【正文】 = 6。 % The information on the training and testing datasets are specified as below: %================ %YALE %================ = 39。 要想針對(duì)性的解決這些不確定因素帶來(lái)的識(shí)別算法的性能退化，唯一的辦法就是設(shè)計(jì)一種更加有效的特征提取方法。 FLDA 是一種迭代的線性判別分析方法，在低維模式識(shí)別中 FLDA 早已被證明比Fisher LDA 更加有效， FLDA 尤其適用于待識(shí)別類數(shù)很多的情況。 同時(shí)，人臉識(shí)別是模式識(shí)別領(lǐng)域中極具挑戰(zhàn)性的研究課題。 （ 5）將全部圖像向最優(yōu)投影矩陣 optV 上投影，得到識(shí)別特征，然后利用最近鄰準(zhǔn)則判別分析完成人臉識(shí)別過(guò)程。T 人臉庫(kù)，由英國(guó) 劍橋大學(xué) ATamp。 Yale 人臉庫(kù) Yale 人臉庫(kù)包含 15 位志愿者共 165 張人臉圖像，每人 11 張灰度圖像，包含各種表情、光照下的圖像，并且包含眼鏡等遮擋正面人臉圖像。 2) 應(yīng)用模糊線性判別分析（ FLDA）方法在特征臉空間中線性分類，計(jì)算出最優(yōu)投影 矩陣。,2,1 ?? ?? 表示第 j 幅圖像屬于第 i個(gè)人的隸屬度。如果 i? 最小，說(shuō)明測(cè)試圖像 x 和訓(xùn)練圖像 ix 最相近，可認(rèn)為圖像 x和 ix 同屬一人。按照式 ()計(jì)算新圖像 ? 和訓(xùn)練集中圖像的距離： 2nn ????? () 其中 1,2, ,nM? 。 構(gòu)造矩陣 TB AA? ，矩陣 B 的維數(shù)為 MM? 。 在人臉識(shí)別領(lǐng)域中 PCA 方法又被成為特征臉?lè)椒?。所以很難用一個(gè)統(tǒng)一的標(biāo)準(zhǔn)對(duì)這些算法進(jìn)行分類。如最近鄰方法、貝葉斯決策、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。顯然，為了使 J 最大，應(yīng)使兩類均值差越大越好 (各類樣本分布盡量分離開 )，而各類類內(nèi)離散度越小越好 (各類樣本內(nèi)布盡量密集 )。但一般情況下，總可以找到某個(gè)方向，使得在這個(gè)方向的直線上，樣本的投影能分得最開。 LDA 采用 Fisher 線性判別函數(shù)而得以實(shí)現(xiàn)，最初被用于解決兩類的分類問(wèn)題。如果第一主成分 還 不足以代表原來(lái) P 個(gè)指標(biāo)的信息，再考慮選取 F2 即選第二個(gè) 線性組合 ，為了有效反映 原始 信息，F(xiàn)1 中 已有的信息就不再出現(xiàn)在 F2 中， 即 F1 和 F2 的協(xié)方差為零， 稱 F2 為第二主成分， 以此類推 可以構(gòu)造出第三、第四， …… ，第 P 個(gè)主成分。人臉識(shí)別系統(tǒng)的第一步工作就是特征提取，也是關(guān)鍵性的一步，特征提取的好壞將直接影響測(cè)試結(jié)果。 特征提取 特征提取是計(jì)算機(jī)視覺(jué)和圖像處理中的一個(gè)概念。T 人臉庫(kù)，是人臉識(shí)別領(lǐng)域最流行的測(cè)試數(shù)據(jù)庫(kù)之一。按照目前人臉識(shí)別技術(shù)的水平來(lái)看，一個(gè)可以應(yīng)用在任何環(huán)境、在任何可能出現(xiàn)的非正常情況下都能準(zhǔn)確無(wú)誤進(jìn)行識(shí)別的人臉識(shí)別系統(tǒng)是不可能存在的，由此，所有的人臉數(shù)據(jù)庫(kù)都會(huì)附加一些 約束條件，比如光照強(qiáng)度、光照方向、表情變化、姿態(tài)變化、臉部飾品、人臉尺寸等都受到一定的限制，這些人臉數(shù)據(jù)庫(kù)復(fù)雜度的高低又影響了對(duì)算法性能的評(píng)估結(jié)果。 