李劼[1]2004年在《基于核函数的人脸检测研究》文中研究指明人脸识别是模式识别与计算机视觉、生物识别技术的交叉学科，而人脸检测是人脸识别系统的关键环节。根据生物识别领域内最新研究表明，非线性样本的处理和降维是人脸识别研究现今面临的两个主要问题。 核函数作为一种有效的处理非线性空间(可分／不可分)样本和迅速降维的理论和方法，随着支持向量机的普及，在近年来的模式识别领域得到了广泛的关注。将“核方法”与传统的特征提取和分类方法相结合，相继产生了许多新颖、有效的检测识别方法。本文主要研究内容是核函数的基础理论、算法性能改进以及在人脸检测中的应用。 本论文首先概述了人脸检测研究的发展现状。在此基础上，系统阐述了核函数理论的历史起源、基础理论、应用算法。针对基于核函数的FISHER判别(KFD)、基于核函数的主元分析法(KPCA)以及核函数的构造和参数选取作了一定的研究探讨。最后将训练好的核函数人脸检测机器应用于非线性空间人脸样本的检测，取得了较为满意的结果。 第一部分，通过阅读、学习大量中英文文献，概述了人脸检测技术研究的现状，对人脸识别系统中的传统特征提取、分类方法作了综述。针对人脸检测技术的非线性处理能力、降维能力、实时性、鲁棒性，比较了各种方法的优劣，提出了存在的疑难问题和本文的研究任务。 第二部分，从分析神经网络的局限性和疑难点入手，讨论了支持向量机取得成功的两大关键要素——凸二次规划和核函数，由此引出了统计学习理论和核函数理论。然后探讨了一系列核函数思想与传统的模式识别方法相结合的“核方法”，如核FISHER判别、核主元分析法、核感知器，研究了核函数的构造和参数的选取优化。通过MATLAB仿真试验实现了这些方法，并对各自的性能进行了比较;基于核函数理论和现有的人脸特征提取方法，针对样本的非线性这一人脸检测领域的重难点，提出了改进的核函数学习机器。 第叁部分，基于核函数方法，提出了一个基于核函数理论、方法的人脸检测及验证算法。用改进的SvM实现了人脸检测，改进的KPCA实现了人脸验证。并且给出了仿真试验的数据、图片等结果，并对结果进行了分类、比较和推论。实验证明，基于核函数的人脸检测验证算法具有突出的小样本学习能力，对处理非线性空间对象和降维十分有效，识别精度和鲁棒性均令人满意。【关键词】核函数人脸检测主分量分析支持向量机生物识别
袁泉[2]2007年在《基于视频图像的人脸检测与跟踪方法研究》文中研究说明人脸检测及跟踪属于模式识别与计算机视觉的研究领域,它作为人脸信息处理中的一项关键技术,在基于内容的图像与视频检索、视频监视与跟踪、视频会议以及智能人机交互等方面都有着重要的应用价值。本文主要研究了视频中的人脸检测及跟踪技术。在总结现有算法的基础上,针对视频这一应用背景的实时性要求,选取人脸的小波特征作为视频中人脸的主要特征,通过Adaboost训练算法架构人脸检测器。本文研究了基于直方图统计学习的人脸检测方法与基于haar-like特征的人脸检测方法两种方法。前者通过使用5/3小波变换,能有效地提取出空域、频域和方向场上的信息进行建模,同时反映目标各部分之间的几何关系,从而提取出完备的特征,能有效地检测正面和侧面人脸;后者先利用“积分图”快速计算特征,构造弱分类器,然后通过Adaboost学习算法从得到的大量弱分类器中产生一个高效的强分类器,最后采用级联方式将单个的强分类器再合成为一个更加复杂的层迭分类器,使图像背景区域快速地丢弃,保证了检测速度,满足视频的实时性需要。在人脸跟踪方法上,本文分别研究了两种侧重点不同的人脸跟踪方法。