【正文】 on 的系統(tǒng)用一條簡單語句與數(shù)據(jù)庫中的人臉相關(guān)聯(lián)，Allen為待識別人臉設(shè)計了有效、逼真的描寫，Parke用計算機實現(xiàn)了 Allen的方法，生成了較高質(zhì)量的人臉灰度圖模型。總的來說，這一階段工作主要依賴于人的操作，還不能完成自動的人臉識別工作。 (2)第二階段是人機交互識別，代表性工作有：Goldstion 、Harmon 和Lesk用幾何特征參數(shù)來表示人臉正面圖像。他們采用高維特征矢量表示人臉面部特征；Kara和Kobayashi使用基于統(tǒng)計的識別方法，用歐氏距離表征人臉。（）使用積分投影方法計算出一族人臉特征參數(shù)，再利用模式分類技術(shù)與標準人臉匹配。 (3)第三階段是自動機器人臉識別是近年來發(fā)展起來的，隨著計算機的快速發(fā)展，自動人臉模式識別方法取得了較大的進展。目前，自動識別技術(shù)主要分為三大類：幾何特征法、統(tǒng)計特征法和連接機制法。 人臉識別的研究內(nèi)容人臉識別最初包括了人臉檢測，是一個多環(huán)節(jié)的綜合性課題，但近年來，由于其人臉檢測在安全訪問控制，視覺監(jiān)測，基于內(nèi)容的檢索和新一代人機界面等領(lǐng)域的應(yīng)用價值，開始作為一個獨立的課題受到了研究者的普遍重視。所以在人臉識別的研究中，主要是包括了人臉檢測、特征提取和人臉識別三部分內(nèi)容。人臉檢測：人臉檢測的目的很明顯，就是為了測試在畫面中有沒有人臉，人臉定位是將人臉從背景中分割出來，并讓系統(tǒng)明白人臉或者人臉上的某些器官在圖像上的位置。很多算法中，在人臉檢測出來的同時完成了定位。 西南交通大學本科畢業(yè)設(shè)計(論文) 第 4 頁特征提?。鹤R別方法的不同決定了人臉特征一般也不同，比如說在基于幾何特征的識別方法中，第一步要提取特征點，然后由特征點構(gòu)造特征矢量，在基于統(tǒng)計的識別方法中，本征臉法是利用圖像相關(guān)矩陣的本征值構(gòu)造特征矢量，隱馬爾可夫過程法是對多個樣本圖像的空間序列訓練出一個HMM的模型，它的參數(shù)就是特征值，模板匹配法用相關(guān)系數(shù)作特征，而神經(jīng)網(wǎng)絡(luò)方法則直接用歸一化后的灰度圖像作為輸入，沒有專門的特征提取過程，這是要區(qū)別開來的。人臉識別：我們最終的目的就是要把人臉給識別出來，將待識別的圖像的特征與庫里圖像的特征進行匹配，它要解決的問題是將某張人臉與庫里已登記的某個名字或代號對應(yīng)起來。如果已經(jīng)提取到了比較具體的特征值，識別就等于特征的匹配問題了，而對于那些基于圖像灰度信息的識別方法如模板匹配，神經(jīng)網(wǎng)絡(luò)等的，就相對復雜些，不過最終還是歸到匹配的問題。 相關(guān)學科要建立一套完整的人臉識別系統(tǒng)（Face Recognition System） ，必然要綜合運用如下幾大學科領(lǐng)域的知識，只有把這幾大學科的知識綜合起來，才能順利的達到識別目的。相關(guān)的學科有：數(shù)字圖像處理 [2] 這是一門用計算機對圖像數(shù)據(jù)進行加工處理的學科，它主要有以下幾方面的內(nèi)容：圖像的數(shù)字化、圖像增強、圖像復原、圖像的壓縮編碼、圖像分割、圖像描述以及運動圖像的處理等。這些內(nèi)容滲透在 FRT 的諸多環(huán)節(jié)中。模式識別模式識別 [1]，就是通過計算機用數(shù)學技術(shù)方法來研究模式的自動處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式” 。