【正文】 然后，將選擇作為訓練集的每一個二維人臉圖像數(shù)據轉化成一維向量，一般是將各行像素首尾相接產生一組一維向量。因此我們稱這些特征向量為特征臉 (Eigenface)。 (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 P=2 時，明氏距離等于歐式距離，所以一般我們取 P2。該方法在 L 值比較大的時候，特征向量就比較多，計算速度慢，不利于分類，達不到降維的效果。 設隨機向量的總體自相關矩陣為 : ? ?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，必須滿足下列關系 : 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的自相關矩陣 S的特征值， ?j 是對應的特征向量。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。完整的 PCA人臉識別算法步驟包括 : (l)人臉圖像的預處理。 人臉圖像的預處理 是人臉識別過程中非常重要的一個步驟，本章系統(tǒng)地介紹了預處理的各個步驟以及相應的預處理方法。 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，實現(xiàn)了人臉圖像的標準化。 圖像的旋轉就是把原始圖像中的人臉圖像進行平面內的旋轉處理，主要目的是使人臉雙眼的連線位置保持在水平。 Yale人臉庫包含 15個人的 165幅圖像，每人 11 幅圖像。 ORL人臉數(shù)據庫包含了英國劍橋大學從 1992到 1994年間在實驗室 采集到的人臉圖像數(shù)據，由 40 人、每人 10幅、共 400 幅圖像組成。另外，人臉在整幅圖像中的位置和大小又會因為距離遠近、焦距大小等問題變得不確定。 (4)人臉識別系統(tǒng)的長期適應問題 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。故如何提高 2D 人臉數(shù)據的識別算法對姿態(tài)的魯棒性是一項既有現(xiàn)實意義又有挑戰(zhàn)性的課題 。但人臉具體形態(tài)的多樣性和所處環(huán)境的復雜性又造成了識別的巨大困難。在對圖像進行分析時，都要用到人臉的檢測，跟蹤和識別技術。如果運用人臉識別技術，則安全性將大大改善； (3)可以進行入口控制。因為小波包分解得到的不同頻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。 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。這主要歸功于兩個原因： (1)用 Gabor變換可提取圖像的局部多分辨率特征； (2)在計算距離或者能量函數(shù)時，使用 了變形匹配方法。Gabor特征在網格節(jié)點上提供了一個多尺度邊緣強度。顯然，訓練這樣大的一個網絡將花費很長時間，需要的存儲量 12 也會很高。訓練過程就是調整權值的過程，最常用的算法就是 BP法則。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。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。高維的圖像空間經過 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。稱為次分量。因此，基于少量人臉幾何特征進行大規(guī)模人臉辨識的可靠性是不容樂觀的。 當這些幾何特征參數(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)據庫中人臉特征矢量進行比較，取距離最近者作為識別結果。 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。進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。根據圖像的顏色特點，可以分為彩色圖像和灰度圖像的人臉識別。