论文部分内容阅读
姿态变化会引起人脸样本的类内差异大于类间差异,从而导致识别精度的下降。虽然已经有大量的研究致力于解决姿态变化问题,但是其依然被视为人脸识别领域中尚未解决的难题之一。目前较为流行的基于人脸视图重建的方法普遍存在失真现象,往往容易造成误识别。针对这一缺陷,本文旨在研究出更加自然、更符合人类识别机制的多姿态人脸识别方法,即不进行重建和扭曲,整个识别过程只在原始人脸图像上进行。为了实现这一目标,本文从2D技术入手,以研究对姿态变化较为不敏感的局部方法为出发点,提出了基于分治策略的Huffman-LBP多姿态人脸识别算法和基于分层混合高斯模型的多姿态人脸识别算法。具体工作如下:1.为了解决局部二值模式(LBP)忽略灰度对比度信息以及稀疏表示分类(SRC)对姿态变化不鲁棒的问题,本文提出了基于分治策略的Huffman-LBP多姿态人脸识别算法。该算法将Huffman编码运用到了LBP的特征计算过程中,使得编码对象不再仅仅只是灰度差值的符号,也包含了灰度对比度信息。从而丰富了特征所包含的纹理信息,提高了描述算子对图像的表达能力。其次,为了解决姿态变化问题,该算法首次将分治策略运用到了人脸的表达和分类过程,提出了基于区域选择因子(RSF)的人脸表达方法和基于Patch的稀疏表示分类策略(Patch-based SRC)。在三个多姿态人脸数据库(CMU PIE、FERET以及LFW)上的实验验证了所提算法对姿态变化的有效性。2.针对基于标定点的人脸局部区域提取方式存在的弊端,本文提出了基于分层混合高斯模型的多姿态人脸识别算法。该算法利用混合高斯模型通过非监督聚类的方式寻找出了不同姿态的人脸图像中最为相似的局部区域。其次,为了进一步优化局部区域提取效果,该算法利用分层混合高斯模型对不同姿态的人脸区域进行了分层渐进式的筛选,从而使得所提取的patch更加相似。实验通过直观展示和数据对比的方式证明了该算法的优越性。3.通过总结前期的研究经验,本文对未来的研究方向做出了进一步的展望,提出了基于分层混合高斯模型和深度学习的多姿态人脸识别思路。