【正文】 及查詢功能，對采集現(xiàn)場環(huán)境要求較低，可在極短的時間里判斷出進出者的身份是否合法，杜絕使用他人鑰匙、密碼、磁卡等非法進入。 人臉識別技術的安全 性、可靠性較高，且擁有廣泛的市場需求，它可以應用于公安部門的犯人檔案管理、犯人辨認查找、刑偵破案、安全驗證系統(tǒng)、信用卡驗證、醫(yī)學、檔案管理、視頻會議、人機交互系統(tǒng)、證件核對、保安監(jiān)視、門禁控制及至自動柜員機（ ATM）等多種場合 [2]。 人臉識別對人類來說是件自然而然的事情，但對計算機而言，人臉識別卻遠非一個已解決的課題。所有的人臉都具有相似的結構，在紋理上也十分相近。另外圖像受光照、成像角度及成像距離等外界條件影響，具有 “ 一人千面 ” 的 特點，欲建立一種具有各種不變性的描述模型還是比較困難的。此外，人臉識別技術 研究與相關科學的發(fā)展及人腦的認識程度緊密相關 [3]。諸多因素都使人臉識別研究成為一項極富挑戰(zhàn)性的課題，一方面信息化進程的日益加快，電子商務、重要場所的安全認證、智能化環(huán)境等許多應用領域對與人臉有關的信息處理提出了迫切要求；另一方面，硬件和軟件技術的發(fā)展，為滿足實際應用系統(tǒng)對人臉檢測、跟蹤及識別技術的實時化要求提供了可能性 [2]。 所以，人臉識別的研究不僅涉及心理學、生理學、人工智能、模式識別、計算機視覺、圖像分析與處理等多個學科領域，更是模式識別、人工智能和計算機視覺的典型案例之一 [2]。對這一問題的研究和 解決，有助于對其他對象識別問題的研究分析和解決，人臉識別也因此成為這些基礎研究領域的重要課題之一，具有重要的理論研究本科畢業(yè)設計論文 （附錄 包含源代碼） 價值。 國內外研究現(xiàn)狀及發(fā)展趨勢 近 30年來，人臉自動識別的研究取得了很大的進展，從工程索引（ EI）上檢索到的相關文獻已達數(shù)千篇，包括 IEEE PAMI在內的重要國際期刊也有專欄甚至?？瘓蟮廊四樧R別的最新研究進展，同時還出現(xiàn)了專門的國際學術會議，如人臉手勢識別國際學術會議 [1]。目前人臉識別領域內最著名的國際研究機構包括：美國麻省理工學院媒體實驗室及人工智能實驗室、南加州大學、 CMU卡 內基 — 梅隆機器人研究及交互系統(tǒng)實驗室、馬里蘭大學等。另外，一些國家或地區(qū)也有不少研究機構在人臉識別領域進行了大量的研究工作 [4]。 90年代中后期以來，國內的許多研究機構在自然科學基金、863計劃、攀登計劃等資助下，開始了對人臉識別的研究。其中主要包括清華大學計算機系、自動化系、電子系以及哈爾濱工業(yè)大學、南京理工大學信息學院、中科院自動化所、上海交通大學圖像處理與模式識別研究所、中山大學數(shù)學系等，他們在人臉識別研究領域都進行了許多很有意義的嘗試，積累了經驗 [5]。中科院計算所人臉識別研究小組 2021年 5月與專 門從事人臉識別商業(yè)系統(tǒng)開發(fā)和銷售的四川成都銀晨網訊科技有限公司全面合作，在北京成立了 ICTYCNC人臉識別聯(lián)合實驗室，專門研究和開發(fā)商業(yè)人臉識別系統(tǒng)。一年來，實驗室在實時人臉檢測與跟蹤、人臉識別、人臉確認等方面進行了大量卓有成效的研究，并開發(fā)了一套具有良好魯棒性的實時人臉檢測系統(tǒng)；提出了一種新的基 SFS的人臉識別方法，并基于該方法開發(fā)了一套實時人臉識別確認系統(tǒng)，目前已通過系統(tǒng)測試，并進入產品開發(fā)階段。