摘 要

人脸检索目前是计算机视觉和模式识别领域的重要研究课题，人脸检索在各个领域的应用也越来越多，各行各业的信息安全都离不开人脸检索。支持向量机是基于统计学习理论发展起来的一种学习型算法，在解决分类问题时表现出了很好的性能。

本文研究了不同的图像预处理方法并选取了最合适的方法对采集的图库样本进行预处理；利用HOG来提取特征，并详细介绍了该方法；基于SVM设计了分类器并对图库图像进行训练得到了相关模型。

本文基于SVM和HOG完成的人脸检索系统的检索率高达99%，能有效的检索出输入图像中的人脸并进行位置框定，且框定的准确度很高。本文设计系统的局限性在于对非正面人脸的检索率不是很理想，还需要进一步优化分类器。

关键词:人脸检索 支持向量机 方向梯度直方图

Abstract

Face retrieval is an important research topic in the field of computer vision and pattern recognition, and there are more and more references in every field of human face retrieval, and the information security of all walks of life can not be separated from face retrieval. Support Vector Machine (SVM) is a learning algorithm developed based on statistical learning theory, which shows good performance in solving classification problems. In this paper, we study different image preprocessing methods and choose the most suitable method to deal with the collected gallery samples, extract the features by using hog, and introduce the implementation method in detail, and then design the classifier based on SVM and get the model of the image of the gallery. The retrieval rate of the human face retrieval system based on SVM and hog is as high as 99%, which can effectively detect the human face in the input image and frame it, and the accuracy of framing is high. The limitation of the system designed in this paper is that the retrieval rate of the non frontal face is not ideal, and further optimization classifier is needed.

Keywords: Face Retrieval Support Vector Machine Histograms of Oriented Gradients

目录

摘要 I

Abstract II

第1章 绪论 1

1.1引言 1

1.2人脸检索的研究背景及意义 1

1.3人脸检索的研究现状 2

1.3.1基于知识的方法 2

1.3.2基于特征的方法 3

1.3.3基于模板的方法 3

1.3.4基于统计学习的方法 3

1.4本文的主要工作及章节结构 4

第2章 支持向量机 5

2.1 引言 5

2.2 统计学习理论 5

2.3线性支持向量机 6

2.3.1最优分类面 6

2.3.2广义最优分类面 8

2.4非线性支持向量机 9

2.5核函数 10

第3章 图像预处理 11

3.1引言 11

3.2图像的灰度化 11

3.2.1图像的灰度变换 11

3.2.2图像的二值化 13

3.2.3直方图均衡化 13

3.3图像的平滑 14

3.3.1 高斯滤波法 15

3.3.2中值滤波法 15

3.3.3自适应滤波法 16

第4章 人脸检索系统 18

4.1引言 18

4.2人脸检索的评价标准 18

4.3人脸图像的预处理 20

4.4方向梯度直方图 20

4.4.1 HOG的主要思想 20

4.4.2 HOG的具体实现 21

4.5 SVM分类器 23

4.6人脸检索的实现 24

4.7人脸检索结果 25

第5章 总结与展望 26

5.1总结 26

5.2展望 26

参考文献 27

致谢 28

第1章 绪论

1.1引言

随着科技的不断发展，信息技术领域的变化也是日新月异，信息安全逐渐进入人们的视野，近年来人们对信息安全的重视也愈演愈烈。寻找具有唯一性的身份识别成为了热门话题，并且要求这种识别检索是快速和有效的。身份识别是保证各种系统安全性的前提和基础，对于国家安全、公司安全、电子商务、保安监控等领域来说一个准确的身份识别和鉴定系统是必不可少的。传统的身份识别可以通过身份证、工作卡、智能卡等ID卡或者密码和密信等方法来完成，但这些方法都有诸多不便。

生物特征的便捷性和唯一性引起了研究人员的注意，人们开始将生物特征用于身份识别和鉴定。因此人脸识别、虹膜识别、掌纹识别、声纹识别、指纹识别等技术都快速的发展了起来。这些利用生物特征进行识别的技术都有着各自的优点，而相比于其它的生物特征，人脸更易于被采集而且在进行识别时会让被识别的人感觉更友好也更容易接受。随着社会对性能优秀的人脸识别系统的需要的增加，关于人脸识别的研究也就越来越多，人脸检索作为人脸识别的前提和基础，也逐渐被重视起来，并且作为一个单独的课题被研究。

1.2人脸检索的研究背景及意义

在日常生活中，人脸的姿态和表情都携带着大量的信息，人脸可以展示包括身份、年龄、性别以及情感和注意程度等复杂信息。人脸在身份识别和鉴定领域有着重要的意义。

随着人脸识别技术研究的逐渐深入，人脸检索作为人脸信息处理的关键问题也被人们重视起来。在二十世纪九十年代，人脸检索问题因为自身的重要性被作为一个独立的课题来研究。近年来，人脸检索成为了模式识别领域和计算机视觉领域中的一个重要研究课题，引起了高度的关注。随着相关研究的深入，该技术在视觉检索领域、安全访问领域、监控领域等多个领域中的应用也随之增加^[1]。

人脸检索的目的是在图像中尽可能准确的找到人脸，即人脸检索系统对输入图像进行检索，如果检索出输入图像中存在人脸就返回被检索出的人脸的位置，如果未能检索到人脸则判断为非人脸图像。

