基于關(guān)鍵特征點(diǎn)的多信息融合人臉識(shí)別研究.pdf

1、經(jīng)過(guò)多年發(fā)展，將二維、三維兩種模態(tài)的信息融合起來(lái)進(jìn)行人臉識(shí)別已然成為當(dāng)今的主流方向。采用單一的二維人臉進(jìn)行特征提取通常受光線、表情、姿態(tài)等環(huán)境因素影響較大，導(dǎo)致識(shí)別率相對(duì)較低，而三維人臉對(duì)環(huán)境因素具有較強(qiáng)的魯棒性，且包含更多的空間信息。但是三維人臉數(shù)據(jù)處理計(jì)算的復(fù)雜性較高，所以融合二維人臉強(qiáng)度圖和三維人臉深度圖信息進(jìn)行人臉識(shí)別，不僅計(jì)算效率高，而且能得到很高的識(shí)別精度。本論文的主要研究方向和工作重點(diǎn)具體包括以下三個(gè)方面：
　　針對(duì)

2、單一的二維人臉圖像進(jìn)行稀疏保持投影(SPP)過(guò)程中對(duì)原始訓(xùn)練樣本進(jìn)行稀疏重構(gòu)時(shí)導(dǎo)致的誤逼近問(wèn)題，提出了一種基于核的正交稀疏重構(gòu)保持投影(KODSPE)人臉識(shí)別算法。使用核函數(shù)變換把訓(xùn)練樣本映射到高維度特征空間，從而獲取包含更多鑒別信息的核稀疏表示系數(shù)。然后對(duì)核稀疏表示系數(shù)進(jìn)行稀疏重構(gòu)，增加同類(lèi)非近鄰樣本權(quán)重，減少異類(lèi)近鄰樣本權(quán)重。最后對(duì)整體進(jìn)行正交約束變換，提高訓(xùn)練樣本稀疏重構(gòu)能力。該算法在Orl和 Yale_b人臉庫(kù)上進(jìn)行實(shí)驗(yàn)分析，最

3、終結(jié)果驗(yàn)證了此算法的高效性和魯棒性。
　　為了克服環(huán)境因素影響，獲取三維深度數(shù)據(jù)中關(guān)鍵特征點(diǎn)信息，提出了一種三維人臉數(shù)據(jù)的關(guān)鍵特征點(diǎn)定位算法。該算法利用中值濾波器對(duì)三維人臉模型進(jìn)行非線性濾波去除孤立噪聲點(diǎn)，然后將點(diǎn)云模型進(jìn)行二值化處理，去掉點(diǎn)云模型中背景區(qū)域干擾信息基本定位人臉?biāo)趨^(qū)域，并對(duì)獲取到的區(qū)域進(jìn)行分塊處理。然后通過(guò)求取點(diǎn)密度排除候選區(qū)域中的干擾點(diǎn)信息，得到鼻尖點(diǎn)并進(jìn)行坐標(biāo)統(tǒng)一配準(zhǔn)，最后通過(guò)鼻尖點(diǎn)獲取水平與垂直方向上由深度

4、變化標(biāo)記的關(guān)鍵特征點(diǎn)。該算法能夠有效的去除點(diǎn)云模型中存在的干擾信息，從而更精準(zhǔn)的進(jìn)行特征點(diǎn)定位。
　　根據(jù)上述的已標(biāo)記特征點(diǎn)并經(jīng)過(guò)配準(zhǔn)的模型獲取完備訓(xùn)練樣本。并提出了一種基于關(guān)鍵特征點(diǎn)的多信息融合人臉識(shí)別算法。通過(guò)改變條件控制參數(shù)獲取二維虛擬圖像并劃分成多個(gè)包含聚類(lèi)特性的子集，提高訓(xùn)練樣本的完備性從而解決多數(shù)人臉特征提取方法中存在的非線性問(wèn)題。由于各個(gè)特征點(diǎn)在不同姿態(tài)和光照條件下對(duì)分類(lèi)識(shí)別的貢獻(xiàn)能力是具有差別，因此對(duì)他們進(jìn)行加權(quán)處