基于matlab的人脸检测与识别技术研究毕业设计开题报告Word文档格式.doc
《基于matlab的人脸检测与识别技术研究毕业设计开题报告Word文档格式.doc》由会员分享,可在线阅读,更多相关《基于matlab的人脸检测与识别技术研究毕业设计开题报告Word文档格式.doc(18页珍藏版)》请在冰豆网上搜索。
目录
目录 I
第一章选题背景 1
第二章国内外的发展现状 3
2.1近年来国外的脸谱识别技术的发展 3
2.2近年来脸谱识别技术在国内的发展 3
第三章课题研究的意义 5
第四章课题研究的主要内容 6
五、课题研究的实现方法(即方案论证) 7
5.1人脸的检测与定位 7
5.2人脸的识别算法 8
5.3特征提取算法 9
5.4算法的选择 10
六、设计难点 12
七、进程安排 14
参考文献 15
I
中原工学院毕业设计(论文)开题报告
第一章选题背景
智能移动设备的迅速普及以及拍摄功能的不断提升,为面部识别技术创造出了众多全新的应用场景,并且正在赋予它新的生命。
严格意义上讲,面部识别技术并不是一项十分新颖的技术,它的历史可以追溯到20世纪60年代。
在安防领域,面部识别技术这几十年来已经有不少应用出现。
不过这项技术在过去半个世纪的时间里一直没能大红大紫,普通民众对它的了解更多是来自好莱坞的电影——FBI和CIA通过遍布全球各个角落的摄像头,利用先进的面部识别系统能够在很短的时间内锁定犯罪嫌疑人的位置。
当然,这些更多只是艺术的夸张,在现实世界中,面部识别技术远远没有它在大银幕上那么酷。
多年来,面部识别技术的应用被“困”在了安防领域,难有突破。
不过,随着最近几年互联网和IT公司的介入,这门技术正在迎来自己的“第二春”。
索尼在E3游戏大会上发布了面部识别软件SOEmote,它能够通过摄像头实时捕捉玩家的面部表情并且同时反馈到游戏角色的脸上;
6月18日,Facebook以约6000万美元的价格完成了对以色列面部识别公司F的收购。
而此前,苹果和谷歌已经分别于2010年和2011年收购了面部识别技术公司PolarRose和PittPatt。
在中国,6月4日,网易开始对网易邮箱的人脸识别登陆系统进行公测;
同期,盛大也发布了基于人脸识别技术的App“智能相册”。
短短半年时间,国内外已经有多家IT互联网企业推出了有关面部识别技术的产品和服务。
面部识技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。
它先利用摄像头采集含有人脸的图像或视频,接着利用计算机图像处理技术从画面中提取人像特征点,利用生物统计学原理分析建模,即人脸特征模板。
最后对被测者的面部图像进行特征分析,达到辨识身份的目的。
在经历了20世纪90年代的大爆发后,面部识别技术却在最近十几年间遇到了瓶颈:
不仅是因为技术本身一直没有实质性的突破,更重要的是,由于仅仅局限在安防领域,因此一直没有革命性的产品问世。
虽然近几年在民用市场上也开始能见到使用面部识别技术产品的身影,但是基本还是集中在门禁、考勤和监控系统,仍旧摆脱不了安全领域的束缚。
唯一的创新来自于数码相机行业,2006年,尼康公司率先将面部识别技术运用到了自己产品当中,使用面部识别技术的相机可以在拍摄时自动搜寻人脸并进行优先对焦。
在尼康的引领下,面部识别技术也被其他厂商普遍采用,成为了数码相机的标配。
近年来互联网的飞速发展,为脸谱识别技术的快速发展提供了广阔的发展空间。
互联网和IT技术行业正在日益改变着脸谱识别技术的发展方向。
脸谱识别可以和网络结合,形成各种物联网技术。
互联网巨头近两年的一系列对面部识别技术公司的收购,正在让面部识别技术重获新生。
智能移动设备在过去几年当中的迅速普及为面部识别技术带来了新的机会,手机和电脑上像素愈来愈高的摄像头帮助面部识别技术在传统的安全服务之外,开拓出众多新的应用场景。
第二章国内外的发展现状
2.1近年来国外的脸谱识别技术的发展
