《基于Haar特征的Adaboost人脸识别与认证的准入系统.doc》由会员分享，可在线阅读，更多相关《基于Haar特征的Adaboost人脸识别与认证的准入系统.doc（25页珍藏版）》请在金锄头文库上搜索。
1、-范文最新推荐- 基于Haar特征的Adaboost人脸识别与认证的准入系统 摘要近些年来，人脸识别是计算机视觉和模式识别领域的研究热点之一，陆续出现了一些人脸识别商业系统应用于公众和个人安防等方面。广义地讲，人脸识别系统一般包括人脸检测，预处理，特征选择与提取，人脸匹配四个步骤。本文以人脸识别的实用化，实时化和系统化为目标，对实用人脸识别系统中若干问题进行了初步探讨。论文的主要工作如下：1.使用基于Haar特征的Adaboost人脸检测算法检测测试图像中的人脸。由于AdaBoost算法主要利用人脸的灰度特征，而摄像头捕捉的图像为彩色图像，因此在检测之前需要先将彩色图像转化为灰度图像。该算法特
2、征提取速度快，而且计算简单。109282.对检测出的人脸图像进行预处理操作，主要为几何归一化和光照预处理。3.对进行预处理操作后的标准人脸图像进行特征抽取，本文先后实现了PCA算法和LBP算法，并对两种算法进行了比较。4.实现基于人脸识别与认证的准入系统，本文以MFC和Opencv为技术平台，开发环境为VS2010和Opencv2.3.1。关键词人脸识别人脸检测Adaboost算法预处理PCALBP 毕业设计说明书（论文）外文摘要Title Access System Based On Face Recognition And AuthenticationAbstractRecent year
3、s, face recognition has become a hot topic of computer vision and pattern recognition. And some commercial face recognition systems have been developed and applied in public and inpidual security. In general, a face recognition system is accomplished in four steps, i.e. face detection, preprocessing
4、, facial feature selection and extraction, face recognition. In this thesis, some key issues are primarily studied, aiming at building real-time practical face recognition system. And the main work of this thesis can be described as follows: 2.1Boosting算法的基本原理 82.2分类器及级联分类器 92.3Haar特征和积分图 102.4Adabo
5、ost算法 122.5本章小结… 153 人脸图像的预处理 153.1灰度归一化 153.1.1灰度变换 153.1.2直方图均衡化 163.2几何归一化… 183.2.1基于模板匹配的眼睛定位方法… 193.2.2旋转 213.2.3剪裁与缩放… 223.2.4人脸图像Mask… 243.3光照标准化… 253.3.1Gamma Correction… 253.3.2Difference of Gaussian(DoG) Filtering 263.3.3Contrast Equalizatio
6、n… 263.4本章小结 274 人脸识别算法… 274.1基于PCA的人脸识别算法… 274.1.1K-L变换 274.1.2最小距离分类器… 304.1.3PCA人脸识别算法… 304.1.4奇异值分解… 324.2基于LBP的人脸识别算法… 344.2.1LBP算子… 354.2.2LBP人脸描述… 364.2.3一致性LBP算子 394.2.4几种直方图度量方法… 404.3本章小结… 415系统的设计与实现 415.1系统概述&he
7、llip; 415.1.1硬件及软件运行环境 415.1.2系统功能和特点 425.2系统实现… 425.2.1系统框架图… 425.2.2类实现 435.2.3系统界面… 435.3本章小结… 48结论49致谢 … 51参考文献…521绪论本章提出了本文的研究目标。首先阐述了人脸识别的研究意义；然后介绍了人脸识别的发展历史和研究现状；接着介绍了人脸识别的研究内容和研究方法；最后简要地说明了本文的主要工作和章节结构。 12人脸识别的发展历史及国内外现状1.2.1发展历史13人脸识别的研究内容与研究方法1.3.1
