【正文】 要身份認(rèn)證的場合也變得無不在。不論是享受各項(xiàng)服務(wù)如網(wǎng)上沖浪、還是居家、辦公等都涉及到安全，以往這些行為基本上是通過符號密碼來進(jìn)行安全保護(hù)，但是隨著服務(wù)數(shù)量的不斷增加，密碼越來越多以致無法全部記住，而且密碼有時也會被他人所竊取，各種密碼被破解的概率越來越高。人臉預(yù)處理 。其基本原理為 :由高維圖像空間經(jīng) KL 變換后得到一組新的正交基，對這些正交基作一定的取舍，保 留其中的一部分生成低維的人臉空間，即人臉的特征子空間，識別時將測試圖像投影到此空間，得到一組投影系數(shù)，通過與各個人臉圖像比較進(jìn)行識別。本文介紹了幾種主要的預(yù)處理方法，如幾何歸一化，灰度歸一化。 I 內(nèi) 容 摘 要 生物特征識別是利用人類特有的生理或行為特征來識別個人身份的技術(shù)，它提供了一種高可靠性、高穩(wěn)定性的身份鑒別途徑。并且詳細(xì)介紹了人臉識別很重要的一個步驟 — “人臉預(yù)處理”，文中提到的人 臉預(yù)處理方法都是從圖像處理的角度著手的，主要目的是使人臉圖像標(biāo)準(zhǔn)化，并在一定程度上消除光照的影響。它用一個低維子空間來描述人臉圖像，同時又能在一定程度上保存所需要的識別信息。 關(guān)鍵詞 人臉識別 。 人類社會的 發(fā)展進(jìn)入到 21世紀(jì)的今天，社會的發(fā)展促進(jìn)了人的流動，進(jìn)而也增加了社會的不穩(wěn)定性，這就使得安全方面的需求成為當(dāng)今社會尤為重要的問題。傳統(tǒng)的身份識別方法主要基于身份標(biāo)識物 (如證件、卡片 )和身份標(biāo)識知識 (如用戶名、密碼 )來識別身份，這在很長一段時期是非常可靠和方便的識別方法，得到了廣泛的應(yīng)用。 于是，近年來人類生物特征越來越廣泛地應(yīng)用于身份識別，而且生物特征可以更好的進(jìn)行安全控制，世界各國政府都在大力推進(jìn)生物識別技術(shù)的發(fā)展及應(yīng)用。人臉識別技術(shù)基于生理特征進(jìn)行識別，是最主要的生物特征身份認(rèn)證技術(shù)之一。目前，普通數(shù)碼相機(jī)、數(shù) 碼攝像機(jī)和照掃描儀等攝像設(shè)備在普通家庭的日益普及進(jìn)一步增加了其可用性； (3)人臉識別具有快捷、非接觸的特點(diǎn)，對用戶友好。在各種身份證明材料中，一般也會含有標(biāo)準(zhǔn)的正面人臉照片； (5)具有方便、快捷、強(qiáng)大的事后追蹤能力。近幾十年以來人臉識別技術(shù)有了長足的發(fā)展，并且逐步走向?qū)嶋H應(yīng)用階段。根據(jù)預(yù)計(jì)，生物特征識別技術(shù)在 20202020 年的增長率將保持30%左右，在國內(nèi)這一數(shù)字會更高。作為一種最直接、最自然、最容易被人接受的生物特征識別技術(shù)，人臉識別致力于探索如何使機(jī)器能夠自動地根據(jù)用戶的人臉圖像來鑒別用戶的身份。因此，人臉識別研究仍然遠(yuǎn)遠(yuǎn)沒有到達(dá)完善的境地，還有非常大的發(fā)展空間。這一任務(wù)主要受光照、噪聲、頭部傾斜度以及各種遮擋的影響 。這一過程的核心是選擇適當(dāng)?shù)娜四槺硎?方式與匹配策略 。如果在該人臉數(shù)據(jù)庫中，則給出所對應(yīng)的具體的個體信息。 5 圖 (1)人臉的檢測和定位，人臉檢測與人臉定位是相互聯(lián)系但又有所區(qū)別的兩個概念。作為人臉識別的基礎(chǔ)，人臉的檢測與定位是人臉識別研究的另一個重要方面。 （ 3)特征提取和選擇，對人臉進(jìn)行識別主要依據(jù)人臉的特征，也就是說依據(jù)不同個體之間有較大差異而對同一個體則比較穩(wěn)定的度量。在比較之前需確定相似性尺度，常用的是歐氏距離函數(shù)和基于貝葉斯準(zhǔn)則的概率尺度。因?yàn)橹暗念A(yù)處理步驟與圖像處理的工作是相通的，而之后的識別步驟與一般的模式識別問題是一致的。根據(jù)圖像的顏色特點(diǎn)，可以分為彩色圖像和灰度圖像的人臉識別。基于局部特征分析的方法識別結(jié)果取決于特征定位算法的準(zhǔn)確性，而且要求圖像的像素較高，因此要近距離拍攝圖片。進(jìn)一步地可以用幾何形狀擬合人臉器官，從而以幾何參數(shù)作為描述人臉的特征?；谌四槇D像整體特征的人臉識別方法由于不需要精確提取人臉圖像中部件的具體信息 ，而且可以充分利用到人臉圖像本身具有的灰度信息，因此可獲得更好的識別性能。 基于幾何特征的人臉識別方法 基于幾何特征的人臉識別方法主要源于人臉識別的初期研究階段。如果要獲得一個準(zhǔn)確、穩(wěn)定和可靠的識別結(jié)果，就要求這些被選出的幾何特征參數(shù)包含足夠豐富的辨識人臉的信息，且能反映不同人臉之間的差別。 當(dāng)這些幾何特征參數(shù)提取出來后，就可以采用最小距離 (歐式距離 )分類器，將待識別人臉特征向量與數(shù)據(jù)庫中人臉特征矢量進(jìn)行比較，取距離最近者作為識別結(jié)果。例如眼睛顯得比較小、鼻子顯得比較寬，以及皮膚的紋理、顏色上的差異等等。因此，基于少量人臉幾何特征進(jìn)行大規(guī)模人臉辨識的可靠性是不容樂觀的。KL 變換用于人臉識別的前提是人臉圖像處于低維空間，并且不同人臉是線性可分的。稱為次分量。但 KL 變換只是從壓縮角度來看是最優(yōu)的，從分類角度來看卻不是最優(yōu)的。高維的圖像空間經(jīng)過 KL 變換后得到一組新的正交基，保留其中重要的正交基從而形成了低維的人臉空間。 KL 變換在 90 年代初受到了很大的重視，實(shí)際用于人臉識別取得了很好的效果，一般庫德大小為 100 幅左右，識別率在 70％ 100％之間不等，這主要取決于人臉庫圖像的質(zhì)量。研究表明，特征連的方法隨著光線、角度以及人臉的尺寸的引入而識別率急劇下降。將局部特征向量加權(quán)進(jìn)行匹配得到一些好的效果。處理單元之間的互連則是軸突、樹突這些信息傳遞路徑的簡化。但總的來說，由于人類對自身思維機(jī)理認(rèn)識的不足，所以對人工神經(jīng)元作了極度的簡化 ，這種模擬表現(xiàn)為極其膚淺和簡單。訓(xùn)練過程就是調(diào)整權(quán)值的過程，最常用的算法就是 BP法則。主元分析法的方差是由大到小排列的，而多層感知機(jī)的方差是均勻分布到每個隱層神經(jīng)元上。顯然，訓(xùn)練這樣大的一個網(wǎng)絡(luò)將花費(fèi)很長時間，需要的存儲量 12 也會很高。 彈性匹配圖臉部識別方法 在利用圖匹配進(jìn)行識別的方法中，一個目標(biāo) (如一個人臉圖像 )可 以采用一張圖 (Graph)來表示。Gabor特征在網(wǎng)格節(jié)點(diǎn)上提供了一個多尺度邊緣強(qiáng)度。 在彈性圖匹配方法中，將人臉圖像庫中的圖像和待識別圖像都用特征矢量圖表示。這主要?dú)w功于兩個原因： (1)用 Gabor變換可提取圖像的局部多分辨率特征； (2)在計(jì)算距離或者能量函數(shù)時，使用 了變形匹配方法。 (2)另外是一組聯(lián)系每一個狀態(tài)的概率密度函數(shù)。 識別通過一個 Viterbi 識別器完成，用代表不同人的隱馬爾可夫模型與待識別圖像匹配，最高匹配者被選出來。與 Eigenface 方法不同的是， Fisherface 采用的投影方 14 向幾乎與類內(nèi)散布方向垂直，而 Eigenface 方法采用的投影方向是使所有類散布最大化。