第四章，人臉識(shí)別算法設(shè)計(jì)及仿真。先使用特征臉?lè)椒ǎ?PCA）將人臉圖像的原始數(shù)據(jù)投影到特征臉空間進(jìn)行降維，接下來(lái)使用 Fisher 臉?lè)椒ǎ?LDA），從特征空間里提取最具判別 能力的低維特征，達(dá)到進(jìn)一步降維的作用，最后引入模糊技術(shù)改進(jìn)原始的線性判別分析方法，能更有效的提取判別能力高的、對(duì)識(shí)別過(guò)程有正面效果的信息，盡量消除因訓(xùn)練圖像中由于光照、姿勢(shì)等變化引起的識(shí)別性能退化。 視頻監(jiān)視：在視頻監(jiān)視系統(tǒng)中，人臉識(shí)別系統(tǒng)的任務(wù)目標(biāo)是在人群中篩選出特定目標(biāo)并實(shí)行跟蹤監(jiān)控，這是一個(gè)典型的動(dòng)態(tài)匹配過(guò) 程。 國(guó)際上很多公司和研究機(jī)構(gòu)如德國(guó) Cognitec S ystem GmbH、美國(guó) Identix Inc、Viisage 及 Neven Vision、韓國(guó)三星、日本東芝、麻省理工學(xué)院、密西根州立大學(xué)、卡耐基梅隆大學(xué)、耶魯大學(xué)、新澤西理工學(xué)院、休斯敦大學(xué)等正在對(duì)人臉自動(dòng)識(shí)別技術(shù)做更加深入的研究。 Baron將人臉圖像灰度歸一化，再用四個(gè)掩模表示人臉，然后分別計(jì)算這四個(gè)掩模與數(shù)據(jù)庫(kù)中每幅標(biāo)準(zhǔn)圖像相互掩模之間的相互關(guān)系數(shù)，以此作為判別依據(jù)。 1893 年， Bertillon 用一個(gè)簡(jiǎn)單的語(yǔ)句與數(shù)據(jù)庫(kù)中的某張人臉相連接，同時(shí)結(jié)合指紋分析，提供了一個(gè)完整的身份識(shí)別系統(tǒng)。由此可見，人臉識(shí)別技術(shù)已經(jīng)逐漸成為最有發(fā)展?jié)摿Φ纳锾卣髯R(shí)別技術(shù)，是當(dāng)前的熱門研究課題之一。目前，基于這些人類特征，已有相對(duì)應(yīng)的生物識(shí)別技術(shù)，比如指紋識(shí)別、人臉識(shí)別、語(yǔ)音識(shí)別、虹膜識(shí)別、簽名識(shí)別、步態(tài)識(shí)別等。人臉識(shí)別技術(shù)就是通過(guò)圖像采集設(shè)備捕捉人類的臉部區(qū)域，然后把捕捉到的人臉圖像和人臉數(shù)據(jù)庫(kù)中的圖像進(jìn)行匹配分析，進(jìn)而完成身份識(shí)別的任務(wù)。人類有著與生俱來(lái)的自動(dòng)識(shí)別人臉的能力，能在劇烈變化不確定因素影響下快速且準(zhǔn)確的識(shí)別人臉，同時(shí)進(jìn)行身份匹配和表情判斷。經(jīng)過(guò) FLDA 降維后的子空間中，同一類別的樣本盡可能靠近，不同類別的樣本盡可能分散（即降維后同一個(gè)人的人臉圖像盡可能的靠近，不同人的人臉圖像盡可能的分散開）。在過(guò)去的幾十年里，研究者嘗試?yán)糜?jì)算機(jī)來(lái)模仿人類識(shí)別人臉的能力，并提出了很多人臉識(shí)別的有效算法，利用不同技術(shù)提高了人臉 識(shí)別算法的平均識(shí)別率。 Principal Component Analysis。