电子科技大学
硕士学位论文
基于Adaboost的人脸检测方法及眼睛定位算法研究
姓名：龙伶敏
申请学位级别：硕士
专业：通信与信息系统
指导教师：傅志中
20080501
太原科技大学 毕业设计（论文） 设计(论文)题目：基于PCA算法的人脸识别
毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期： Ⅰ
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日 Ⅰ
AdaBoost人脸检测原理 对人脸检测的研究最初可以追溯到 20 世纪 70 年代，早期的研究主要致力于模板匹配、子空间方法，变形模板匹配等。近期人脸检测的研究主要集中在基于数据驱动的学习方法，如统计模型方法，神经网络学习方法，统计知识理论和支持向量机方法，基于马尔可夫随机域的方法，以及基于肤色的人脸检测。目前在实际中应用的人脸检测方法多为基于 Adaboost 学习算法的方法。 Viola人脸检测方法是一种基于积分图、级联检测器和AdaBoost 算法的方法，方法框架可以分为以下三大部分: 第一部分，使用Harr-like特征表示人脸，使用“积分图”实现特征数值的快速计算; 第二部分，使用Adaboost算法挑选出一些最能代表人脸的矩形特征( 弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器; 第三部分，将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。 Adaboost 算法是一种用来分类的方法，它的基本原理就是“三个臭皮匠，顶个诸葛亮”。它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。例如下图中, 需要用一些线段把红色的球与深蓝色的球分开，然而如果仅仅画一条线的话，是分不开的。 a b c d 使用Adaboost算法来进行划分的话，先画出一条错误率最小的线段如图 1 ，但是左下脚的深蓝色球被错误划分到红色区域，因此加重被错误球的权重，再下一次划分时，将更加考虑那些权重大的球，如 c 所示，最终得到了一个准确的划分，如下图所示。
人脸检测的目的就是从图片中找出所有包含人脸的子窗口，将人脸的子窗口与非人脸的子窗口分开。大致步骤如下： (1)在一个 20*20 的图片提取一些简单的特征（称为Harr特征），如下图所示。 它的计算方法就是将白色区域内的像素和减去黑色区域，因此在人脸与非人脸图片的相同位置上，值的大小是不一样的，这些特征可以用来区分人脸和分人脸。 (2)目前的方法是使用数千张切割好的人脸图片，和上万张背景图片作为训练样本。训练图片一般归一化到 20*20 的大小。在这样大小的图片中，可供使用的haar特征数在1万个左右，然后通过机器学习算法-adaboost算法挑选数千个有效的haar特征来组成人脸检测器。 (3)学习算法训练出一个人脸检测器后，便可以在各个场合使用了。使用时，将图像按比例依次缩放，然后在缩放后的图片的 20*20 的子窗口依次判别是人脸还是非人脸。
人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且
室内定位常用算法概述 一.室内定位目的和意义 随着数据业务和多媒体业务的快速增加，人们对定位与导航的需求日益增大，尤其在复杂的室内环境，如机场大厅、展厅、仓库、超市、图书馆、地下停车场、矿井等环境中，常常需要确定移动终端或其持有者、设施与物品在室内的位置信息。但是受定位时间、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用。因此，专家学者提出了许多室内定位技术解决方案，如A-GPS定位技术、超声波定位技术、蓝牙技术、红外线技术、射频识别技术、超宽带技术、无线局域网络、光跟踪定位技术，以及图像分析、信标定位、计算机视觉定位技术等等。这些室内定位技术从总体上可归纳为几类，即GNSS 技术(如伪卫星等)，无线定位技术(无线通信信号、射频无线标签、超声波、光跟踪、无线传感器定位技术等)，其它定位技术(计算机视觉、航位推算等)，以及GNSS和无线定位组合的定位技术(A-GPS或A-GNSS)。 