1、信号与信息处理专业优秀论文 基于 ASM 的姿势鲁棒的人脸识别算法关键词：人脸识别 姿势变化 ASM 定位 LGT 特征 正则化摘要：人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，
2、以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权LGT 特征直方图作为识别的特征向量。最后
3、将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。正文内容人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识
4、别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提
5、供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条
6、件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三
7、维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和
8、视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM
9、 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统
10、的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape
11、Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加
12、权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。
13、本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法
14、提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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
15、。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的
16、ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定
17、位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的
18、目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了
19、两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-reso
20、lution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local
21、 Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理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。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光
22、照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方
23、法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。人脸识别是指基于已知的人脸样本库，利用图像处理和模式识别技术从静
24、态或动态场景中，识别或验证一个或多个人脸。在许多人脸识别应用中，人脸图像的成像条件是非理想的，即不能保证光照环境的一致性，也无法要求被拍摄对象的主动配合，因此光照、姿势变化的人脸识别是目前的研究热点。本文提出了一种针对姿势变化条件下人脸识别系统的框架，具体如下： 1对实验室原有的级联 MR-ASM(Multi-resolution Active Shape Model)算法进行了改进，提出改进方法，以纹理信息的欧氏距离为基础，结合了级联和最小值计算的策略来达到精确定位特征点的目的。 2人脸正则化方法研究。将 ASM 定位结果映射到公共形状控制参数空间，去除姿势相关参数得到正面人脸模型，通过二维
25、非线性映射实现人脸正则化；由两幅图像的 ASM 定位结果合成三维人脸模型，经过三维空间的线性变化得到正面人脸模型，通过纹理映射得到正则化人脸。 3人脸特征提取方法的研究。对于正则化的人脸，利用两种方法提取特征，一种方法是利用 MPEG7 提供的本征脸得到映射向量作为识别的特征，另一种方法是提取人脸的 LGT(local Gabor textons)特征，以加权 LGT 特征直方图作为识别的特征向量。最后将提取的特征输入到 K 近邻分类器中，在 CMU-PIE 库中验证并对比了两种特征的识别结果。 4人脸识别演示系统的设计与实现。参照生物特征识别领域的一个接口标准：BioAPI 设计实现人脸识别
26、系统，系统包括三部分：人脸检测，特征点定位，分类识别，系统可以处理静态人脸图像和视频采集的图像。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。我们还可提供代笔服务，价格优惠，服务周到，包您通过。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌甸?*U 躆 跦?l, 墀 VGi?o 嫅#4K 錶 c#x 刔 彟 2Z 皙笜?D 剧珞 H 鏋 Kx 時 k,褝仆? 稀?i 攸闥-) 荮vJ 釔絓|?殢 D 蘰厣?籶(柶胊?0
27、7 姻Rl 遜 ee 醳 B?苒?甊袝 t 弟l?%G 趓毘 N 蒖與叚繜羇坯嵎憛?U?Xd* 蛥?-.臟兄+鮶 m4嵸/E 厤U 閄 r塎偨匰忓tQL 綹 eb?抔搉 ok 怊 J?l?庮 蔘?唍*舶裤爞 K 誵Xr 蛈翏磾寚缳 nE 駔殞梕 壦 e 櫫蹴友搇6 碪近躍邀 8 顪?zFi?U 钮 嬧撯暼坻7/?W?3RQ 碚螅 T 憚磴炬 B- 垥 n 國 0fw 丮“eI?a揦(?7 鳁?H?弋睟栴?霽 N 濎嬄! 盯 鼴蝔 4sxr?溣?檝皞咃 hi#?攊(?v 擗谂馿鏤刊 x 偨棆鯍抰Lyy|y 箲丽膈淢 m7 汍衂法瀶?鴫 C?Q 貖 澔?wC(?9m.Ek?腅僼碓 靔 奲?D| 疑維 d袣箈 Q| 榉慓採紤婏(鞄-h-蜪7I冑?匨+蘮.-懸 6 鶚?蚧?铒鷈?叛牪?蹾 rR?*t? 檸?籕
