足球比分直播

基于改进支持向量机的人脸检测方法分析.pdf

返回
基于改进支持向量机的人脸检测方法分析.pdf_第1页
第1页 / 共61页
基于改进支持向量机的人脸检测方法分析.pdf_第2页
第2页 / 共61页
基于改进支持向量机的人脸检测方法分析.pdf_第3页
第3页 / 共61页
基于改进支持向量机的人脸检测方法分析.pdf_第4页
第4页 / 共61页
基于改进支持向量机的人脸检测方法分析.pdf_第5页
第5页 / 共61页
点击查看更多>>
资源描述:
插图清单图1.1姿态的可变性l图12成像条件的影响。l图1.3人脸检测方法的分类.3图2.1在二维空间中将三个点划分开ll图2-2结构风险最小化示意图.13图2.3线性可分的情况14图2.4引入松弛变量..16图2.5非线性支持向量机得到的分类面18图2-6训练SVM的三个方法块算法,分解算法和SMO算法.19图2.7样本分布直观图以及可以使用的线性分类器22图2.8支持向量机决策树一22图2-9支持向量机决策树的检测结果24图2.10部分检测结果。24图3.1过滤的特征提取方法26图3.2封装的特征提取方法。27图3.3主成分分析的几何表示..28图3.4生物进化的过程..29图3.5遗传算法基本流程一30图3-6算法流程.34图3.7染色特的结构.34图3.8轮盘赌选择法.36图3-9在测试集上的部分检测结果39图4-l双眼区域的六个矩形~..42图4.2双眼区域特征.■.42图4.3脸部的对称性一42图4-4积分图43图45可以使用的线性分类器.43图4-6 fisher中线性投影。..44图4-7图像的小波分解。.45图4-8人脸检测系统框图46图4-9预处理过程~46图4-10 bootstrap收集非人脸47图4一11待检测的图像48图4-1 2金字塔图像..j...48图4-13每个阶段的检测结果49图4-14手工制作图像的部分检测结果.49图4-15 BioID人脸库上的部分检测结果..50图4-16 MIT-CMU正面人脸库上的部分检测结果.50表格清单表1-1人脸库。8表2-1不同方法测试结果的比较.25表3-1均匀交叉法36表3-2实验中所使用的参数.37表3-3方法1和方法2的比较.38表3-4方法1和方法3的比较..38表3-5方法1和方法2的比较.40表4-1实验结果的比较..51独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知,除了文中特别加以标志和致谢的地方外。论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得盒世王些太堂 或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签字州‘签字日期。唧年f月r日学位论文版权使用授权书本学位论文作者完全了解盒墅王些太堂有关保留、使用学位论文的规定。有权保留并向国家有关部门或机构送交论文的复印件和磁盘.允许论文被查阅或借阅。本人授权金胆王些太堂一可以将学位论文的全部或部分论文内容编入有关数据库进行检索.可以采用影印、缩印或扫描等复常0手段保存、汇编学位论文.保密的学位论文在解密后适用本授权书学位论交作者毕业后去{句工作单位通讯地址僦名p张签字日期{力知声,甥7二日电话部编守御埔胡旁年鹳吖着史期论日位字学签致 谢值此论文完成之际,首先谨向我的导师汪荣贵老师表示忠心的感谢是汪老师将我引入科学研究的道路,使我在科研上有了明确的目标和端正的态度。论文的主题确立到写作到最终定稿,都倾注了汪老师大量的心血。师从于汪老师,收获是多方面的,从他渊博的学识、严谨的治学中,我体会到了知识与研究的魅力;从他认真负责的工作作风、正直的为人中,我学习到了生活与做人的道理。