Opencv+Adaboost基于人脸识别与认证的准入系统设计(4)
(3)基于小波变换的方法
近年来，小波变换在图像分析领域已经成为一个非常有用的工具，尤其在图像处理和图像编解码领域体现出了良好的性能[18-21]。小波变换通过对信号用一种不同尺度的带通滤波器进行滤波，将信号分解到不同频带上进行分析处理，具有良好的时频域局部性能、多分辨率分析等优点。
(4)基于神经网络的方法
神经网络在人脸识别应用中有很长的历史，最早用于人脸识别的神经网络主要是Kohonen自联想映射神经网络，主要用于恢复人脸图像受噪声污染严重或缺损部分。最早将人工神经网络(ANN)用于人脸识别的是Kohonen[22]，他建立了一个采用关联图的人脸记忆系统。Lin[23]等人提出了基于概率决策的人工神经网络方法(Probabilistic decision-based neural netwok)的人脸识别方法。Meng[24]等人提出了一种混合方法，首先通过主成分分析(PCA)方法降文，然后采用径向基(Radial Basis Function，RBF)神经网络进行分类识别。由于RBF神经网络具有紧凑的拓扑结构和较快的学习速度，在人脸识别领域取得了较为成功的应用。
(5)基于局部二值模式的方法
基于局部二元模式(LBP)[25]最早由Ojala等提出，是一种非常有效的纹理描述方法[26]，具有旋转不变性的优点。由于该算子对人脸定位的误差以及光照变化具有较好的鲁棒性，Ahonen等人将其成功应用于人脸识别方法[27-28]。他们将人脸均分为许多子窗口，从每个子窗口中提取出LBP直方图，然后将这些直方图连接成一个直方图，用此直方图来描述人脸。人脸图像之间的相似度用直方图之间的卡方距离表示。这种直方图能有效表征人脸图像的局部纹理和全局的形状特征，并且对光照的变化不敏感。在FERET数据库上的实验结果表明，这种方法比PCA、EBGM和LDA等方法要好。
1．4 论文的研究内容及章节安排
本文共分为五章，各章节主要内容如下：
第一章绪论。本章介绍了人脸识别的研究意义，发展历史和研究现状，分析阐述了人脸识别的研究内容和研究方法。
第二章详细介绍了基于Adaboost的人脸检测算法的基本原理，对人脸检测的流程进行了分析。本文使用基于Haar特征的Adaboost人脸检测算法。
第三章介绍了相关的预处理操作，分为灰度归一化，几何归一化和光照标准化三部分，分析了图像预处理工作的必要性。
第四章介绍了两种人脸识别算法，分别为基于PCA（Principle Component Analysis）的人脸识别算法和基于LBP（Local Binary Pattern）的人脸识别算法。
第五章介绍系统的设计与实现，包括技术平台的选择,设计以及具体实现过程。
2 基于Adaboost算法的人脸检测
人脸识别技术经过几十年的发展，进入到如今的机器识别阶段，其很多的检测、识别工作都是智能的，但是整个人脸识别的流程仍然没有改变，智能的人脸识别系统仍然分为人脸检测和人脸识别两个主要方面。因此，在研究过程中，识别率的高低以及系统性能的好坏直接受到所选择的人脸检测和识别的算法的影响。在人脸检测这块，本文选取性能较为稳定，检测率比较高的Adaboost人脸检测算法。
人脸具有共性和差异性。人脸检测是在寻找人脸的共同属性，即根据给定的一幅图像或一帧进行图像分析，找出属于人脸同的属性，用一定的标示表示出来，证明人脸的存在或不存在。
Adaboost算法是采用分类器的思想，把人脸检测问题看成是一个只有两个类的分类问题，即将图像分为“脸”和“非脸”两大类。人脸检测的目的是通过对大量训练样本的学习，去减少“脸”的类内可变性，而增加“脸”与“非脸”之间的类间可变性。
下一篇：传感器网络协议数据管理技术研究