【正文】 on 的系統(tǒng)用一條簡(jiǎn)單語(yǔ)句與數(shù)據(jù)庫(kù)中的人臉相關(guān)聯(lián)，Allen為待識(shí)別人臉設(shè)計(jì)了有效、逼真的描寫(xiě)，Parke用計(jì)算機(jī)實(shí)現(xiàn)了 Allen的方法，生成了較高質(zhì)量的人臉灰度圖模型?？偟膩?lái)說(shuō)，這一階段工作主要依賴于人的操作，還不能完成自動(dòng)的人臉識(shí)別工作。 (2)第二階段是人機(jī)交互識(shí)別，代表性工作有：Goldstion 、Harmon 和Lesk用幾何特征參數(shù)來(lái)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(jì)的識(shí)別方法，用歐氏距離表征人臉。（）使用積分投影方法計(jì)算出一族人臉特征參數(shù)，再利用模式分類(lèi)技術(shù)與標(biāo)準(zhǔn)人臉匹配。 (3)第三階段是自動(dòng)機(jī)器人臉識(shí)別是近年來(lái)發(fā)展起來(lái)的，隨著計(jì)算機(jī)的快速發(fā)展，自動(dòng)人臉模式識(shí)別方法取得了較大的進(jìn)展。目前，自動(dòng)識(shí)別技術(shù)主要分為三大類(lèi)：幾何特征法、統(tǒng)計(jì)特征法和連接機(jī)制法。 人臉識(shí)別的研究?jī)?nèi)容人臉識(shí)別最初包括了人臉檢測(cè)，是一個(gè)多環(huán)節(jié)的綜合性課題，但近年來(lái)，由于其人臉檢測(cè)在安全訪問(wèn)控制，視覺(jué)監(jiān)測(cè)，基于內(nèi)容的檢索和新一代人機(jī)界面等領(lǐng)域的應(yīng)用價(jià)值，開(kāi)始作為一個(gè)獨(dú)立的課題受到了研究者的普遍重視。所以在人臉識(shí)別的研究中，主要是包括了人臉檢測(cè)、特征提取和人臉識(shí)別三部分內(nèi)容。人臉檢測(cè)：人臉檢測(cè)的目的很明顯，就是為了測(cè)試在畫(huà)面中有沒(méi)有人臉，人臉定位是將人臉從背景中分割出來(lái)，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(cè)出來(lái)的同時(shí)完成了定位。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 4 頁(yè)特征提取：識(shí)別方法的不同決定了人臉特征一般也不同，比如說(shuō)在基于幾何特征的識(shí)別方法中，第一步要提取特征點(diǎn)，然后由特征點(diǎn)構(gòu)造特征矢量，在基于統(tǒng)計(jì)的識(shí)別方法中，本征臉?lè)ㄊ抢脠D像相關(guān)矩陣的本征值構(gòu)造特征矢量，隱馬爾可夫過(guò)程法是對(duì)多個(gè)樣本圖像的空間序列訓(xùn)練出一個(gè)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(méi)有專(zhuān)門(mén)的特征提取過(guò)程，這是要區(qū)別開(kāi)來(lái)的。人臉識(shí)別：我們最終的目的就是要把人臉給識(shí)別出來(lái)，將待識(shí)別的圖像的特征與庫(kù)里圖像的特征進(jìn)行匹配，它要解決的問(wèn)題是將某張人臉與庫(kù)里已登記的某個(gè)名字或代號(hào)對(duì)應(yīng)起來(lái)。如果已經(jīng)提取到了比較具體的特征值，識(shí)別就等于特征的匹配問(wèn)題了，而對(duì)于那些基于圖像灰度信息的識(shí)別方法如模板匹配，神經(jīng)網(wǎng)絡(luò)等的，就相對(duì)復(fù)雜些，不過(guò)最終還是歸到匹配的問(wèn)題。 相關(guān)學(xué)科要建立一套完整的人臉識(shí)別系統(tǒng)（Face Recognition System） ，必然要綜合運(yùn)用如下幾大學(xué)科領(lǐng)域的知識(shí)，只有把這幾大學(xué)科的知識(shí)綜合起來(lái)，才能順利的達(dá)到識(shí)別目的。相關(guān)的學(xué)科有：數(shù)字圖像處理 [2] 這是一門(mén)用計(jì)算機(jī)對(duì)圖像數(shù)據(jù)進(jìn)行加工處理的學(xué)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(qiáng)、圖像復(fù)原、圖像的壓縮編碼、圖像分割、圖像描述以及運(yùn)動(dòng)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(shí)別模式識(shí)別 [1]，就是通過(guò)計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來(lái)研究模式的自動(dòng)處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式” 。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人類(lèi)有可能研究復(fù)雜的信息處理過(guò)程。信息處理過(guò)程的一個(gè)重要形式是生命體對(duì)環(huán)境及客體的識(shí)別。計(jì)算機(jī)識(shí)別的顯著特點(diǎn)是速度快，準(zhǔn)確性高，效率高。這門(mén)學(xué)科使用計(jì)算機(jī)的方法實(shí)現(xiàn)人的模式識(shí)別能力，即對(duì)各種事物或現(xiàn)象進(jìn)行分析、描述、判斷和識(shí)別。