一种以基于直方图统计学习的人脸检测为基础,通过肤色预处理和视频中的运动信息获得人脸候选区域,再通过人脸检测算法精确定位人脸,实现了视频中基于人脸检测的人脸跟踪。另一种将Mean-Shift目标跟踪算法和Kalman滤波运用到人脸跟踪上,通过不断的进行均值偏移矢量的迭代和目标模版更新,可以快速有效的在视频中跟踪人脸。本文的创新点分别体现在以下3个方面:(1)高效的肤色分割预处理算法;对已有的光照补偿算法做了改进;提出了针对于肤色二值图像的区域分割与合并算法;(2)提出了求取小波系数量化参数的方法,并提出了分组量化的概念;改变了Adaboost训练过程中弱分类器的输出值,给出了弱分类器的阈值选取方法,减小了分类误差;提出了基于样本统计的最终人脸分类器阈值选取准则。(3)在Mean-Shift目标跟踪算法和Kalmam滤波的基础上,提出了新的实时人脸跟踪算法。提出了把Adaboost人脸检测算法和Mean-Shift人脸跟踪算法相结合实现人脸的实时检测与跟踪,并对跟踪人脸实现姿态估计的新思路。实验结果以及与其他算法的比较分析表明,本文算法在准确率、误检率和检测与跟踪速度等方面均可获得较理想的结果,是两个综合性能很强的完整、鲁棒、高效的人脸检测与跟踪算法。
邢果[3]2007年在《彩色图像中人脸检测与识别方法的研究》文中进行了进一步梳理人脸检测与识别技术是模式识别和计算机视觉领域中非常活跃的研究课题之一，是进行身份认证最自然直接的手段，在视频监控、证件验证、门禁系统等领域都具有十分广泛的应用前景。尽管人脸机器自动识别是一项极具挑战的难题，但它在理论和应用中的潜在价值一直激励着科研人员不懈地努力。本论文致力于基于彩色静止图像的准正面人脸检测与识别方法研究，重点研究了统计特征提取和分类识别环节，所做的工作如下：1．研究了彩色图像的肤色区域分割，给出一种优化阈值区间的方法。根据颜色空间中肤色与非肤色的分布特点，构造了一个准则函数，依据该准则函数分别对YCbCr颜色空间的Cr分量阈值下限和Cb分量阈值上限进行优化，提高了阈值区间内皮肤与非皮肤样本的比例之差。2．改进了基于支持向量机(Support Vector Machine，简称SVM)的人脸验证算法。将人脸图像分成叁个模块，对每个子图都进行离散余弦变换(Distance Cosine Transform，简称DCT)，并以能量比率为标准，选取适当的DCT系数作为各子图的特征向量，不仅保留了人脸的主要特征，还降低了样本的维数；利用各子图的特征向量分别训练出叁个独立的SVM分类器，采用级联结构，对人脸候选区域进行验证，提高了验证速度。3．提出了一种基于局部核主分量分析的人脸识别改进算法。根据人脸的器官分布特点，将人脸图像划分成若干个局部区域，通过核主分量分析(Kernel Principal ComponentAnalysis，简称KPCA)对整个人脸区域和各局部区域提取非线性特征，将这些特征向量组合在一起，构成一个特征向量矩阵来表征人脸，这种表征方式改善了KPCA算法在处理局部特征方面的不足，较好地体现了人脸结构的局部信息和整体信息，提高了识别性能，同时缩短了识别时间。4．实现了一个彩色图像人脸检测与识别MATLAB仿真系统。该系统能够对彩色图像进行人脸检测和识别，并可对样本集中的灰度人脸图像直接进行训练和识别。
