【正文】 復(fù)雜度極高的二次規(guī)劃問題，限制了該方法的應(yīng)用。SRM使VC（Vapnik Cherovnenkis）維數(shù)的上限最小化，這使得SVM方法比基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化（Empirical Risk Minimization Principle， ERM）的人工神經(jīng)網(wǎng)方法具有更好的泛化能力。 該方法同時(shí)考慮到人臉由左到右各個(gè)特征的自然順序， 使用了二維HMM ， 并且采用二維DCT 變換的系數(shù)作為觀察向量。另一種概率模型是用于描述信號(hào)統(tǒng)計(jì)特性的隱馬爾可夫模型(Hidden markov model，HMM)，目前也被應(yīng)用于人臉檢測(cè)與識(shí)別。 該方法利用貝葉斯原理將后驗(yàn)概率估計(jì)轉(zhuǎn)化為一個(gè)似然度求解問題:將難以估計(jì)的先驗(yàn)概率 和()Pobject用一個(gè)比率參數(shù) 代替，作為調(diào)節(jié)檢測(cè)器敏感度的參量。Yang 等在混合線性子空間(Mixtures of Linear Subspaces)中對(duì)“人臉”和“非人臉”樣本的分布進(jìn)行建模，分別使用基于 EM 算法的擴(kuò)展 FA 方法和基于自組織映射(SelfOrganizing Map，SOM)的 FLD 方法構(gòu)造檢測(cè)器。需要指出的是，人臉檢測(cè)中“非人臉”樣本的選取是一個(gè)較為困難的問題。Sung 等提出了基于事例學(xué)習(xí)的方法，同時(shí)使用了 1919 象素分辨率的“人臉”和“非人臉”樣本。它根據(jù)圖象的統(tǒng)計(jì)特性進(jìn)行的正交變換（KL變換） ，以消除原有向量各個(gè)分量間的相關(guān)性。但是，由于人臉屬于高維矢量，導(dǎo)致網(wǎng)絡(luò)中訓(xùn)練節(jié)點(diǎn)眾多，算法往往需要大量的訓(xùn)練樣本，因此，神經(jīng)網(wǎng)絡(luò)方法的研究著重于系統(tǒng)的優(yōu)化訓(xùn)練。 “父層”網(wǎng)判斷“子層”能否構(gòu)成一張人臉。為了提高正確率，系統(tǒng)還同時(shí)對(duì)幾個(gè)網(wǎng)絡(luò)分別處理出來的結(jié)果進(jìn)行綜合調(diào)整。Vincent用一個(gè)分級(jí)的特征檢測(cè)系統(tǒng)定位眼睛和嘴巴，降低分辯率后的圖像輸入四個(gè) 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 12 頁已被訓(xùn)練過的多層感知器，能對(duì)左右眼睛、嘴巴和人臉中心進(jìn)行粗定位，然后再經(jīng)過處理定位出比較精確的眼睛的上下左右四個(gè)眼角定點(diǎn)并分割嘴巴區(qū)域。1. 神經(jīng)網(wǎng)絡(luò)方法 [13]神經(jīng)網(wǎng)絡(luò)具有很好的記憶功能，訓(xùn)練樣本比較全面時(shí)候，神經(jīng)網(wǎng)絡(luò)可以處理比較復(fù)雜的人臉檢測(cè)問題，因此許多的人臉檢測(cè)算法采用神經(jīng)網(wǎng)絡(luò)方法來做。Intrator利用廣義對(duì)稱變換理論和邊緣圖像確定人臉對(duì)稱軸，然后根據(jù)人臉五官分布的約束條件及在對(duì)稱軸上對(duì)稱值最大的地方定位眼睛和嘴巴。Brunelli等人用垂直方向邊緣圖像的積分投影檢測(cè)臉的兩側(cè)和鼻子，水平方向邊緣積分投影用于定位眼睛、嘴巴和鼻子。同族人的膚色在顏色空間中的分布相對(duì)比較集中，顏色信息在一定程度上可以將人臉同大部分背景區(qū)分開來。這種分割是在變換后的色彩坐標(biāo)系如HSV和YIQ中進(jìn)行的。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。 人臉檢測(cè)方法分類人臉檢測(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。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。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。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。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。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)。 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。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)。 人臉檢測(cè)問題分類人臉檢測(cè)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]。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 6 頁第 2 章 人臉檢測(cè)技術(shù)研究人臉檢測(cè)問題最初來源于人臉識(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、位姿的過程?；谏窠?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。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。神經(jīng)網(wǎng)絡(luò) [13] 人工神經(jīng)網(wǎng)絡(luò)是一門以對(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。計(jì)算機(jī)視覺視覺是人類獲取信息的主要來源，也是適應(yīng)復(fù)雜、變化環(huán)境的感知基礎(chǔ)。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。模式識(shí)別模式識(shí)別 [1]，就是通過計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動(dòng)處理和判讀。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，不過最終還是歸到匹配的問題。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。 (3)第三階段是自動(dòng)機(jī)器人臉識(shí)別是近年來發(fā)展起來的，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。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(dòng)的人臉識(shí)別工作。還有很多的研究者。它的困難性是顯然的，因?yàn)橐粡堈掌男畔⒘勘榷鄰堈掌男畔⒘恳俣嗔?，人臉豐富的三維通過單張照片是不可能全部反映出來的 [17]。