论文总字数：18886字

摘 要

现如今绝大多数安全系统依赖于人物识别技术，其中包括人脸检测。但是不同的外部环境会对人脸识别造成不同程度的干扰，特别是面部遮挡。

为了提高安保系统的安全系数，可以采用基于峰值聚类的人脸遮挡检测技术对市面上的安保系统加以改进和完善。目前对于人脸遮挡检测的大部分研究都是从有监督学习方法的角度进行的，这样就需要大量的样本，并且还要在样本集中明确地标记出人脸和非人脸的属性，从而耗费巨大的人力和物力，代价昂贵。

所以在遮挡物的形状和种类千差万别并且能够用于遮挡检测的样本又很少的情况下，采用峰值聚类的方法可以从无监督学习方法对人脸识别进行实验分析，从而做到计算简单，不受形状和空间维度的影响。本课题拟采用峰值聚类的方法进行人脸遮挡判别以验证峰值聚类算法的可效性。

关键词：人脸遮挡；样本；无监督；峰值聚类算法

Face Occlusion Discrimination Method Based on Peak Clustering

Abstract

At present, the vast majority of security systems rely on character recognition technology, including face detection.However, different external environments will cause different degrees of interference to face recognition, especially face occlusion.

In order to improve the safety factor of the security system, face occlusion detection based on peak clustering can be used to improve and perfect the security system on the market.At present, most researches on face occlusion recognition are carried out from the perspective of supervised learning method, which requires a large number of samples, and also marks the attributes of face and non-human face with clear sample set, thus consuming huge manpower and material resources and expensive cost.

Therefore, the peak clustering method can be used to carry out experimental analysis on face recognition from unsupervised learning method under the condition that the shapes and types of occlusion objects are very different and the samples that can be used for occlusion detection are few, so that the calculation is simple and is not affected by shape and spatial dimensions.This topic intends to use the peak clustering method for face occlusion discrimination to verify the effectiveness of the peak clustering algorithm.

Key words: face occlusion , Samples , No supervision , Peak clustering algorithm

目 录

摘 要 I

Abstract II

第一章 引 言 1

1.1. 课题研究内容及意义 1

1.2. 人脸检测的研究现状 2

1.3. 课题研究难点 3

1.4. 论文框架结构 4

第二章 图像处理 5

2.1. 基于人脸生物特性的方法 5

2.1.1. 肤色提取 5

2.2. 噪声去除 6

2.2.1. 椒盐噪声的定义 6

2.2.2. 中值滤波的定义 6

2.2.3. 方法实现 7

2.3. 基于Canny算子的肤色区域分割 8

2.3.1. 算子的定义 8

2.3.2. Canny边缘检测算子 8

2.3.3. 图像分割的主要流程 8

2.3.4. 方法实现 10

2.4. 链码 12

2.4.1. 链码的定义 12

2.4.2. 链码跟踪 13

2.4.3. 方法实现 13

2.5. 本章小结 16

第三章 遮挡判别的实现 17

3.1. 聚类算法 17

3.1.1. 聚类的定义 17

3.1.2. 常见的聚类算法 17

3.1.3. 峰值聚类算法 17

3.2. 人脸特征判断 18

3.2.1. 特征提取 18

3.2.2. 灰度均衡 19

3.2.3. 直方图均衡化 19

3.3. AR数据库 20

3.4. 最终实验的结果 20

3.5. 本章小结 21

第四章 总结和展望 22

4.1. 总结 22

4.2. 展望 22

致谢 23

参考文献 24

引 言

课题研究内容及意义

人脸识别技术通过采集人的面部特征信息对人进行身份识别。由于它具有无侵害性，自然性和直观性，被人们广泛运用于各大安保系统。人脸检测与人脸识别不同，它指的是采用一定的方法在给定的图像内进行区域搜索，从而判断图像中是否有人脸的存在。在系统确定原始图像中含有人脸之后，会给人脸的位置做好标记，展现出人脸的大小、姿态等信息。在技术初步发展的阶段，人脸检测只不过是人脸识别的第一步处理，是一个小的操作。但是，如今人脸检测的应用范围早经远远超过人脸识别，在各个领域都有着举足轻重的实践和理论意义。

人天生就有辨别人脸的能力，对于人脸识别的研究大致可以分成三个阶段：

一九六五年至一九九零年是人脸识别检测的初级阶段。由于刚刚起步，人脸识别也只是被研究者当成一般性的识别问题。当时采取的技术方法比较落后，大多数研究都是通过基于几何结构特征的方法对图像进行识别，因此研究成果并不多，实验所得到的成果也没有被真正地运用于实际生活当中。

一九九一年至一九九七年是人脸识别研究活跃的重要时期。各种不同的人脸识别算法被狂热的研究者们所讨论交流，“特征脸”方法是其中最著名的方法之一。这一时期诞生的Fisherface人脸识别方法仍是当今人脸识别的主流方法。

剩余内容已隐藏，请支付后下载全文，论文总字数：18886字