论文部分内容阅读
人脸分析作为计算机视觉和人工智能领域的热门方向,包括人脸检测和人脸识别,一直以来备受人们关注。人脸检测是在安防、视频监控、人机界面等领域得到了广泛应用。但是人脸外观很容易受到自身和外界因素的影响,比如光照、表情、姿态、遮挡等情况,这些因素使得人脸检测的难度加大。而人脸识别由于现实场景中人脸的表现形式过于复杂,也存在和人脸检测同样的问题,使得如今的人脸识别技术仍难应用实际中。针对传统Adaboost算法在光照不均匀、姿态不定、遮挡等情况下进行人脸检测出现检测率不佳的问题,本文在人脸检测部分主要的工作内容有:(1)提出IB-Adaboost(Illumination compensation and Binarization)人脸检测方法。该方法通过对图像光照补偿预处理,改善图像光照质量;再基于Adaboost算法训练人脸分类器;接着对图像进行YCbCr色彩空间转换并二值化处理,缩小人脸搜索区域;再经过R、G、B颜色叠加获取皮肤区域的彩色图像实现人脸检测。(2)由于IB-Adaboost算法的人脸检测效果仍存在提升空间,因而本文又提出一改使用Haar特征,利用归一化像素差(NPD)的特征使得人脸不受光照、尺度等影响,采用GentleAdaboost算法,学习基于深二次树的NPD的最佳子集特性和组合;并构造soft-cascade演算法分类器处理复杂的人脸集合、任意的姿态和遮挡条件,构成新的算法NPD-GAdaboost人脸检测算法。(3)针对NPD-GAdaboost算法的检测效果又做了重新选择初始的负例样本确定训练模型。由于人脸识别率也会受到环境、姿态等影响,本文在人脸识别部分的主要内容有:在基于深度学习的基础上,本文根据卷积神经网络基础上的DeepID,学习基于深度学习(Deep ID、Deep ID2、DeepID2+)的人脸识别,比较各个人脸识别算法,并对人脸进行身份识别,凸显Deep ID2+良好的鲁棒性。人脸检测和识别的具体方法在VisualStudio平台上进行了仿真实现,基于数据库FDDB、GENKI、CelebFaces+进行试验。最后通过实验结果表明,本文提出的NPD-GAdaBoost算法在光照不均匀、姿态、遮挡的情况下能够实现较为满意的检测效果;同时验证深度学习的性能改进(主要是由DeepID改进为Deep ID2+的过程)在人脸识别方面得到了与传统卷及神经网络相比较更成功的应用。