隨著計算機技術(shù)的發(fā)展，人類有可能研究復雜的信息處理過程。信息處理過程的一個重要形式是生命體對環(huán)境及客體的識別。計算機識別的顯著特點是速度快，準確性高，效率高。這門學科使用計算機的方法實現(xiàn)人的模式識別能力，即對各種事物或現(xiàn)象進行分析、描述、判斷和識別。在人臉識別中，如果是個人識別，則每一個人就是一個模式，預(yù)先存在數(shù)據(jù)庫里的圖像就是樣本；如果是性別識別，種族識別和年齡識別，則不同的性別、種族或年齡區(qū)別構(gòu)成一個模式；如果是表情識別，則不同的表情就是一個模式。本文以下的內(nèi)容是通 西南交通大學本科畢業(yè)設(shè)計(論文) 第 5 頁過 HMM 這樣的方式進行的人臉識別建模。計算機視覺視覺是人類獲取信息的主要來源，也是適應(yīng)復雜、變化環(huán)境的感知基礎(chǔ)。人類的視覺系統(tǒng)利用投影到視網(wǎng)膜上的二維的像對物體進行三維的理解。為此，計算機需要具有處理、分析和理解圖像的能力。計算機視覺是一門用計算機來實現(xiàn)人的視覺功能，實現(xiàn)客觀三維世界的識別的學科。神經(jīng)網(wǎng)絡(luò) [13] 人工神經(jīng)網(wǎng)絡(luò)是一門以對大腦的生理研究成果為基礎(chǔ)，以用機器模擬大腦的某些機理與機制，實現(xiàn)某方面功能為目的的學科。人是萬物之靈，區(qū)別人與動物的是其發(fā)達的大腦及進化的智慧。研究神經(jīng)網(wǎng)絡(luò)，特別是神經(jīng)學習的機理，對認識和促進人自身發(fā)展有特殊的意義。人工神經(jīng)元網(wǎng)絡(luò)也許永遠無法代替人腦，但它能幫助人類擴展對外部世界的認識和智能控制。神經(jīng)網(wǎng)絡(luò)有許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)連接。網(wǎng)絡(luò)的信息分布式就存在連接系數(shù)中，使網(wǎng)絡(luò)具有很高的容錯性和魯棒性。神經(jīng)網(wǎng)絡(luò)技術(shù)已被有效地用到組合優(yōu)化、圖像處理、模式識別、自動控制等方面。由于它的高魯棒性能解決輸入模式有噪聲干擾和部分有缺損地問題，它地自組織、自適應(yīng)學習功能能放松傳統(tǒng)識別方法所需的約束條件，所以神經(jīng)網(wǎng)絡(luò)技術(shù)對某些識別問題顯示出很大的優(yōu)越性?；谏窠?jīng)網(wǎng)絡(luò)技術(shù)的人臉識別方法是人臉識別研究領(lǐng)域中的一大重要分支。 小結(jié)本章主要是初步介紹了本次論文所涉及的基本的概念，對人臉識別這個前沿課題進行了大體的分析，首先通過引言來引出了人臉識別的重要性，然后分析了國內(nèi)外的研究現(xiàn)狀，提出了人臉識別的三個發(fā)展階段，然后又分析了人臉識別所要研究的內(nèi)容，主要分為人臉檢測，特征提取和人臉識別三大步驟。最后，本章提出了與人臉識別相關(guān)的課題以及現(xiàn)狀人臉識別技術(shù)存在的問題?；谌四樧R別的內(nèi)容分類，在下一章中，將會進一步深入的研究人臉檢測，結(jié)合特征提取，對人臉檢測進行歸納和分析。 西南交通大學本科畢業(yè)設(shè)計(論文) 第 6 頁第 2 章 人臉檢測技術(shù)研究人臉檢測問題最初來源于人臉識別，人臉檢測主要指在輸入圖像中確定所有人臉的位置、大小、位姿的過程。人臉檢測研究具有重要的學術(shù)價值。