【Android论文栏目提醒】:网学会员在Android论文频道为大家收集整理了“基于Android平台的人脸识别研究 - 毕业设计“提供大家参考,希望对大家有所帮助!
中国科学技术大学 硕士学位
论文基于And roid平台的人脸识别研究 作者业: 计算机应用技术 导师完成时间: 二O一二年四月十五日 I I I I IllUlIIIIIIIIIHIIIIIIIIIIIII Y21 25724U niversity of Science and Technology of China A d issertation for master’S deg ree F Recog a Resea iceeciti’n Fh Recogn tion Researc based on And roid Platform Author’S Name: Kuikui Lu Speciality: Computer Application Technology Supervisor: Associate Prof.Langfang Dong Finished time” April 15仆,2012 中国科学技术大学学位
论文原创性声明 本人声明所呈交的学位
论文,是本人在导师指导下进行研究工作所取得的成果。
除已特别加以标注和致谢的地方外,
论文中不包含任何他人已经发表或撰写过的研究成果。
与我一同工作的同志对本研究所做的贡献均已在
论文中作了明确 作者签名:趣的说明。
签字日期: W f2.f 2铲 中国科学技术大学学位
论文授权使用声明 作为申请学位的条件之一,学位
论文著作权拥有者授权中国科学技术大学拥有学位
论文的部分使用权,即:学校有权按有关规定向国家有关部门或机构送交
论文的复印件和电子版,允许
论文被查阅和借阅,可以将学位
论文编入《中国学位
论文全文数据库》等有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位
论文。
本人提交的电子文档的内容和纸质
论文的内容相一致。
保密的学位
论文在解密后也遵守此规定。
7-o 12.』.狐 聊虢塑~ 签字日期: 签字日期: 塑!垦!苎:堡 摘要 人脸识别作为生物识别技术的一种,具有无接触、安全和方便的特点。
人脸识别技术广泛应用于人机交互、交易认证及安防等领域,一直是生物识别技术研究的热点。
近年来,随着移动互联网的发展,智能手机平台获得了长足的发展。
然而,手机钱包、手机远程支付等新应用的出现使得手机平台的安全性亟待加强。
传统的密码认证存在易丢失、易被篡改等缺点,人脸识别不容易模仿、篡改和丢失,因而适用于手机安全领域中的应用。
人脸识别包括人脸检测、特征定位、人脸归一化、特征提取和特征识别。
本文研究了人脸识别中的关键问题,并在Android平台上实现了基于图像的人脸识别系统,主要的研究内容和成果如下: 1)总结了人脸识别中常用算法,给出了算法的优缺点及适用范围。
改进已有的人脸检测算法,使用基于肤色和Adaboost算法相结合的方法进行人脸检测,提高了人脸检测的效率。
实验表明此方法对光照、表情及姿态变化具有较高的鲁棒性。
2)研究了基于ASM算法的人脸特征定位方法,设计了基于人脸轮廓的人脸归一化方法,根据归一化中出现的问题,进一步提出了人眼位置与人脸轮廓结合的人脸归一化方法。
3)研究局部二元模式特征,设计并实现了基于图像多级分块的人脸LBP直方图特征提取算法,实验表明,该算法具有区分度高、计算复杂度低和特征维数可控的特点。
4)实现了基于Android平台的人脸识别系统,系统完成了从人脸检测到人脸识别的整套功能。
在Yale人脸图像库上采用交叉验证的方法进行识别,正确识别率达96.97%,平均识别时间为80ms,充分验证了算法的有效性和实时性。
在Essex人脸数据库face95子集上的实验表明,该系统具有较高的准确率,识别率达89.13%。
关键词:人脸识别Android平台Adaboost算法ASM算法人脸归一化LBP模式II Abstract recognition has the Comparing with other biological recognition methods,face has beenadvantages of non-touching,safety and convenience.Face recognition human transactionwidely used in computer interaction,online authentication, and etc.For that reason,face recognition has been ofintelligent protection alert onethe hottest topics which researchers pay attention to. In recent years,smart phone platforms achieve rapid development according to mobile payment,remoteprosperous of 3G wireless technology.The applications,liketransaction,make our life easier but bring more safety issues