基于決策級融合的人臉識別

1、摘要：基于決策層融合的人臉識別，孫玉潤，背景介紹，人臉識別從固定尺寸照片的靜態(tài)匹配到視頻圖像序列的實時匹配，這項技術(shù)有著廣泛的應用背景。人臉識別技術(shù)已經(jīng)從最初對標準正面灰度圖像的識別發(fā)展到現(xiàn)在人臉識別的動態(tài)實現(xiàn)，新興的3D人臉識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間獲得的圖像進行融合，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算機處理的合成圖像。對于人臉識別，人臉識別的一般步驟是：(1)人臉檢測(2)特征提取(3)分類識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，并對分類和識別進行比較和判斷。對于圖像融合，圖像融合可以

2、分為：(1)像素級融合；(2)特征級融合；(2)決策層融合。像素級融合是指對傳感器采集的數(shù)據(jù)進行直接處理以獲得融合圖像的過程。特征級圖像融合是對源圖像進行特征提取后獲得的特征信息進行融合，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)一定的標準和每個決策的可信度做出最佳決策，具有實時性好、容錯性強的優(yōu)點。不同的角度說明不同的表情、工作計劃、工作計劃：由于所使用的方法與傳統(tǒng)的人臉識別有很大的不同，所以有必要從0開始設計軟件來進行實驗。估計總工作時間為60天。其中，調(diào)查時間為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、決策級圖像融合、中得到的特征向量進行決策級融合，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庫作為獨立模塊實現(xiàn)人臉輸入設計，同時編譯。所以讓張的實驗室里的其他學生使用。添加了兩個中介參數(shù)，照明和分辨率。步驟2:零件檢

4、測。該工具使用opencv社區(qū)提供的四個分類器實現(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)絡檢測眼睛、鼻子、眼鏡和人臉的整體特征，并根據(jù)領域知識判斷檢測到的區(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)有識別算法的性能和魯棒性下降。局部特征反映了圖像對象的結(jié)構(gòu)特征，是圖像對象固有的屬性特征，對條件的變化不敏感。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)計方法提取整體特征。計算簡單，能夠捕捉到圖像中少量的細節(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對應于圖像局部鄰域中中心像素的灰度值，gi (i=O，p-1)對應于以中心像素為中心、半徑為r的圓上等距分布的P個像素的灰度值，則相鄰區(qū)域的定義通?？梢杂弥祵?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)化為識別匹配度。這里編程的分類方法是SVM:基于結(jié)構(gòu)風險最小化的原則，通過特定的非線性映射將輸入向量映射到高維特征空間。標準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，否則它被分配給負類。后驗概率p(類輸入)=p (y=1 | x)=f (f (x)，步驟5:決策級融合，決策融合方法包括統(tǒng)計方法：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、自適應神經(jīng)網(wǎng)絡、熵方法和基于認知模型的方法讓訓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，并完整地完成進度報告：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)補充計劃：與高晨陽合作。高晨陽的同學們在張國一老師的指導下進行特征級整合。想象一下，如果照明和角度這兩個條件被分成兩步，圖像被分成五個照明*三個角度。第一步是同一角度的特征級融合，第二步是不同角度的決策級融合。謝謝你！感謝張國一先生