人臉是一類具有相當復雜的細節(jié)變化的自然結(jié)構(gòu)目標，此類目標的檢測問題具有高度挑戰(zhàn)性，其主要的難點有兩方面，一方面是由于人臉內(nèi)在的變化所引起：(1) 人臉具有相當復雜的細節(jié)變化，不同的外貌如臉形、膚色等，不同的表情如眼、嘴的開與閉等；(2) 人臉的遮擋，如眼鏡、頭發(fā)和頭部飾物以及其他外部物體等；另一方面由于外在條件變化所引起：(1) 由于成像角度的不同造成人臉的多姿態(tài)，如平面內(nèi)旋轉(zhuǎn)、深度旋轉(zhuǎn)以及上下旋轉(zhuǎn)，其中深度旋轉(zhuǎn)影響較大；(2) 光照的影響，如圖像中的亮度、對比度的變化和陰影等。(3) 圖像的成像條件，如攝像設(shè)備的焦距、成像距離，圖像獲得的途徑等等。 人臉檢測問題分類人臉檢測問題包含的內(nèi)容十分的廣泛，總結(jié)成以下表格2－1來總結(jié)面臨問題的分類 [11]。 表格 2－1 人臉檢測問題分類狀態(tài) 類別 圖像 靜止圖像 動態(tài)圖像 顏色 彩色 灰度 人臉姿態(tài) 正面 側(cè)面 人臉數(shù) 單人 未知 復雜背景 簡單背景 復雜背景 用途 視頻會議，監(jiān)控設(shè)置，遠處教育，人臉信息處理等等以上表2－1可知，人臉的圖像所包含的模式特征十分的豐富，在這些特種中，如何 西南交通大學本科畢業(yè)設(shè)計(論文) 第 7 頁提取出有用的特征來進行人臉檢測是一個關(guān)鍵的問題。人臉模式具有復雜的變化，一般需要采用同時提取多個模式的方式，即特征綜合的方法。一般的，根據(jù)利用特征的色彩屬性可以將人臉檢測方法分為基于膚色特征的方法和基于灰度特征的方法兩類。前者適用與構(gòu)造快速的人臉檢測和人臉跟蹤算法，后者利用了人臉區(qū)別于其它物體的更為本質(zhì)的特征，是人臉檢測領(lǐng)域研究的重點。根據(jù)特征綜合時采用的不同模型，可以將基于灰度特征的方法分為兩大類：基于啟發(fā)式（知識）模型的方法和基于統(tǒng)計模型的方法。由于人臉檢測問題的復雜性，無論那一類方法都無法適應(yīng)所有的情況，一般都針對人臉檢測領(lǐng)域內(nèi)某個或某些特定的問題。下圖2－1是人臉模式的特征圖 [11]。 人臉特征顏色特征（膚色、發(fā)色等）輪廓特征（橢圓輪廓等）啟發(fā)式特征（頭發(fā)、下顎等）模板特征（均值、方差、距離等）變換域特征（特征臉、小波特征等）結(jié)構(gòu)特征（對稱性、投影特征等）鑲嵌圖特征（馬賽克規(guī)則等）直方圖特征（分布、距離等） 圖2－1 人臉模式的特征 西南交通大學本科畢業(yè)設(shè)計(論文) 第 8 頁人臉特征啟發(fā)式綜合（知識規(guī)則推理等）機器學習（人工神經(jīng)網(wǎng)、支持向量機等）模糊決策（模糊推理等）統(tǒng)計推斷（假設(shè)檢驗等）概率分布（Bayes 推理等）簡單組合（加權(quán)平均等） 圖2－2 各種特征綜合 人臉模式特征提取法 [11]人臉模式的特征包括膚色特征和灰度特征。 膚色特征膚色作為人臉的重要信息，不受面部的細節(jié)特征的影響，對于旋轉(zhuǎn)，表情等變化情況都能適用，具有相對的穩(wěn)定性并且和背景顏色區(qū)分明顯。所以，膚色特征在人臉檢測中是一種常用的方法。膚色特征主要由膚色模型描述。使用何種形式的膚色模型與色度空間（Chrominance Space）的選擇密切相關(guān)?？梢詮膬蓚€方面考察某種色度空間：（1）在該色度空間中能否用給定的模型描述“膚色”區(qū)域的分布；（2）色度空間中“膚色”與“非膚色”區(qū)域的重疊有多少。人臉檢測常用的色度空間主要有：RGB （紅、綠、藍三基色） 、rgb（亮度歸一化的三基色） 、SHI（飽和度、色調(diào)、亮度） 、YIQ（NTSC制的光亮度和色度模型） 、YUV（PAL制的光亮度和色度模型） 、YCbCr（CCIR601編碼方式的色度模型，與 YUV在數(shù)學上具有等價性） 、CIEL*a*b（國際照明委員會提出的基于色度學的彩色模型）等。 