與傳統(tǒng)的身份驗(yàn)證方法相比，生物特征識(shí)別技術(shù)的優(yōu)勢(shì)在于生物特征是人類固有的特性，可以從根本上杜絕偽造和竊取的現(xiàn)象，從而滿足了人類對(duì)于驗(yàn)證方式可靠性和安全性方面的需求。 人臉識(shí)別的研究背景和意義 人臉識(shí)別（ Face Recognition）是一種很重要的生物特征識(shí)別技術(shù)。（ 3）圖像采集數(shù)據(jù)存儲(chǔ)，成本低廉。 人臉識(shí)別的發(fā)展史和應(yīng)用 發(fā)展歷史及發(fā)展現(xiàn)狀 人們從事人臉識(shí)別技術(shù)的研究歷史比較悠久。 1972 年， Goldstion， Harmon 等嘗試?yán)脦缀翁卣鞅硎救四槇D像，他們用 21 維特征向量表征人臉的面部特征，并設(shè)計(jì)出基于這種表征方法的識(shí)別系統(tǒng)。在這之后，美國(guó) LAU 公司研制出一個(gè)人臉圖像自動(dòng)識(shí)別系統(tǒng)，這個(gè)系統(tǒng)是一個(gè)以正常人眼辨別其他人臉的原理，基于生物測(cè)量學(xué)、人像復(fù)原技術(shù)而開發(fā)的裝置，利用人臉的1242 個(gè)特征點(diǎn)，對(duì)人群中待尋找的人進(jìn)行定量定性的識(shí)別，并已應(yīng)用在機(jī)場(chǎng)、車站等公共場(chǎng)所和重點(diǎn)控制地區(qū)。具體來(lái)說(shuō)大多應(yīng)用在機(jī)場(chǎng)、海關(guān)或一些保密部門及出入口控制等場(chǎng)所用以替代或輔助證件驗(yàn)證來(lái)甄別出入人員的身份、證件等的真實(shí)性。如果防盜門采用人臉識(shí)別系統(tǒng)來(lái)驗(yàn)證戶主身份，人們將告別鑰匙；簽證、身份證等如果采用電子證件，人臉識(shí)別將會(huì)是必不可少的應(yīng)用之一 ；我國(guó)每年僅高考考生就近千萬(wàn)，如果考生驗(yàn)證系統(tǒng)采用人臉識(shí)別而不是傳統(tǒng)的紙張驗(yàn)證，無(wú)論從安全、快捷、環(huán)保等任何一個(gè)角度來(lái)看都是一個(gè)極大的進(jìn)步，屆時(shí)這個(gè)巨大的市場(chǎng)也將大大促進(jìn)人臉識(shí)別技術(shù)的發(fā)展。然后介紹了人臉圖像的特征提取方法的基礎(chǔ)知識(shí)以及分類器的設(shè)計(jì)理念和選用的分類方法。 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 7 2 人臉識(shí)別基礎(chǔ) 人臉庫(kù) 在人臉識(shí)別技術(shù)的研究中，必不可少的資源之一是人臉數(shù)據(jù)庫(kù)。 Yale 人臉庫(kù)的主要特點(diǎn)就是光照變化很明顯，且有面部眼鏡遮掩，主要用來(lái)測(cè)試當(dāng)前光照和表情變化時(shí)，識(shí)別算法的性能。該庫(kù)是目前使用最廣泛的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。主要針對(duì)高維數(shù)據(jù)的降維處理，通過(guò)提取出一部分特征值較高，最具代表性的優(yōu)秀特征，刪除不相關(guān)特征以達(dá)到降維的目的，最終目的是減少需要處理的數(shù)據(jù)量，簡(jiǎn)化分類器計(jì)算，提高算法的識(shí)別準(zhǔn)確率。 通常數(shù)學(xué)上的處理 方法 就是將原來(lái) P 個(gè)指標(biāo)作 線性組合 ，作為新的 綜合指標(biāo) 。這樣可以利用矩陣的奇異值分解 (Singular Value Deposition, SVD)求出 S 的特征值和 特征向量。