人脸识别系统中人脸检测与定位算法的分析和实现-analysis and implementation of face detection and location algorithm in face recognition system.docxVIP

第一章绪论人脸识别技术已成为机器视觉一个热门的研究课题，虽然在实际应用中已经取得了一些重大的成果，但仍然存在着许多亟待解决的问题。本章就人脸识别技术的发展历史和发展现状做了简要的概述，对当今国内外人脸识别技术进行了一定的总结，并在其基础上选择了一套基于Adaboost算法的人脸检测与定位算法，该算法用于人脸识别的前期性工作??人脸检测与定位。1.1课题的背景与意义当今时代是信息化和网络化的时代，伴随着这种巨大的变化是各种事物的信息化和网络化。网络信息化时代的一大特征就是身份的数字化和隐性化，与此相适应，指纹识别、掌纹识别、虹膜识别、视网膜识别、人脸识别、声音识别、手写识别等各种生物识别技术得以迅速发展。各种生物识别技术由于其识别的对象不同所采用的识别技术也不同，因而有各自的特点。与其他生物识别技术相比，人脸识别具有以下几个优点：首先，其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要；其次，人脸识别可应用在远距离监控中；第三，针对现在的第二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。近年来在国际上有很多研究者对基于人脸特征的身份识别进行了大量的研究，取得了很多重大的科研成果，使得人脸识别技术越来越成熟，识别效果越来越好，应用范围越来越广泛，主要的应用有：1．出入口管理：海关、机场、边防检查站出入境安检管理；国家机要部门、军事基地、核工业基地、枪械库、核电厂、火电厂等大型安全设备操作室、机房重地、库房重地、保密资料室、智能写字楼、智能小区、星级宾馆、高级会员俱乐部等门禁系统；事业单位、公司考勤系统。2．身份认证：手机、笔记本电脑、Internet、PC登陆身份确认；金融、证券、保险、社会福利机构身份认证；医院电子处方、电子病例、医疗保险、社会保险身份认证；软件防盗版；汽车锁；各类考生身份验证；产房、幼儿园婴幼儿监护人身份识别等。3．社会安全：全民证照系统；刑侦罪犯缉查过滤、法律罪犯认定。4．智能监控：车站、机场、海关、边防检查站对特定对象自动识别报警；机要部门、监狱、幼儿园等对可疑人物自动识别报警；智能交通监控、识别、记录违章车俩或与公安联合拦截肇事车辆或罪犯嫌疑人。1.2国内外研究现状人脸识别是一个具有一定历史的课题，早在上一世纪FrancisGalton就开始了这方面的研究[1]。在上世纪九十年代前期，研究的重心集中在分割和特征提取以及设计系统的或神经网络的分类器方面，采用一些传统的统计方法，如:Karhunen-Loeve变换[2]或新的神经网络技术，这时的识别工作基本上是在实验室里用规模比较小的数据库进行测试，而且多半是用静态图像。除此之外，视频流能提供丰富的人脸信息，因此较多的研究小组和公司把工作重心转移到基于多样本的统计方法[3，4]或神经网络方法[5，6]的研究上去。进入九十年代后期，随着高速度、高性能计算机的出现，人脸识别方法有了重大突破，进入了真正的机器自动识别阶段。在人脸识别系统的研究中，人脸输入的图像分为3种[7]:正面、侧面和斜面。其中正面人像研究的最多，取得的成果最丰硕，研究涉及的领域也最广。在目前的人脸识别系统研究中有很多传统的方法，也有不少新的技术在出现，下面对几种比较基础的方法作简要介绍:1．主分量分析（PCA）主分量分析（PCA，PrincipalComponentAnalysis）是多元统计分析中用来分析数据的一种方法。它是一种用较少数量的特征对样本进行描述以达到降低特征空间维度的方法，其基础是Karhunen-Loeve展开式，简称KLT。Turk和Pentland首先提出了基于KLT的人脸识别方法[8]，即用KLT后的图像主特征向量来表示人脸特征，因此叫做特征脸（Eigenface）。这样既可以降低空间维数，又可以抽取人脸特征。人脸图像投影到子空间，非人脸图像也被投影到相同的空间。由于人脸图像在投影空间没有根本的变化，而非人脸图像却表现得非常不同，因而可以检测出图像中人脸的存在。2．独立分量分析（ICA）从数学上讲，独立分量分析（ICA，IndependentComponentAnalysis）是一种对多变量数据进行非正交线性坐标变换的方法，坐标轴的方向由可观察到的混合数据的二阶和高阶统计信息确定，变换的目的是使变换后的变量间相互独立。因为与主分量分析相似而得名。Bartlett等首先运用ICA方法表示人脸[9]，用一组统计独立变量的线性组合来表示人脸。与主分量分析方法类似，独立分量分析也通过原始的样本数据计算求得一个特征空间，之后将新的数据投影到这个特征空间，得到一组特征量，用于识别分类。与PCA方法不同，ICA方法要求特征空间的各个分量间统计独立。PCA只考虑了模式的二阶统计量，它的特