【正文】 le提出了包括頭發(fā)、鼻子、嘴并用彈簧連接邊緣的全局人臉模板以抽取出眼睛與嘴。Craw提出了更復(fù)雜的人臉模板，包含了頭發(fā)線條、眼睛、眉毛、鼻子、嘴和面頰。最近，Lee等抽取人臉的5個距離量度作為人臉識別特征口側(cè)。人臉的幾何特征比較穩(wěn)定，受人臉的姿態(tài)變化與光照條件等因素的影響小，但弱點是不容易抽取，而且量測精度不高。基于特征臉的方法：線性判別分析(Linear Discriminant Analysis)是統(tǒng)計模式識別的基本方法之一。應(yīng)用統(tǒng)計方法解決人臉識別問題時，經(jīng)常碰到的問題之一就是被稱之為“維數(shù)災(zāi)難”的問題。在低維空間里解析上或計算上可行的辦法，在高維空間里可能變得毫無實際意義。因此，降低維數(shù)就成為處理實際問題的關(guān)鍵并發(fā)展了許多壓縮特征空間維數(shù)的方法。我們希望通過尋求一種線性變換，可以使人臉圖像從高維的圖像空間映射到低維的特征空間，而不降低人臉的識別能力。特征臉方法是基于線性映射，使人臉圖像從圖像空間投影到特征空間的方法。采用PCA進行降維，尋求使所有的圖像樣本的總體散布最大的投影方向。Turk和Pentland提出特征臉的方法，它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間，由于主元具有臉的形狀，也稱為特征臉。識別時將測試圖像投影到主元子空間上，得到一組投影系數(shù)，和各個己知人的人臉圖像進行比較進行識別。在[12,13]中Pentland等報告了相當好的結(jié)果，在200個人的3000幅圖像中得到95%的正確識別率，在FERET數(shù)據(jù)庫上對150幅正面人臉像只有一個誤識別。但系統(tǒng)在進行特征臉方法之前需要作大量預(yù)處理工作如歸一化等。在傳統(tǒng)特征臉的基礎(chǔ)上，研究者注意到特征值大的特征向量(即特征臉) 并不一定是分類性能好的方向，據(jù)此發(fā)展了多種特征(子空間)選擇方法，如Peng的雙子空間方法，Weng的線性歧義分析方法[15]，Belhumeur的FisherFace方法等。事實上，特征臉方法是一種顯示主元分析人臉建模，一些線性自聯(lián)想，線性壓縮型BP網(wǎng)絡(luò)則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權(quán)和，這些向量是訓(xùn)練集叉積陣的主特征向量，Valentin對此作了詳細討論?？傊卣髂樂椒ㄊ且环N簡單，快速，實用的基于變換系數(shù)特征的算法，但由于它本質(zhì)上依賴于訓(xùn)練集和測試集圖像的灰度相關(guān)性，而且要求測試圖像與訓(xùn)練集比較像。神經(jīng)網(wǎng)絡(luò)方法：前神經(jīng)網(wǎng)絡(luò)方法在人臉識別中的研究方興未艾Valentin提出一種方法，首先提取人臉的50個主元，然后用相關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到5維空間中，再用一個普通的多層感知器進行判別，對一些簡單的測試圖像效果較好[16]；Intrator等提出了一種混合型神經(jīng)網(wǎng)絡(luò)來進行人臉識別，其中非監(jiān)督神經(jīng)網(wǎng)絡(luò)用于特征提取，而監(jiān)督神經(jīng)網(wǎng)絡(luò)用于分類。Lee等將人臉的特點用六條規(guī)則描述，然后根據(jù)這六條規(guī)則進行五官的定位，將五官之間的幾何距離輸入模糊神經(jīng)網(wǎng)絡(luò)進行識別，效果較一般的基于歐氏距離的方法有較大改善。