孟庆涛[4]2008年在《基于Haar特征概率分布与SVM的人脸检测》文中指出人脸检测的目的就是从给定的图像中,框定出人脸的区域。人脸检测是人脸识别的不可缺少的预处理,一般来说其计算量非常大。如何快速而有效地检测出人脸,是人脸检测的一项重要课题。本论文的主要工作是对现有的人脸检测方法进行总结,在前人研究的基础上,通过借鉴和改进,提出基于Haar特征概率分布的独特的人脸检测方法,并通过实验证明该方法的有效性。论文将整个检测过程分为人脸粗筛选和人脸精确验证两个阶段。在人脸粗筛选阶段,提出了利用Haar特征概率分布进行人脸检测的新方法,该方法首先在人脸样本集里,以0为阈值记录每个矩形特征的分类正确率;然后选取具有最优分类性能的Haar特征,通过相应的概率应用策略进行人脸检测,获得了很好的人脸粗筛选效果。该方法另外一个明显的优势是它不需要非人脸样本集,省却了收集非人脸样本的困难。实验表明,新方法不仅很大程度上排除背景区域,而且具有较高的检测速度。在人脸精确验证阶段,使用线性鼻子SVM分类器和非线性特征脸SVM分类器相结合的策略,其中特征脸是通过PCA方法对人脸样本降维后获得的。这两层分类器将速度快和精确度高的优点相互结合,使用部分人脸(鼻子)和特征脸这种数据维度相对较低的样本还可以进一步加快分类器的训练和检测速度。文中对人脸粗筛选和人脸精确验证作了详细的介绍,最后对整个流程进行了试验,试验证明本文所提出的方法的有效性。
陈海涛[5]2013年在《基于SVM的多姿态人脸检测方法研究》文中进行了进一步梳理多姿态人脸检测对于人脸检测走向实际应用具有重大的意义,也受到了模式识别领域的普遍关注,但是多姿态人脸检测准确度差是近年来一个比较难以突破的技术难题。支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳的策略,以求获得最好的推广能力,能较好解决人脸检测中的非线性、小样本、局部极小点等复杂问题。将支持向量机应用在人脸检测问题上,对于人脸检测技术的研究具有重要意义。本文针对多姿态人脸检测算法进行深入研究,结合超球支持向量机分类技术,介绍了基于超球支持向量机的多姿态人脸检测,并对国内外有关人脸检测方法的研究与应用给出详细分析,给出了协同人脸检测模型,同时介绍了数据预处理方法,可以提高检测的整体性能,最后详细介绍了基于超球的人脸检测算法模型。本文的主要研究工作包括：(1)分析了当前国内外多姿态人脸检测的研究背景及研究现状,介绍了基于支持向量机方法的多姿态人脸检测的研究状况,对常见多姿态人脸检测相关技术的应用范围以及其优劣进行了分析。(2)针对一幅图像的大部分区域是非人脸,本文提出了一种多姿态的协同人脸检测模型。该模型由一组超球支持向量机组成,他们被分成叁层：第一层1个、第二层3个、第叁层9个,共13个SVM。这些SVM按逐层精细化检测设计,协同完成人脸检测任务。采用叁层模型的设计具有两点优势：一方面能加快人脸检测速度,另一方面又提高了检测的针对性,使得逐层能履行更精细的局部区域检测。(3)改进了k近邻(KNN)算法,比较了普通的KNN算法和改进的KNN算法的优缺点,将改进的KNN算法用于超球重迭样本的检测,提高了人脸检测的准确度。(4)设计并实现了基于超球的多姿态人脸检测的算法,构建了基于超球的多姿态人脸检测器,分析了超球支持向量机用于多姿态人脸检测的优缺点。(5)对提出的基于超球的多姿态人脸检测技术进行了相关实验,并且对实验结果进行了详细分析,相对于传统基于SVM的人脸检测,所提算法在人脸检测的准确率上有所提升；通过逐层过滤方法,提高了人脸检测的检测速度,这对人脸检测走向实际应用具有积极作用。本文依据多层检测模型,给出了基于超球支持向量机的多姿态人脸检测方法,其中结合KNN算法来处理超球重迭区域的样本,提高了超球重迭内样本的准确率。针对该协同模型进行了相关的性能实验,实验结果表明该方法具有很好的检测效果,整体性能比较高。最后,本文对研究和设计工作进行了总结,指出了支持向量机以及多姿态人脸检测算法的进一步工作方向。
