论文部分内容阅读
随着时代的发展，人工智能领域为传统的机械行业带来了更多的技术革新，机器智能化已成为了趋势。人脸识别作为一种人工智能方式，在机器人的人机互动，重大机器特定身份开关，监视器智能化等领域有着重要作用。现已有的人脸识别方法已有几十种，其思想来源的领域范围，方法适用范围和对象均不相同，需对不同算法间性能的特点和差异进行对比研究，为之后研究提供借鉴。 人脸识别主要分为两大研究方向，人脸定位与人脸区分。前者在于从图片中找出入脸位置区域，后者在于识别不同人脸之间的差异并识别出特定人物。本文研究为前者人脸定位部分，选取最为广泛使用的三种特征提取方法（haar方法、HOG方法、ASM方法）和两种分类方法(Adaboost方法、SVM方法)进行原理分析，系统实现与测试比较。并在同一测试平台上对比三种方法的人脸识别速度、识别准确率和对环境的鲁棒性，针对人脸特性对这三种特征提取方法提出各自的改进措施，比较其改进后识别能力，提出相应评价。 针对haar的Adaboost级联提升方法，结合人脸肤色特性，提出了融合肤色特征的haar特征提取方法。研究haar特征提取与Adaboost级联提升分类原理，提出针对彩色图像的肤色提取改进措施，该方法将图像由RGB颜色空间转换到YCbCr颜色空间，提取人脸区域颜色阈值，通过图像归一化、二值化、腐蚀与膨胀等图像处理方法，用最小矩形提取肤色区域，在该区域进行haar的Adaboost人脸检测，为提高人脸检测速度与检测正确率提供了参考。 针对结合SVM支持向量机的HOG人脸检测方法，提出像素梯度信息提取的改进措施。通过研究HOG人脸特征提取方法和SVM分类方法机理，提出将像素点从它的四个邻域点提取梯度特性改进为从八个邻域点中提取，更新x轴与y轴梯度计算方程，计算该像素点梯度方向与大小，再通过将若干像素点组成一个细胞的方式，将梯度信息导入细胞结构。在计算复杂度提升不大的条件下，为提高特征描述的准确性和识别准确率提供参考。 针对主动形状模型ASM方法，对手工标记点的周围特征信息的提取与排列进行了改进。将垂直于标记点连线两个方向的特征点提取改为以标记点为中心，以45度为间隔的周围八个方向特征点提取，将更多的周围像素点的信息包括入标记点特征中，信息反映更加全面，并将原先提取特征点之间的明暗变化特征改为特征点的LBP算子特征，减少了光线变化的影响同时增加了纹理信息的表达。为实现人脸精确匹配提供参考。