由于在室内环境下对于不同的建筑物而言，室内布置，材料结构，建筑物尺度的不同导致了信号的路径损耗很大，与此同时，建筑物的内在结构会引起信号的反射，绕射，折射和散射，形成多径现象，使得接收信号的幅度，相位和到达时间发生变化，造成信号的损失，定位的难度大。虽然室内定位是定位技术的一种，和室外的无线定位技术相比有一定的共性，但是室内环境的复杂性和对定位精度和安全性的特殊要求，使得室内无线定位技术有着不同于普通定位系统的鲜明特点，而且这些特点是户外定位技术所不具备的。因此，两者区域的标识和划分标准是不同的。基于室内定位的诸多特点，室内定位技术和定位算法已成为各国科技工作者研究的热点。如何提高定位精度仍将是今后研究的重点。 二. 室内定位技术的国内外发展趋势 室内GPS定位技术 GPS是目前应用最为广泛的定位技术。当GPS接收机在室内工作时，由于信号受建筑物的影响而大大衰减，定位精度也很低，要想达到室外一样直接从卫星广播中提取导航数据和时
基于LBP的人脸识别算法研究 一、应用背景 随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。相对于指纹、虹膜、掌纹、步态、笔迹、声纹等生物特征，利用人脸来识别具有不可比拟的优势：操作隐蔽，特别适用于安全、监控、和抓逃工作；非接触式采集，无侵犯性，容易接受；方便、快捷、强大的实时追踪能力；符合人类识别习惯，交互性强；应用摄像头即可完成图像采集，设备成本较低。人脸识别属于计算机科研领域的一项热门技术，它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。 人脸识别目前主要运用在如下三个方面： 第一，刑侦破案方面。例如，公安部门获得案犯的照片之后，可以利用人脸识别技术在存储罪犯照片的数据库中找出最相像的人，即嫌疑犯。 第二，证件验证方面。如身份证、驾驶执照以及其他很多证件上都有照片，现在这些证件多是人工验证的，如果应用人脸识别技术，这项任务就可以交给机器去完成，从而实现自动化智能管理。 第三，人口控制方面。此应用范围很广，例如可以设在楼宇单位或者私人住宅入口的安全检查，也可以是计算机系统或者情报系统等的入口检查。 世界上很多国家都在积极地开展对人脸识别技术的相关研究，不同的研究机构或研究人员按照不同的划分标准，对人脸识别的研究内容的分类不尽相同。在此处按其所研究得具体技术的范围可以大致将人脸识别分为如下四个方面的内容来进行阐述： （1）人脸检测，主要的方法有：基于轮廓（或肤色等）信息人脸检测方法，基于Adaboost 算法人脸检测方法，基于支持向量机（SVM）人脸检测方法以及基于神经网络的人脸检测方法等； （2）人脸特征描述与提取即特征提取，主要方法：基于局部二值模式纹理特征提取方法，基于人脸几何特征的特征提取方法，还有基于主成分特征（PCA）特征提取方法，基于独立元特征的特征提取算法，如Gabor等，还有2D 和3D 形变模型方法等； （3）人脸特征降维，主要方法：线性降维方法如主成分分析PCA和LDA (Linear Discriminate Analysis) 等发展到非线性降维方法如局部线性嵌入(LLE) 、等距嵌入
第37卷?第4期?2015-04(上)? 【71】 无线传感网大空间定位测量算法及精度评估 Positioning measurement algorithm and accuracy evaluation for wireless sensor networks in large field working space 刘文文，王俊岭，杨 瑛 LIU Wen-wen, WANG Jun-ling, YANG Ying （合肥工业大学，合肥 230009） 摘 要：无线传感网结构参数对移动节点定位精度有重要影响。面对基于无线传感网大空间定位测量过程 中的共性问题：测量距离约束和信号覆盖范围约束，提出了一种选择性大空间定位算法。面对移动节点特定的定位空间要求以及定位精度要求，采用蒙特卡罗方法研究了测距误差、信标网络参数配置对移动节点定位精度以及可定位空间的作用关系，提出的仿真算法模式对于设计评估满足一定精度要求的无线传感网络可定位空间探索具有一定的指导意义。 