too.Traditional safetycertification uses password as authentication method.which iS 1iable to falsificationand forgetfulness.Facial feature Call overcome the disadvantages brought bytraditional methods,SO it is fit for safety applications on smart phone platform. Face recognition Can be divided into several stages,including face detection,feature location,face alignment,feature extraction and feature classification.In thisthesis,several key algorithms are investigated and improved in order to enhance theefficiency of overall performance,and a face recognition system based on Androidplatform is implemented finally.The main contents and innovations are listed asfollows: 1)The paper first summarizes face recognition algorithms in common use andthe associated research situation on handset devices,and then introduces Androidplatform in short. 2)Face detection algorithm based Adaboost and skin model is proposed,whichis robust to illumination and has higher detecting speed than Adaboost method.Thenthe thesis studied the basic principal of Active Shape Model in feature location,andput forward a new face alignment algorithm based on facial profile.Moreover,theeyes location is introduced in order to enhance the alignment accuracy.After that,thethesis presents a new feature extraction method which uses multi—level imageblocking mode to extract Local Binary Pattern histogram from aligned face image.According to our experiment,the feature extraction method can be finished inreal—time,and the dimension of ultimate feature is controllable. 31 Finally,a face recognition system based on Android platform is implemented.The system used the methods described above.The recognition rate is 96.97%on Yale TII 如∞ n m叫 跚;拿 m s 融 e b心e 陀 ~慨 啪哳 ?篡 e 聆 m 腿 篡峥 眇坶 哟 .m ∞m 咖‰腻 ~ 咱.g娟 .K m涵 ∞ 呲 ∞昭 陀 p p,ywords:Face recognition;Android platfonIl;Adab。
ost algorithm;AsM algoriⅡ1111;Face alignment;Local Binary Pattern. IV 目录第一章绪论……..……………………………….1 1.1研究背景……………………………………………………………………….1 1.2研究现状及意义……………………………………………………………….1 1.3 Android平台……………………………………………………………………6 1.4