另外，實驗室以成熟的 “ 特征臉 ” 人 臉識別技術為基礎，對其進行了很多改進和擴充，嘗試了基于人工神經網絡、支持向 量機、線性判別分析、基于 GMM的雙子空間人臉識別方法等，研究了基于 Gabor小波變換和彈性圖匹配的人臉識別技術，以及基于統(tǒng)計模型的人臉識別方法等 [5]。 本科畢業(yè)設計論文 （附錄 包含源代碼） 人臉識別的常用方法 （ 1）基于幾何特征的方法 幾何特征最早是用于人臉識別的。人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關系的幾何描述，可以作為人臉識別的重要特征。將人臉用一個幾何特征矢量表示，用模式識別中層次聚類的思想設計分類器達到識別目的[6]。這就 要求選取的幾何特征矢量具有一定的獨特性，能夠反映不同人臉之間的差別，同時又具有一定的彈性，以消除時間跨度、光照等的影響。幾何特征矢量是以人臉器官的形狀和幾何關系為基礎的特征矢量，其分量通常包括人臉指定兩點間的歐式距離、曲率、角度等 [6]。 （ 2）基于彈性模型匹配方法 彈性模型匹配方法的思想是將人臉上的一些特征點作為基準點構成彈性圖，每個基準點存儲一串具有代表性的特征矢量，采用分級結構的彈性圖，去除一些冗余節(jié)點，形成稀疏的人臉描述結構 [7]。通過測試樣本和特征樣本的彈性匹配來完成識別。彈性模型匹配方法有很多， 例如：在人臉圖像上放置一組矩形網格節(jié)點，每個節(jié)點的特征用該節(jié)點處的多尺度 Gabor幅度特征描述，各節(jié)點之間的連接關系用幾何距離表示，從而構成基于二維拓撲圖的人臉描述，根據(jù)兩個圖像中各節(jié)點和連接之間的相似性進行人臉識別。還有將人臉圖像表示為可變形的 3D網格表面，將人臉匹配問題轉換為曲面匹配問題，利用有限元分析的方法進行曲面變形，根據(jù)兩幅圖像之間變形匹配的程度識別人臉等。 （ 3） 神經網絡方法 目前神經網絡方法在人臉識別中的研究方興未艾。 Valentin[8,9]提出一種方法，首本科畢業(yè)設計論文 （附錄 包含源代碼） 先提取人臉的 50個主元，然后用自 相關神經網絡將它映射到 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； Intrator[8,9]等提出了一種混合型神經網絡來進行人臉識別，其中非監(jiān)督神經網絡用于特征提取，而監(jiān)督神經網絡用于分類。 Lee[8,9]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網絡進行識別，效果較一般的基于歐氏距離的方法有較大改善； Laurence[8,9]等采用卷積神經網絡方法進行人臉識別，由于卷積神經網絡中集成了相鄰像素之間的相關性知識，從而在一定 程度上獲得了對圖像平移、旋轉和局部變形的不變性，因此得到非常理想的識別結果。神經網絡方法在人臉識別上的應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)則進行顯性的描述是相當困難的，而神經網絡方法則可以通過學習的過程獲得對這些規(guī)律和規(guī)則的隱性表達，它的適應性更強，一般也比較容易實現(xiàn)。 （ 4）基于線性和非線性子空間的方法 基于子空間的方法是基于圖像像素本身的，主要是利用計算模板和圖像灰度的自相關性來實現(xiàn)識別功能，一般來說模板匹配法要優(yōu)于基于幾何特征法 [10]。