【正文】 計(jì)模型n引，該模型由兩個(gè)互相關(guān)聯(lián)的過程組成：(1)一個(gè)是底層不可觀測(cè)的馬爾可夫鏈，它由有限個(gè)狀態(tài)、一個(gè)概率轉(zhuǎn)移矩陣和一個(gè)初始狀態(tài)概率分布函數(shù)組成。彈性圖匹配方法的最大優(yōu)點(diǎn)在于對(duì)光和表情變化的相對(duì)不敏感性。在彈性圖匹配(Elastic Graph Matching)方法中，兩幅圖的距離是通過尋找G與M之間的最優(yōu)匹配來得到。Gabor變換是進(jìn)行時(shí)頻分析的有效工具，該函數(shù)在時(shí)間域和頻率域上都是局部化的，通常將Gabor特征用到針對(duì)臉部識(shí)別的彈性圖匹配中。此外，BP算法以誤差梯度下降的方式達(dá)到極小值，但在實(shí)際應(yīng)用中，容易陷入到局部極小中，無法得到全局最優(yōu)解，這也是有待解決的一個(gè)問題。直接使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別的問題在于網(wǎng)絡(luò)過于龐大和復(fù)雜，例如對(duì)于一幅128128的人臉圖像，輸入層和輸出層的節(jié)點(diǎn)數(shù)目將達(dá)16438。如果隱層神經(jīng)元采用線性作用函數(shù)，則多層感知機(jī)張成的降維子空間將與主元分析法張成的子空間一樣。神經(jīng)元之間有權(quán)值連接，權(quán)值包含了訓(xùn)練模式空間的特征。人工神經(jīng)網(wǎng)絡(luò)具有自組織性、高維性、模糊性、分布性和冗余性等等特點(diǎn)，較馮諾依曼體系的計(jì)算機(jī)更適合模擬人類大腦的思維機(jī)理。人工神經(jīng)網(wǎng)絡(luò)中的處理單元是人類大腦神經(jīng)單元的簡(jiǎn)化。另一種改進(jìn)是考慮到局部人臉圖像受到外在干擾相對(duì)較小的情況，除了計(jì)算特征臉之外，還利用KL變換計(jì)算出特征眼、特征嘴等。它查找的是圖像之間所有的差異，并根據(jù)這些差異來確定不同人臉間的距離，而不管這些差異是由于光線、發(fā)型或背景的改變引起的，還是屬于人臉本身的內(nèi)在差異，因此特征臉的方法用于人臉識(shí)別存在理論的缺陷。采用主分量作為新的正交空間的正交基的方法稱為主分量_(Principal Component Analysis，簡(jiǎn)稱PCA)方法。將KL變換用于人臉識(shí)別，需要假設(shè)人臉處于低維的線性空間，不同人臉具有可分性。 KL變換是數(shù)字圖像壓縮領(lǐng)域里的一種最優(yōu)變換，它使從低維空間恢復(fù)的人臉圖像和原圖像的均方誤差最小。在后面的特征矢量上的投影具有較小的能量。通過KL變換，可以把圖像在高維空間表示轉(zhuǎn)換到低維空間表示，而由低維空間恢復(fù)的圖像和原圖像具有最小的均方誤差，從而可以以圖像在低維空間的變換系數(shù)作為人臉圖像的描述特征。由于進(jìn)一步改善測(cè)量精度是十分困難的，因而通過增加臉部幾何參數(shù)的數(shù)量來改善識(shí)別率結(jié)果，其影響是極小的。雖然各人臉的器官在形狀、大小及分布上各不相同，但是這種器官上的差異性更多是體現(xiàn)在某些細(xì)微的感覺意義上。在Brunelli和Poggio的文獻(xiàn)中給出了一組典型的人臉幾何特征參數(shù)：(1)眉毛的厚度(2)眉毛與眼睛中心的垂直距離；(3)描述左眼眉毛弧度的12個(gè)數(shù)據(jù)；(4)鼻子的寬度；(5)鼻子在面部上的位置；(6)嘴巴的垂直位置、嘴巴的寬度和上下嘴唇的亮度；(7)描述下顎形狀的11個(gè)半徑數(shù)據(jù)；(8)以鼻子位置為準(zhǔn)的臉部寬度；(9)顴骨寬度(半臉寬)。在基于幾何特征的人臉識(shí)別方法中，可以用一個(gè)矢量來表示提取出來的幾何參數(shù)。所有這些基于人臉圖像整體特征的人臉識(shí)別方法均取得了一定的識(shí)別性能。另外，該類方法并沒有充分利用到人臉圖像本身具有的獲度信息，該方向已經(jīng)不是人臉識(shí)別技術(shù)發(fā)展的主流方向?；谌四槇D像局部特征的識(shí)別通常抽取人臉器官如眼睛、眉毛、鼻子和嘴等器官的位置，尺度以及彼此間的比率作為特征。二是基于整體的研究方法，它考慮到模式的整體屬性，主要有特征臉方法、彈性圖匹配方法、神經(jīng)網(wǎng)絡(luò)方法及隱馬爾可夫模型方法等等。根據(jù)輸入人臉圖像的角度，可以分為基于正面、側(cè)面和傾斜人臉圖像識(shí)別。整個(gè)人臉識(shí)別的研究工作主要是圍繞特征向量的提取和特征選擇展開的。(4)人臉識(shí)別，在識(shí)別前對(duì)人臉圖像庫進(jìn)行處理，得到每個(gè)個(gè)體的特征信息，單獨(dú)建立一個(gè)新的人臉圖像數(shù)據(jù)庫，在識(shí)別過程中，采用同樣的方法得到測(cè)試人臉圖片的特征信息，并與庫中的每個(gè)個(gè)體信息進(jìn)行比較?；叶葰w一化則就是對(duì)人臉圖像進(jìn)行光照補(bǔ)償，消除光照對(duì)圖像的影響，進(jìn)而提高識(shí)別率。人臉檢測(cè)與定位是一項(xiàng)很復(fù)雜的工作，這是由于光線、視角、表情、墨鏡、遮擋物等各種因素，以及可能出現(xiàn)的圖像噪聲或干擾，即使是同一人的人臉圖像也可能會(huì)產(chǎn)生很大的差別，這使得人臉檢測(cè)與定位工作變得相當(dāng)困難。