感谢研究室张佑生教授、胡敏副教授平时给予的指导和帮助.感谢计算机学院的曹航老师、徐静老师、王新生老师等各位老师在日常事务中提供的帮助。感谢李守毅同学,一直以来我们相互鼓励,相互帮助。在与他的交流和讨论中,产生了一定的新的思想,对论文的完成起着重要的推进作用。感谢胡琼、胡韦伟同学在学习上和生活上对我的热心帮助。感谢张璇、查全民、杨万挺、何畏、吴昊等同学平时给予的帮助。特别的,我要感谢我的父母,父母从来不求回报,他们的支持与鼓励是我前进的巨大动力。一直以来,他们都是我坚实的精神后盾,给予我莫大的支持与鼓励,让我有继续努力的勇气。也正是他们的这种默默支持,让我更坚定了自己的决心,更加用心地做好每一件事。另外,还要忠心的感谢我的姐姐,她们不但在经济上给我予巨大的支持,同时,还时时鼓励我,帮我分担很多生活上、学习上的困难。最后,对所有关心和帮助过我的老师、同学和朋友表示衷心的感谢l第一章概 述I.I引言人脸检测是指判断给定图像中是否存在入脸,若存在,则返回所有人脸的位置、大小和位姿【”。人脸检测最初来源于人脸识别。而今天,人脸检测的应用范围已经远远超出了人脸识别,它在智能人机接口、视觉监测、图像标注与检索、数字视频分析等诸多应用领域都有着非常广泛的实用价值,已作为一个独立的课题受到研究者的广泛重视【2】【31。人脸是人身体一个极其重要的部位,它能够给我们提供人的很多信息,用人脸来鉴别人的身份也是最令人信服的。虽然人类可以很轻松地从非常复杂的背景中检测出人脸,但对于计算机来说却相当困难,这主要是因为人脸是一个非常复杂的模式,其中隐含的信息量非常的丰富,加上以下原因,使得人脸的检测是一项非常具有挑战性的问题1姿势的可变性入酌头部可以在3维空间中运动,即成像平面内的旋转、垂直方向上的俯仰以及水平方向上的运动,因此图像中的人脸可能是正面、侧面或倾斜的。图I-I姿态的可变性2成像条件的影响 ,在成像过程中光.线条件的差异可能很大,而光线条件对人脸外观表象的影响很大,Moses提出,同一个人脸在不同光照条件下模式的变化程度比不同的人脸在同一光照条件下的模式变化更大【41,有时还会形成“阴阳脸”。图卜2成像条件的影响3人脸形状、面部表情和纹理特征的差异由于种族、生活环境等各方面的差异,使得不同人的人脸形状存在差异,这些差异可能是人脸整体上的长、宽比的不同,也可能是鼻子、嘴巴等局部的差异【5】。同时,人脸是一个非刚性物体,同一个人在不同的表情下,脸部器官的运动会导致外观有很大的差异,如眼睛的闭合和展开。另外,入脸可能被图像中其他人脸或墨镜、围巾等挡住,使一些重要特征不可见,以及化妆等带来的纹理特征的变化。因此,人脸检测是一项非常具有挑战性的问题。如果能找到解决以上问题的方法,成功的构造出人脸检测系统,将为解决其它类似的复杂模式检测问题提供重要的启示,因而对于人脸检测问题的研究具有很重要的学术价值。1.2国内外研究现状 ,目前,国外对人脸检测的研究很多,许多国家展开了人脸检测的研究,主要在美国、欧洲国家、日本、新加坡、韩国等,比较著名的研究机构有美国麻省理工大学MIT的Media lab和AI lab【6】,卡内基梅隆大学CMU的Human.Computer Interface Institute[”。Microsofl Research[51以及Illinois大学的Beckman研究所一Jl,英国的Department of Engineering in University ofCambridge[11】等。国内开展人脸检测研究的主要单位有清华大学【12】【1 31、哈尔滨工业大学【1 41、北京工业大学【¨ID61、上海交通大学【“l【181、中国科学院自动化研究所lt9l[201等,且都取得了一定的成果。MPEG7标准组织已经建立了人脸识别草案小组,其中人脸检测算法也是一项征集的内容。随着入脸检铡研究的深入。