因?yàn)樾〔ò纸獾玫降牟煌l帶包含有不同的人臉信息 ，所以從每一個小波包中可以提取出不同的面部特征。而現(xiàn) 在逐步擴(kuò)大到社會生活的各個領(lǐng)域，例如在海關(guān)邊檢、物業(yè)管理、網(wǎng)絡(luò)安全、視頻會議、計(jì)算機(jī)訪問控制等方面都有著廣泛的應(yīng)用。如果運(yùn)用人臉識別技術(shù)，則安全性將大大改善； (3)可以進(jìn)行入口控制。在保密要求非常嚴(yán)格的部門除了證件，還可以加上另外一些 生物識別手段，如指紋識別、手掌識別、語音識別等。在對圖像進(jìn)行分析時，都要用到人臉的檢測，跟蹤和識別技術(shù)。 人臉識別問題中的難點(diǎn) 人類具有很強(qiáng)的人臉識別能力，嬰兒可以很快學(xué)會辨認(rèn)其父母的臉。但人臉具體形態(tài)的多樣性和所處環(huán)境的復(fù)雜性又造成了識別的巨大困難。即使是目前最好的人臉識別系統(tǒng)在室外光照條件下，其識別性 能也會急劇下降。故如何提高 2D 人臉數(shù)據(jù)的識別算法對姿態(tài)的魯棒性是一項(xiàng)既有現(xiàn)實(shí)意義又有挑戰(zhàn)性的課題 。 (2)計(jì)算的復(fù)雜性 很多經(jīng)典的識別問題譬如文字識別只需要處理相對較少的類，而且每個類有大量的訓(xùn)練樣本，但在人臉識別問題中，通常需處理相當(dāng)多的類，并且每個類存在很少的訓(xùn)練樣本，識別算法必須在很少的樣本中提取特征，通過訓(xùn)練進(jìn)行人臉圖像的匹配。 (4)人臉識別系統(tǒng)的長期適應(yīng)問題 帶來這一問題的主要原因是隨著年齡的變化人臉會發(fā)生較大的變化，特別是對于青少 年，年齡對容貌的影響更大。 人臉識別的發(fā)展方向 由于人臉識別領(lǐng)域仍存在上述很多問題未徹底解決，因此未來人臉識別必然圍繞著現(xiàn)有難點(diǎn)的解決而繼續(xù)發(fā)展。另外，人臉在整幅圖像中的位置和大小又會因?yàn)榫嚯x遠(yuǎn)近、焦距大小等問題變得不確定。 建立一個包含人臉圖像的數(shù)據(jù)庫是做任何人臉識別系統(tǒng)的開發(fā)的前提。 ORL人臉數(shù)據(jù)庫包含了英國劍橋大學(xué)從 1992到 1994年間在實(shí)驗(yàn)室 采集到的人臉圖像數(shù)據(jù)，由 40 人、每人 10幅、共 400 幅圖像組成。人臉姿態(tài)也有相當(dāng)程度的變化，深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá) 200，人臉的尺度也有多達(dá) 10%的變化。 Yale人臉庫包含 15個人的 165幅圖像，每人 11 幅圖像。 圖像的幾何歸一化 圖像的幾何歸一化也可以稱為圖像的標(biāo)準(zhǔn)化，主要是指各幅人臉圖像中，人臉的關(guān)鍵部位在圖像中的相對位置是否都一樣。 圖像的旋轉(zhuǎn)就是把原始圖像中的人臉圖像進(jìn)行平面內(nèi)的旋轉(zhuǎn)處理，主要目的是使人臉雙眼的連線位置保持在水平。 縮放圖像的方法主要有兩種 :一是直接用灰度插值的方法來縮小原圖像，二是用小波變換進(jìn)行圖像的分解。 通過以上的操作，所有的人臉圖像都校正成同一大小，兩眼的連線也保持水平，實(shí)現(xiàn)了人臉圖像的標(biāo)準(zhǔn)化。