【正文】 ........................ 37 結(jié) 論 ................................................................ 38 致 謝 ................................................................ 39 參考文獻 .............................................................. 40 附 錄 ................................................................ 41 一、英文原文 ....................................................... 41 二、英文翻譯 ....................................................... 54 三、源程序 ......................................................... 65 1 前 言 隨著社會和科技的發(fā)展，社會步伐的加快，人們 對 高效可靠的身份識別 需求 日益強烈。現(xiàn)已成為了身份識別領(lǐng)域研究的熱點。 本文主要介紹基于 PCA 的人臉識別 算法的實現(xiàn)， 除第一章外，其余 內(nèi)容按照人臉識別的流程可分為 人臉圖像獲取，人臉圖像預處理，人臉特征提取和 特征匹配 四個部分。 第四章 主要介紹 PCA 算法， SVD 定理 ， 如何通過 PCA和 SVD 提取人臉特征 及如何使用 最近鄰法分類器 歐幾里得距離來 進行 判別分類 。 不過 1990 年以來，才得到了長足的進步。研究人員做了大量關(guān)于如何提取面部剪影曲線的結(jié)構(gòu)特征的研究。 后來很多人臉識別技術(shù)都與特征臉有 關(guān) ，現(xiàn)在特征臉已與歸一化的協(xié)相關(guān)量方法一起成為了人臉識別性能測試的基準算法。該方法目前依然是 主流人臉識別方法 中的一種 ，產(chǎn)生了很多變種 ，比如子空間判別模型等。對于輸入的圖像，其通過一種優(yōu)化搜索策略來定位預先定位的若干面部關(guān)鍵特征點，同時提取它們的 Jet 特征，得到輸入人臉圖像的屬性圖。其在本質(zhì)上是基于統(tǒng)計的低維 對象描述方法，與 PCA 相比，局部特征分析在全局主 成分分析的基礎上提取的是局部特征。它是人臉建模方面的一個新的進步。 ，也誕生幾個著名的人臉識別系統(tǒng)。 光照和姿態(tài)問題成為了研究焦點。 總體而 言，目前非理想成像條件下（尤其是光照和姿態(tài)），對象不配合，大規(guī)模人臉數(shù)據(jù)庫上的人臉識別已逐漸成為研究的重點。 人臉圖像維數(shù)都很高， PCA 方法不但很好表征人臉而且通過去除相關(guān)性，減少冗余，解決了在人臉識 別過程中圖像為數(shù)過高的問題 。人臉識別的難度在于：人臉是非剛性物體，并且會隨著年齡的增長而改變，特征難以完全描述；人臉常常有許多遮擋物，如：眼鏡，帽子等；環(huán)境的光照和人臉的姿態(tài)等。 二 、 動態(tài)跟蹤人臉識別系統(tǒng) 目前的靜態(tài)人臉識別技術(shù)只能滿足一般身份識別場合如門禁系統(tǒng)，考勤系統(tǒng)等，無法進行人臉的動態(tài)跟蹤與識別。隨著神經(jīng)網(wǎng)絡的理論研究的深入，與小波，混沌，模糊集等非線性理論相結(jié)合已成為一個非常重要的發(fā)展方向。