Laurence等利用卷積神經(jīng)網(wǎng)絡(luò)方法進行人臉識別，由于卷積神經(jīng)網(wǎng)絡(luò)中集成了相鄰象素之間的相關(guān)性知識，從而在一定程度上獲得了對圖像平移，旋轉(zhuǎn)和局部變形的不變性，因此得到了非常理想的識別效果。Lin等提出了基于概率決策的神經(jīng)網(wǎng)絡(luò)方法((PDBNN)，其主要思想是采用虛擬(正反例)樣本進行強化和反強化學(xué)習(xí)，從而得到較為理想的概率估計結(jié)果，并采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu)(OCON)加快網(wǎng)絡(luò)的學(xué)習(xí)。這種方法在人臉檢測，人臉定位和人臉識別的各個步驟上都得到了較好的應(yīng)用[17]；其它研究還有：Dai等提出用Hopfield網(wǎng)絡(luò)進行低分辨率人臉聯(lián)想與識別；Gutta等提出將RBF與樹型分類器結(jié)合起來進行人臉識別的混合分類器模型；Philips等人將Matching Pursuit濾波器用于人臉識別；還有則采用統(tǒng)計學(xué)習(xí)理論中的支持向量機進行人臉分類。神經(jīng)網(wǎng)絡(luò)方法在人臉識別上的應(yīng)用比起前述幾類方法來有一定的優(yōu)勢，因為對人臉識別的許多規(guī)律或規(guī)則進行顯性的描述還是相當困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對這些規(guī)律和規(guī)則的隱性表達，它的適應(yīng)性更強，一般也比較容易實現(xiàn)。形變模型方法：Lanitis等通過在人臉特征邊沿，選擇一些稀疏的基準點描述人臉的形狀特征，然后將形狀變形到所有人臉圖像的平均形狀，再根據(jù)變形后的形狀進行紋理灰度變形，形成形狀無關(guān)的人臉圖像。類似地，Romdh等采用激光掃描儀獲得人臉的3D數(shù)據(jù)，分別對一些基準點構(gòu)成的形狀和基準點的灰度或彩色完成PCA得到3D人臉形狀和灰度彩色基圖像。通過變化參數(shù)就可獲得不同的3D人臉模型，通過施加一些先驗約束可以避免合成不真實的人臉圖像，利用線性形狀和紋理誤差，通過3D模型向2D輸入圖像的自動匹配實現(xiàn)人臉識別。其他方法：Brunelli等對模板匹配方法作了大量實驗，結(jié)果表明在尺度，光照，旋轉(zhuǎn)角度等各種條件穩(wěn)定的情況下，模板匹配的效果優(yōu)于其他方法[18]，但它對光照，旋轉(zhuǎn)和表情變化比較敏感，影響了它的直接使用。Goudail等人采用局部自相關(guān)性作為人臉識別的判斷依據(jù)，它具有平移不變性，在臉部表情變化一時比較穩(wěn)定?？傮w說來，基于線性投影的代數(shù)特征方法依然是人臉識別的最具影響力的主流方法。到目前為止，在大樣本人臉庫上通過測試的三種識別率最高的方法，分別為USC(University of Southern California)的方法，UMD(University of Maryland)的方法，以及Massachusetts Institute of Technology(MIT)Media Lab給出的方法。除了USC的方法外，UMD和MIT的方法都是先進行主分量分析，再作鑒別分析。不同的是，UMD采用的是線性鑒別，而MIT采用二次鑒別(Quadratic Discriminant)。 