论文内容及组织形式………………………………………………………….9第二章人脸检测………….………………………11 2.1颜色空间………………………………………………………………………11 2.2 Adaboost人脸检测算法………………………………………………………14 2.3肤色模型与Adaboost相结合的人脸检测………………………………….22 2.4实验结果………………………………………………………………………23 2.5本章小结………………………………………………………………………24第三章人脸特征定位与人脸归一化…………………….25 3.1 ASM算法……………………………………………………………………一25 3.2基于ASM算法的人脸特征点定位…………………………………………30 3.3人脸图像归一化………………………………………………………………31 3.4基于ASM算法的人脸图像归一化…………………………………………35 3.5实验结果………………………………………………………………………39 3.6本章小结………………………………………………………………………41第四章基于LBP直方图的特征提取…………………….43 4.1 LBP算子………………………………………………………………………43 4.2基于多级图像分块的LBP直方图特征提取……………………………….46 4.3直方图特征度量方法…………………………………………………………48 4.4本章小结………………………………………………………………………48第五章基于Android平台的人脸识别系统实现……………49 5.1系统说明………………………………………………………………………49 V——————————————————』L壁————~ = 5·3实验结果与分析………………………………………………………………5l 5.4本章小结………………………………………………………………………54第六章总结及展望………………………………..55 6.1结论……………………………………………………………55 6.2下一步工作及展望……………………………………………………………55参考文献………………………………………..57致谢……………………………………………63在读期间发表的学术
论文与取得的其他研究成果…………..65 VI 第一章绪论1.1研究背景 手机已经成为人们生活的必需品,其功能已经不再局限于短信和通话等基本应用。
随着智能手机平台,如Android平台、iPhone平台的快速发展及手机硬件性能的大幅度提高,基于智能平台上的手机应用呈爆炸式增长。
在这些应用中,很多应用都与个人隐私和个人认证密切相关。
手机安全保护主要是解决两方面的问题,即个人隐私保护和远程个人认证。
手机丢失和失窃带来的不仅是财务上的损失,而且会招致一系列的安全隐患,如手机诈骗、重要信息被窃取等。
此外,智能手机兼具远程支付和电子货币等功能【l】,传统的手机认证方法多采用PIN码或者密码进行验证,但PIN码和密码容易丢失、忘记或者混淆,如果设置过于简单,那么很容易被攻破,所以很容易发生冒名顶替的危险。
因此,如何才能更加有效和方便地进行手机安全保护是一个迫切需要解决的问题。
现有的安全验证措施多采用密码验证的方式,而密码认证存在两方面的缺点:一是容易遗忘和混淆;二是容易暴力破解和窃取。
生物识别技术是利用人的生理特征或行为动作进行身份验证的一种技术,由于生物特征具有很强的稳定性和显著的个体差异,因而是理想的身份验证特征,如人脸特征、指纹特征、掌纹特征和虹膜特征等。
人脸识别技术与其他生物识别技术相比具有无接触、方便、直观和隐蔽性好的特点,因而受到了国内外众多学者关注与研究〔2-15】。
人脸识别技术具有广泛的应用领域,如电脑登录,公司考勤,出入口监控,银行安防和刑事侦查等。
因此,智能手机平台上的人脸识别技术有助于解决手机安全保护问题,提供更加安全、方便的用户体验。
1.2研究现状及意义 人脸识别首先需要将人脸从背景区域中分割出来,之后提取人脸区域的特征,最后进行认证和识别【2】。
人脸识别包含图像预处理、人脸检测、特征定位、人脸归一化、特征提取和特征识别等多个子过程,如图1.1所示。
其中,人脸检测、特征定位、人脸归一化和特征提取是人脸识别研究的重点,决定着人脸识别系统的最终性能。
人脸识别中的各个子过程之间并不是相互独立的,而是相互依存的、相互依赖的,当前子过程产生的结果直接影响下一个子过程的实施,例如, 第一章绪论————————————————————————————————————二_————————一.一一一 二_特征提取的有效性将直接影响特征识别的结果。
输 H科 输 入 出 图 结 卅碰理。
一 一咽馕一酬引耕型 像 田槲剖 果 页恤垆怄霪 图1.1人脸识别流程1.2.1人脸识别发展 目前,国内外对人脸识别的相关研究较多,国外机构有麻省理工学院(MIT)‘31,卡内基梅隆大学(CMU)‘41,微软研究院等,国内机构有中科院自动化研究所【5,6,9】,清华大学〔7,引,哈尔滨工业大学〔91,中国科学技术大学〔10】等。
人脸检测是人脸识别的第一步,目的是从图像中检测是否存在人脸以及定位人脸的粗略位置。
人脸检测方法主要分为基于特征的方法、模板匹配方法和基于外观的方法等u¨。
基于特征的方法主要利用人脸图像中的结构特征作为人脸检测的依据,这些特征对人脸姿态、视角和光照等变化不敏感,具有一定的稳定性。
基于特征的方法主要有肤色模型方法【12,1 31、Adaboost算法〔14。
161等。
人脸肤色在一些颜色空间 (如YCrCb空间)聚类显著,所以使用肤色分割的方法能够排除掉大部分非人脸区域。
基于肤色的方法首先根据人脸肤色在颜色空间中的聚类特征得到候选人脸区域,然后对候选人脸进行验证。
肤色模型受人脸姿态、大小和表情的变化的影响较小,计算复杂度低,但易受光照等环境因素的影响,鲁棒性较差。
Adaboost算法使用Haar特征【14l进行人脸检测。