国际上发表的有关这方面的论文的数量也有大幅度的增加,每年的国际会议上关于这方面的专题也屡屡可见,如IEEE的FGIEEE International Conference on Automatic Face and GuestRecognition、CVPRIEEE Computer Society Conference on Computer Vision andPattern Recognition,ICIPIEEE International.Conference on Image Processing、ICPRIEEEInternationalConference onPatternRecognition等重要国际会议的每次会议上都有大量关于人脸检测的论文,约占有关人脸论文的1/3。人脸检测的方法很多,从不同的角度有不同的分类方法。根据图像来源,可以将人脸检测方法分为基于静止图像的方法和基于动态图像的方法两类;根据利用图像的颜色信息的不同,可以将人脸检测方法分为基于肤色特征的方法和基于灰度特征的方法;E.Hjelmas把人脸检测的方法可以分为基于特征feature-based的方法和基于图像image.based的方法两大类【211,每一类还可以细分为不同的类,具体的分类情况如图l。3所示2图1-3 人脸检测方法的分类1.2.1基于特征的人脸检测方法基于特征的方法是人脸检测中最常用的方法,研究的最多、最深入。根据使用特征类型的不同,这种方法可以分为低层特征分析方法、组群特征分析方法以及变形模板方法。1低层特征分析方法低层特征分析方法的基本思想是利用待检测图像的灰度值、颜色、纹理、运动等像素特征,对图像的视觉特征进行分割,由于这类方法使用的特征较少,一般实用于较强约束条件下的人脸检测问题。根据利用信息的不同,低层特征分析方法又可以分为基于边缘的方法、基于灰度信息的方法、基于色彩特征的方法以及基于运动信息的方法。Craw等[22】首先在低分辨率图像中使用一个轮廓模板匹配出人脸的大致范围.然后在高分辨率图像中使用soble算子获取图像边缘的位置和方向,并连接出完整的人脸轮廓。Wang等【23】首先对图像进行中值滤波,然后采用零交叉算子来提取图像边缘特征,再根据广义Hough变换来抽取人脸椭圆信息。入脸具有独特的灰度分布特征,由脸部的亮度关系可以得出,眉毛、瞳孔、嘴唇一般比它们周围的部位暗,利用这些特征可以建立若干规则,通过判断图像是否满足这些规则来确定其是否为人脸。Yang等【24】首先提出了人脸的镶嵌图Mosaic image,又称为马赛克图特征,他们将人脸的五官区域分别划分为4x4个和88个方格,对这些方格使用一组规则进行检验,并采用改进的边缘检测算法进行进一步的验证。Lv等【25】依据人脸的左右对称性,通过提取投影直方图特征来检测人脸的旋转角度,再提取镶嵌图特征。肤色是人脸的重要信息,它不依赖于面部的细节特征,对于旋转、表情改变等情况具有相对的稳定性,且能较易的和大多数背景物体的颜色相区别。人脸检测中常用的色度空间有 rgb亮度归一化的三基色、SHI饱和度、色调、亮度、YCbCrCCIR601编码方式的色度模型等。肤色模型得到了较广泛的应用,且鲁棒性更好。所谓肤色模型,就是用数学或查找表等形式来表达哪些像素的色彩属于肤色,或表征出某一像素的色彩与肤色的相似度,目前较常用的肤色模型有高斯模型、混合高斯模型和直方图模型等。Terrillon等【26】比较了高斯模型和混合高斯模型在不同色度空间中的性能,发现除了少数情况外,一般需要使用混合高斯模型才能较好地描述肤色区域的分布。Jones等【2 7】研究了RGB空间中“肤色”与“非肤色”像素的分布,比较了直方图模型和混合高斯模型,发现前者的性能略好于后者。在视频中,利用运动信息是目标检测的一种重要的手段。