当前很多国家展开了有关人脸识别的研究,主要有美国,欧洲国家,日本等,著名的研究机构有美国MIT的Medialab,AIlab,CMU的Human-ComputerInterfaceInstitute,MicrosoftResearch,英国的DepartmentofEngineeringinUniversityofCambridge等。
对于面部识别的研究始于20世纪60年代,不过在诞生的最初30年中,这项技术除了一些基础性的研究,始终没有重大的成果产生。
20世纪90年代以后,随着计算机技术的迅速发展,面部识别技术终于迎来了春天。
整个90年代,面部识别技术有众多理论上的突破,而且美国军方也出于反恐的需要,开始资助相关的研究,这也使得面部识别技术得以迅速转化到实际应用。
美国国防部资助的FERET项目分别在1994年、1995年和1996年组织了3次面部识别评测,几种知名的面部识别算法都参加了测试,这3次测评直接推动了面部识别算法的改进。
“9·
11”事件发生后,为了遏制恐怖袭击,美国对面部识别技术更加重视,并且在安防领域被更加广泛的推广应用。
2.2近年来脸谱识别技术在国内的发展
国内关于人脸自动识别的研究始于二十世纪80年代,主要的研究单位有淸平大学,哈尔滨工业大学,中科院计算所,中科院自动化所,复旦大学,北京科技大学等,并都取得了一定的成果。
国内的研究工作主要是集中在二大炎方法的研究:
某于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于迹接机制的人脸正面自动识别方法。
周激流实现了具有反馈机制的人脸正面识别系统,运用积分投影法提取面部特征的关键点并用于识别,获得了比较满意的效果。
他同时也尝试了“稳定视点”特征提取方法,即为使识别系统中包含3D信息,他对人脸侧面剪影识别做了一定的研究,并实现了正,侧面互相参照的识别系统。
彭辉、张长水等对“特征脸”的方法做了进一步的发展,提出釆用类间散布矩阵作为产生矩阵,进一步降低了产生矩阵的维数,在保持识别率的情况下,大大降低了运算堂。
程永淸,庄永明等对同类阁像的平均灰度阁进行SVD分解得到特征脸空间,每一幅阁像在特征脸空间上的投影作为其代数特征,然后利用层次判别进行分类。
张辉,周洪祥,何振亚釆用对称主元分析神经网络,用去冗余和权值正交相结合的方法对人脸进行特征提取和识别。
该方法所用特征数据量小,特征提取运算罱也较小,比较好地实现了大莆人脸样本的存储和人脸的快速识别。
北京科技大学的王志良教授主要研究人工心理,建立了以数学公式为基础的心理学模塑。
第三章课题研究的意义
随着物联网的兴起以及图像处理、模式识别、人工智能、生物心理学等科学技术的研究和发展,机器与人沟通是生物特征识别系统发展的必然趋势,可以预测到在不远的将来,人脸识别具有更加广阔的应用前景。
本论文就是基于这样一个背景,运用数字图像处理技术,结合人脸检测与识别的应用课题,通过研究如何用图像处理方法完成人脸检测与识别的问题,进行图像处理算法的研究。
第四章课题研究的主要内容
人脸识别(FaceRecognition)的研究大致包括以下5个方面的内容:
(1)人脸检测(FaceDetection):
即从不同场景中检测出人脸存在与否同时确定其位置。
这一任务主要受面部倾斜度、光照、噪声以及各种各样遮挡的影响。
(2)人脸表征(FaceRepresentation):
即采取某种表示方式表示检测出的人脸和数据库中的已知人脸。
通常的表示法包括几何特征(如欧氏距离、曲率、角度)代数特征(如矩阵特征矢量)、固定特征模板、特征脸、云纹图等。
(3)人脸鉴别(FaceIdentification)(通常所说的“人脸识别”):
即将待识别人脸与数据库中的己知人脸比较,得出相关信息。
这一过程的核心是选择适当的人脸表征方式与匹配策略,系统构造与人脸表征方式密切相关。