三維人臉相比較于二維圖像提供了更加完整的人臉信息。 六 、 全自動人臉識別技術(shù) 全自動人臉識別技術(shù)目前還處于初級研究階段，識別效果和速度離實際的要求還相差甚遠。但在人員不配合，采集條件不理想下，系統(tǒng)的性能陡然下降。 二 、 光照問題 關(guān)照問題是計算機視覺存在已久的問題，尤其在人臉識別中表現(xiàn)得更加明顯。如何提高人臉識別系統(tǒng)對姿態(tài)的魯棒性是人臉識別中一個具有挑戰(zhàn)性的任務。 由于 目前的計算機技術(shù)的限制，計算機還不能準確的定位這些面部特征點，也無法辨別面部肌肉的運動。 五 、 遮擋問題 對于非配合情況下，采集到的人臉圖像一般都不是完整的，這會影響人臉特征提取與識別，可能還會導致人臉檢測算法的 失效 。這樣做的目的 只 是讓我們的工作重心集中在 分析 PCA 人臉識別算法 性能上。 二 、 預處理 預處理 是為了除去噪聲 和對測量儀器或其他因素對人臉圖像造成退化現(xiàn)象進行復原。 常用的人臉預處理有人臉圖像灰度化，人臉圖像二值化，人臉圖像歸一化，直方圖修正，圖像濾波和圖像銳化。由于物理特征和結(jié)構(gòu)特征容易被察覺，觸覺以及其他感覺器官所感知，所以人類常常是利用這些特征來 對對象進行識別。因此，如何把高維測量空間壓縮到低維 特征空間，以便有效的設計分類器，便成為了一個值得思考的問題。 2. 特征 提取 原始數(shù)據(jù)組成的空間 被稱為 測量空間。 3. 特征選擇 從一組特征中挑出一些最有效的特征從而達到降低特征空間維數(shù)目的的過程稱為特征選擇。特征提取是通過某種變換的方法組合原有的高維特征，從而得到一組低維的特征。在本文主要講解 使用 最近鄰法分類器 歐幾里得距離 來 判別人臉圖像 ，在實際廣泛使用的還有基于 SVM即支持向量機，基于神經(jīng)網(wǎng)絡和圖匹配的方法。在人臉識別技術(shù)的主要難點小節(jié)主 要講解人臉識別的主要技術(shù)難點及本文是在什么樣的條件進行試驗的。但是采集設備成像原理各異，有些設備對某類人臉圖像的采集效果比較好，進而人臉識別率高，對不同類的人臉圖像采集效果差，進而人臉識別率低。靜態(tài)人臉圖像的采集相對比較簡單，用數(shù)碼相機即可獲取。上述問題是由 人臉 的多變性產(chǎn)生的。一般而言，動態(tài)人臉圖像采集應用于特殊場合，如犯罪識別過程，而靜態(tài)人臉圖像采集應用于普通的安全場合。人臉分割屬于圖像分割，是人臉識別系統(tǒng)中不可缺少的一環(huán)。其包含有基于邊緣檢測的方法，基于閥值的方法和基于區(qū)域增長的方法。 10 基于邊緣的分割方法需要兩個步驟，分別為邊緣檢測和邊緣連接。全局閥值方法是使用整個圖像的灰度信息，來得到用于分割的閥值。對于灰度差不明顯的圖像，得不到令人滿意的結(jié)果。然后對相鄰區(qū)域所 有邊界進行分析，若便捷信息強，則邊界不變，若邊界信息弱 ，則消除個邊界并合并相應的鄰 域。 基于模型的方法，都是通過引入統(tǒng)計信息來得到高魯棒性。 第 三 節(jié) 人臉數(shù)據(jù)庫 人臉數(shù)據(jù)庫是人臉識別研究，開發(fā)和評測不可缺少的。所有人臉識別系統(tǒng)都是在一定的約束條件進行的。 MIT 人臉數(shù)據(jù)庫有麻省理工大學媒體實驗室建立，由 16 位志愿者的2592 副多姿態(tài)，多光照和不同大小的圖像組成。由于其人臉變化模式較少，現(xiàn)已很少使用。任何人都可以下載它的人臉數(shù)據(jù)庫，但是你不能發(fā)布，打印，銷售或發(fā)行這些圖像。 