特征提取時存在的問題識別人臉主要依據(jù)人臉上的特征，也就是說依據(jù)那些在不同個體之間存在較大差異而對于同一個人則比較穩(wěn)定的度量。目前對人臉圖像進行特征提取時基本是對人臉的正面的靜態(tài)圖像進行提取的。但是對于用戶不配合，采集條件不理想（如光照惡劣，有遮擋，圖像分辨率低等）的情況下，由于人臉變化復(fù)雜，因此特征表述和特征提取十分困難。光照變化問題光照問題是機器視覺的老問題，在人臉識別中的表現(xiàn)尤為明顯。目前即使最好的人臉識別系統(tǒng)在室外光照環(huán)境下，其識別率也會陡然下降。盡管研究人員針對光照問題提出了一些解決方案，但目前的光照處理方法還需要進一步地研究解決。姿態(tài)、表情變化問題與光照問題類似，姿態(tài)、表情變化問題也是目前人臉識別研究中需要解決的一個技術(shù)難點。針對姿態(tài)、表情變化的研究相對比較的少，目前多數(shù)的人臉識別算法主要針對正面準正面人臉圖像，當發(fā)生深度或水平變化的情況下，或是表情發(fā)生明顯改變的情況下，人臉識別算法的識別率也將會急劇下降。因此，如何提高系統(tǒng)對姿態(tài)和表情變化的魯棒性也是人臉識別研究中一個極具挑戰(zhàn)性的問題。遮擋問題對于非配合情況下的人臉圖像采集，遮擋是一個非常嚴重的問題。特別是在監(jiān)控環(huán)境下，往往被監(jiān)控對象都會帶眼鏡，帽子等飾物，使得被采集的人臉圖像有可能不完整，從而影響了后面的特征提取。如何有效地去除遮擋物的影響是一個非常重要的研究課題。低質(zhì)量照片問題目前的多數(shù)人臉識別系統(tǒng)在算法設(shè)計和模型訓(xùn)練方面往往只針對圖像清晰的情況，但對智能監(jiān)控、公安系統(tǒng)犯罪嫌疑人照片比對等應(yīng)用而言，由于其來源不一，有的照片的質(zhì)量非常差，比如模糊、高噪聲、分辨率低等。如何提高系統(tǒng)對這些低質(zhì)量照片的識別能力也是人臉識別亟待解決的關(guān)鍵問題之一。大規(guī)模人臉識別問題隨著人臉數(shù)據(jù)庫規(guī)模的增長，數(shù)據(jù)計算量也就變的很大，對數(shù)據(jù)降維效果也就要求比較高，也就需要應(yīng)用相應(yīng)的特征提取方法。人臉信息采集設(shè)備帶來的問題攝像頭是目前主流的人臉信息采集設(shè)備，它們的種類、型號、傳感方式（比如CCD或者CMOS）、采樣和量化精度等各不相同，采集時刻的焦距、光圈、增益、白平衡等參數(shù)設(shè)置區(qū)別也很大。這些變化因素使得獲取的人臉圖像數(shù)據(jù)的變化更大。如何解決這些問題也是值得關(guān)注的。 本文主要研究內(nèi)容及各章安排 本文主要研究內(nèi)容本文主要研究人臉特征提取的一種經(jīng)典方法—主成分分析法，詳細介紹了其基本原理和在人臉識別中的具體應(yīng)用，并結(jié)合了一種簡單的分類器，完成了小規(guī)模人臉的識別。 本文各章安排第一章：緒論。介紹課題的背景和意義、人臉特征提取的方法和困難，最后簡要說明了本文所做的主要研究工作以及本文的結(jié)構(gòu)安排；第二章：人臉特征提取的主成分分析（PCA）方法。詳細地討論了PCA的基本理論和在人臉特征提取方面的應(yīng)用。這是一種典型的線性特征子空間方法，分析了此方法的優(yōu)缺點；第三章：實驗過程與結(jié)果分析。對基于PCA的人臉識別給出了相應(yīng)的實驗步驟，過程，通過Matlab實現(xiàn)了對算法的仿真。并且對人臉圖像先分別進行低通濾波和邊緣檢測后再進行PCA處理，最后對結(jié)果進行了分析，討論； 第四章：總結(jié)與展望。對本文的工作進行了總結(jié)，對進一步的研究進行了展望。