(4)表情/姿态分析(Expression/GestureAnalysis):
即对待识别人脸的表情或姿态信息进行分析,并对其加以归类。
(5)生理分类(PhysicalClassification):
即对待识别人脸的生理特征进行分析,得出其年龄、性别、等相关信息。
由于人脸鉴别通常被称作“人脸识别”,如无特别指明,本文中的“人脸识别”即是指待识别人脸与数据库中已知人脸之间的匹配问题。
人脸识别系统的主要问题是包含人脸的检测和人脸的识别问题,在所有的问题中这两个是关键。
人脸识别系统的结构流程图如图4-1所示:
图形和图像序列
人脸的定位与检测
人脸的识别
结果的输出
图4-1人脸检测与识别的流程图
在人脸检测和识别的关键在于一个好的算法,目前国内外对于人脸的检测和识别分别有很多种不同的算法。
本课题研究的主要任务在于选取一个较优的人脸检测算法和人脸识别算法,使系统能够快速准确的进行脸谱的检测。
五、课题研究的实现方法(即方案论证)
人脸检测与定位在理论上是分开的,但是在实际应用中可以合并。
人脸检测的目的是检测图像中有没有人脸,人脸的定位是将人脸从背景中分割出来,让“系统”知道人脸或人脸上的某些器官在图像上的位置。
在很多算法中,人脸检测的同时就完成了定位。
若要实现系统的要求,应该将人脸的识别系统分为两个过程:
人脸的检测和定位、人脸的识别。
因此,对于人脸的完整检测识别是两种算法的结合。
5.1人脸的检测与定位
人脸的检测与定位的常用算法有:
基于面部特征的人脸检测算法、基于统计的人脸检测方法、基于模板匹配的人脸检测方法、基于肤色模型的人脸检测方法。
如下逐一介绍其优缺点。
(1)基于面部特征的人脸检测算法:
是利用了人脸的先验知识导出的规则来进行人脸检测。
人脸各个器官的分布总是存在着一定的规律性,例如人的两个眼睛总是对称分布在人脸的上半部分,鼻子和嘴唇中心点的连线基本与两眼之间的连线垂直,嘴巴绝对不会超过眼睛的两端点等。
人们可以根据这些描述人脸局部特征分布的规则来进行人脸检测。
这种方法存在的问题有:
检测率不高,如果背景区域中存在类人脸区域,则必然导致误检;
用于描述人脸特征之间的关系的规则不易设计,规则制定的过高或者过低会造成拒识或误识。
(2)基于统计的人脸检测方法:
这种方法不是针对人脸的某一特征,而是从整个人脸出发,利用统计的原理,从成千上万张人脸图像中提取出人脸共有的规律,利用这些规律来进行人脸识别。
此类方法将人脸区域看作一类模式,使用大量的“人脸”与“非人脸”样本,构造并训练分类器,通过判别图像中所以可能区域属于哪类模式的方法实现人脸检测。
由于人脸图像的复杂性,显式地描述人脸特征具有一定的困难,因此基于统计的方法越来越受到重视,是解决复杂人脸检测问题的有效途径。
(3)基于模板匹配的人脸检测方法:
早期基于模板匹配的方法首先建立一个标准的人脸模板,由包含局部人脸特征的子模板构成,然后对一幅输入图像进行全局搜索,对应不同尺度大小的图像窗口,计算标准人脸模板中不同部分的相关系数,通过预先设置的阈值判断该图像窗口中是否包含人脸。
Yullie等人提出基于弹性模板的方法用于人脸检测。
弹性模板是由一个根据被测物体形状而设定的参数的可调模板和与之相对应的能量函数所构成,能量函数要根据图像的灰度信息、被测物体轮廓等先验知识设计。
这种方法的优点在于,由于使用的弹性模板可调,能够检测不同的大小、具有不同偏转角度的物体。
但是其缺点是检测前必须根据待测人连的形状来设计弹性模板的轮廓,否则会影响收敛的效果;
对图像进行全局搜索时,要动态地调整参数和计算能量函数,计算时间过长。
(4)基于肤色模型的人脸检测方法:
在彩色图像中,颜色是人脸表面最为显著的特征之一,利用颜色检测是很自然的想法。
Yang等人在考察了不同种族、不同个体的肤色后,认为人类的肤色能在颜色空间中类聚成单独的一类,而影响肤色值变化的最主要因素是亮度变化。
此方法首先寻找到肤色区域,在根据“颜色相近”、“位置相邻”、“尺度相近”