关键词：无线传感网络；大空间定位算法；精度评估中图分类号：TP702 文献标识码：A 文章编号：1009-0134(2015)04(上)-0071-04Doi：10.3969/j.issn.1009-0134.2015.04(上).22 收稿日期：2014-07-10 基金项目：国家自然科学基金资助：基于无线传感网络引导的高精度超大空间坐标测量网络构建关键技术（51275149）作者简介：刘文文（1961 -），女，副教授，博士，主要从事仪器设计、光学检测系统设计、现代控制理论和测控软件 开发领域的研发工作。 0 引言 无线传感网络的很多应用都涉及距离位置信息，基于无线传感网络的大空间定位技术也因此成为这一研究热点的关键基础技术。无线传感网络定位技术有基于非测距定位技术和基于测距定位技术，基于测距的定位技术分为基于信号接收强度指示值测量（RSSI ）方法、基于到达时间测量（TOA ）方法以及基于时间差测量（TDOA ）等方法等。本文对基于时间差的测量方法（TDOA ）进行分析研究和仿真，面对距离测量精度和范围的限制，寻找高精度的定位算法，面向无线传感网络结构参数通过仿真评估大空间定位精度。研究对设计满足一定定位精度的无线传感网络具有指导意义。 1 原理分析及算法 基于距离测量的大空间定位方法通过测量移动节点到信标节点的距离实现移动节点的空间定位，高精度定位的关键点在于高精度的距离测量方法及高精度的定位算法。 假设在移动节点P(x,y,z)周围有n 个位置已知的信标节点G 1(x 1,y 1,z 1),G 2(x 2,y 2,z 2),…, G n (x n ,y n ,z n )参与测量，如图1所示，它们与移动节点的距离的测量值为D 1,D 2,…,D n ，而理论距离为： 1,2,,j d j n == (1) 以测量距离与其理论值的残余误差平方和最小为原则定位移动节点P(x,y,z)，则测量模型为： ∑=?n j j j d D Min 12 )( (2) 这是一个无约束非线性优化问题，理论上可以用非线性无约束优化方法求解[1]。在此，笔者提出一种线性迭代算法求解该非线性优化问题。 G2 G4 D2 ????3 ????* D1 D1 G1 D4 D3 G3 图1 移动节点与信标节点
1、训练程序整体流程 （1）读输入参数并打印相关信息 （2）进入训练程序最外层入口classifier.train 1）读正负样本，将正负样本放入imgLiast中，先读正样本，后读负样本 2）load( dirName )判断之前是否有已训练好的xml文件，若有，不在重新训练该stage的xml文件，没有返回false，初始化参数 3）计算requiredLeafFARate = pow(maxFalseAlarm,numStages)/max_depth,该参数是stage停止条件（利用训练样本集来计算tempLeafFARate，若 tempLeafFARate小于这一参数，则退出stage训练循环）； 4）Stage训练循环 5）更新训练样本集，计算tempLeafFARate（负样本被预测为正样本的个数除以读取负样本的次数，第一次没有训练之前，这个比值为1，因为没训练之前， 所有负样本都被预测成了正样本，当第一层训练好以后，负样本采集时会先 用第一层的分类器预测一次，若能分类，则不选用，选用负样本的数目是固 定的，但选用这么多负样本总共要选的次数会随着层数的增多而加大，因为 层数越大，分类器的分类能力也要求越大，说需要的样本就是前面分类器所 不恩呢该识别的，故在采集时也比较困难。） 6）判断stage是否退出训练，若tempLeafFARate
Adaboost 算法 1、AdaBoost算法简介 AdaBoost算法是Freund和Schapire根据在线分配算法提出的，他们详细分析了AdaBoost算法错误率的上界，以及为了使强分类器达到错误率，算法所需要的最多迭代次数等相关问题。与Boosting算法不同的是，adaBoost算法不需要预先知道弱学习算法学习正确率的下限即弱分类器的误差，并且最后得到的强分类器的分类精度依赖于所有弱分类器的分类精度，这样可以深入挖掘弱分类器算法的能力。 2、Adaboost 算法基本原理 Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用Adaboost 分类器可以排除一些不必要的训练数据特征，并将关键放在关键的训练数据上面。 