目前，在諸多子空間方法中，應用最廣泛 的是特征臉法（ PCA），這是針對人臉整體特征的研究，利用 KarhunenLobve變換原理，將圖像表示為一些低維的正交基組成的子空間，然后采用最小距離準則進行人臉識別。線性判別分析（ LDA）是一種較為普遍的用于特征提取的線性分類方法。它使投影后的模式樣本的類間散布矩陣最大而類內散布矩陣最小，也就是說，投影后保證模式樣本在新的空間中有最大的類間距離和最小的類內距離，即模式在該空間中有最佳的可分離性。線性判別分析提取的特征向量集強調的是不同人臉的差異而不是照明條件、人臉表情和方向的變化。因而，采用此方法對光照條件、人臉姿態(tài)等的變化不太敏感，從而有助于提高識別效果。但是傳統(tǒng)的算法常常遇到的一個問題是樣本類內散度矩陣通常是奇異的，即 “ 小樣本集合問題 ” 。針對這本科畢業(yè)設計論文 （附錄 包含源代碼） 一問題已有了許多改進方法并取得了很好的識別效果。獨立分量分析（ ICA）是一種很有效的提取方法。與 PCA相比， ICA有兩個優(yōu)勢：一是 ICA獲得的獨立分量不需要滿足正交關系，能夠消除象素間的高階統(tǒng)計相關性，而 PCA只能消除象素間的二階統(tǒng)計相關性；二是 ICA獲得的一組矢量比本征矢量更具空間局部描述性，具有更好的人臉描述能力。借鑒 SVM的 Kernel方法， PCA、 LDA和 ICA等都被擴展到了核空間。與線性子空間方法相比，基于 Kernel的方法獲得了更好的識別效果 [11,12]。 （ 5）其他方法 Brunelli等對模板匹配方法作了大量實驗，結果表明在尺度、光照、旋轉角度等各種條件穩(wěn)定的情況下，模板匹配的效果優(yōu)于其他方法，但它對光照、旋轉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，在臉部表情變化時比較穩(wěn)定。在最近的一些工作中， Benarie等提出 VFR的表示框架并將它用于人臉識別的工作中， Lam等人研究 了不同視點下的人臉匹配和識別問題， Vetter等人討論了由單幅人臉圖像生成其他視點的人臉圖像的可能性， Mirhosseini等則探討了多種信息融合的人臉識別方法 [13]。 本論文的主要研究工作 本論文主要研究一種應用于人臉識別的特征融合算法，該算法提取人臉圖像中關鍵特征點的 Gabor 特征作為局部特征，提取人臉圖像的奇異值特征作為全局特征，對這兩類特征利用串行融合算法進行融合，并利用最近鄰分類規(guī)則將圖像進行分類。 本論文研究內容的主要流程如圖 所示。 本科畢業(yè)設計論文 （附錄 包含源代碼） 圖 特征融合算法的主要流程 奇異值提取 Gabor 特征提取 輸入人臉圖像 輸入人臉圖像 串行融合 最近鄰分類 輸出分類結果 本科畢業(yè)設計論文 （附錄 包含源代碼） 2 Gabor 特征 提取算法的實現(xiàn) Gabor 小波簡介 由于 Gabor特征對光照、姿態(tài)具有一定的魯棒性 [7,13]，因此 Gabor特征在人臉識別領域的應用非常廣泛，目前已經成為了最為主流的人臉特征抽取方法。 Gabor特征具有良好的空間局部性和方向選擇性 [7,13]，可以很好的描述圖像的紋理信息，因此許多人臉識別算法都采用 Gabor特征作為識別特征。 EGM是最早應用 Gabor特征進行人臉識別的算法之一，該算法僅對人臉圖像中部分關鍵特征點進行 Gabor變換，并將人臉描述為以這些特征點位置為頂點、以其 Gabor變換系數(shù)為頂點屬性、以其關鍵點位置關系為邊屬性的屬性圖，從而將人臉識別問題轉化為圖匹配問題。 