论文部分内容阅读
人脸识别技术已广泛应用于司法、金融和商业等多个领域，但目前的人脸识别算法多数应用于受控环境中，而在实际应用场合，复杂的外部环境会给人脸识别带来许多干扰因素，进而影响其识别性能，这一问题已成为人脸识别领域研究的热点与难点。本论文重点对复杂环境下人脸识别的以下四个问题作了研究，并提出相应的算法：(1)光照变化引起的人脸图像部分过亮、过暗等问题给后续算法带来困难；(2)人脸图像中由类肤色像素引起的遮挡或干扰可能导致人脸检测算法的误判；(3)人脸的不同姿态可能引起面部特征丢失问题，导致人脸识别依据的损失；(4)人脸的不同表情可能引起人脸形状发生较大变化，而使人脸识别算法产生误判。针对以上四个问题，论文做了以下工作：(1)对传统的基于灰度图像的光照预处理算法进行了研究，分析其优缺点，提出一种保留图像灰度级的自适应连续均值量化变换(ASMQT)灰度图像增强方法；(2)提出改进的YCbCr色彩空间，通过分别提取人脸图像的亮度分量和色度分量，并将亮度分量作为灰度图像自适应增强算法的处理对象，色度分量作为肤色信息样本进入后续人脸检测过程；(3)对基于肤色信息的人脸检测方法进行研究，对比三种肤色模型的优劣，通过高斯肤色模型粗略分离肤色区域与背景像素，再利用结合图像边缘信息的改进迭代条件模式(ICM)分割算法，消除人脸附近高重叠度类肤色像素干扰，最后通过连通域分析与形态学运算消除非人脸区域干扰，最终提取到精确的人脸区域；(4)分析比较了三种人脸识别方法，并改进其中的稀疏表示人脸识别算法，提出了一种基于二次分类的稀疏表示人脸识别算法。该算法在没有明显增加算法复杂度的同时，提高了算法对人脸表情和姿态的鲁棒性。最后，应用本文提出的算法，设计完成了一个人脸识别系统，并选择标准人脸数据库对其进行仿真实验。实验结果表明：该算法在不同的人脸库中均能取得最高的识别率，且对表情、遮挡、人脸姿态等变化因素的鲁棒性较好，证明了论文方法的有效性。