第二章 人臉特征提取—主成分分析法 概述在統(tǒng)計特征分析用于人臉識別以前，人臉自動識別系統(tǒng)中忽視了到底是哪一類的人臉特征在人臉識別中起到最主要的作用，而只是假定一些預(yù)先設(shè)定的一些人臉部位的測量與部位之間關(guān)系的測量是有效的，足以體現(xiàn)出不同人臉之間的差異。這種假定顯然是不合理的。但是給我們一個重要的啟示：可以從信息論的角度來對人臉進行編碼和解碼，從而達到著重強調(diào)一些重要的全局特征和局部特征。用這類方法提取的特征可能與通常直覺觀念上的特征有所不同。主成分分析用于人臉識別主要從兩方面考慮：一是從信息論的角度，我們要從人臉圖像中盡可能的提取人臉圖像的相關(guān)信息，然后把這些信息同人臉庫中的人臉的信息相比較，從而完成了人臉的識別；二是從數(shù)學(xué)的角度，我們希望找到人臉分布的主要特征，也就是一組人臉圖像矩陣相關(guān)矩陣的特征向量，這組特征向量可以看成抓住了人臉圖像變化的特征。在這種方法中，每張人臉圖像可以通過特征向量的線性運算精確的表示。特征向量的數(shù)目等于參加訓(xùn)練的人臉圖像的數(shù)目。也可以選擇一些具有最大特征值的特征向量來近似的表示。用統(tǒng)計特征如二階矩、高階矩，建立人臉空間中的一個新的坐標系。人臉圖像在這個坐標系下的投影即為該圖像的特征。對于一張待識別的人臉圖像，求出該圖像在這個坐標系中的坐標也就是求出了這個圖像的特征，然后通過與人臉庫中的圖像在該坐標系下的坐標相比較，就可以完成對這一幅人臉圖像的識別。 把一幅人臉圖像視為一個矢量，稱為“人臉矢量”。如果圖像寬為w個象素，高為h個象素，則矢量的維數(shù)為w*h，矢量的每一個元素的值為所對應(yīng)象素的灰度值。顯然這是在w*h的高維空間里描述矢量，我們把這個空間定義為“原始圖像空間” 。然而由于人臉固有的相似性（人臉都是由眼睛、鼻子、嘴、眉等構(gòu)成），所以在“原始圖像空間”中，人臉矢量僅分布在一個很小的范圍內(nèi)（），所以“原始圖像空間”對人臉矢量來說不是最優(yōu)的空間。為了有效的抽取人臉圖像特征，有必要建立一個優(yōu)化的子空間來更好的描述人臉矢量。我們把優(yōu)化子空間稱為“人臉空間”，優(yōu)化子空間的基矢量稱為主元。雖然“原始圖像空間”的維數(shù)是w*h，但由于人臉圖像象素的不完全獨立性，每個象素的灰度值都依賴于與它相鄰的象素，所以盡管我們不能精確地確定人臉空間的維數(shù)，但它肯定大大低于原始圖像空間的維數(shù)。我們使用主元分析的方法來構(gòu)造優(yōu)化子空間——“人臉空間”（）。 構(gòu)造優(yōu)化子空間可以采用KL[19]變換，假設(shè)人臉處于低維線性空間，由高維圖像空間KL變換后，可得到一組新的正交基，由此可以通過保留部分正交基獲得正交KL基底，該方法將人臉圖像按行(列)展開所形成的一個高維向量看作是一種隨機向量，因此可以采用KL變換獲得其正交KL基底。將KL變換用于人臉識別的研究，最早見于Kirby[20]等人的工作，他們首先采用KL變換對人臉圖像進行表示，即將人臉圖像分解為若干特征分量的加權(quán)和，并且能夠從部分特征分量中重構(gòu)原人臉圖像。KL (KarhunenLoeve)變換是實現(xiàn)PCA的手段。下面就先介紹一下KL變換基本原理。 KL變換 KL變換基本原理KL變換（KarhunenLoeve Transform）的目的是通過線性變換尋找一組最優(yōu)的單位正交向量基（即主元），并用其中部分向量的線性組合來重建樣本，使重建后的樣本和原樣本在最小均方意義下的誤差最小，以達到最佳的數(shù)據(jù)壓縮效果。