其中訓(xùn)練一般是離線運(yùn)算的，而識(shí)別是在線操作的。狹義的人臉識(shí)別就是根據(jù)系統(tǒng)新輸入的人臉，與己有的人臉數(shù)據(jù)庫進(jìn)行比對(duì)，來判斷該人臉是否在人臉庫中。(3)人臉鑒別(Face Identification):即通常所說的人臉識(shí)別，就是將待識(shí)別的人臉與數(shù)據(jù)庫中的己知人臉比較，得出相關(guān)信息。 (1)人臉檢測(cè)((Face Detection):即從各種不同的場(chǎng)景中檢測(cè)出人臉的存在并確定其位置、尺度和姿勢(shì)。雖然目前國(guó)內(nèi)外己經(jīng)有許多實(shí)用系統(tǒng)問世，但是只有在非?？量痰某上駰l件下，才能得到比較令人滿意的識(shí)別效果。就算以15%計(jì)算，人臉識(shí)別的市場(chǎng)規(guī)模也將在2010年達(dá)到6億美元，國(guó)內(nèi)達(dá)到40億人民幣左右。這些己有的以及潛在的應(yīng)用領(lǐng)域?qū)⑼苿?dòng)人臉識(shí)別技術(shù)不斷發(fā)展。因?yàn)槠渚薮蟮纳虡I(yè)應(yīng)用前景，受到越來越多的重視。社會(huì)上具有各種大型的人臉數(shù)據(jù)庫，如公安部門的身份證照片數(shù)據(jù)庫，學(xué)校里的學(xué)生學(xué)籍?dāng)?shù)據(jù)庫等等。 (2)數(shù)據(jù)采集方便，采集設(shè)備成本低廉。生物特征可分為生理特征和行為特征兩大類，人臉、指紋、掌紋、虹膜、視網(wǎng)膜等屬于生理特征，語音、步態(tài)、筆跡等屬于行為特征，生理特征相對(duì)行為特征而言更為穩(wěn)定。面臨這樣的情況，人們對(duì)身份識(shí)別的安全性、可靠性、準(zhǔn)確和實(shí)用性提出了更高的要求，必須尋求身份識(shí)別的新途徑。人們幾乎時(shí)時(shí)刻刻都需要鑒別別人的身份和證明自己的身份，以獲得對(duì)特定資源的使用權(quán)或者制權(quán)，同時(shí)防止這些權(quán)限被他人隨意的取得。而人臉識(shí)別作為圖像處理在這些領(lǐng)域最成功的應(yīng)用之一，最近幾年來成為廣大學(xué)者的研究熱點(diǎn)，越來越受到關(guān)注。但在這種人臉識(shí)別技術(shù)中，二維的人臉圖像矩陣必須先轉(zhuǎn)化為一維的圖像向量，才能進(jìn)行PCA分析，而在這種轉(zhuǎn)化后，造成圖像向量的維數(shù)一般較高，使整個(gè)特征抽取過程所耗費(fèi)的計(jì)算量相當(dāng)可觀。主成分分析方法(Principal Component Analysis ,PCA)，即離散KL變換，是圖像壓縮中的一種最優(yōu)正交變換。首先描述了人臉識(shí)別技術(shù)的研究?jī)?nèi)容、方法、應(yīng)用前景，對(duì)人臉自動(dòng)檢測(cè)與識(shí)別技術(shù)進(jìn)行了綜述。人臉檢測(cè)和識(shí)別是目前生物特征識(shí)別中最受人們關(guān)注的一個(gè)分支，是當(dāng)前圖像處理、模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域內(nèi)的一個(gè)熱門研究課題，在公安部門罪犯搜索、安全部門動(dòng)態(tài)監(jiān)視識(shí)別、銀行密碼系統(tǒng)等許多領(lǐng)域有廣泛的研究，本文對(duì)此進(jìn)行了較為深入的研究。其次，本文重點(diǎn)描述了人臉識(shí)別的經(jīng)典方法，PCA方法。這種方法使得壓縮前后的均方誤差最小，且變換后的低維空間有很好的分辨能力。主成分分析Research on Face Recognition Based on Principal Component AnalysisAbstract Biometrics is a kind of science and technology using individual physiological or behavioral characteristics to verify identity. It provides a highly reliable and robust approach to the identity recognition. Automatic face detection and recognition is one of the most attention branches of biometrics and it is also the one of the most active and challenging tasks for image processing, pattern recognition and puter vision. It is widely applied in mercial and law area, such as mug shots retrieval, realtine video surveillance in security system and cryptography in