普通場(chǎng)景視頻人臉檢測(cè)與識(shí)別的關(guān)鍵技術(shù)研究.pdf

1、對(duì)普通場(chǎng)景視頻進(jìn)行人臉識(shí)別時(shí)，會(huì)受到視頻抖動(dòng)、光照、姿態(tài)、表情等等因素的影響，其中光照變化對(duì)人臉識(shí)別系統(tǒng)的影響非常顯著;視頻抖動(dòng)對(duì)圖像的后續(xù)處理以及人工觀察十分不利，因此本文對(duì)普通場(chǎng)景視頻在光照變化條件下的視頻穩(wěn)像、人臉檢測(cè)，人臉特征提取以及分類(lèi)器設(shè)計(jì)等關(guān)鍵問(wèn)題進(jìn)行了深入研究。論文的主要內(nèi)容如下：
　　第一章闡述了人臉識(shí)別研究的背景、意義和目的，并分析了人臉識(shí)別中難點(diǎn)和挑戰(zhàn);同時(shí)詳細(xì)論述了視頻穩(wěn)像以及可變光照條件下人臉識(shí)別研究和應(yīng)

2、用的現(xiàn)狀以及發(fā)展趨勢(shì)，并針對(duì)視頻人臉識(shí)別的視頻穩(wěn)像以及光照問(wèn)題，給出了本課題的研究?jī)?nèi)容和思路。
　　第二章論述了人臉識(shí)別的一般過(guò)程，并針對(duì)普通場(chǎng)景視頻人臉識(shí)別的關(guān)鍵技術(shù)進(jìn)行了詳細(xì)剖析，為后續(xù)研究提供了理論基礎(chǔ)。
　　第三章研究了視頻穩(wěn)像算法與視頻人臉圖像穩(wěn)定獲取。在基于旋轉(zhuǎn)平移運(yùn)動(dòng)模型和均值濾波的傳統(tǒng)穩(wěn)像算法基礎(chǔ)上，提出了基于運(yùn)動(dòng)成像模型和自適應(yīng)均值運(yùn)動(dòng)濾波算法的穩(wěn)像算法，并將其應(yīng)用于視頻人臉圖像穩(wěn)定獲取。運(yùn)動(dòng)成像模型是將掃

3、描運(yùn)動(dòng)和旋轉(zhuǎn)平移模型融合在一起而構(gòu)成的運(yùn)動(dòng)模型，實(shí)現(xiàn)了消除快速掃描運(yùn)動(dòng)的影響。同時(shí)為了滿足運(yùn)動(dòng)成像模型對(duì)局部運(yùn)動(dòng)點(diǎn)的對(duì)稱(chēng)性要求，采用了塊的二階矩估計(jì)局部運(yùn)動(dòng)。自適應(yīng)步長(zhǎng)均值運(yùn)動(dòng)濾波方法實(shí)現(xiàn)了自動(dòng)判斷抖動(dòng)過(guò)程是否結(jié)束，并在抖動(dòng)結(jié)束后用均值濾波方法分離出抖動(dòng)運(yùn)動(dòng)矢量。實(shí)驗(yàn)結(jié)果表明，所提出的算法能在存在快速掃描運(yùn)動(dòng)情況下有效實(shí)現(xiàn)視頻穩(wěn)像，實(shí)現(xiàn)了視頻人臉圖像穩(wěn)定獲取。
　　第四章對(duì)Adaboost算法的應(yīng)用進(jìn)行了深入研究。利用Adaboo

4、st算法和Haar-like特征實(shí)現(xiàn)了視頻或圖片中人臉的檢測(cè)，并采用人眼區(qū)域和人臉區(qū)域的空間約束關(guān)系實(shí)現(xiàn)假人臉區(qū)域的消除。
　　第五章提出了基于濾波和LBP人臉高階光照不變特征提取方法。針對(duì)用濾波方法提取的人臉特征受到較嚴(yán)重光照影響以及與濾波參數(shù)有關(guān)的問(wèn)題，采用LBP編碼濾波特征以獲得人臉高階特征，從而減少上述兩個(gè)因素對(duì)特征的影響，同時(shí)低通濾波能夠降低圖像的噪聲，使得高階特征對(duì)噪聲具有魯棒性。實(shí)驗(yàn)結(jié)果表明，所提出的特征提取方法更能

5、適應(yīng)光照條件的變化。
　　第六章提出了基于非局部NeighShrink濾波的降維光照不變特征提取方法。該算法將非局部均值濾波思想融入NeighShrink模型，使獲得的非局部NeighShrink模型對(duì)光照的自適應(yīng)能力更強(qiáng);同時(shí)把數(shù)據(jù)融合技術(shù)和小波分析結(jié)合在一起，實(shí)現(xiàn)提取人臉的降維全信息特征。實(shí)驗(yàn)結(jié)果證明，所提出的算法能更好地適應(yīng)光照條件的變化，以及降低后續(xù)計(jì)算所需的資源和時(shí)間。
　　第七章提出了基于改進(jìn)的多數(shù)投票法多分類(lèi)器

6、集成，并對(duì)集成系統(tǒng)多樣性進(jìn)行了研究。改進(jìn)的多數(shù)投票法用混淆矩陣估計(jì)成員分類(lèi)器把輸入分到某一類(lèi)的概率，實(shí)現(xiàn)了多分類(lèi)器集成在多類(lèi)分類(lèi)問(wèn)題上性能的提升。同時(shí)針對(duì)傳統(tǒng)集成系統(tǒng)多樣性度量的不足，提出了基于Shapley值的多樣性度量方法。該方法實(shí)現(xiàn)了多樣性描述和分類(lèi)結(jié)果的關(guān)聯(lián)。實(shí)驗(yàn)結(jié)果證明改進(jìn)的多數(shù)投票法在多類(lèi)分類(lèi)問(wèn)題上優(yōu)于多數(shù)投票法，以及所提出的多樣性度量方法能較好地衡量集成系統(tǒng)的多樣性。
　　第八章搭建了視頻圖像人臉識(shí)別控制系統(tǒng)平臺(tái)。該