论文总字数：24897字

摘 要

人脸识别技术在身份识别领域有着广泛的应用，它以高清图像作为输入，使用计算机先对图像做必要的预处理，然后进行有针对性的分析，进而提取出重要的信息以用于后续分析。经过多年的发展，它已然成为人工智能和模式识别方向的热门领域。

本文首先使用基于AdaBoost的Harr分类器从待测图像中检测人脸区域，对检测到的区域执行灰度化、直方图均衡化等预处理操作。然后采用基于ASM的人脸跟踪方法提取人脸特征，输出人脸68个特征点的位置。基于人脸跟踪阶段获取到的人脸特征点，本文又进行了人脸身份识别和表情识别实验。其中人脸识别采用Fisher脸方法对特征进行降维之后再进行识别，表情识别则是基于FACS人脸运动编码系统，使用SVM分类器将输入带有人脸的图像分类为7种基本表情。

关键词：Fisher脸 SVM FACS PAC ASM

Research and implementation of face and identity recognition algorithm

Abstract

Face recognition technology has a wide range of applications in the field of identification. It uses high-definition images as input, uses computers to perform the necessary pre-processing of images, and then performs targeted analysis, and then extracts important information for subsequent analysis. After years of development, it has become a hot area for artificial intelligence and pattern recognition.

This paper first uses the Harr classifier based on AdaBoost to detect the face area from the image, and performs preprocessing such as graying and histogram equalization on the detected area. Then ASM-based face tracking method is used to extract face features, and the position of 68 feature points of the face is output. Based on the face feature points obtained in the face tracking stage, the face recognition and face recognition experiments were performed. The face recognition uses Fisherface method to identify the features after dimension reduction. The expression recognition is based on the FACS face motion coding system. The SVM classifier is used to classify the images with human faces into 7 basic expressions.

Keywords: Fisher face; SVM; FACS; PAC; ASM

目录

摘 要 I

Abstract II

第1章 绪论 1

1.1 课题研究的背景及意义 1

1.2 国内外研究状况 2

1.2.1 人脸识别技术的发展及研究现状 2

1.2.2 表情识别技术的发展及研究现状 3

1.3 本文研究内容及章节安排 4

1.3.1 主要研究内容 4

1.3.2 章节安排 5

第2章 人脸检测与预处理 6

2.1 基于Haar分类器的人脸检测方法 6

2.1.1 Harr分类器概述 6

2.1.2 Haar-like特征与积分图 7

2.1.3 基于AdaBoost算法的分类器 9

2.1.4 强分类器级联 10

2.2 人脸图像预处理 11

2.2.1 人眼定位 11

2.2.2 几何变换和裁剪 12

2.2.3 直方图均衡 13

2.2.4 平滑和椭圆掩码 14

2.3 实验过程与结果分析 15

2.4 本章小结 20

第3章 基于ASM的人脸跟踪 22

3.1 ASM建模 22

3.1.1 数据收集：特征点标定 22

3.1.2 对齐操作 24

3.1.3 线性形状模型 26

3.1.4 相关性块模型 27

3.2 ASM特征点匹配 28

3.2.1 确定形状的初始化位置 28

3.2.2 计算新位置 29

3.3 基于ASM的人脸跟踪实现 29

3.4 实验过程与结果分析 34

3.5 本章小结 35

第4章 基于Fisher脸的人脸识别 36

4.1 Fisher线性判别分析 36

4.2 基于Fisher脸的人脸识别实现 37

4.3 实验过程与结果分析 38

4.4 本章小结 40

第5章 基于SVM的人脸表情识别 41

5.1 支持向量机 41

5.1.1 最优分类面 41

5.1.2 SVM的核函数 42

5.2 多类SVM分类器 43

5.2.1 “一对多”分类法 44

5.2.2 “一对一”分类法 44

5.3 人脸表情和AU 45

5.4 基于SVM的人脸表情识别实现 47

5.5 实验过程与结果分析 49

5.6 本章小结 51

第6章 总结与展望 52

参考文献 53

绪论

课题研究的背景及意义

人类从自然界中获取信息的主要方式就是视觉，根据调查，在人类接触的所有信息中，视觉信息占60%，听觉信息占20%，其余感官感觉如味觉等占余下的20%。显而易见的是，视觉信息对于人类来说是至关重要的。

人类的面部拥有着大量的视觉信息，比如身份信息，表情信息等，现在许多计算机的感知输入都是基于这些信息的。伴随着科学技术的不断发展和完善以及持续增长的市场需求，人脸检测作为面部识别的先导步骤，已然成为一个热门的研究课题。人脸检测技术实质上就是自动判断待检测的图像中是否存在类似人脸形状，若检测到图像中有人脸形状则会输出一些有价值的信息，比如当前画面人脸个数，人脸相对位置以及尺寸等^[1]。人脸跟踪技术则是根据输入视频序列的第一帧确定人脸方位之后，后续自动判断人脸方位的变化进行跟踪^[2]。基于上述的检测和跟踪输出结果，研究人员才能对人类面部信息进行分析并产生准确的判断。

人脸识别技术相较于其它生物特征识别，比如指纹识别，虹膜识别，视网膜识别，具有更加直接，更加安全的独特优势^[3]。这是因为人脸具有一定的不变性和唯一性，更为重要的是，人脸图像的识别还能提供被检测者的年龄、性别等重要信息。

请支付后下载全文，论文总字数：24897字