在比較之前需確定相似性尺度，常用的是歐氏距離函數(shù)和基于貝葉斯準則的概率尺度。作為人臉識別的基礎，人臉的檢測與定位是人臉識別研究的另一個重要方面。如果在該人臉數(shù)據庫中，則給出所對應的具體的個體信息。這一任務主要受光照、噪聲、頭部傾斜度以及各種遮擋的影響 。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，人臉識別致力于探索如何使機器能夠自動地根據用戶的人臉圖像來鑒別用戶的身份。近幾十年以來人臉識別技術有了長足的發(fā)展，并且逐步走向實際應用階段。目前，普通數(shù)碼相機、數(shù) 碼攝像機和照掃描儀等攝像設備在普通家庭的日益普及進一步增加了其可用性； (3)人臉識別具有快捷、非接觸的特點，對用戶友好。 于是，近年來人類生物特征越來越廣泛地應用于身份識別，而且生物特征可以更好的進行安全控制，世界各國政府都在大力推進生物識別技術的發(fā)展及應用。 人類社會的 發(fā)展進入到 21世紀的今天，社會的發(fā)展促進了人的流動，進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今社會尤為重要的問題。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。 I 內 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，它提供了一種高可靠性、高穩(wěn)定性的身份鑒別途徑。其基本原理為 :由高維圖像空間經 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行識別。不論是享受各項服務如網上沖浪、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行安全保護，但是隨著服務數(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。所謂生物特征認證就是利用人的生理或行為特征對個人身份進行識別或是認證的技術，與傳統(tǒng)的身份認證技術不同，基于 2 生物特征的身份認證技術，以人體本身所固有的生理特征或行為特征作為識別媒介，運用圖像處理和模式識別等技術，實現(xiàn)身份鑒別或驗證。人臉是人們在日常生活中辨認他人的最常用的特征。可以預言， 3 在今后的幾十年內，隨著人臉識別技術進一步發(fā)展，人臉識別技術將應用到更多的領域，例如視覺監(jiān)控、娛樂應用、智能卡、自動身份驗證、銀行安全、公安系統(tǒng)刑偵破案的罪犯身份識別、身份證及駕駛執(zhí)照等證件驗證、銀行及海關的監(jiān)控、自動門衛(wèi)系統(tǒng)、視頻會議等。 人臉識別的研究涉及模式識別、計算機視覺、人工智能、圖像處理、心理學、機器人的智能化研究、醫(yī)學、生理學和認知科學等，與計算機人機交互領域和基于其它生物特征的身份識別方法都有密切聯(lián)系。 (2)人臉表征 (Face Representation):即確定表示檢測出的人臉和數(shù)據庫中的已知人臉的描述方式。一般來說，我們所提的人臉識別指的是狹義的人臉識別。 （ 2)人臉圖像的預處理，人臉檢測得到的人臉圖像，如有設備條件的差異，可能存在光照、噪聲、角度不好等缺陷，一般需要對圖像進行幾何歸一化、灰度歸一化及邊緣檢測等處理。一般情況下，識別可以分為兩種 :一種是人臉辨認，即需要確認被識別者的具體信息 。本文的人臉識別研究是基于靜態(tài)、正面的灰度圖像的。由于此類方法通常要精 7 確地抽取出位置、尺度、比率或幾何參數(shù)作為描述人臉的特征，因此對人臉圖像的表情變化比較敏感。這種方法是以人臉各個器官和幾何關系為基礎進行算法設計。 在實際應用過程中，基于幾何特征的人臉識別方法存在著兩個方面的問題： (1)如何快速、準確地檢測出人臉的重要標志點依然是一個沒有很好解決的問題。 9 基于 KL變換的特征臉方法 基于特征臉的人臉識別方法的基礎是 KL 變換。當舍棄部分次分量時， KL 變換也稱為主成分分析法 (PCA)。 若將所有子空間的正交基排列成圖像陣列，則正交基呈現(xiàn)人臉的形狀，因此這些正交基也被稱為特征臉。