在人臉識(shí)別中，如果是個(gè)人識(shí)別，則每一個(gè)人就是一個(gè)模式，預(yù)先存在數(shù)據(jù)庫(kù)里的圖像就是樣本；如果是性別識(shí)別，種族識(shí)別和年齡識(shí)別，則不同的性別、種族或年齡區(qū)別構(gòu)成一個(gè)模式；如果是表情識(shí)別，則不同的表情就是一個(gè)模式。本文以下的內(nèi)容是通 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 5 頁(yè)過(guò) HMM 這樣的方式進(jìn)行的人臉識(shí)別建模。計(jì)算機(jī)視覺(jué)視覺(jué)是人類(lèi)獲取信息的主要來(lái)源，也是適應(yīng)復(fù)雜、變化環(huán)境的感知基礎(chǔ)。人類(lèi)的視覺(jué)系統(tǒng)利用投影到視網(wǎng)膜上的二維的像對(duì)物體進(jìn)行三維的理解。為此，計(jì)算機(jī)需要具有處理、分析和理解圖像的能力。計(jì)算機(jī)視覺(jué)是一門(mén)用計(jì)算機(jī)來(lái)實(shí)現(xiàn)人的視覺(jué)功能，實(shí)現(xiàn)客觀三維世界的識(shí)別的學(xué)科。神經(jīng)網(wǎng)絡(luò) [13] 人工神經(jīng)網(wǎng)絡(luò)是一門(mén)以對(duì)大腦的生理研究成果為基礎(chǔ)，以用機(jī)器模擬大腦的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某方面功能為目的的學(xué)科。人是萬(wàn)物之靈，區(qū)別人與動(dòng)物的是其發(fā)達(dá)的大腦及進(jìn)化的智慧。研究神經(jīng)網(wǎng)絡(luò)，特別是神經(jīng)學(xué)習(xí)的機(jī)理，對(duì)認(rèn)識(shí)和促進(jìn)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(yuǎn)無(wú)法代替人腦，但它能幫助人類(lèi)擴(kuò)展對(duì)外部世界的認(rèn)識(shí)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(guò)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(cuò)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(shí)別、自動(dòng)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(wèn)題，它地自組織、自適應(yīng)學(xué)習(xí)功能能放松傳統(tǒng)識(shí)別方法所需的約束條件，所以神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)某些識(shí)別問(wèn)題顯示出很大的優(yōu)越性。基于神經(jīng)網(wǎng)絡(luò)技術(shù)的人臉識(shí)別方法是人臉識(shí)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(duì)人臉識(shí)別這個(gè)前沿課題進(jìn)行了大體的分析，首先通過(guò)引言來(lái)引出了人臉識(shí)別的重要性，然后分析了國(guó)內(nèi)外的研究現(xiàn)狀，提出了人臉識(shí)別的三個(gè)發(fā)展階段，然后又分析了人臉識(shí)別所要研究的內(nèi)容，主要分為人臉檢測(cè)，特征提取和人臉識(shí)別三大步驟。最后，本章提出了與人臉識(shí)別相關(guān)的課題以及現(xiàn)狀人臉識(shí)別技術(shù)存在的問(wèn)題。基于人臉識(shí)別的內(nèi)容分類(lèi)，在下一章中，將會(huì)進(jìn)一步深入的研究人臉檢測(cè)，結(jié)合特征提取，對(duì)人臉檢測(cè)進(jìn)行歸納和分析。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 6 頁(yè)第 2 章 人臉檢測(cè)技術(shù)研究人臉檢測(cè)問(wèn)題最初來(lái)源于人臉識(shí)別，人臉檢測(cè)主要指在輸入圖像中確定所有人臉的位置、大小、位姿的過(guò)程。人臉檢測(cè)研究具有重要的學(xué)術(shù)價(jià)值。人臉是一類(lèi)具有相當(dāng)復(fù)雜的細(xì)節(jié)變化的自然結(jié)構(gòu)目標(biāo)，此類(lèi)目標(biāo)的檢測(cè)問(wèn)題具有高度挑戰(zhàn)性，其主要的難點(diǎn)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(dāng)復(fù)雜的細(xì)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(kāi)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(duì)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(cè)問(wèn)題分類(lèi)人臉檢測(cè)問(wèn)題包含的內(nèi)容十分的廣泛，總結(jié)成以下表格2－1來(lái)總結(jié)面臨問(wèn)題的分類(lèi) [11]。 表格 2－1 人臉檢測(cè)問(wèn)題分類(lèi)狀態(tài) 類(lèi)別 圖像 靜止圖像 動(dòng)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(fù)雜背景 簡(jiǎn)單背景 復(fù)雜背景 用途 視頻會(huì)議，監(jiān)控設(shè)置，遠(yuǎn)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(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 7 頁(yè)提取出有用的特征來(lái)進(jìn)行人臉檢測(cè)是一個(gè)關(guān)鍵的問(wèn)題。