【正文】 然后，將選擇作為訓(xùn)練集的每一個(gè)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(dāng) P=2 時(shí)，明氏距離等于歐式距離，所以一般我們?nèi)?P2。該方法在 L 值比較大的時(shí)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。 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(gè)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(shí)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(duì)應(yīng)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(shí)別算法步驟包括 : (l)人臉圖像的預(yù)處理。 人臉圖像的預(yù)處理 是人臉識(shí)別過程中非常重要的一個(gè)步驟，本章系統(tǒng)地介紹了預(yù)處理的各個(gè)步驟以及相應(yīng)的預(yù)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(shí)現(xiàn)了人臉圖像的標(biāo)準(zhǔn)化。 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。 Yale人臉庫包含 15個(gè)人的 165幅圖像，每人 11 幅圖像。 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。另外，人臉在整幅圖像中的位置和大小又會(huì)因?yàn)榫嚯x遠(yuǎn)近、焦距大小等問題變得不確定。 (4)人臉識(shí)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(huì)發(fā)生較大的變化，特別是對(duì)于青少 年，年齡對(duì)容貌的影響更大。故如何提高 2D 人臉數(shù)據(jù)的識(shí)別算法對(duì)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 。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(shí)別的巨大困難。在對(duì)圖像進(jìn)行分析時(shí)，都要用到人臉的檢測，跟蹤和識(shí)別技術(shù)。如果運(yùn)用人臉識(shí)別技術(shù)，則安全性將大大改善； (3)可以進(jìn)行入口控制。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(gè)小波包中可以提取出不同的面部特征。 識(shí)別通過一個(gè) Viterbi 識(shí)別器完成，用代表不同人的隱馬爾可夫模型與待識(shí)別圖像匹配，最高匹配者被選出來。這主要?dú)w功于兩個(gè)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(shí)，使用 了變形匹配方法。Gabor特征在網(wǎng)格節(jié)點(diǎn)上提供了一個(gè)多尺度邊緣強(qiáng)度。顯然，訓(xùn)練這樣大的一個(gè)網(wǎng)絡(luò)將花費(fèi)很長時(shí)間，需要的存儲(chǔ)量 12 也會(huì)很高。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。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(shí)別率急劇下降。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。稱為次分量。因此，基于少量人臉幾何特征進(jìn)行大規(guī)模人臉辨識(shí)的可靠性是不容樂觀的。 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(shí)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(shí)別結(jié)果。 基于幾何特征的人臉識(shí)別方法 基于幾何特征的人臉識(shí)別方法主要源于人臉識(shí)別的初期研究階段。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。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(shí)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(zhǔn)則的概率尺度。作為人臉識(shí)別的基礎(chǔ)，人臉的檢測與定位是人臉識(shí)別研究的另一個(gè)重要方面。如果在該人臉數(shù)據(jù)庫中，則給出所對(duì)應(yīng)的具體的個(gè)體信息。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 。作為一種最直接、最自然、最容易被人接受的生物特征識(shí)別技術(shù)，人臉識(shí)別致力于探索如何使機(jī)器能夠自動(dòng)地根據(jù)用戶的人臉圖像來鑒別用戶的身份。近幾十年以來人臉識(shí)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。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(shí)別具有快捷、非接觸的特點(diǎn)，對(duì)用戶友好。 于是，近年來人類生物特征越來越廣泛地應(yīng)用于身份識(shí)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(shí)別技術(shù)的發(fā)展及應(yīng)用。 人類社會(huì)的 發(fā)展進(jìn)入到 21世紀(jì)的今天，社會(huì)的發(fā)展促進(jìn)了人的流動(dòng)，進(jìn)而也增加了社會(huì)的不穩(wěn)定性，這就使得安全方面的需求成為當(dāng)今社會(huì)尤為重要的問題。它用一個(gè)低維子空間來描述人臉圖像，同時(shí)又能在一定程度上保存所需要的識(shí)別信息。 I 內(nèi) 容 摘 要 生物特征識(shí)別是利用人類特有的生理或行為特征來識(shí)別個(gè)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。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(duì)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(shí)別時(shí)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(gè)人臉圖像比較進(jìn)行識(shí)別。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(hào)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(shí)也會(huì)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(rèn)證就是利用人的生理或行為特征對(duì)個(gè)人身份進(jìn)行識(shí)別或是認(rèn)證的技術(shù)，與傳統(tǒng)的身份認(rèn)證技術(shù)不同，基于 2 生物特征的身份認(rèn)證技術(shù)，以人體本身所固有的生理特征或行為特征作為識(shí)別媒介，運(yùn)用圖像處理和模式識(shí)別等技術(shù)，實(shí)現(xiàn)身份鑒別或驗(yàn)證。