AdaBoost算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，即其中n 为样本个数，在此样本分布下训练出一弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过T 次循环，得到T 个弱分类器，把这T 个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。 AdaBoost算法的具体步骤如下： 设输入的n个训练样本为:{(x1,y1)，(x2,y2)，......(xn,yn)}，其中xi是输入的训练样本，yi∈{0,1}分别表示正样本和负样本，其中正样本数为l，负样本数m。n=l+m，具体步骤如下： （1）初始化每个样本的权重w i,i∈D(i); (2)对每个t=1,..., T(T为弱分类器的个数) ①把权重归一化为一个概率分布 ②对每个特征f，训练一个弱分类器h j计算对应所有特征的弱分类器的加权错误率 ③选取最佳的弱分类器h t(拥有最小错误率)：εt ④按照这个最佳弱分类器，调整权重 其中εi =0表示被正确地分类，εi=1，表示被错误地分类
第27卷第5期南京气象学院学报V o l.27N o.5 2004年10月Jou rnal of N an jing In stitu te of M eteo ro logy O ct.2004 文章编号:100022022(2004)0520688207 Arc I nfo下卫星遥感火点空间定位算法研究 殷剑敏 (江西省气象科学研究所,江西南昌 330046) 摘 要:应用A rc Info地理信息系统和M apO b jects组件空间分析技术、数据库技术, 对森林火点卫星遥感信息的地理定位技术进行了研究,结合1:250000地理信息数 据,研制了快速获取火点周围地理信息的技术流程及计算方法,开发了业务化系统, 实现了自动化操作。尤其在多火点的情况下更能显示出其优越性,相同情况下,比手 工地理定位提高了定位精度,工作效率提高了10倍以上。投入业务运行以来,在森林 防火工作中发挥了重要作用,为火点监测赢得了时间,取得了明显的社会效益。 关键词:A rc Info;空间定位;算法;卫星遥感;森林火点 中图分类号:S429 文献标识码:A 森林是地球生态系统的重要组成部分,近年来,由于气候变暖等原因,森林火灾发生频率趋于增加。森林火灾不仅造成巨大的经济损失,而且还会导致生态和灾害链后果,因此,对林火行为的研究,具有重要的理论意义及生产实用价值。国内外早期对火险天气等级的气象预报做了大量的研究,取得了许多可投入业务使用的研究成果[127]。近年来,许多学者开始应用地理信息系统(Geograp h ic Info r m ati on System,简称G IS)等高新技术,对森林火场的蔓延、火场周边气象条件的变化及灾后损失评估作了大量数值模拟研究[8]。利用遥感技术监测森林火灾,国外始于20世纪60年代初期的航空红外探测,而在国内,从80年代末开始广泛运用时间、空间分辨率相对较高的极轨气象卫星对森林火灾进行了实时动态监测。卫星遥感具有范围大、视野广、迅速、准确等特点,并能提供火点的经纬度、火灾面积、火点性质(燃烧区、过火区、亚像元等)等火场信息,目前气象部门已广泛应用极轨气象卫星监测森林火点,并开发出相应的森林火点卫星遥感处理软件[9210]。但仅依靠卫星遥感技术监测森林火点,长期以来一直存在火点的地面定位问题,因为它只能自动判读森林火点的经纬度,还要人工在地图上查找具体位置后才能对外提供服务。这种方式存在以下缺点:人工查找地图速度慢,尤其是查找大比例尺的高精度地图则更不方便;人工查图误差大,容易出错;信息量少,满足不了当前防火服务需求;信息没有数字化,不能迅速利用现代通信手段对外发布。 地理信息系统具有强大的空间信息管理和分析计算功能,有关部门已经将它应用于110 收稿日期:2003209202;改回日期:2003212230 基金项目:江西省科技厅“江西省森林火险监测预警系统研究”项目;江西省气象局“森林火点卫星遥感地理定位研究” 项目 作者简介:殷剑敏(19622),男,江苏常州人,高级工程师,博士生,研究方向:地理信息系统在气象上的应用研究.
