【正文】 征矢量。因此，對于算法的分類也很難有一個嚴格的標(biāo)準。人臉識別本質(zhì)上是要賦予計算機區(qū)分不同人類個體的能力，也就是“看”的能力。在人臉識別系統(tǒng)中，人臉的初始表示形式是圖像，但在許多因素的影響下，同一人臉的不同圖像之間卻存在著相當(dāng)大的變化，例如，人臉隨年齡和表情的變化；發(fā)型、胡須、眼鏡等對人臉的干擾；光照對人臉圖像的影響；成像角度和距離以及成像背景的復(fù)雜性等的影響。但對計算機來說，卻是一個極其復(fù)雜的課題。在國內(nèi),關(guān)于人臉識別的研究在上個世紀 90 年代才處于起步階段,直到 2003年后才開始了一個快速發(fā)展的階段。一個沒有經(jīng)過特殊訓(xùn)練的人，無法利用指紋和虹膜圖像對其他人進行身份識別。采集一般可在數(shù)秒內(nèi)完成。與其它生物識別技術(shù)相比較，人臉識別具有：非侵擾性。 身份驗證驗證過程是這樣的，用戶通過某種設(shè)備輸入其生物學(xué)特征，提出身份鑒定請求，輸入的特征與模板比較后得出匹配或不匹配的結(jié)果除了告訴用戶外，這一過程還被記錄下來存在本地或遠程主機上。這是一個很吸引人的想法。模板的儲存可以有以下幾種選擇：①存放在生物識別閱讀設(shè)備里。簽名識別是建立在簽名時的力度上的。對于不同的生物識別技術(shù)，取樣的原理和方法是不同的。 生物識別的過程 一個優(yōu)秀的生物識別系統(tǒng)要求能實時迅速有效地完成其識別過程。這些特征都在一定程度上是“人人擁有、人各不同、長期不變”的，都能反映個體特點，并與個體的身份一一對應(yīng)，從而可以用來驗證個體身份的真?zhèn)?。人體所固有的生物特征有許多，一般認為，能夠用來認證身份的生物特征應(yīng)該具有以下的特性：①普遍性：每個正常人都應(yīng)該具有這種特征； ②惟一性：不同的人應(yīng)該具有各不相同的特征；③可采集性：所選擇的特征可以定量測量；④穩(wěn)定性：所選擇的特征至少在一段較長的時間內(nèi)是不變的，并且特征的采集不隨條件、環(huán)境的變化而變化。一旦他人獲得信物或身份標(biāo)識信息就具有與擁有者相同的權(quán)力，使真正擁有者的利益受到威脅。而隨著計算機及網(wǎng)絡(luò)技術(shù)的高速發(fā)展，電子商務(wù)、網(wǎng)上銀行、公共安全等領(lǐng)域的信息安全顯示出前所未有的重要性，個人身份鑒定是保證系統(tǒng)安全的必要前提。關(guān)于個人身份鑒定的問題可以分為兩類：認證(Verification)和辨識(Identification)[1]。顯然，這些致命的缺點使得傳統(tǒng)的身份鑒定方法已經(jīng)完全不能滿足現(xiàn)代社會的要求，于是人們亟需尋找一種更方便、更可靠、更安全的身份驗證方式。⑤安全性：用欺詐的方法騙過系統(tǒng)的難易程度；⑥理論依據(jù)：是否具有相關(guān)的、可信的研究背景作為技術(shù)支持；當(dāng)然，在應(yīng)用過程中，還要考慮其他的實際因素，比如：識別精度、識別速度、對人體無傷害、可接受性、隱私保護等等?；谶@些特征，人們發(fā)展了指紋識別、面部識別、發(fā)音識別等多種生物識別技術(shù)。一般來說，生物識別系統(tǒng)都包括如下幾個處理過程：采集樣本很顯然，在我們通過生物識別驗證個人身份之前，首先要捕捉選擇好的生物學(xué)特征的樣本。例如，面孔識別系統(tǒng)通過分析臉部特征的唯一形狀、模式和位置來辯識人。它分析的是筆的移動，例如加速度、壓力、方向以及筆劃的長度，而非簽名的圖像本身。②存放在遠程中央數(shù)據(jù)庫里。因為它不需要另行儲存模板，用戶可以攜帶自己的模板在任意設(shè)備上使用。在有些系統(tǒng)中，參考用的模板是隨著每一次有效的交易過程而動態(tài)更新的。人臉識別無需干擾人們的正常行為就能較好地達到識別效果，無需擔(dān)心被識別者是否愿意將手放在指紋采集設(shè)備上，他們的眼睛是否能夠?qū)屎缒呙柩b置……而進行人臉識別卻只要在攝像機前自然地停留片刻，用戶的身份就會被正確識別。通過人臉識別身份，與人類的習(xí)慣一致。人臉識別擁有這些良好的特性，使其具有非常廣泛的應(yīng)用前景，正在引起學(xué)術(shù)界和商業(yè)界越來越多的關(guān)注。另外,國內(nèi)的很多高校,如清華大學(xué)、哈爾濱工業(yè)大學(xué)、南京理工大學(xué)、復(fù)旦大學(xué)、南京大學(xué)、西安電子科技大學(xué)等,也在進行人臉識別相關(guān)領(lǐng)域的研究。這種困難一方面源于計算機本身學(xué)習(xí)能力的局限性，另一方面則是由人臉識別技術(shù)所具有的復(fù)雜性造成的。人臉識別問題的深入研究和最終解決，可以極大地促進這些學(xué)科的成熟和發(fā)展。來自各個領(lǐng)域的困難使得人臉識別技術(shù)成為一項極富挑戰(zhàn)性的研究課題。