一般而言，常用的膚色模型有高斯模型、混合高斯模型和直方圖模型。Terrillon等考察了歸一化的rg、CIExy、歸一化的TSL、CIEDSH、HSV 、YIQ、YES、CIEL*u*v和 CIEL*a*b九種色度空間，比較了高斯模型和混合高斯模型在不同色度空間中的性能，發(fā)現(xiàn)除了少數(shù)情況外，一般需要使用混合高斯模型才能較好地描述膚色區(qū)域的分布。Terrillon等同時指出，最終限制檢測性能的因素是不同色度空間中“膚 西南交通大學本科畢業(yè)設(shè)計(論文) 第 9 頁色”與“非膚色”區(qū)域的重疊程度。 Jones等研究了 RGB空間中“膚色”與“非膚色”象素的分布，根據(jù)標定出膚色區(qū)域的近二萬幅圖片（包含約二十億個象素）建立了三維直方圖，在此基礎(chǔ)上比較了直方圖模型和混合高斯模型，發(fā)現(xiàn)前者的性能略好于后者。 除上述三種膚色模型外，還有直接利用幾何參數(shù)描述膚色區(qū)域分布范圍的模型、三維投影模型、基于神經(jīng)網(wǎng)的膚色模型等。此外也有同時考慮“膚色”與“非膚色”象素分布的基于貝葉斯方法的模型。 灰度特征 [12]灰度特征包括了人臉灰度分布特征，器官特征，模板特征，人臉輪廓特征等。其中，人臉灰度分布特征包括了鑲嵌圖特征和直方圖特征等。輪廓是人頭部的重要特征。Craw 等首先在低分辨率圖象中使用一個輪廓模板匹配出人臉的大致范圍，然后在高分辨率圖象中使用 Sobel 算子獲得邊緣的位置和方向，并連接出完整的人臉輪廓。Wang 等提取邊緣特征并根據(jù)廣義 Hough 變換抽取橢圓形狀信息。 人臉核心區(qū)域（眼睛、鼻子、嘴區(qū)域）具有獨特的灰度分布特征。Yang 等首先提出了人臉的鑲嵌圖（Mosaic Image，又稱為馬賽克圖）特征。所謂鑲嵌圖就是將圖象劃分為一組大小相同的方格，每個方格的灰度為格中各個象素的平均值。鑲嵌圖特征是指這些塊的值應(yīng)滿足的約束規(guī)則。Lv 等依據(jù)人臉的左右對稱性，通過提取投影直方圖特征檢測人臉的旋轉(zhuǎn)角度，再提取鑲嵌圖特征。Dai 等提取空間灰度共現(xiàn)矩陣（SGLD）特征等等。人臉區(qū)域內(nèi)的各個器官（如雙眼、鼻子、嘴等）是人臉的重要特征。Kouzani 等使用人工神經(jīng)網(wǎng)分別檢測眼睛、鼻子、嘴以及人臉的整體特征。 人臉區(qū)域的灰度本身可以作為模板特征，通常取僅包含雙眼、鼻子和嘴的面部中心區(qū)域作為共性的人臉模板特征，排除掉頭發(fā)、臉頰兩側(cè)變化很大的部分。被廣泛地用于基于統(tǒng)計學習的人臉檢測方法中。 人臉檢測方法分類人臉檢測的最終的目的在于判斷一幅給定的圖像中是否含有人臉，如果有，則確定其位置和空間分布。人臉檢測的對象廣義上講不僅是整張人臉，還包括眼睛、鼻子等面部器官，從它們的特征所反映出的信息是進行人臉檢測的依據(jù)，因此選擇合適的模型特征是人臉檢測關(guān)鍵問題之一。人臉檢測的主要方法如圖2－3所示。 西南交通大學本科畢業(yè)設(shè)計(論文) 第 10 頁人臉檢測基于膚色的方法基于統(tǒng)計模型的方法基于模板匹配的方法基于外觀輪廓的方法其他另外的方法基于特征空間基于人工神經(jīng)網(wǎng)絡(luò)基于支持向量基于概率模型 圖2－3 人臉檢測主要方法分類對于彩色的圖像或者視頻流，一般先使用彩色和運動特征縮小檢測區(qū)域。因此，人臉檢測的關(guān)鍵是針對灰度圖像的檢測算法。根據(jù)采用特征和分類器的不同，大致可分為基于知識