毕业设计开题报告人脸自动定位算法设计 学院：电子工程学院 班级：电信0801 学生姓名：兰效晨 指导教师：何瑾 职称：讲师 2010 年11月22日
毕业设计开题报告
一、研究目的: 随着社会的不断进步以及各领域对快速有效的自动身份验证技术的迫切需求，生物特征识别技术在近几十年中得到了飞速的发展。生物特征识别技术是指通过计算机利用人体固有的生理或行为特征来进行身份识别和鉴定的科学，作为人的一种内在属性，并且具有很强的自身稳定性及个体差异，生物特征成为了自动身份验证的最理想依据。经过数十年的研究，生物特征识别在不同的领域获得了不同程度的成功，基于各种生物特征识别技术的身份识别系统具有更好的安全性，可靠性和有效性，正越来越受到人们的重视，并开始进入社会的各个领域。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，步态识别，静脉识别，人脸识别等。与其它识别相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。 在人脸识别系统中，为了识别检测到的人脸，还需要进一步提取检测的人脸面部关键特征点的位置，比如眼睛，鼻子和嘴巴的位置，形状乃至整个人脸的外轮廓等信息。换句话说，就是利用计算机在一幅人脸图像或图像序列中自动的定位出人脸各个器官的准确位置。人脸自动定位可以为人脸识别，姿态表情分析，人脸跟踪等研究工作提供相应的基础数据，因而具有举足轻重的地位。 眼睛自动定位是人脸识别中一个非常重要的课题，因为与人连其他部位如鼻子、嘴巴相比，眼睛区域不仅包含了丰富的、区别于其它人的重要信息，而且是对图像进行旋转校正，归一化和均衡化的前提，同时也是人脸其他部位检测和提取的基础。 二、研究内容： 根据眼睛轮廓所具有的椭圆特性提出一种简单易行的定位算法。首先对人脸图像进行边缘提取，并对边缘上的点进行椭圆拟合，因为眼镜高和宽的比例是具有一定范围的，因此可以对椭圆的长轴和短轴设定一个阈值，已确定眼睛的候选位置，再运用支持向量机分类器粗略定位眼睛区域，最后在该区域内应用基于方向性圆形霍夫变换（Circle Hough Transform(CHT)）的检测算子来定位眼球中心。 各步骤功能用途简介： 1.边缘提取为了减少计算量及背景对眼睛检测的影响，所选择的算子应具备：在所提取的边缘图像中，在包含眼睛轮廓的前提下，其它边缘点应尽可能的少。综合考虑，选择眼睛区域边缘点较丰富的Canny边缘检测算子进行边缘提取。 2．最小平方椭圆拟合椭圆拟合中最为常用的是最小平方拟合。它主要是通过找到
人脸识别技术研究背景与方法 1人脸识别技术研究背景 .................................................................................... 错误!未定义书签。 1.1人脸检测技术概述 ................................................................................. 错误!未定义书签。 1.2人脸检测的研究内容 ............................................................................. 错误!未定义书签。 2 人脸检测方法 ................................................................................................... 错误!未定义书签。 2.1基于知识的方法 ..................................................................................... 错误!未定义书签。 2.2基于特征的方法 ..................................................................................... 错误!未定义书签。 2.3模板匹配 ................................................................................................. 错误!未定义书签。 2.4基于外观的方法 ..................................................................................... 