孙洪艳[6]2007年在《基于Mean Shift算法的人脸主动跟踪在视频监控系统中的应用》文中提出人的面部提供了大量的视觉信息，例如身份验证、表情信息、人脸识别、口型识别等都是建立在人脸的基础上。因而，人脸检测与跟踪成为智能视觉监控中的重要研究内容之一，也是近年来计算机视觉领域中备受关注的前沿方向。本文通过对人脸技术的研究，按照人脸检测、跟踪、云台控制反馈等步骤建立起一个人脸主动跟踪的基本研究框架和系统平台，通过对人脸跟踪过程中各个关键环节所存在问题的研究，主要工作和创新如下：(1)基于肤色的快速人脸检测算法人脸检测是人脸跟踪的基础，首先要设计出准确快速的人脸检测算法。本文针对视频监控系统的实时性要求，选取人脸的肤色特征作为视频中人脸的主要特征，采用人脸几何特征进行验证，在算法速度与准确性上取得较好的实验效果。(2)改进的Mean Shift人脸跟踪算法在运动背景条件下人脸跟踪阶段，借鉴目标跟踪的方法，对目前已有的各种人脸跟踪算法进行综合研究，针对视频监控序列中人脸跟踪实时性要求设计一种基于Mean Shift算法的准确实时的人脸跟踪算法，通过判断相似性测度改变量△ρ更新模板和跟踪窗口半径h，解决人脸尺寸变化和转动在人脸跟踪中的影响，提高了跟踪的自适应性。(3)人脸遮挡和主动跟踪的问题研究首先，研究运动背景下多人脸跟踪中的关键问题，采用Mean Shift算法与Kalman滤波器相结合的方法对多人脸的交替、遮挡问题进行改进，来保证目标跟踪的准确性。其次，研究运动背景下的主动跟踪问题，建立目标位移角度与云台转动角度的对应关系，从而通过人脸跟踪反馈更好地控制云台的转动，锁定目标在视野中心。此外，本文在图像处理平台DM642上，移植实现了人脸跟踪算法程序，构成了一个完整的人脸主动跟踪系统。实验证明了本文提出的算法的有效性。
王宁[7]2007年在《基于支持向量机的人脸检测系统的研究与实现》文中进行了进一步梳理在深入了解了人脸检测当前发展的动态,深入分析了各种人脸检测方法及人脸检测存在的问题的基础上,提出了本文的人脸检测方法。首先采用构建好的基于白平衡的自适应的肤色模型对输入图片进行肤色检测,将肤色候选区域,使用基于图像欧氏距离的局部线性嵌入算法进行数据降维,再将降维后的数据送入训练好的支持向量机分类器进行分类。和其他的典型的人脸检测方法相比较,取得了较好的效果。
王海炳[8]2008年在《人脸识别技术研究与实现》文中研究说明人脸识别是一个具有很高理论和应用价值的研究课题。随着社会的发展与科技的进步,对方便、可靠、自动身份鉴别的实际需求日益增加,人脸识别技术因而成为了机器智能研究领域的热点问题。研究人脸识别技术,其意义在于推动图像处理、模式识别、认识科学、生理学、心理学等相关学科的发展,满足身份验证、基于内容的检索等实际需求。本文结合人脸识别技术领域的已有成果,针对尚未解决的一些问题,在人脸检测、特征提取和分类识别叁个方面进行了相关的研究,主要内容如下:1、改进了传统的基于肤色模型的人脸检测方法。该方法首先依据肤色模型从人脸图像中找出所有可疑的肤色区域,然后在这些区域上应用眼睛模板来查找眼睛的精确位置。实验证明,该方法能够准确实现人脸检测和眼睛定位。2、提出了一种基于局部特征分析的人脸识别方法。该方法先对人脸区域进行一系列的预处理,然后以双眼作为器官基准,根据面部各个器官的形态、颜色特征以及相互之间的位置关系,成功提取了面部各个器官的局部几何特征,其中以二进制编码的形式来表征眉毛的特征。