通過合理的選擇特征 點的位置，彈性圖可以很好地同時對人臉的關鍵局部特征及其它們之間的關系進行建模，從而既利用了人臉的圖像亮度分布特征，又利用了面部結構信息。 GWN方法從最佳描述的角度，通過一個優(yōu)化過程完全自動地確定特征位置及其相應的小波參數(shù)，并最終用這些參數(shù)作為人臉的描述來進行人臉識別。但 GWN是一種基于參數(shù)優(yōu)化的建模方法，計算復雜度很高，其用于人臉識別的有效性還需要更多的實踐檢驗。 GFC算法的基本思想是在粗略對齊人臉圖像的前提下，逐像素計算每個像素點的多方向、多尺度 Gabor變換特征，形成 Gabor特征的人臉表示，然后進一步 用 Fisher判別分析法提取特征，為了 解決逐像素 Gabor特征維數(shù)過高的問題， Liu采用了簡單的下采樣處理方法。 AdaGabor算法采用 AdaBoost算法對高維 Gabor特征進行選擇的降維，該方法采用機器學習的方法更加客觀地利用 Gabor特征，從而能在有效降維的同時提高識別性能。 Gabor小波與人類視覺系統(tǒng)中簡單細胞的視覺刺激響應非常相似。它在提取目標本科畢業(yè)設計論文 （附錄 包含源代碼） 的局部空間和頻率域信息方面具有良好的特性。雖然 Gabor小波本身并不能構成正交基，但在特定參數(shù)下可構成緊框架。 Gabor小波對于圖像的邊緣敏感，能夠提供良 好的方向選擇和尺度選擇特性，而且對于光照變化不敏感 ,能夠提供對光照變化良好的適應性 [14]。上述特點使 Gabor小波被廣泛應用于視覺信息理解。二維 Gabor小波變換 [15]是在時頻域進行信號分析處理的重要工具，其變換系數(shù)有著良好的視覺特性和生物學背景，因此被廣泛應用于圖像處理、模式識別等領域。與傳統(tǒng)的傅立葉變換相比， Gabor小波變換具有良好的時頻局部化特性。即非常容易地調整 Gabor濾波器的方向、基頻帶寬及中心頻率從而能夠最好的兼顧信號在時空域和頻域中的分辨能力 ； Gabor小波變換具有多分辨率特性即變焦能 力。即采用多通道濾波技術，將一組具有不同時頻域特性的 Gabor小波應用于圖像變換，每個通道都能夠得到輸入圖像的某種局部特性，這樣可以根據(jù)需要在不同粗細粒度上分析圖像。此外，在特征提取方面， Gabor小波變換與其它方法相比：一方面其處理的數(shù)據(jù)量較少，能滿足系統(tǒng)的實時性要求；另一方面，小波變換對光照變化不敏感，且能容忍一定程度的圖像旋轉和變形，當采用基于歐氏距離進行識別時，特征模式與待測特征不需要嚴格的對應，故能提高系統(tǒng)的魯棒性 [16,17]。 無論從生物學的角度還是技術的角度， Gabor特征都有很大的優(yōu)越性 。 Jones和Palmer的研究表明 [18]，在基本視覺皮層里的簡單細胞的感受野局限在很小的空域范圍內，并且高度結構化。 Gabor變換所采用的核（ Kernels）與哺乳動物視覺皮層簡單細胞 2D感受野剖面（ Profile）非常相似，具有優(yōu)良的空間局部性和方向選擇性，能夠抓住圖像局部區(qū)域內多個方向的空間頻率（尺度）和局部性結構特征。這樣， Gabor分解可以看作一個對方向和尺度敏感的有方向性的顯微鏡。同時，二維 Gabor函數(shù)也類似于增強邊緣以及峰、谷、脊輪廓等底層圖像特征，這相當于增強了被認為是面部關鍵部件的眼睛 、鼻子、嘴巴等信息，同時也增強了諸于黑痣、酒窩、傷疤等局部特征，本科畢業(yè)設計論文 （附錄 包含源代碼） 從而使得在保留總體人臉信息的同時增