Haar特征是一系列的简单的矩形特征,Adaboost方法利用人脸的Haar特征构造出若干简单的弱分类器,然后按照一定的方式组合这些弱分类器使之成为强分类器,最后使用强分类器检测图像特定的区域是否通过分类器,若通过则判定为人脸。
Adaboost人脸检测算法具有较高的实时性和良好的扩展能力,受姿态、大小、光照等因素的影响较小,鲁棒性较强。
模板匹配方法【17。
1 9】首先手工构造一个标准的人脸模式或者参数化的人脸模式,这些模式一般是根据人脸轮廓、眼睛、鼻子和嘴巴的轮廓特征或者灰度特征计算得到的。
然后,对给定的输入图像,计算图像待检测区域与标准人脸模式的相关值,最后根据相关值的大小判断给定区域是否为人脸。
模板匹配方法具有实现简单的特点,但由于模板匹配方法受图像分辨率、姿态和形状的影响较大,所以检测效果难以令人满意。
研究者通过引入多分辨率方法【17】、子模板方法〔181和变形模板方法〔1 9】来克服图像分辨率变化对模板匹配的影响,增强模板匹配的效果,提高匹配效率。
基于外观的方法人脸检测有神经网络方法九和支持向量机方法阢221等。
神经网络方法通过模拟神经网络的结构来实现人脸检测的二分类问题。
神经网络方法使用节点来模拟神经系统中的“神经元”,使用节点之间的权值模拟神经元之间的信号,输入信号经过各个层的节点处理,最终映射为人脸分类的结果,即“人脸,,与“非人脸”。
神经网络模型具有自学习能力,因此不用关心内部处理的细节;神经网络模型可以模拟复杂的非线性关系,所以具有良好的扩展能力。
由于神经网络的复杂性较高,所以确定神经网络的层数和节点数是模型建立的难点,难以找到相关的参考依据。
支持向量机,(SupportVector Machines)是一种建立在结构风险最小化基础上的统计学习模型【22】。
支持向量机的思想是寻找“人脸”与 “非人脸”两种样本的最优分类面,以达到人脸二分类的目的。
支持向量机方法的难点在于高维分类面难以确定,具有较高的时间复杂度。
Heiselet等人使用训练图像的局部区域而不是整幅人脸来训练多个简单的SVM分类器【221,检测时,如果图像的特定区域能够通过相应的分类器则判定为人脸。
与整幅人脸图像作为训练特征相比,使用图像局部区域来训练SVM分类器的思想减少了算法的计算复杂度,提高了检测效率。
人脸特征定位的目的是为了获得更加精确的人脸姿态、大小和位置信息,为人脸归一化打下基础。
特征定位方法主要有积分投影法【23,241,模板匹配算法【25】和基于轮廓特征的方法等【19,251。
由于人眼具有显著的特征,所以人脸五官定位多以人眼定位作为基础与依据。
图像积分投影的方法的基本思想是将一幅二维图像沿垂直于某一投影轴的方向,使用所定义的投影函数,得到一维的投影序列,通过分析投影数据的的分布特点计算得到兴趣点位置。
选取不同的投影轴进行投影,可以分析图像在不同方向上的灰度分布特征。
典型的投影轴的选取可以是图像坐标系的横轴与纵轴,此时,相应的投影序列分别被称为垂直投影和水平投影。
在人脸灰度图像中,眼睛部位与人脸其他部分相比具有较深的灰度信息,所以在进行水平或垂直投影时,对应区域的投影值较小,通过搜索垂直投影数据上的局部最小值即可得到双眼的横坐标位置,同理可以得到人眼的纵坐标位置。
图像积分投影是一种简单、高效的人眼定位方法,但存在以下缺点:人眼位置定位容易受到头发、佩戴物的影响;投影数据的局部极小值难以确定,通常需要借助曲线拟合方法得到;对人脸图像的要求比较苛刻,要求人脸检测的位置相对精确且不能有太大偏转角度。
Yuille等人提出基于可变形模板的方法定位眼睛的位置【l 91,该模型使用圆形定义虹膜边缘,使用两条开口的抛物线定义上下眼睑,定义了一个能量函数作为匹配度评价的函数。
可变性模板利用了人眼区域的信息进行精确定位,不需要进行相应的训练。
但算法也存在固有的缺点:能量函数中的权值需要根据实验确定,无法确保最优;模板的初始位置对定位的结果和算法的时间性能影响较大。
Lam等人提出了一种改进的方法来解决计算复杂度较高的问题【25】25,首先定位到人脸的粗略位置,然后估计人眼位置,然后使用可变性模板定位人眼。
人脸轮廓定位有Snake模型、主动形状模型(Active Shape Model.ASM)t26〕和主动外观模型(Active Appearance Model,AAM)〔27〕等。
Snake模型由多个控制点构成的连续闭合曲线组成,使用一个包含内部和外部的能量函数作为匹配度评价函数。
Snake模型的缺点在于模型本身不包含目标对象的相关信息,在噪声和局部变形较大的情况下易出现定位错误。
Huang等人通过在能量函数中引入边界和肤色特征等先验规则,将Snake模型应用于人脸特征定位,取得了不错的效果,提高了算法的鲁棒性【281。
Cootes等人提出了主动形状模型,该模型是一种基于统计学的可变形状模型。
ASM模型使用一组离散点描述对象的形状,使用主元分析法建立由平均形状和可变部分组成的模型,并对各个离散点的基准位置和移动范围进行约束。
ASM模型通过计算特征点法线方向上的灰度分布特征确定特征点的移动方式,一般为物体的轮廓特征。
与Snake模型相比,ASM模型加入了对象物体的先验知识,因此对光照和噪声不敏感,具有收敛速度快和定位准确的优点。
主动外观模型综合图像轮廓和图像纹理信息进行特征定位,与ASM模型相比,AAM增加了对象的纹理特征作为定位过程中形状变化的参考.