在九十年代前期，研究的重心集中在分割和特征提取以及設(shè)計(jì)系統(tǒng)的或神經(jīng)網(wǎng)絡(luò)的分類器方面，采用一些傳統(tǒng)的統(tǒng)計(jì)方法，如：Karhunen—Loeve變換等或新的神經(jīng)網(wǎng)絡(luò)技術(shù)。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 2 頁 國內(nèi)外研究現(xiàn)狀與人臉識(shí)別的發(fā)展階段人臉識(shí)別是一個(gè)算是古老卻又年輕的課題，言其古老是因?yàn)樵缭谏蟼€(gè)世紀(jì)，法國Galton就已經(jīng)開始了這方面的研究，直到七十年代中期以前，典型的模式識(shí)別的分類技術(shù)始終還是用人臉正面或者側(cè)面特點(diǎn)的距離來度量，而且重點(diǎn)使用的是從側(cè)面人臉圖像上提取的幾何特征。 其表現(xiàn)在：人臉表情豐富；人臉隨年齡增長(zhǎng)而變化； 人臉?biāo)蓤D象受光照、成象角度及成象距離等影響 [8]。作為人類幾個(gè)外在鑒別特征之一，人臉識(shí)別自動(dòng)鑒別和人類自動(dòng)分辨有著重要的意義。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 I 頁人臉識(shí)別技術(shù)的研究與設(shè)計(jì)畢業(yè)論文目 錄摘 要 ...............................................................IV第 1 章 緒 論 ..........................................................1 引言 ..............................................................1 國內(nèi)外研究現(xiàn)狀與人臉識(shí)別的發(fā)展階段 ................................2 人臉識(shí)別的研究?jī)?nèi)容 ................................................3 相關(guān)學(xué)科 ..........................................................4 小結(jié) ..............................................................5第 2 章 人臉檢測(cè)技術(shù)研究 ................................................6 人臉檢測(cè)問題分類 ..................................................6 人臉模式特征提取法 ................................................8 膚色特征 .......................................................8 灰度特征 ......................................................8 人臉檢測(cè)方法分類 ..................................................9 基于知識(shí)的方法 ...............................................10 基于統(tǒng)計(jì)模型的人臉檢測(cè)方法 ...................................11 基于模板的方法 ...............................................15 小結(jié) .............................................................16第 3 章 基于隱馬爾可夫模型 HMM 的人臉識(shí)別 ...............................17 相關(guān)背景概念 .....................................................17 隱馬爾可夫模型 HMM 構(gòu)成元素 .......................................18 隱馬爾可夫模型 HMM 原理 ...........................................19 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 II 頁 隱馬爾可夫模型基本算法 ...........................................20 前向－后向算法 ...............................................20 維特比算法 ...................................................24 Baum－Welch 算法 .............................................25 隱馬爾可夫模型在人臉識(shí)別中應(yīng)用 ...................................28 人臉圖像 HMM 模型狀態(tài)的確定 ...................................28 觀察值序列 ...................................................29 基于離散余弦變換（DCT）的特征提取方法 ........................30 HMM 建模訓(xùn)練和人臉識(shí)別工作流程 ................................32 改進(jìn)的隱馬爾可夫模型在人臉識(shí)別中的應(yīng)用 ...........................35 觀察向量的提取 ...............................................35 人臉參數(shù)訓(xùn)練 .................................................35 人臉的識(shí)別 ...................................................36 小結(jié) .............................................................37第 4 章 人臉識(shí)別系統(tǒng)設(shè)計(jì)與試驗(yàn) .........................................38 人臉識(shí)別系統(tǒng)涉及的軟件和硬件 .....................................38 軟件部分 .....................................................38 硬件部分 .....................................................42 人臉識(shí)別系統(tǒng) ....