人臉是人們?cè)谌粘Ｉ钪斜嬲J(rèn)他人的最常用的特征?？梢灶A(yù)言， 3 在今后的幾十年內(nèi)，隨著人臉識(shí)別技術(shù)進(jìn)一步發(fā)展，人臉識(shí)別技術(shù)將應(yīng)用到更多的領(lǐng)域，例如視覺監(jiān)控、娛樂應(yīng)用、智能卡、自動(dòng)身份驗(yàn)證、銀行安全、公安系統(tǒng)刑偵破案的罪犯身份識(shí)別、身份證及駕駛執(zhí)照等證件驗(yàn)證、銀行及海關(guān)的監(jiān)控、自動(dòng)門衛(wèi)系統(tǒng)、視頻會(huì)議等。 人臉識(shí)別的研究涉及模式識(shí)別、計(jì)算機(jī)視覺、人工智能、圖像處理、心理學(xué)、機(jī)器人的智能化研究、醫(yī)學(xué)、生理學(xué)和認(rèn)知科學(xué)等，與計(jì)算機(jī)人機(jī)交互領(lǐng)域和基于其它生物特征的身份識(shí)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(jù)庫中的已知人臉的描述方式。一般來說，我們所提的人臉識(shí)別指的是狹義的人臉識(shí)別。 （ 2)人臉圖像的預(yù)處理，人臉檢測得到的人臉圖像，如有設(shè)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(duì)圖像進(jìn)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(shí)別可以分為兩種 :一種是人臉辨認(rèn)，即需要確認(rèn)被識(shí)別者的具體信息 。本文的人臉識(shí)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(duì)人臉圖像的表情變化比較敏感。這種方法是以人臉各個(gè)器官和幾何關(guān)系為基礎(chǔ)進(jìn)行算法設(shè)計(jì)。 在實(shí)際應(yīng)用過程中，基于幾何特征的人臉識(shí)別方法存在著兩個(gè)方面的問題： (1)如何快速、準(zhǔn)確地檢測出人臉的重要標(biāo)志點(diǎn)依然是一個(gè)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(shí)別方法的基礎(chǔ)是 KL 變換。當(dāng)舍棄部分次分量時(shí)， 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(dá)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(duì) 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(jù)不同的應(yīng)用場合，現(xiàn)已研究出較多的神經(jīng)元網(wǎng)絡(luò)模型及其動(dòng)態(tài)過程的算法。 采用多層感知機(jī)進(jìn)行面部識(shí)別的目的就是建立一個(gè)關(guān)于臉部的緊湊表示，這相當(dāng)于面部特征的抽取。由此可以看出，人工神經(jīng)網(wǎng)絡(luò)有著與 Eigenface 方法非常相似的表達(dá)方法。一般來說，圖像中的關(guān)鍵部位會(huì)有較大的 Gabor 系數(shù)。 彈性匹配圖方法的主要缺點(diǎn)在于計(jì)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(shí)別方法，與 Eigenface 方法相對(duì)應(yīng)， Belhumeur 稱其為 Fisherface，這種方法對(duì)面部表情和光照方向不敏感。對(duì)于小波包分解得到的離散逼近稀疏， Garcai 進(jìn)一步將它分解成三個(gè)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(jì)算這三個(gè)區(qū)域的均值和方差，加上另外 15個(gè)離散細(xì)節(jié)區(qū)域的方差，組成一個(gè)包含有 21 個(gè)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(jì)算機(jī)系統(tǒng)或情報(bào)系統(tǒng)的入口控制。 對(duì)于以上提到的人臉識(shí)別技術(shù)的諸多應(yīng)用，我們可以把這些應(yīng)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(hù)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(duì)于人臉識(shí)別問題的研究大都基于已經(jīng)裁剪好的人臉區(qū)域圖像進(jìn)行的，在此基礎(chǔ)上再提出解決光照、姿態(tài)、遮擋等問題的識(shí)別算法。表情 :人臉識(shí)別相對(duì)于其他物體識(shí)別問題的一個(gè)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?yàn)檫@需要很長的時(shí)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(shí)間跨度，這給相關(guān)算法的研究帶來了一定困難。為了確保較高的識(shí)別率，我們必須在提取人臉特征之前對(duì)圖像作一定的預(yù)處理工作。每幅圖像的分辨率為 92*112，灰度級(jí)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(nèi)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(duì)識(shí)別率所造成的影響。在對(duì)人臉圖像進(jìn)行幾何歸一化的過程中，先通過圖象旋轉(zhuǎn)、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(biāo)準(zhǔn)大小。 (2)讀入人臉庫，樣本經(jīng)過訓(xùn)練形成特征子空間。 在數(shù)學(xué)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(shí)對(duì)稱矩陣，其不同的特征值對(duì)應(yīng)的特征向量是正交的。 (2)保留前面 k1 個(gè)特征向量 將特征值按照從大到小的順序進(jìn)行排列，同時(shí)只保留最前面的 k1個(gè)特征向量。 計(jì)算出圖像之間的相似度以 后，我們需要對(duì)所得到的信息進(jìn)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(biāo)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(shè)每一幅經(jīng)過預(yù)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(zhuǎn)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(gòu)成訓(xùn)練集，其余構(gòu)成測試集。將這些特征向量按圖像陣列進(jìn)行重構(gòu)，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 :