Mase等【2 8】将视频序列中每一帧图像与预先选定的背景图像相减,如果差的绝对值大于某个预先设定的阈值,则认为该部分是人体,根据人体轮廓的特点得出人头部的位置,同时定期的改变背景图像。2组群特征方法利用低层特征方法有可能把很多不是人脸的区域误检测为人脸,这时就可以使用组群特征方法进行进一步的分析,根据使用脸部几何特征的不同,这类方法又可以分为两种,第一种方法是基于脸部特征相对位置的连续特征搜索方法,第二种方法是基于不同脸部模型的星群分析。特征搜索方法从判断一些比较显著的脸部特征开始,在检测到比较显著的特征后,利用人体几何特征来估计其他不是很显著的特征。在所有的特征中,双眼区域的特征应用的最频繁【291。De Silva等【301先假定某一图像块为头顶,然后使用某种搜索法则向下扫描来找出双眼平面,然后将头顶与眼睛平面之间的长度来初始化一个包括双眼和嘴巴特征的弹性面部模板,再通过一个基于边缘的代价函数来将这个模板调节到最佳的特征位置。Jeng等131】提出了一种基于人体测量学的人脸检测方法。前面所提到的方法很多依赖于在固定的条件下得到的启发式信息,它们不能适用于检测复杂背景下的不同姿态的人脸,星群分析通过建模方法比如统计分析方法来解决这个问题。Yow等【32J首先在原始图像上用空间滤波器检测4出一系列对应人脸不同局部特征位置的感兴趣点,然后在众多的点中进一步找出特征区域,根据预先定义的人脸模型,结合人脸局部特征空间的几何关系以及灰度值将得到的局部特征组合成人脸,以得到人脸候选区域,最后在人脸候选区域中用贝叶斯网络进行评价。3变形模板方法与前面所介绍的各种基于特征的方法不同,变形模板方法能够表达更高级别的特征。主要有三种形式的变形模板Snake模型、弹性模板以及点分布模型。Snake模型最先由Kass等【331提出,该方法首先在头部边界的近似区域初始化一个蛇模型,然后在附近的边缘上假定头部的形状,通过最小化一个能量函数来计算蛇模型。由于局部的面部边缘很难组合成一个整体的实体,所以定位面部特征的边界是一件非常困难的事情,弹性模板能在一定程度上解决这个问题。弹性模板的基本思想是设计一个参数可调的器官模型,并且定义一个能量函数,通过调节模型参数使能量函数最小化,这时的模型参数即可作为该器官的几何特征。Yullie等[34J采用弹性模板检测眼睛和嘴巴,利用了图像的边缘、峰值,谷值、强度信息及特征形状的先验知识设计合适的能量函数.点分布模型[3S】是对形状的简洁参数化的描述,轮廓被离散化成一系列标识点的集合。人脸的点分布模型最先由Lanitis等【36】提出,他们认为。用于描述人脸形状以及变化的模型是基于训练样本集中每个特征点位置变化的基础上的,而脸部的每个特征点如眼睛、鼻子、嘴巴等在图像空间中都有一个相应的分布,对这些点的分布建立模型就可以描述人脸的整体外观。总体来说,基于特征的人脸检测方法具有直观、易于为人们所接受的特点,而且很多基于特征的人脸检测方法的检测速度比较快,但是其共同的缺陷是依赖于固定的先验模式,适应变化的能力比较差,一般检测率不是很高,而且由.于图像的显式特征容易受到光照、噪声以及各种遮挡的影响,所以寻找相对稳.定的特征也是一件非常困难的事情。1.2.2基于图像的人脸检测方法基于特征的人脸检测方法试图通过显示的描述入脸特征来实现人脸检测,但是由于人脸图像的复杂性加上其非刚性,要显式的描述人脸具有一定的困难性。基于图像的人脸检测方法在一定程度上有效的避免了这个问题,它把人脸检测问题视为一个广义的模式识别问题,通过一定的分类方法来判定图像中的大量窗口图像是人脸还是非人脸,这类方法主要分为线性子空间方法、神经网络方法和基于统计学方法。1线性子空间方法人脸图像是所有图像的一个子空间,可以采用主成分分析PcA、线性判
展开阅读全文
收藏
下载资源

加入会员免费下载





足球比分直播