基于決策級(jí)融合的人臉識(shí)別

1、摘要：基于決策層融合的人臉識(shí)別，孫玉潤，背景介紹，人臉識(shí)別從固定尺寸照片的靜態(tài)匹配到視頻圖像序列的實(shí)時(shí)匹配，這項(xiàng)技術(shù)有著廣泛的應(yīng)用背景。人臉識(shí)別技術(shù)已經(jīng)從最初對(duì)標(biāo)準(zhǔn)正面灰度圖像的識(shí)別發(fā)展到現(xiàn)在人臉識(shí)別的動(dòng)態(tài)實(shí)現(xiàn)，新興的3D人臉識(shí)別圖像與不同傳感器獲得的相同圖像或同一傳感器在不同時(shí)間獲得的圖像進(jìn)行融合，經(jīng)過去噪和重采樣后，利用一些融合技術(shù)獲得更適合視覺感知或計(jì)算機(jī)處理的合成圖像。對(duì)于人臉識(shí)別，人臉識(shí)別的一般步驟是：(1)人臉檢測(2)特征提取(3)分類識(shí)別人臉檢測是將類人臉物體從背景中分離出來，特征提取將檢測到的人臉圖像映射到低維特征空間，并對(duì)分類和識(shí)別進(jìn)行比較和判斷。對(duì)于圖像融合，圖像融合可以

2、分為：(1)像素級(jí)融合；(2)特征級(jí)融合；(2)決策層融合。像素級(jí)融合是指對(duì)傳感器采集的數(shù)據(jù)進(jìn)行直接處理以獲得融合圖像的過程。特征級(jí)圖像融合是對(duì)源圖像進(jìn)行特征提取后獲得的特征信息進(jìn)行融合，目的是最大化決策分析所需的特征信息；決策層圖像融合是根據(jù)一定的標(biāo)準(zhǔn)和每個(gè)決策的可信度做出最佳決策，具有實(shí)時(shí)性好、容錯(cuò)性強(qiáng)的優(yōu)點(diǎn)。不同的角度說明不同的表情、工作計(jì)劃、工作計(jì)劃：由于所使用的方法與傳統(tǒng)的人臉識(shí)別有很大的不同，所以有必要從0開始設(shè)計(jì)軟件來進(jìn)行實(shí)驗(yàn)。估計(jì)總工作時(shí)間為60天。其中，調(diào)查時(shí)間為10%(6天)，算法和流程構(gòu)思為25%(15天)，程序?qū)崿F(xiàn)為60%(36天)，論文寫作為15%(9天)，調(diào)查為10

3、天，算法流程構(gòu)思為6天，程序?qū)崿F(xiàn)為36天，論文寫作為9天。在不同的情況下獲得面子。2.使用opencv分類器檢測臉部、眼睛、眼鏡和鼻子的四個(gè)部分。3.在每一種情況下，使用LBP和高斯濾波器提取人臉特征。4.對(duì)步驟3、圖像1、圖像2、圖像n、零件檢測、特征提取、特征提取、特征分類、特征分類、特征分類、決策級(jí)圖像融合、中得到的特征向量進(jìn)行決策級(jí)融合，步驟1:人臉輸入，軟硬件環(huán)境英特爾集成顯卡，130萬像素u盤，Ubuntu 10.10操作系統(tǒng)，Qt4.7庫和openCV2.0庫作為獨(dú)立模塊實(shí)現(xiàn)人臉輸入設(shè)計(jì)，同時(shí)編譯。所以讓張的實(shí)驗(yàn)室里的其他學(xué)生使用。添加了兩個(gè)中介參數(shù)，照明和分辨率。步驟2:零件檢

4、測。該工具使用opencv社區(qū)提供的四個(gè)分類器實(shí)現(xiàn)基于啟發(fā)式模型的零件檢測。首先，利用人工神經(jīng)網(wǎng)絡(luò)檢測眼睛、鼻子、眼鏡和人臉的整體特征，并根據(jù)領(lǐng)域知識(shí)判斷檢測到的區(qū)域是否屬于人臉修改分類器的一部分，使得側(cè)面人臉能夠很好地匹配。步驟3:特征提取(1)，人臉圖像可能由于光照、姿態(tài)、表情、遮擋或成像條件而改變，然而，現(xiàn)有識(shí)別算法的性能和魯棒性下降。局部特征反映了圖像對(duì)象的結(jié)構(gòu)特征，是圖像對(duì)象固有的屬性特征，對(duì)條件的變化不敏感。因此，提取圖像的固有屬性特征作為人臉表示方法是非常有效的。目前，局部模式的特征描述方法主要包括基于圖像分塊策略的Gabor小波和局部視覺基元。缺點(diǎn)是高維數(shù)和不均勻性。步驟3:特

5、征提取(2)，局部二值模式(Local Binary Pattern，LBP)局部特征提取方法是一種有效的非參數(shù)圖像局部紋理描述方法，它利用結(jié)構(gòu)方法分析固定窗口特征，然后利用統(tǒng)計(jì)方法提取整體特征。計(jì)算簡單，能夠捕捉到圖像中少量的細(xì)節(jié)特征，從而提取出更有利于圖像的局部紋理分布?？梢约僭O(shè)局部區(qū)域中像素灰度的聯(lián)合分布密度為T=t(gc，g0，gp-1)，其中g(shù)c對(duì)應(yīng)于圖像局部鄰域中中心像素的灰度值，gi (i=O，p-1)對(duì)應(yīng)于以中心像素為中心、半徑為r的圓上等距分布的P個(gè)像素的灰度值，則相鄰區(qū)域的定義通?？梢杂弥祵?duì)(P，r)來描述。在局部鄰域關(guān)系分類模式下，Step4:特征分類，決策中常用的最小距

6、離分類器只能提供從測試樣本到各種類型的距離信息。我們需要將其轉(zhuǎn)化為識(shí)別匹配度。這里編程的分類方法是SVM:基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則，通過特定的非線性映射將輸入向量映射到高維特征空間。標(biāo)準(zhǔn)SVM根據(jù)其輸出f (x)=T (x) b的值給出分類結(jié)果：如果f (x) 0，則輸入x被分配給正類，否則它被分配給負(fù)類。后驗(yàn)概率p(類輸入)=p (y=1 | x)=f (f (x)，步驟5:決策級(jí)融合，決策融合方法包括統(tǒng)計(jì)方法：概率推理、貝葉斯推理、D-S證據(jù)、基于信息論的方法：參數(shù)模板匹配、聚類分析、自適應(yīng)神經(jīng)網(wǎng)絡(luò)、熵方法和基于認(rèn)知模型的方法讓訓(xùn)練庫中的測試人臉和樣本屬于與類內(nèi)模型1相同的人，不同的人屬于類間模型2， 從而將人臉識(shí)別問題轉(zhuǎn)化為模型1和模型2兩種類型的分類問題，并完整地完成進(jìn)度報(bào)告：人臉輸入(步驟1)、零件檢測(步驟2)、特征提取(步驟3)、特征分類(步驟4)； 部分完成：決策整合(第五步)補(bǔ)充計(jì)劃：與高晨陽合作。高晨陽的同學(xué)們?cè)趶垏焕蠋煹闹笇?dǎo)下進(jìn)行特征級(jí)整合。想象一下，如果照明和角度這兩個(gè)條件被分成兩步，圖像被分成五個(gè)照明*三個(gè)角度。第一步是同一角度的特征級(jí)融合，第二步是不同角度的決策級(jí)融合。謝謝你！感謝張國一先生