错误!未定义书签。 2.5 其他方法 ................................................................................................ 错误!未定义书签。 2.6人脸检测方法评析 ................................................................................. 错误!未定义书签。1人脸识别技术研究背景 在计算机及网络技术高速发展的现代社会中，信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提，在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。目前，个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失、由于使用过多或不当而损坏、密码易被遗忘和破解等诸多问题。由于技术的发展，犯罪分子伪造假证件的手段越来越高明，如假身份证、假工作证、假文凭等在现实社会中也不时发生;在信息界，黑客攻击别人的计算机系统，破译计算机口令亦常有之。美国每年在福利发放、信用卡交易、移动电话以及ATM交易方面由于身份诈骗而造成的经济损失高达60亿美元。因此，目前广泛使用的依靠证件、个人识别号码(PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已不能适应现代科技发展和社会进步的需要。 人们希望有一种更加方便可靠的办法来进行身份鉴别，生物特征识别技术给这一愿望带来了实现的可能。早在古埃及时人们就开始通过人体生物特征的测量(如人脸、人手等)来鉴别人的身份;在刑侦领域，人们也早已使用最有效的人体生物特征之一—指纹来确定罪犯。人们可能会遗忘或丢失他们的卡片或密码，但绝不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹等。因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入人们社会生活的各个领域，迎接新时代的挑战。美国政府在“9.11”事件以后连续签署了三个国家安全法案，要求采用生物识别技术。2003年6月，联合国国际民用航空组织公布了其生物技术的应用规划，将
基于PCA的人脸识别算法研究毕业论文 目录 摘要 .................................................. 错误!未定义书签。Abstract .............................................. 错误!未定义书签。第1章绪论 .. (1) 1.1选题背景及意义 (1) 1.2国外研究现状 (2) 1.2.1 国外研究现状 (2) 1.2.2 国研究现状 (3) 1.3人脸识别技术的研究容与技术难点 (3) 1.3.1 人脸识别技术研究容 (3) 1.3.2 人脸识别技术研究难点 (3) 1.4本文研究容与结构安排 (4) 第2章人脸识别相关技术介绍 (5) 2.1系统概述 (5) 2.2人脸识别主要技术 (5) 2.2.1 二维人脸识别算法介绍 (5) 2.2.2 三维人脸识别算法介绍 (6) 2.3常用的人脸图像库 (6) 2.4人脸的特征提取 (7) 2.4.1 几何特征提取法 (7) 2.4.2 代数特征提取法 (8) 2.5本章小结 (10) 第3章基于PCA的人脸识别算法 (12) 3.1引言 (12) 3.2K-L变换 (12) 3.2.1 K-L变换原理 (13) 3.2.2 K-L变换性质 (14)
3.3SVD定理 (15) 3.4距离的计算 (17) 3.5基于PCA的人脸识别 (18) 3.5.1 人脸的表示 (18) 3.5.2 特征脸空间的构造 (18) 3.5.3 特征提取 (19) 3.5.4 人脸识别 (20) 3.6MATLAB仿真实现 (20) 3.7结果分析 (26) 3.8本章小结 (28) 第4章与基于Fisherface方法的特征提取原理对比 (29) 4.1PCA方法的优缺点 (29) 4.2基于Fisherface法的人脸特征提取理论介绍 (29) 4.3FisherFace方法的优缺点 (31) 4.4两种方案的理论对比 (31) 4.5本章小结 (32) 结论 (33) 参考文献 (34) 致谢 (36) 附录 1 (37) 附录 2 (44) 附录 3 (48) 附录 4 (57)
