论文部分内容阅读
眉毛作为人脸上的重要组成部分，已经初步被证明可用于生物特征识别。本文将正例半监督学习，支持向量机模型运用到眉毛识别中，对人的眉毛作为一种独立生物特征使用的可行性作进一步的研究。 本文的主要研究工作如下： (1)基于图半监督学习和随机游走的眉毛图像分割 交互式图像分割方法能够利用交互过程中得到的先验信息，因此一般都具有比较好的分割效果。本文研究了交互图像分割方法中的图半监督学习(Graph-based Semi-supervised Learning，GSL)和随机游走(Random Walk，RW)两种图像分割方法，在理论上对比了这两种方法的异同，并在北工大眉毛图像库上对它们的分割效果做了一些比对。 (2)基于正例半监督学习的眉毛图像分割方法 传统交互图像分割方法，包括图半监督学习和随机游走方法，因为受限于学习机制，需要同时标注背景(不感兴趣区域)和前景(感兴趣区域)。一方面，同时指明前景和背景无疑加重了用户的负担；另一方面需要用户指明完全不感兴趣的区域也违背了用户本身的意愿。本文考虑利用正例半监督学习(Learningfrom only positive and unlabeled examples)方法完成在只有少量前景点被标注的情况下的图像分割。正例半监督学习的核心思想在于利用仅有的已标注正类样本点以及其他未标注样本点，在保证正类被正确分类的同时，通过最大化无标号样本中的负类数目得到其余未标号样本的标注。本文利用VS2010实现了基于正例半监督学习的眉毛图像分割方法，并在北工大眉毛图像库上做了相关实验。实验结果表明，直接利用正例半监督学习进行图像分割，因为不能有效利用图像中像素的梯度信息，效果并不能让人满意。 (3)正例半监督学习和图半监督学习或随机游走相结合的眉毛图像分割方法 为了切实的达到仅标注前景就可完成感兴趣区域的分割目标，本文在分析正例半监督学习、图半监督学习和随机游走方法各自的优缺点后，提出正例半监督学习方法与图半监督学习或随机游走相结合的新的图像分割框架。该方法利用正例半监督学习方法寻找得到可靠负例，并利用图半监督学习方法或随机游走克服正例半监督学习方法不能利用图像空间信息的缺点，从而较好地完成图像分割。北工大眉毛图像数据库上的结果表明正例半监督学习眉毛图像分割方法分割效果良好，在仅仅只标注前景的基础上，分割效果与传统交互图像分割方法接近。 (4)基于傅里叶变换及主成份分析的眉毛特征提取和基于支持向量机的眉毛识别方法 本文称原始眉毛图像上分割得到的前景图为纯眉毛图像。本文通过以下步骤完成眉毛图像特征提取和识别。首先，对纯眉毛图像进行了尺寸归一化至128*256，并通过傅里叶变换得到纯眉毛图像的频谱特征；其次，通过主成份分析(Principal Component Analysis，PCA)方法去除频谱特征中的冗余信息；最后，把支持向量机应用于眉毛识别。本文研究了预处理步骤中不同图像分割方法下，不同特征提取方法以及支持向量机中不同的核函数对眉毛识别的效果影响。北京工业大学眉毛图像数据库上的实验表明，用正例半监督学习眉毛图像分割方法提取得到纯眉毛，识别率最高可以达到0.8785。