论文部分内容阅读
近年来，基于生物特征的身份鉴别技术取得重大突破，在电子金融、安防监控、移动终端等多个领域得到了广泛应用。然而，现有的方法在应用到实际中还存在众多问题。已有的生物特征鉴别技术大都是基于单一的生物特征，存在局限性和不确定性，将不同生物特征有机地综合起来可以提高准确率和可靠性。但是，因为提取的特征本身逻辑性不强、难以关联，目前并没有很好的方法将这些特征联系起来。 本文针对上述问题，对生物特征本身具有的知识和逻辑进行研究，重点研究了基于人脸生物特征的身份鉴别技术。通过结合人脸定位和三维人脸建模，将人类已有知识表达成抽象约束，提出了基于知识的人脸鉴别和识别方法，设计了结合定位、建模与识别的系统流程。 首先，在定位环节，对人眼的定位问题作了探讨，由于人脸不同区域具有不同的生物约束和特征，其他部分还未扩展。针对非理想环境下，人眼图像分辨率通常较低，并且容易受到光照条件、睫毛、阴影等噪声影响等问题，改进了姿态幅度较小的低分辨率下人眼的定位。该方法利用双线性插值法、动态阈值及双边滤波器对人眼图像存在的干扰因素进行处理，利用带约束的Hough圆检测算法及自适应双阈值算法定位出人眼虹膜、上下眼睑，最终对人眼区域进行分割，在UBIRIS v1.0数据库及低分辨率人脸图像上进行测试，验证了本文方法的鲁棒性。 然后，在建模环节，对单幅图像的三维人脸重建做了尝试，利用深度图重建出密集型三维人脸网格模型，并重建眼球、眼睑等细节。根据密集型三维人脸网格模型与Candide-3模型中特征点的映射关系，构建一个既能精细表达人脸细节又易于控制的通用三维人脸模型。之后，根据输入的二维人脸图像提取的特征点与三维网格模型上对应的特征点建立映射关系，利用径向基函数对三维网格模型进行变形，生成个性化的三维人脸网格模型。 最后，在识别环节，完成对二维图像中人脸的识别与鉴别过程。根据已有的面部器官分类知识，构建面部形状及纹理的分类模型，并提出相应的人脸鉴别算法。该方法利用形状上下文描述方法从人脸对齐特征点中提取11类形状特征，并建立面部形状分类标准。同时，从二维图像中提取LGBP特征，利用主成分分析法及K-means聚类算法提取6类纹理特征，并构建面部纹理分类标准。最后融合形状及纹理特征提出相应的人脸验证算法，利用逻辑回归算法训练人脸验证模型，并在LFW人脸数据库上对本文算法进行验证。