2017智能视频监控环境下的人脸识别算法研究
总体框图
1.视频—图集(运动目标检测）
(1)基于关键帧的方法
基于关键帧的方法的基本思想是首先从视频序列中选取出满足某种事先制定规则
的关键帧，然后采用传统的静态人脸识别方法对提取的关键帧图像进行识别[7]。
除了选取视频序列中的单张关键帧进行人脸识别外，还可以对同一监测目
标的多张关键帧图像分别进行识别，并采用投票、距离累加等联合规则对多个识别结
果进行处理得到最终的识别结果
(2)基于图像集的方法
常用的主要有超分辨率重建、3D 重构、基于统计模型和基于流形的方法
邻域判别流形映射的视频人脸识别方法(See J, Fauzi M F A. Neighborhood discriminative manifold projection for face recognition in video[C]. IEEE International Conference on Pattern Analysis and Intelligent Robotics, )联合稀疏表示的视频人脸识别方法(首先将测试集中的像序列看作整体进行稀疏表示，并与标准集图像进行比对，搜寻标准集中相关度最高 的目标；同时对测试集中的单张图片进行稀疏表示，寻找外形相似的图片，之后将上 述两种稀疏约束联合起来进行识别，提高了特征表示的稳健性)
(3)基于有序视频序列的方法
视频人脸的概率识别[11] Zhou S, Krueger V, Chellappa R. Probabilistic recognition of human faces from video[J]. Computer Vision and Image Understanding, 2003, 91(1): 214-2
2.运动目标检测
-
图像差分法：QQ截图20180108172309.jpg
- 背景减法
- 帧间差分法
- 基于 AdaBoost 的人脸检测算法
3.超分辨率重建
![]()
超分辨率重建模型.jpg
1.基于全局特征的人脸超分辨率重建方法([30] Wang X, Tang X. Hallucinating face by eigentransformation[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 2005, 35(3): 425-4)
2.基于局部特征的人脸超分辨率重建方法
3.基于局部特征与全局特征相结合的人脸超分辨率重建方法
4.基于联合局部约束和自适应邻域选择的邻域嵌入人脸超分辨率重
建
4.图像质量评价
- 峰值信噪比
- 结构相似性
5. 人脸表征和识别
![]()
人脸表征.jpg
（2） 基于POEM_SLPP的人脸识别算法
POEM 特征描述算子对光照变化有一定的鲁棒性，且能有效提取图像的纹理特征，
但是其存在特征维数过高和计算复杂等缺陷。SLPP 能充分利用原有数据的类别信息，
总结
对视频图像的运动目标检测方法进行研究，实现了背景减除法和帧间差分法
的运动目标检测。对人脸检测算法进行了研究，重点研究了基于 Adaboost 的人脸检测
算法，并以 Visual C++ 2010 作为开发环境，采用 OpenCV 源代码中已经训练好的
Adaboost 人脸分类器实现了对 CAS-PEAL-R1 人脸库中图像和真实采集视频图像的人
脸检测。此外，对图像预处理技术进行研究，实现了图像的灰度变换、直方图均衡化、
均值滤波、中值滤波。同时实现了人脸图像的几何归一化，采用 OpenCV 自带的人眼
分类器对人脸图像进行人眼定位并标定坐标位置，根据人眼定位的结果对图像进行旋
转、裁剪、缩放操作，将图像中人脸变换到同一位置和同样的大小
PS: 人脸数据库：CAS-PEAL-R1(荐),FERET,ORL,YALE,PIE,AR)