相比于其它的生物特征，人脸具有易于采集、稳定的优点，然而由于人脸的唯一性是体现在细节性上这就要求人脸检索需要细节化，以下原因则给人脸检索带来了很大的难度。

1.获得人脸图像的方法千差万别，光照的影响、对焦的好坏、色彩对比度的不同都会使人脸图像的分辨度和清晰度不同。图像可能存在噪声使人脸与背景不能很好的分割。

2.人脸的表情、姿态、肤色、外貌等特征都不是一成不变的，尤其是姿态和表情更是千差万别，这种不确定性会影响后续判断。

3.人脸还可能存在胡须、眼镜、饰品或其它的附属物，这会使输入图像充满不确定性，为判断带来难度。

由这些原因可以看出，人脸检索是一个复杂的问题，它充满了挑战。 如果能建立一个性能优秀的人脸检索系统不仅可以为后续的人脸识别提供良好的基础，使整个识别的准确度提高。同时人脸检索问题的解决也可以为其它类似的充满不确定性的模式识别问题提供一个思路，启发后来的研究^[2]。所以人脸检索是一个非常有意义值得研究的问题。

1.3人脸检索的研究现状

人脸检索问题被作为一个独立的课题提出后，关于它的研究就没有停止过，尤其是在国际上有名的MPEG7标准组织将人脸检索作为一项征求内容后，关于人脸检索的相关研究就越发的多。MPEG7标准组织致力于找到一种能够为各类多媒体信息提供标准化描述的方式，并且要具有可搜索性。人脸检索问题的研究可以给这种描述方式带来一定的启发。

目前，无论是在国内还是国外都有很多关于人脸检索问题的研究，其中国外比较著名的相关科研机构有MIT、CMU、USC等。国内也有许多科研机构在进行着相关研究，比较著名的有清华大学、四川大学、中山大学、中国科学院计算机科学研究所和亚洲微软研究院。有很多机构都在人脸检索研究领域进行了一系列的尝试和研究得到了很多有意义的成果，并且积累了丰富的关于该课题的经验，这些经验也可以运用到其它的模式识别问题。

近年来，国内外对人脸检索的研究越来越深入，研究人员开发了大量的相关方法。大体上有以下几种方法：

1.3.1基于知识的方法

基于知识的方法首先是将人脸的面部的各个特征之间不同的关系进行标准化的编码，然后找到一种合适且简洁的规则来描述这些关系编码，使各个特征间的关系清晰明了。在制定合适的规则后就可以利用这个规则来判断输入图像中是否存在人脸，并能得出相应的结论。田原嫄等人利用肤色检测与嘴部特征与人脸的关系实现了人脸定位^[3]。

该方法中很难将人脸的结构特征转化为一定的规则，若规则过于简单会使准确率降低，若过于复杂会使计算量加大运算速度降低，所以如何将特征结构转化为最为合适的规则是一个值得研究的问题。

1.3.2基于特征的方法

基于特征的方法首先是查找面部的不变特征，例如：面部、鼻子、眉毛、嘴唇、耳朵等，这些都是面部的不变特征。然后根据找到的面部不变特征来判断输入图像中是否存在人脸，并判断得出相应的结论。Kadir等人利用耳朵、面部等特征实现了生物定位系统^[4]。在具体实现时可以先利用边缘检索算子提取输入图像的特征，然后建立统计模型来完成后续的检索判断。

该方法对于图像的质量要求很高，因为该方法是基于特征的不变性所以要求输入图像的光照和角度都良好，并且要求输入图像中不能存在遮挡物。

1.3.3基于模板的方法

基于模板的方法是首先建立一个包含局部人脸特征的标准人脸模板；然后基于这个模板对输入图像进行匹配；紧接着计算输入图像和标准模板之间的匹配程度；最后根据匹配程度和置信度检索输入图像中是否存在人脸，并得出相应的判断结论。

在具体实现时可以先基于人脸的各种不变特征建立一个标准模板，然后将输入图像曲面和曲线参数化，在输入图像和模板间进行局部特征匹配，计算匹配度即可得出结论。

该方法的检索速度较快，且能检索背景较复杂的输入图像。然而，这种方法对图像的质量要求很高，噪声对结果影响很大，噪声的存在会使精度降低。

1.3.4基于统计学习的方法

统计学习方法是首先创建一个图库，并对图库里的人脸样本和非人脸样本进行训练学习。然后找到两类图像间的不同之处，制定相应的规则来区分两类图像的不同并利用分类器将两类图像分开，即可判断输入图像中是否存在人脸。在具体实现时机器学习的能力与图库样本的代表能力和相关的分类模型的精度有关。

在具体实现时可以使用人工神经网络，支持向量机和其他分类算法来完成。Han等人通过对网络进行剪枝来压缩深层神经网络，在不影响整个网络的性能下能极大的减少参数量^[5]。近年，又有一种将归一化层输入作为神经网络的结构，并且对每一个小批量训练数据进行归一化的方法被提出，这种方法极大的提高了学习率^[6]。Schroff等人在基于深度学习的方法下进行了优化，提出了一种直接对图像的映射学习的方法，获得了极好的效果^[7]。Sangeetha等人也提出了一种性能优良的SVM算法并获得了很好的结果^[8]。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：