人臉模式具有復(fù)雜的變化，一般需要采用同時(shí)提取多個(gè)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(cè)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(lèi)。前者適用與構(gòu)造快速的人臉檢測(cè)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(cè)領(lǐng)域研究的重點(diǎn)。根據(jù)特征綜合時(shí)采用的不同模型，可以將基于灰度特征的方法分為兩大類(lèi)：基于啟發(fā)式（知識(shí)）模型的方法和基于統(tǒng)計(jì)模型的方法。由于人臉檢測(cè)問(wèn)題的復(fù)雜性，無(wú)論那一類(lèi)方法都無(wú)法適應(yīng)所有的情況，一般都針對(duì)人臉檢測(cè)領(lǐng)域內(nèi)某個(gè)或某些特定的問(wèn)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(duì)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(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 8 頁(yè)人臉特征啟發(fā)式綜合（知識(shí)規(guī)則推理等）機(jī)器學(xué)習(xí)（人工神經(jīng)網(wǎng)、支持向量機(jī)等）模糊決策（模糊推理等）統(tǒng)計(jì)推斷（假設(shè)檢驗(yàn)等）概率分布（Bayes 推理等）簡(jiǎn)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(xì)節(jié)特征的影響，對(duì)于旋轉(zhuǎn)，表情等變化情況都能適用，具有相對(duì)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(cè)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€(gè)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(cè)常用的色度空間主要有：RGB （紅、綠、藍(lán)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(xué)上具有等價(jià)性） 、CIEL*a*b（國(guó)際照明委員會(huì)提出的基于色度學(xué)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(shí)指出，最終限制檢測(cè)性能的因素是不同色度空間中“膚 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 9 頁(yè)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(biāo)定出膚色區(qū)域的近二萬(wàn)幅圖片（包含約二十億個(gè)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(shí)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(gè)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(dú)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(gè)方格的灰度為格中各個(gè)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(duì)稱性，通過(guò)提取投影直方圖特征檢測(cè)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(gè)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(cè)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(jì)學(xué)習(xí)的人臉檢測(cè)方法中。 人臉檢測(cè)方法分類(lèi)人臉檢測(cè)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(cè)的對(duì)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(jìn)行人臉檢測(cè)的依據(jù)，因此選擇合適的模型特征是人臉檢測(cè)關(guān)鍵問(wèn)題之一。人臉檢測(cè)的主要方法如圖2－3所示。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 10 頁(yè)人臉檢測(cè)基于膚色的方法基于統(tǒng)計(jì)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(cè)主要方法分類(lèi)對(duì)于彩色的圖像或者視頻流，一般先使用彩色和運(yùn)動(dòng)特征縮小檢測(cè)區(qū)域。因此，人臉檢測(cè)的關(guān)鍵是針對(duì)灰度圖像的檢測(cè)算法。根據(jù)采用特征和分類(lèi)器的不同，大致可分為基于知識(shí)