基于视频监控的人脸识别研究

人脸识别技术是计算机视觉与模式识别领域中的一项重要技术，其研究和应用已有数十年历史，并随着技术发展变得更加成熟。人脸识别技术在理论上已经比较完善，商用的人脸识别系统在理想条件下表现良好，得到了广泛的认可。然而，由于人脸图像质量和外部条件限制，如光照变化、表情、姿态等影响，人脸识别的准确性和实用性仍存在问题，因此找到一种简单、有效且计算量小的识别方法是推动人脸识别技术普及的关键。 人脸检测是人脸识别的第一步，其目的是在图像或视频流中定位人脸。本研究采用的是基于机器学习的Adaboost算法，该算法通过训练得到一个强分类器，能够快速准确地识别出人脸区域。为了满足视频监控实时性的要求，本研究采用了快速Adaboost算法，确保了检测率和计算速度能够满足实时系统的需要。 特征提取是将人脸图像中的信息转化成一组数值，用以表示人脸的特征。局部二值模式（Local Binary Patterns，LBP）是识别技术中一种广泛使用的特征提取方法，它通过比较邻域像素与中心像素的关系来描述局部纹理特征。本研究总结了LBP算子的优缺点，并通过实验研究了影响LBP人脸识别的关键因子，比如图像预处理和分块方式。研究结果表明，预处理能显著提高LBP人脸识别的识别率，而分块大小的选择对识别率有较大影响。 为了进一步提高LBP算子在监控图像识别中的性能，本研究提出了一种改进的LBP算子，并采用了街区距离作为相似性度量方法。街区距离（也称曼哈顿距离）是一种计算两点在标准坐标系上的绝对轴距总和的度量方法，它比传统的卡方距离在识别效果上更优。改进的LBP算子在保持计算量小、简单易懂的基础上，进一步提升了人脸识别的性能。 本研究在Matlab环境下设计并开发了一个人脸识别系统。通过研究人脸检测和识别方法，实现了一个快速的人脸识别系统原型。该系统能够在视频监控环境下实时进行人脸图像的特征提取和识别。 本研究在视频监控环境下的人脸识别系统设计中，考虑了实时性和准确性两个方面的需求，通过使用改进的算法和方法，成功实现了对监控视频流中人脸的快速准确识别。研究成果表明，本系统在实际应用中具有良好的应用前景和推广价值。