实验证明了该方法的有效性。3、在比对识别中引入了排队计分准则。该准则通过特征加权,计分和排队,较好地实现了样本的真实匹配。此外,本文提出的一种分级识别的策略,按照特征的重要性对样本进行筛选,取得了较好的效果。4、提出了一种融合全局主成分分析和局部主成分分析的方法。该方法先对整个人脸进行主成分分析(PCA),然后对人眼局部区域进行主成分分析,最后将两个结果融为一体。实验证明,该方法的识别率高于单一的全局PCA方法。5、提出了一种融合小波分解、平滑滤波和核主成分分析(KPCA)的方法。该方法首先利用小波分解来降低图像特征的维数,滤除高频信息,保留低频信息,然后利用平滑滤波来进一步削弱图像的高频信息,最后用KPCA进行特征提取和分类。实验证明,该方法比不用平滑滤波的同类方法的识别率更高,且对运算时间影响不大。
杨旭[9]2011年在《基于核方法的模式分类研究与应用》文中认为近些年来,基于核函数的学习方法(核方法)已经成功地用于解决模式分类领域中的各种问题。它具有两个显着的特点:首先,是在线性与非线性之间架设起一座桥梁,即它通过核函数隐含的将数据投影到一个高维核特征空间中,使得线性算法得以在该空间中处理非线性可分的数据。其次,是通过巧妙地引入核函数,使得学习算法的计算复杂度不受样本维数的影响,从而避免了“维数灾难”问题。多视角人脸检测问题中的人脸模式与非人脸模式之间,基于内容的图像检索问题中的图像视觉特征表征和人们对图像的语义理解之间,都呈现出复杂的非线性关系。本论文围绕模式分类领域中的这两个现实应用问题,对核方法的加速算法和核函数优化理论展开了较为深入的研究,另外,论文还对图像检索中的形状特征描述、小样本集情况下的距离度量学习问题进行了研究。本论文的主要创新点概括如下:1)提出了一种能够以多分辨率方式对数据进行分类的分类器,即提升核MPP分类器。它具有在分类复杂度和分类精度之间进行调节的机制,从而克服了传统SVM分类器运算复杂度大,不适用于实时分类的难题。2)提出了一种基于经验核空间的多分辨率聚类算法,即KBCL。作为一种非线性聚类算法,KBCL具有存储开销少,无需事先指定子类别数,对初始类别划分不敏感,能进行多分辨率分析等优点。这些优点使其适用于对大数据量的数据集进行聚类分析。3)采用KBCL聚类算法和提升核MPP分类器,设计了一种多分辨率树状结构的多视角人脸检测器。该检测器在学习过程中能够自动对人脸样本集进行多分辨率划分,并创建对应的多分辨率树状检测结构;检测时能够以由“粗”到“精”的策略快速、准确地实现对人脸目标的定位。4)针对高斯核函数的参数选择问题,提出了一种正则化核离差矩阵准则(RKSC),该准则具有对非奇异线性变换的不变性。因此,采用RKSC准则选出的高斯核参数,能够准确反映数据在核空间中的分布特性,而不受坐标系统选择的影响。针对SVM分类器的核选择问题,提出了一种基于特征空间的类别可分性度量(FCSM)。FCSM度量从理论上可以看作是对半径间隔界度量的一种简化近似。因此,通过最小化FCSM度量来优化多个高斯核函数的组合系数,可以降低SVM分类器的分类错误率上限,从而提升SVM分类器的分类能力。这两种方法在整个参数选取过程中无需训练和测试分类器,并且也不需要复杂的二次优化过程来求解度量函数,因此,都能够以较高的效率完成对核函数的优化。5)提出了一种基于广义霍夫变换的图像形状特征描述方法,该方法在具有平移、尺度和旋转不变性的同时,还具有较好的鲁棒性,可以有效地描述具有局部缺损和部分被遮挡的图像目标。并且由于霍夫变换方法本身,具有对数据库中的图像进行初步筛选的能力,这确保了后续图像匹配环节的高效性。6)提出了一种基于半监督优化核偏重鉴别分析(S-KBDA)的距离度量学习方法。S-KBDA算法能够同时根据监督样本提供的鉴别信息,和非监督样本提供的几何分布信息,来学习投影矢量,这在一定程度上克服了小样本集情况下的过学习问题。另外,S-KBDA算法在学习投影矢量的同时,还能够对所采用的核矩阵进行优化,从而确保采用学得的距离度量可以最大程度地改善图像检索系统的检索精度。