主分量的方法使得變換后的表達能力最佳，次分量的方法考慮了高頻的人臉區(qū)分能力，但是由于外在因素帶來圖像差異和人臉本身帶來的差異對 KL變換而言是不加任何區(qū)分的，因此，如何選擇正交基并不根本解決問題。根據不同的應用場合，現(xiàn)已研究出較多的神經元網絡模型及其動態(tài)過程的算法。 采用多層感知機進行面部識別的目的就是建立一個關于臉部的緊湊表示，這相當于面部特征的抽取。由此可以看出，人工神經網絡有著與 Eigenface 方法非常相似的表達方法。一般來說，圖像中的關鍵部位會有較大的 Gabor 系數(shù)。 彈性匹配圖方法的主要缺點在于計算量大。 基于 FISHER 線性判別式的方法 提出了一種基于 Fisher 線性判別式的人臉識別方法，與 Eigenface 方法相對應， Belhumeur 稱其為 Fisherface，這種方法對面部表情和光照方向不敏感。對于小波包分解得到的離散逼近稀疏， Garcai 進一步將它分解成三個部分，分別是邊界區(qū)、上半部分和下半部分，然后就可以分別計算這三個區(qū)域的均值和方差，加上另外 15個離散細節(jié)區(qū)域的方差，組成一個包含有 21 個分量的特征向量。入口控制的范圍很廣，它可以是樓宇、單位或私人住宅入口處的安全檢查，也可以是計算機系統(tǒng)或情報系統(tǒng)的入口控制。 對于以上提到的人臉識別技術的諸多應用，我們可以把這些應用分成兩類 :一類是有限制條件照片的靜態(tài)匹配，譬如說 護照、信用卡、駕駛證上的照片匹配。具體的說，它的困難表現(xiàn)在： (1)圖像獲取的不確定性 目前對于人臉識別問題的研究大都基于已經裁剪好的人臉區(qū)域圖像進行的，在此基礎上再提出解決光照、姿態(tài)、遮擋等問題的識別算法。表情 :人臉識別相對于其他物體識別問題的一個困難就是人臉的非剛體性，主要體現(xiàn)為人臉豐富的表情變化，遮擋。另外，不同年齡段樣本的收集也比較困難，因為這需要很長的時間跨度，目前所收集到的有年齡變化的人臉庫最長也只有 1 年左右的時間跨度，這給相關算法的研究帶來了一定困難。為了確保較高的識別率，我們必須在提取人臉特征之前對圖像作一定的預處理工作。每幅圖像的分辨率為 92*112，灰度級為 256。其中包括在不同光照條件下 (如左逆光、右逆光 )，不同表情，戴眼鏡的人臉圖像。圖像的剪切就是通過固 20 定所有人臉圖像的雙眼距離來剪裁圖像，保證人臉位置一致，在一定程度上可以克服頭發(fā)和背景的干擾，體現(xiàn)人臉在圖像內的平移不變性。這樣就解決了 PCA 算法下由于各圖像中人臉位置的不一致而對識別率所造成的影響。在對人臉圖像進行幾何歸一化的過程中，先通過圖象旋轉、剪切和縮放操作，使所有人臉圖像的兩眼連線呈水平狀態(tài)，圖像縮放成標準大小。 (2)讀入人臉庫，樣本經過訓練形成特征子空間。 在數(shù)學上，特征提取就是從測量空間 Rn 到特征空間 Rm 映射，即變換T : Rn ? Rm ，這一變換也稱為特征提取器。由于 S 是實對稱矩陣，其不同的特征值對應的特征向量是正交的。 (2)保留前面 k1 個特征向量 將特征值按照從大到小的順序進行排列，同時只保留最前面的 k1個特征向量。 計算出圖像之間的相似度以 后，我們需要對所得到的信息進行分類判別決策，常用的分類方法有最近鄰分類器、 K近鄰分類器、貝葉斯分類器等。任意一幅人臉圖像都可以向其投影， 29 得到一組坐標系數(shù)，這組系數(shù)表明了該幅人臉圖像在低維子空間中的位置。 假設每一幅經過預處理的人臉圖像的大小為 qp? 的二維數(shù)組，將二維數(shù)組轉化為大小為 D= qp? 一維向量則有 ?x Rqp? 。選取庫中每人一定數(shù)量的圖像構成訓練集，其余構成測試集。將這些特征向量按圖像陣列進行重構，可以看出這些特征向量呈現(xiàn)出人臉的形狀，如圖 所示。常見的度量方式有 : (1)歐氏距離 歐式 ((Euclidean)距離也稱歐幾里德距離，向量 X 與 Y 之間的歐氏距離定義為 : ? ? ? ??? ??mi ii yxYXD 12, （ 317） 向量 X 和 Y服從于同一分布且協(xié)方差矩陣為 C,則 X 和 Y 之間的馬氏距離為 :