* 陈守稳顾尔顺 (航天工业总公司二院二部北京100854) 摘要对几种被动定位方法的定位精度进行了计算比较,选择了可行的定位方法,分析了影响定位精度的有关因素,并对其加以说明。 主题词被动定位,测向交会,纯时差,测向)测时差,定位精度 1引言 被动定位即无源定位,其特点是不能获得辐射源的距离信息,因此,必须采用多站测量对目标进行定位。被动定位通常是利用单站的测角信息或多站测时差来完成,文中就测向交叉、测时差、测向)时差混合定位三种方法进行了定位误差的计算,对结果进行了分析并得到结论。 2被动定位算法模型 211测向交叉定位法 是指通过测量辐射源的到达角京国防工版社数运算确定目标位置。以下推导中京均假设有N部雷达京在直版坐标系(x轴正东京y轴正北京z轴天顶)中站址分别为(x i京y i京z i)京i= 1京2京,京N京各雷达对辐射源测得的方位版和俯仰版是(B i京E i)。 假设已知1号站测得目标的角度(B1京E1)京i号站测得目标版度(B i京E i)京可利用下面几种方法求取R1。 方法1: R1=(x1-x i)sin B i-(y1-y i)cos B i cos E1sin(B1-B i) (1) 方法2: R1=(x1-x i)sin E i-(z1-z i)cos E i cos B i sin E1cos E i cos B i-cos E1cos B1sin E1 (2) *收稿日期:1998-05-28 第26卷第5期现代防御技术1998年9月
方法3: R 1= (y 1-y i )sin E i -(z 1-z i )cos E i sin B i sin E 1cos E i sin B i -cos E 1sin B 1sin E i (3) 方法4: 可以利用前述的3种方法中的任一种京将式(1)、式(2)或式(3)中的全部下标1改成下标j 京即可计算出目标到j 号站的斜距R j 京然后利用下列公式即可求出R 1: x t =x j +R j cos E j cos B j y t =y j +R j cos E j sin B j z t =x j +R j sin E j R 1=[(x t -x 1)2 +(y t -t 1)2 +(z t -z 1)2] 1/2 (4) 采用1号(-2813京-2813京0)京2号(2813京2813京0)的布站方式京比较方法1京2京3 对空中各点的定位误差京取最小值京记录其对应的定位方法号码京各定位方法在xOy 平面的分布见图1京图例1京2京3分别对应定位方法1京2京3。方法1中京目标高度10km 京测向精度015b 条件下京R R 1的 等误差线在 xOy 平面的分布见图2(单位:km ) 。 图1 最小误差对应的方法在xOy 平面的分布图 图2 xOy 平面R R 的 等误差曲线 由 图 1可以看出京采用同样的布站方式京绝大部分空间中方法1的定位精度高京只有很少一 部分空间方法2和3的精度高京这一部分空间主要集中在两雷达站连线所在的垂直平面附近。由图2可以看出京方法1中京由两站组成的单基线定位系统京其定位精度仅在一扇形区域内很高京基线所在垂直平面内及附近京定位精度迅速下降。而且由式(1)知京B 1=B i 时京R 1无 解。为了在整个空域内能够对辐射源定位 京可以采用3部雷达组成三角形布局。根据以上分析可 得到结论。在测向交会法中京可以只选用方法1。 212 纯时差定位法 对于三维空间的目标京至少需要4个测量站对目标定位。以下假设主站坐标为(x 1京y 1京z 1)=(0京0京z 1)京其它3个副站的坐标分别为(x i 京y i 京z i )京(i =2京3京4)京目标位置坐标是(x i 京y i 京z i )京目标到各站的距离分别是R i (i =1京2京3京4)。此系统可以测出目标到主站与其它3个附站的时间差$t 京对应的距离差如下: 18 现代防御技术 第26卷
北京大学 本科生毕业论文 基于AdaBoost 算法的人脸检测Face Detection Based on AdaBoost 姓名：赵楠 学号：00105029 院系：物理学院物理学系 指导老师：查红彬教授 导师单位：视觉与听觉信息处理国家重点实验室 信息科学技术学院智能科学系