這里，根據(jù)特征提取的方法、特征形式的不同，我們將人臉識別方法主要分為三類：基于局部特征、基于全局特征、基于混合特征。 基于全局特征的人臉識別基于全局特征的人臉識別，其中全局特征指的是人臉的膚色，整體的輪廓，還有的是五官之間的位置分布等特征。天然的人臉識別系統(tǒng)中并不是單一的局部以及全局的運用，而是從這兩個方面同時進行作用，二者同樣的重要，并且這一類不能很好的區(qū)分出主要是運用了局部特征方法還是全局特征方法。如何找到有效的特征來描述人臉是人臉識別的關(guān)鍵，人臉特征的提取盡管已經(jīng)有了一定的研究，但是由于人臉圖像的對于光照條件、人臉表情和姿態(tài)變化的問題，以及問題本身的復(fù)雜性，還難以找到比較有效的特征。Ahonen 等將 LBP 算子引入了人臉識別[7]，他們將人臉圖像劃分為幾個互不重疊的區(qū)域，利用 LBP 的局部特性和直方圖方法的統(tǒng)計特性，一定程度上實現(xiàn)了局部特征與全局特征的結(jié)合，該方法在 FERET 人臉庫上取得了較好的實驗效果。該方法先通過預(yù)處理，將光照變化控制在一定范圍內(nèi)然后求的局部區(qū)域中心像素點和鄰居像素點之間的對比度值，并將其最大值和最小值之間的值域劃分為若干個層次，將每個對比度值映射到某個層次上，再使用LBP類似方法獲得若干個數(shù)值組合而成的LMCP特征值，此外，還使用了統(tǒng)計映射的方法進行降維。然后描述LMCP特征值的獲取方法，并將其用于人臉識別中。直觀的表現(xiàn)在圖像上就是亮度，顏色的變化，而從廣義上來說，基本上所有的圖像都是具有了紋理信息，與其他的圖像特征相比紋理特征反映的是灰度模式下的空間分布，其中包含了此圖像的表面信息以及周圍環(huán)境的關(guān)系，能夠更好的反映出圖像的信息以及結(jié)構(gòu)，所以目前，紋理分析在圖像分析中收到了格外的關(guān)注。 基本LBP定義，我們要計算的中間那個點的LBP。對整個圖片的所有點都這樣處理，也就是以它為中心與附近的8個點相比較，這樣就得到整個圖所有點的LBP值。如下圖定義的的5*5領(lǐng)域 5*5領(lǐng)域的圓形LBP算子，每個點可以各自計算出它的值：其中為鄰域中心點，為某個采樣點。針對這個問題，Ojala提出了一種名為“等價模式”對LBP算子進行降維。第2節(jié) LBP 的特點紋理同時具有隨機性和結(jié)構(gòu)性的特點，為了定量描述紋理，多年來人們建立了許多紋理算法以測量紋理特性。這類方法一般原理簡單，較易實現(xiàn)，但適用范圍受到限制，主要適合紋理圖像中那些沒有明顯規(guī)則性的結(jié)構(gòu)圖像，特別適合于具有隨機的、非均勻性的結(jié)構(gòu)。任何紋理圖像都包含了統(tǒng)計特征和規(guī)律特征兩種特征，因此，使用單一的統(tǒng)計分析方法或結(jié)構(gòu)分析方法都很難取得令人滿意的分類效果。這樣，LBP模式可以被看作一種微觀結(jié)構(gòu)。第3節(jié) LBP 算子的發(fā)展和演化LBP 算子從提出至今，引起了許多學(xué)者的興趣和關(guān)注。LBP 算子具有旋轉(zhuǎn)不變和灰度不變等優(yōu)點，還支持多尺度分析。LGBP方法對光照變化、表情變化都具有一定的魯棒性,并且有效地提高了人臉識別率。二維的Gabor濾波器可以表示為公式其中μ和γ為Gabor濾波器的方向和尺度, 。 LTP根據(jù)LBP編碼公式中的。的量化為1,小于g。為了計算簡單并且運用現(xiàn)有LBP算子的一些研究成果,我們將LTP算子的分為正負兩個部分,將其看作兩個獨立通道的LBP算子對待,并且分別計算其分割后的灰度直方圖和相似度矩陣,最后才將這兩個部分結(jié)合在一起作為一個特征來對待。圖中左右兩幅圖片表示圖像局部區(qū)域像素值，它們得到的LBP 值完全相同，但是卻忽略掉了十分重要的對比度信息，而對比度的不同恰恰是這兩個局部區(qū)域紋理的最重要特征。在半徑為R，點為P 的局部區(qū)域，每個鄰居點對應(yīng)的對比度層次由下式計算所得：式中，max C 、min C 分別代表鄰居點和中心點之間的對比度最大值和最小值，L 表示分層數(shù)量。如果將不屬于這些取值范圍的 全部歸為另一種取值，那么可以將特征維度大約降低為原來的1/6 。這里采用的權(quán)重與層次相同，即： = i, i = 1，2，…，L 。本文中的測試主要使用Yale人臉庫以及ORL人臉庫上進行。人臉庫中主要包含了 15個不同人的11幅不同光照,姿態(tài),表情的人臉圖片。截至1997年,該人臉庫中總共包含了分別屬于1199人的14126張人臉圖片,人臉圖片分別是在不同的外部條件(光照,姿態(tài),表情,時間間隔)下進行拍照獲得。④CMU人臉庫CMU人臉庫是由美國卡耐基梅隆大學(xué)(CMU)于2000年創(chuàng)立的共包含41368張人臉圖片的較為大型的人連數(shù)據(jù)庫。該數(shù)據(jù)庫中包含了分別屬于1040志愿者的99450張不同的人臉圖片。