Faces96 和 grimace 是這個數(shù)據(jù)庫最難識別的。 faces94 數(shù)據(jù)庫中人臉圖像是在 受試者坐在距離相機固定位置，并要求講話的情況下采集而成 。 國內(nèi)人臉數(shù)據(jù)庫 有中科院計算技術(shù)研究所銀晨科技面向識別聯(lián)合實驗室建立的 CAS—PEAL 人臉數(shù)據(jù)庫。 CASE— PEAL— R1 為 CASE— PEAL 的共享版，可以提供給研究人員用以研究使用。在人臉數(shù)據(jù)庫一節(jié)中，主要介紹了常用的人臉數(shù)據(jù)庫及本文的實驗是在 Essex 人臉數(shù)據(jù)庫中我們選擇出來的子庫中進行的。 一 、 JPEG格式 JPEG 文件格式是常用的圖像文件格式。它是一種靈活的格式，可以調(diào)節(jié)圖像質(zhì)量，允許使用不同壓縮比例壓縮文件。 JPEG2021 通常被認為是未來取代 JPEG（基于離散余弦變換）的下一代圖像壓縮標準。此外，JPEG2021 還支持所謂的 感興趣區(qū)域 特性，可以任意指定影像上感興趣區(qū)域的壓縮質(zhì)量，還可以選擇指定的部分先解壓縮。 三 、 BMP 格式 BMP(BitmapFile） 圖形文件是 Windows 采用的圖形文件格式，在 Windows 環(huán)境下運行的所有圖象處理軟件都支持 BMP 圖象文件格式。 Windows 以后，在系統(tǒng)中仍然存在 DDB 位圖，只不過如果你想將圖像以 BMP 格式保存到磁盤文件中時，微軟極力推薦你以 DIB 格式保存 。 四 、 GIF 格式 GIF 圖像互換格式（ Graphics Interchange Format） 是 CompuServe 公司在 1987 年開發(fā)的圖像文件格式。 GIF 圖像文件的數(shù)據(jù)是經(jīng)過壓縮的，而且是采用了可變長度等壓縮算法。據(jù) Unisys 公司稱，他們已注冊了 LZW 算法中的 W 部分。它一方面滿 足了市場對更少的法規(guī)限制的需要，另一方面也帶來了更少的技術(shù)上的限制，如顏色的數(shù)量等。與 GIF 相關(guān)的專利于 2021 年 8 月 11 日過期。流式網(wǎng)絡圖形格式 (Portable Network Graphic Format， PNG)名稱來源于非官方的 “PNG39。 PNG 是目前保證最不失真的格式，它綜合 GIF 和 JPG 兩者的優(yōu)點，存儲形式豐富，兼有GIF 和 JPG 的色彩模式。 PNG 的缺點是不支持動畫應用效果。常用的人臉預處理有：灰度變化，二值化 ，直方圖 均衡 ，圖像濾波，圖像銳化和歸一化處理。彩色圖像有紅綠藍三原色組合而成，灰度圖像只含有亮度信息，并且灰度圖像的亮度為連續(xù)變化的，所以灰度圖像要對亮度值進行量化，為 0255，共 256 個等級。[ , ]ab ，則 它們 之間關(guān)系為 39。對數(shù)變換和指數(shù)變換分別為 ln [ ( , ) 1 ]( , )lnf i jg i j a bc ??? ? （ ） [ ( , ) ]( , ) 1c f i j ag i j b ??? （ ） 其中 a, b, c 用來調(diào)整曲線的位置和形狀。 二 、 二值化 二值化是通過選取適當?shù)拈y值將灰度圖像的灰度值從 0 到 255 變換為只有 0 和 255 的黑白圖像。假設圖像為 g( , )nm ，灰度范圍為 1[ , ]mkk ，t 為 1k 和 mk 之間選擇的一個合適的灰度值，轉(zhuǎn)換后的圖像為 g( , )k nm ，則轉(zhuǎn)換關(guān)系為 0 g ( , )( , )2 5 5 g ( , )k n m tg n m n m t??? ? ?? （ ） 局部閥值法：它是根據(jù)當前像素的灰度值和此像素周圍點局部灰度特征值來共同決定閥值。