大大提高。经过改进的隐马尔可夫模型优点很明显，??对人脸图像的角度姿势和面部表情具有鲁棒性，对于新样本可直接在模型上训练，??但该方法的优点都是建立在釆样选取矩形框特征的基础之上的，计算仍然具有很??高的复杂度。隐马尔可夫模型是将人脸图像的总体特征和局部特征进行融合特征??－１４－

应用广泛的二分类模型。使用ＳＶＭ进行分类时，可以产生多个分界线，称之为??“决策面”，每个决策面都可以作为一个分类器，很明显，每个分类器的分类性能??是不同的。如图２－５所示。??Ｈｌ、、＇?°?〇??＇灸、。。。??图２－５?ＳＶＭ分类器??Ｆｉｇ２－５?ＳＶＭ?ｃｌａｓｓｉｆｉｅｒ??定义：设训练样本集是｛（＾），／＿?＝?１，２，．．．《，＾￡＜；；￡｛＋１，－１｝｝，１为特征向量，??少为类别标号，ｄ维空间线性判别函数为：ｇＣｃ）?＝?０ｘ?＋?６，则分类面方程是：??ａ＞ｘ?＋?ｂ?－０?（２－８）??分类结果由法向量《和截距６决定。为了计算的方便，将函数归一化处理，??将离超平面最近的分类样本点设定为丨ｇ（ｘ）ｊ＝ｌ，这样其他所有要分类的样本点都??有｜ｇ（ｘ）｜２１，由此可得出分类的最小间隔为２／１丨刎丨，由最小间隔值可以看出ＳＶＭ??－１６－??

【参考文献】：
期刊论文
[1]基于分块的有遮挡人脸识别算法[J]. 周孝佳,朱允斌,张跃.  计算机应用与软件. 2018(02)
[2]人脸识别:一种基于特征融合及神经网络的方法(英文)[J]. 於东军,赵海涛,杨静宇.  系统仿真学报. 2005(05)



本文编号：2895401