北京大学本科生毕业论文 二○○五年六月 摘要 Abstract 人脸检测是人脸分析的首要环节，其处理的问题是确认图像（或影像）中是否存在人脸，如果存在则对人脸进行定位。人脸检测的应用领域相当广泛，是实现机器智能化的重要步骤之一。 AdaBoost 算法是1995 年提出的一种快速人脸检测算法，是人脸检测领域里程碑式的进步，这种算法根据弱学习的反馈，适应性地调整假设的错误率，使在效率不降低的情况下，检测正确率得到了很大的提高。 本论文第一章和第二章简述了人脸检测的一般情况，第三章对一些人脸检测的经典方法进行了说明。 第四章讲述了AdaBoost 算法的发展历史。从PCA 学习模型到弱学习和强学习相互关系的论证，再到Boosting 算法的最终提出，阐述了Ada ptive Boost ing 算法的发展脉络。 第五章对影响AdaBoost 人脸检测训练算法速度的至关重要的两方面：矩形特征和积分图的概念和理论进行了仔细的阐明。 第六章给出了AdaBoost 的算法，并深入探讨了其中的一些关键问题——弱学习器的构造、选取等问题。
最后一章，用编写的实现了AdaBoost 算法的FáDèt程序，给出了相应的人脸检测实验结果，并和Viola 等人的结果做了比较。 关键词Keywords AdaBoost 方法、人脸检测、Boosting 方法、PCA 学习模型、弱学习
人脸检测中的眼睛定位算法研究 摘要眼睛是一个在人脸检测中极为重要的人脸特征，因此一种快速可靠的精确定位眼睛的算法对许多实际的应用是十分重要的。本文分析了几种常用的眼睛定位算法，并提出了一种基于肤色信息、人脸面部几何特征和人眼灰度信息的算法。算法采用由粗到细的检测策略，先对Anil K.Jain 的Cb、Cr椭圆聚类方法进行了改进，用改进的算法进行肤色提取，经过肤色区域的分析，对人脸区域进行预检测，然后结合人眼几何特征进行初步定位，再利用人眼的灰度信息进行精确定位。该算法定位效率高，并对背景、尺寸等细节具有很好的适应性，在人脸实时检测系统中具有很好的应用价值。关键词眼睛定位；肤色提取；几何特征；复杂度 1 引言双眼是人脸的突出特征，它们在人脸中占据比较固定的位置，双眼间的距离刻画了人脸的大小，是人脸识别中尺度归一化的依据。因此双眼的精确定位成为人脸识别前处理阶段非常关键的一步，绝大部分的人脸识别算法都强烈地依赖于双眼的准确定位。只要人眼被精确定位，则脸部其他特征，如眉、鼻、嘴等，可由潜在的分布关系比较准确地定位。人脸可以较好地归一化，预处理的效果也更明显，同时也可提高识别速度和降低识别算法的复杂度。正因为眼睛定位在人脸识别中具有如此重要的地位，于是人们研究各种算法来实现眼睛定位，主要可以分为以下几类：霍夫变换法、变形模板法、边缘特征分析法和对称变换法等，本文结合人脸的肤色和几何特征以及人眼的灰度信息提出了一种快速、稳定的人眼定位算法。 2 常用的几种眼睛定位算法 (1) 霍夫变换法假设经预处理已经得到包含眼球的图像Ep，为了节省检测眼球的时间并避免镜片反光点边缘产生的干扰，先用小灰度聚类法粗定眼球中心点，以此缩小检测范围，聚类的过程是将图像Ep中灰度值最小的n个像素，按列递增的顺序排序，若相邻的列数差值都未超过预先设定的门限T1，说明只有一个聚类中心，求出这些像素行列的平均值就是要找的眼球中心点；若超过了门限T1，说明这n个像素可以聚成两类，对左眼，因为阴影、镜脚集中在左边，所以取右边那类的平均值；对右眼，则取左边那类的平均值；n的选择可根据图像Ep的总像素数目及眼球占图像的大致百分比决定。在用霍夫变换检测眼球前，先用Canny算法提取边缘。对于比较细长的眼睛，由于眼球的上半部分较多地被眼皮覆盖，所以改用检测下半圆，这样更可靠且省时。设图像空间为(i，j)，i和j分别表示行和列，三维变换空间为(ie，je，R)，其中ie、je分别代表眼球圆心的行和列，R为半径。下半圆表达式 为：（1）对于变换空间的每一个坐标点(ie，je，R)，在图像空间都对应一个半圆，在这个半圆上存在的边缘点数就是变换空间上坐标点(ie，je，R)对应的值。变换空间上的峰值点坐标即为所求的眼球半圆参数。实验证明，霍夫变换确实具有抗干扰能力强的优点。当眼球与眼白的对比度较低时，提取出来的边缘是断裂或不很规则的，即使如此，仍能根据变换空间中的峰值点准确地定位眼球圆心[2]。 (2) 变形模板法模板匹配法主要是模板的选择，根据所选模板的维数可分为二维可变形模板和三维可变形模板。图1为二维简单眼睛模板，由于人脸的旋转角度是任意的，当旋转角度比较大时，其中一部分眼白就会看不见，所以为了适应人脸向两侧作较大角度的旋转，就增加了两个单眼白的简单眼睛模板，当垂直旋转角度大于30°时，就使用仅有左眼