8、研究内容人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频，判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。人脸识别的流程如图1.1所示：图1.1 人脸识别基本流程从图1.1可以看出，人脸识别的主要包含了人脸检测、预处理、特征提取、匹配与识别几个方面。分别包括以下几种不同的研究内容：(1)人脸检测人脸检测是指对于任意一幅给定的静态图像或者视频序列图像，采用一定的策略和方法对其进行搜索以确定其中是否含有人脸。同时给出其在图像中的位置、大小
9、和姿态等信息。而人脸跟踪则是需要进一步输出所检测到的人脸位置、大小等信息随时间连续变化的情况。(2)特征点定位特征点定位的任务首先要精确定位面部图像中的眼睛、嘴巴等器官的位置，再根据定位信息对人脸图像进行归一化与剪裁等预处理操作。(3)特征抽取特征提取是通过图像的分析和处理，对归一化后的信息进行变换，提取出该信息具有代表性的特征。这部分通常会进行必要的降维处理。(4)特征匹配特征匹配包括通常所说的“一对多”和“一对一”两类问题。“一对多”匹配是指通过计算输入人脸特征与人脸数据库中所有已知原型人脸特征的相似度，将输出的相似度
10、进行排序，返回输入人脸的身份信息。而“一对一”匹配则是指系统在输入人脸图像的同时输入一个用户宣称的该人脸的身份信息，系统要对该输入人脸图像的身份与宣称的身份是否相符作出判断。两种方式的身份识别在此阶段都需要对特征进行匹配。 (3)基于小波变换的方法近年来，小波变换在图像分析领域已经成为一个非常有用的工具，尤其在图像处理和图像编解码领域体现出了良好的性能18-21。小波变换通过对信号用一种不同尺度的带通滤波器进行滤波，将信号分解到不同频带上进行分析处理，具有良好的时频域局部性能、多分辨率分析等优点。(4)基于神经网络的方法神经网络在人脸识别应用中有很长的历史，最早用于人脸
11、识别的神经网络主要是Kohonen自联想映射神经网络，主要用于恢复人脸图像受噪声污染严重或缺损部分。最早将人工神经网络(ANN)用于人脸识别的是Kohonen22，他建立了一个采用关联图的人脸记忆系统。Lin23等人提出了基于概率决策的人工神经网络方法(Probabilistic decision-based neural netwok)的人脸识别方法。Meng24等人提出了一种混合方法，首先通过主成分分析(PCA)方法降维，然后采用径向基(Radial Basis Function，RBF)神经网络进行分类识别。由于RBF神经网络具有紧凑的拓扑结构和较快的学习速度，在人脸识别领域取得了较为成
12、功的应用。(5)基于局部二值模式的方法基于局部二元模式(LBP)25最早由Ojala等提出，是一种非常有效的纹理描述方法26，具有旋转不变性的优点。由于该算子对人脸定位的误差以及光照变化具有较好的鲁棒性，Ahonen等人将其成功应用于人脸识别方法27-28。他们将人脸均分为许多子窗口，从每个子窗口中提取出LBP直方图，然后将这些直方图连接成一个直方图，用此直方图来描述人脸。人脸图像之间的相似度用直方图之间的卡方距离表示。这种直方图能有效表征人脸图像的局部纹理和全局的形状特征，并且对光照的变化不敏感。在FERET数据库上的实验结果表明，这种方法比PCA、EBGM和LDA等方法要好。14论文的研究
13、内容及章节安排 21Boosting算法的基本原理由于AdaBoost算法的人脸检测是在Boosting算法的基础上，结合分类器思想的来实现的，所以下面先介绍一下Boosting算法以及分类器的基本原理。比较成熟的Boosting算法最初是由Schapire在1997年提出来的。Boosting算法利用了可能近似正确(probably approximately correct，PAC)模型作为学习的基本框架。而PAC是由Valiant提出的学习模型。该模型分别定义了两个概念：强学习和弱学习。Kearns和Valiant研究了PAC学习模型中强、弱学习算法之间的等价问题，试图寻求一种较好的能够
14、简便平衡两算法之间的过度算法。针对这个问题，Schapire首次给出了肯定的答案。人脸检测是一个只有两个类的分类问题，人脸与非人脸。假设X表示所有的研究实例的集合，C表示目标集合，人脸检测中，目标集合C有两个目标，即C=-1，+1。其中，C中的每个个体目标c对应于实例X的一个等效布尔函数c：X ->-1，+1。若x是c的正实例，即人脸，则c(x) = +1；反之，若x是c的反实例，即非人脸，则c(x) = -1。为了描述学习器输出的假设h对真实目标的逼近程度，定义假设h对应于目标c和分布D的误差率，即h的真实错误率为h到按分布D抽取的实例的期望错误率。(2-1)其中， 表示实例分布D上的概率。Boosting算法的根本思想是：只要有足够多的和有效的学习样本，那么一系列比随机假设性能稍微好一些的学习器，可以被合并成一个性能比较优越的分类器。假设h1,h2hn是一系列假设，合成的总体假设是(2-2) Haar特征能够描述表示一些简单的图形结构，如边缘敏感特征，但是由于矩形特征自身的简单性，它职能描述一些特定的走向特征，如垂直、水平结构。因此，Haar特征描述的人脸特征也比较粗略、简单。图2.2是常见的矩形特征。图2.2常见的矩形特征其中，(a)-(d)用来表示边缘特征；(e