灰度直方圖的橫坐標(biāo)表示灰度級，縱坐標(biāo)則表示該灰度級出現(xiàn)的頻率，整個直方圖反映了圖像的每一個灰度級和其出現(xiàn)的頻率之間的統(tǒng)計(jì)關(guān)系，因此從直方圖可以看出圖像最基本的統(tǒng)計(jì)特征，即圖像的概貌，如圖 ： 21 (a)原始圖像 （ b） 直方圖均衡化后的圖像 圖 均衡化原理 : 八位灰度 (unit8類 )圖像有 256個灰度級，但原圖像經(jīng)過數(shù)字化后，實(shí)際灰度范圍往往沒有占滿 0255的全部灰度級，而是集中在某幾個“收集箱”，一個收集箱僅僅是亮度標(biāo)度范圍的一小部分。 人臉圖像的預(yù)處理 是人臉識別過程中非常重要的一個步驟，本章系統(tǒng)地介紹了預(yù)處理的各個步驟以及相應(yīng)的預(yù)處理方法。其基本思想是提取出高維數(shù)據(jù)空間中的主元，即主要特征，把數(shù)據(jù)放在一個低維的特征空間里進(jìn)行處理，同時保持原始數(shù)據(jù)的絕大部分信息，從而對高維數(shù)據(jù)空間進(jìn)行降維，解決了維數(shù)過高的問題。完整的 PCA人臉識別算法步驟包括 : (l)人臉圖像的預(yù)處理。 其中，第一步人臉圖像的預(yù)處理在第二章詳細(xì)介紹過，下面將介紹利用 PCA 進(jìn)行人臉識別的流程。映射后的特征稱為二次特征，它們通常是原始特征的某種線性組合。以部分新的分量表示原矢量的均方誤差最小 。 設(shè)隨機(jī)向量的總體自相關(guān)矩陣為 : ? ?XXES T? (38) 將 (32)式帶入上式可得 : ? ? ? ??????? TTTTT XXEEXXES ????????? (39) 為了使向量 ? 的各個分量互不相關(guān)，必須滿足下列關(guān)系 : 26 ? ?XXE T { ,0 kjkjJ ??? ? (310) 寫成矩陣的形式為 : ??n?????001?? (311) 則： ?? TS ?? (312) 將上式兩邊同時右乘 ? ，則 ?????? ?? ? TS (313) 其中是 ? 正交矩陣，即 IT ??? (314) 那么 : ??? jjjS ? （ j=1,2,3...,n） (315) 可以看出， ?j 是 X的自相關(guān)矩陣 S的特征值， ?j 是對應(yīng)的特征向量。 特征值的選擇 我們通過 KL變換得到了 m個特 征向量，雖然 m遠(yuǎn)遠(yuǎn)小于 n，但通常m 還是很大。該方法在 L 值比較大的時候，特征向量就比較多，計(jì)算速度慢，不利于分類，達(dá)不到降維的效果。 F的值通常取 。 (3) Covariance 距離 (余弦夾角距離 ) 向量 X 與 Y之間的角度相似性定義為它們之間夾角的余弦，即： ? ? YX YXYXD ?? , (319) (4) Minkowsky 距離 ? ? ? ? ppii yxYXD1, ?????? ?? ? (320) 當(dāng) P=2 時，明氏距離等于歐式距離，所以一般我們?nèi)?P2。特征臉方法計(jì)算簡單，概念清晰，易于實(shí)現(xiàn)且效果良好。因此我們稱這些特征向量為特征臉 (Eigenface)。 圖 (第一個為平均臉，其余為特征臉 ) 經(jīng)典 PCA人臉識別方法的實(shí)現(xiàn)過程 完整的 PCA 人臉識別算法包括以下兩個過程 : 一、訓(xùn)練過程，步驟如下 : (1)獲取人臉庫中的人臉圖像，并進(jìn)行相關(guān)的預(yù)處理，建立訓(xùn)練集； (2)對訓(xùn)練集中的圖像進(jìn)行主成份分析，得到特征臉，形成特征子空間； (3)把訓(xùn)練集中的圖像投影到特征子空間，保存相應(yīng)的特征向量。然后，將選擇作為訓(xùn)練集的每一個二維人臉圖像數(shù)據(jù)轉(zhuǎn)化成一維向量，一般是將各行像素首尾相接產(chǎn)生一組一維向