宋宇[10]2005年在《基于支持向量机的人脸检测》文中指出统计学习理论是机器学习领域的最新进展。该理论的核心思想是通过控制学习机器的复杂度,实现对推广能力的控制。支持向量机(Support Vector Machines,简称SVM)是在统计学习理论的基础上发展起来的一种新的学习机器,其优点在于:由于采用了结构风险最小化原则代替经验风险最小化原则,较好的解决了小样本学习的问题;将低维的原始空间映射到高维的特征空间,把非线性问题转化为了线性问题,同时又采用了核函数的方法,巧妙的避开了高维空间的复杂运算,使算法的实现成为可能。正是因为这些优越性能,该技术己成为机器学习理论的研究热点,并在很多领域都得到了成功的应用,但是SVM也存在着一些比较明显的缺陷。例如:核函数的选择和参数的优化缺乏理论指导、训练算法的完善、缺乏和先验知识的综合能力等等。这些问题的存在,使得SVM的研究还需进一步的完善。 本文将支持向量机与人脸检测技术相结合,以核函数的选择和参数的优化为核心,对彩色图像的正面人脸检测做了一些有益的研究和探索。 本文的主要工作包括: (1) 提出基于遗传算法的核函数参数优化的方法,并用实验进行验证。 本文以Gauss核函数为例分析了核函数的参数选择对核函数性能的影响,并在此基础上提出了利用遗传算法的全局优化能力来解决核函数的参数选择问题,实验结果证明经该方法得出的最优参数取得了较好的效果,并且其搜索最优参数的速度较快。在此基础上本文利用遗传算法,以检测错误率为适应度,对Gauss核函数、3次多项式核函数、4次多项式核函数叁种核函数进行了参数优化的对比实验,并仔细分析结果,我们发现:Gauss核函数具有较高的分类
参考文献：
[1]. 基于核函数的人脸检测研究[D]. 李劼. 四川大学. 2004
[2]. 基于视频图像的人脸检测与跟踪方法研究[D]. 袁泉. 上海交通大学. 2007
[3]. 彩色图像中人脸检测与识别方法的研究[D]. 邢果. 解放军信息工程大学. 2007
[4]. 基于Haar特征概率分布与SVM的人脸检测[D]. 孟庆涛. 华东师范大学. 2008
[5]. 基于SVM的多姿态人脸检测方法研究[D]. 陈海涛. 广东工业大学. 2013
[6]. 基于Mean Shift算法的人脸主动跟踪在视频监控系统中的应用[D]. 孙洪艳. 合肥工业大学. 2007
[7]. 基于支持向量机的人脸检测系统的研究与实现[D]. 王宁. 华北电力大学（河北）. 2007
[8]. 人脸识别技术研究与实现[D]. 王海炳. 武汉理工大学. 2008
[9]. 基于核方法的模式分类研究与应用[D]. 杨旭. 上海交通大学. 2011
[10]. 基于支持向量机的人脸检测[D]. 宋宇. 四川大学. 2005
标签：计算机软件及计算机应用论文; 支持向量机论文; 分类器论文; 核函数论文; 人脸检测论文; 人脸识别算法论文; 人脸识别技术论文; adaboost人脸检测论文; svm算法论文; 监督学习论文; 非线性论文; 图像识别论文;