動態(tài)閥值法適應性和性能都比較好，實際中對于人臉識別常采用此法進行二值化。選擇函數(shù)可以連續(xù)平滑函數(shù)，也可以是分段函數(shù)。全局處理類的方法需要了解信號和噪聲的統(tǒng)計模型。 領(lǐng)域 N 的大小控制著濾波程度，對應大卷積模板的大尺度鄰域會加大濾波程度。 2. 高斯平滑濾波器 由于高斯函數(shù)的傅里葉變換仍是高斯變換，因此高斯函數(shù)能構(gòu)成一個在頻域具有平滑性能的低通濾波器，它對去除服從正態(tài)分布的噪音非常有效。二維高斯函數(shù)具有旋轉(zhuǎn)對稱性，即濾波器各個方向上的平滑程度是相同的，這就意味著高斯平滑濾波器在后續(xù)邊緣檢測中不會偏向任一方向。這就意味著平滑圖像不會被不需要的高頻信號所污染，同時保留了大部分所需信號。 高斯函數(shù)的可分理性，使得高斯濾波器可以有效地 實現(xiàn)。它在平滑脈沖噪聲方面非常有效，同時它可以保護像素尖銳的邊緣。例如，取 4*4 窗函數(shù)，計算以點 [i,j]為中心的窗函數(shù)的像素中值時，首先按強度值大小排列像素點，然后選擇排序像素集的中間值作為點 [i,j]的新值。邊緣保持濾波器結(jié)合兩者的優(yōu)點，在濾除噪聲脈沖的同時，也不會使圖像的邊緣十分模糊。 五 、 圖像銳化 圖像銳化用于解決圖像提取，圖像傳輸及相關(guān)處理過程受到某些因素影響而變得模糊。常用的圖像銳化方法為拉普拉斯銳化。 六 、 圖像歸一化 圖像歸一化包括灰度歸一化和幾何歸一化。 幾何歸一化主要的內(nèi)容有大小矯正，平移，旋轉(zhuǎn)和翻轉(zhuǎn)。翻轉(zhuǎn)是為了使目標圖像中的人臉保持在正面位置。( , )( , )xyx F x yy F x y? ??? ??? （ ） 進行轉(zhuǎn)換，其中 ,xyFF為直接校正變換函數(shù) 。39。把通過上式得到畸變圖像位置上的灰度值去除添回 到空白校正圖像點陣中相應的位置上，并且還需要經(jīng)過灰度內(nèi)插來確定 (x,y)的位置的灰度值。 它是一種 非常流行和實用的 數(shù)據(jù)分析 技術(shù) ， 最重要的應用是對原有數(shù)據(jù)進行簡化。 PCA被 稱為 應用線形代數(shù)最 有 價值的結(jié)果之一 。最后將分析 PCA 理論模型的假設條件以及針對這些條件可能進行的改進。在神經(jīng)科學、氣象學、海洋學等等學科實驗中，假設的變 量個數(shù) 往往 非常之多 ， 但是真正的影響因素以及它們之間的關(guān)系可能又是非常之簡單的 。假設球是連接在一個無質(zhì)量無摩擦的彈簧之上，從平衡位置沿 x軸拉開一定的距離然后釋放 。那么，一般來說，必須記錄下球的三維位置 (x0,y0,z0)。經(jīng)過實驗，系統(tǒng) 的攝像機記錄 了 幾分鐘球的位置 序列。如何去除噪音 是實驗者 每天 都要思考和解決的問題 。 三 、 基變換 從線形代數(shù)的角度來看 ， PCA的目標就是使用另一組基去重新描述得到的數(shù)據(jù)空間。 PCA 的目標就是找到這樣的 “ 主元 ” ，最大程度的去除冗余和噪音的干擾。由線形代數(shù) 知識可以 知道，在 m 維向量空間中的每一個向量都是一組正交基的線形組合。假設采集數(shù)據(jù)點是 (2,2)，一般并不會 記錄 (2 2,0) 。 121 0 00 1 00 0 1mbbBIb?? ???