论文部分内容阅读
超声探测人脸识别与传统基于图像的人脸识别方法相比，具有不受光线变化等环境因素影响的优点，其核心是解决如何利用空气中超声波探测方式实现多类别、具有复杂几何外形目标识别的问题。该课题综合了超声探测、信号处理和模式识别等学科内容，理论和实验研究成果可直接应用于机器人视觉、智能交通、盲人辅助视觉等领域，具有重要意义和广泛应用价值。近年来，很多学者的工作证实了基于超声探测进行人脸识别的可行性，但这些工作均使用固定表情人脸作为研究对象，从超声散射回波中提取原始特征后也未作优化处理。因此实际应用中，人脸细微的表情变化就会造成识别率的大幅下降。 针对上述问题，本文围绕超声散射回波基本特征提取、特征空间优化和特征融合等重点问题，对超声探测人脸识别中的特征提取和优化方法开展研究，通过对原始特征进行优化，克服人脸表情变化等因素影响，提高了系统识别率。本文的主要工作和创新点包括以下几个方面: (1)首次研究了空气介质超声探测中目标姿态变化对超声回波原始特征稳定性的影响，并提出了相应解决方案。通过理论推导和实验研究结合的方法，对超声连续线性扫频信号探测模式和一维距离像原始特征的特点进行分析，揭示了方位敏感性等因素造成原始特征波动的原理。进而结合人脸多散射中心物理模型的性质，提出了一种加权平均能量特征提取方法，解决了因人脸细微表情、姿态变化引起的特征变化问题，实现了稳定的人脸基本特征提取。实验结果验证了理论分析和特征提取方法的有效性。 (2)针对人脸识别中各类目标在基本特征空间中分布为多模态、线性不可分的难题，设计了一个基于函数变换的非线性判别分析特征优化框架。利用此框架，可将现有的线性判别分析特征空间优化算法直接扩展至非线性判别分析领域。与传统方法相比本方法数学推导更加简单，而且可避免传统方法数学运算中矩阵奇异问题。在此基础上，提出了1）结合全局优化和局部优化准则的特征空间优化方法以及2）基于多模板的特征空间优化方法，分别用于人脸识别中细微表情变化和大表情变化两种研究模式下的特征空间优化。实验结果表明，以上特征空间优化方法能够显著提高系统识别率。 (3)设计了特征层和决策层结合的数据融合结构，实现了基于多传感器探测、多通道数据采集的超声人脸识别。在决策层融合中，提出了一种优化的置信空间组合规则，避免了现有Dempster-Shafer方法因证据冲突导致融合失败的问题。研究中首先根据实际应用中发射、接收换能器的位置关系和数据采集流程特点，对数据通道进行分组，各组内使用特征层融合算法得到初步判决结果，再完成对各个判决结果的决策层融合。数据融合后，对自然表情人脸识别正确率超过85％，证明了使用超声探测进行复杂目标分类识别方法的可行性。 (4)首次设计并实现了一个大型超声回波人脸数据库，共包括100名被试的近300万个样本数据。空气中超声探测目标识别研究中，国内外均还没有一个大型样本数据平台，本文通过参考知名图像人脸数据库结构，结合超声探测人脸识别研究特点，完成了数据库的设计和三批次数据采集。该数据库包含人脸类别多，表情丰富，样本数量大，是本领域研究中国内外首个大型数据库，可为相关研究提供数据保障。 本文研究的结果，证明了对超声回波一维距离像原始特征进行优化处理后，结合使用多传感器、多角度探测方式，可以克服人脸细微表情、姿态变化影响实现多类别人脸识别。此外本文提出的基于函数变换的特征空间优化算法，也可推广应用于其他多模态、线性不可分目标分类识别问题研究中。