人臉數(shù)據(jù)庫中人臉圖片的外部條件變化不是特別明顯,主要適用于人臉?biāo)惴ㄔ谳^為理想外部條件下的測試工作。本文代碼是基于matlab中的M語言所寫，使用的編譯環(huán)境為Matlab 2010b。同時，Ahenon 指出LBP 方法用于人臉識別，P = 8，R = 2 時能夠得到最好的效果。 作為實驗1中的set1部分訓(xùn)練樣本表 1 在Yale人臉庫中對LMCP和LBP進行實驗1的對比 （%）Set2Set3Set4Set5Ave圖 表 2 在Yale人臉庫中對LMCP和LBP進行實驗2的對比 （%）Set1Set2Set4Set5Ave圖 表 3 在Yale人臉庫中對LMCP和LBP進行實驗3的對比 （%）Set1Set2Set3Set4Set5Ave 基于ORL人臉庫的實驗我們抽取了0RL人臉庫中40個人,每人10張閣片共400張圖片，采用了 2張訓(xùn)練圖片8張測試圖片；4張訓(xùn)練圖片，6張測試圖片這兩組來進行了實驗,測試次數(shù)為400次。另外，還通過統(tǒng)計映射的方法降低了LMCP 的特征維度。歷經(jīng)了這么久的努力，終于完成了畢業(yè)論文。主要是為了發(fā)現(xiàn)過去那些論文之中的觀點，然后避免有重復(fù)的觀點出現(xiàn)。老師的意見總是很寶貴的，可以很好的指出我的資料收集的不足以及需要什么樣的資料來完善文章。當(dāng)我們看到自己的努力有收獲的時候，總是會有那么一點點自豪和激動。老師對于學(xué)生總是默默的付出,盡管很多時候我們自己并沒有特別重視論文的寫作,沒有按時完成老師的任務(wù),但是老師還是能夠主動的和我們聯(lián)系,告訴我們應(yīng)該怎么樣修改論文,怎么樣按要求完成論文相關(guān)的工作。that only pares a pixel with the pixels in its own neighborhood。 Eye detection。[2]introduced the concept of texture unit and texture spectrum. A texture unit of a pixel is represented by eight elements, which correspond to the eight neighbors in a 33 neighborhood with three possible values: 0, 1, 2. The three values represent three possible relationships between the center pixel and its neighbors: “l(fā)ess than”, “equal to”, or “greater than”. As a result, there are 38=6561 possible texture units in total. A texture spectrum of a region is defined by the histogram of the texture units over the region. The large number of possible texture units, however, poses a putational challenge. To reduce the putational burden, Ojala et al.proposed a method that applies two relationships: “l(fā)ess than or equal to” or “greater than” that are represented by two possible values: 0 or 1. The method thus reduces the total number of texture units from 6561 to 256, which can be represented by eight binary numbers. The two relationship version of texture units is named as Local Binary Patterns or LBP[6][9],Section ). The contributions of the paper are as follows:?A new FLBP method is presented. The FLBP encodes both local and feature information. In contrast to the original LBP that only pares a pixel with the pixels in its own neighborhood, the FLBP can pare a pixel with the pixels in its own neighborhood as well as in other neighborhoods. Th