bank and so on. The main research works and contributions are as the following. First, the research content, approach and development are emphasized. The research status is introduced. The technology of the face detection and recognition are summarized. And the paper describes face preprocessing in detail which is and important step in the face recognition. The face preprocessing methods we adopt are based on image processing techniques. The main purpose is to get the standardized facial images, and to eliminate the impact of illumination to some extent. In this paper, several key preprocessing methods are introduced, such as geometry normalization, grayscale normalization and images binaryconversion. Principal Component Analysis (PCA) face recognition methods as the foundation of the KL transformation is the most superior in the image pression .By using PCA, the dimension of the input is reduced while the main ponents are maintained. The major idea of PCA is to depose a data space into a linear bination of a small collection of the facerecognition literature, the eigenvectors can be referred to as eigenfaces. The probe is identified by first projection to all gallery images. We denote a probe .A probe is paring the projection to all gallery images, and it causes around the pression the mean error to be youngest. But in the PCAbased face recognition technique, the 2D face image matrices must be previously transformed into 1 D image vectors. The resulting image vectors of faces usually lead to a high dimensional image vector space, where it is difficult to evaluate the covariance matrix accurately due to its large size and the relatively small number of training samples. Key wordsFace recognition ；Face pretreatment；PCA目 錄第一章 緒 論 1 1 3 6 6 6 7 9 10 12 13 13 14 14 15 15 17第二章人臉圖像預(yù)處理 18 18 18 19 19 20 23第三章 基于PCA的人臉識(shí)別方法 23 23 PCA人臉識(shí)別方法原理 23 24 24 26 27 28 28 29 30 32第四章 實(shí)驗(yàn)過程顯示及分析 33 引言 33 實(shí)驗(yàn)過程 33致 謝 37參考文獻(xiàn) 38附錄 3942第一章 緒 論隨著信息技術(shù)及網(wǎng)絡(luò)的高速發(fā)展，人們的生活及身份日益數(shù)字化，信息的安全性和隱蔽性越來越受到人們的重視，身份識(shí)別與認(rèn)證技術(shù)也因此得到了較快的發(fā)展?？梢娫诂F(xiàn)代社會(huì)中，身份識(shí)別己經(jīng)成為人們?nèi)粘Ｉ钪薪?jīng)常遇到的一個(gè)基本問題。密碼遺失、資料被盜的時(shí)間不斷發(fā)生，傳統(tǒng)的安全技術(shù)已暴露出重大的缺陷，就會(huì)給個(gè)人乃至整個(gè)社會(huì)帶來重大的甚至難以彌補(bǔ)的損失。相對(duì)傳統(tǒng)的身份認(rèn)證方法而言，生物特征認(rèn)證技術(shù)具有不會(huì)因當(dāng)事人遺忘或他人竊取和偽造而進(jìn)行錯(cuò)誤判定，比傳統(tǒng)的身份認(rèn)