本文主要研究 Fisher 線性判別函數(shù)如何確定。事實(shí)上，為使投影數(shù)據(jù)獲得較好的分離，只要求這兩個(gè)均值差比 每類的標(biāo)準(zhǔn)差較大即可，即： ?,2,1,221 ??? iSmm i () 其中，對(duì)于屬于一類的投影樣本的類內(nèi)離散度： ? ? ?,2,1,12 ????? imyS ijNji i () 把 22121 SSN???????作為所有樣本的方差估計(jì)。 分類器設(shè)計(jì) 分類器的設(shè)計(jì)是人臉識(shí)別系統(tǒng)設(shè)計(jì)過(guò)程中的一個(gè)重要環(huán)節(jié)。 本文在歐氏距離分類的基礎(chǔ)上，應(yīng)用最近鄰分類器對(duì)人臉特征矢量進(jìn)行分類識(shí)別，即定義待測(cè)樣本與距離其最近的訓(xùn)練樣本是屬于同一類別的。 基于 PCA 的特征臉?biāo)惴? 主成份分析（ PCA）方法是模式識(shí)別領(lǐng)域里一種占有非常重要地位的特征提取方法。 設(shè) M 幅圖像構(gòu)成訓(xùn)練集，記為 12, , , M? ? ? ，則訓(xùn)練數(shù)據(jù)的協(xié)方差矩陣為： ? ?? ?1M TjjjC ???? ? ? ? ?? () 其中 ? 為均值向量： 11 M iiM? ???? () 令： ? ???? ??????? MA ?, 21 () 則： TAAC? () 顯然， C 的維數(shù)為 ? ? ? ?W H W H? ? ? 。通過(guò) ()式即可將訓(xùn)練集中的圖像投影到特征空間中： ? ? MkMnuqe nTknk ?????? ,2,1。記訓(xùn)練集合 ? ? ? ?1 2 1 2, , , , , ,cNG X X X x x x??包含了 c 個(gè)人臉 N 張臉部圖像， 則其類間散度矩陣 BS 和類內(nèi)散度矩陣 WS 如下： ? ?? ?1c TB i i iiS N m m m m?? ? ?? () ? ?? ?1 kic TW k ki x XS x m x m??? ? ??? () 式中 , iN 為第 i類訓(xùn)練樣本總個(gè)數(shù)， im 是第 i類均值， m 是所有樣本均值。訓(xùn)練樣本的隸屬度信息描述了樣本的分布信息，較好的反應(yīng)訓(xùn)練圖像中由于光照、姿態(tài)等不確定因素引起的變化。 4 基于 PCA 和 FLDA 的人臉 識(shí)別 基于 PCA+FLDA 的人臉識(shí)別算法 綜合第三章提到的三種人臉識(shí)別算法，不難發(fā)現(xiàn)， FLDA 算法具有最好的分類效果，但 FLDA 算法存在兩個(gè)不可避免的問(wèn)題：第一是由于人臉圖像的高維數(shù)產(chǎn)生的計(jì)算復(fù)雜問(wèn)題；第二是 WS 奇異。 整體算法結(jié)構(gòu)圖如下圖所示： 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 21 圖 PCA+FLDA 算法結(jié)構(gòu)圖 實(shí)驗(yàn)仿真 由于圖像的本質(zhì)就是由若干像素點(diǎn)排列成點(diǎn)陣，因此圖像處理可以等同于矩陣計(jì)算。隨機(jī)抽取測(cè)試集待測(cè)人 臉圖像如下圖所示： 圖 測(cè)試集第 7 張人臉圖像 程序運(yùn)行結(jié)果顯示訓(xùn)練集中與圖 最相似人臉圖像如下圖： 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 23 圖 訓(xùn)練集中與圖 最相似人臉圖像 （ 6）相同條件下重復(fù)實(shí)驗(yàn) 50 次，求出 PCA+FLDA 算法下的平均識(shí)別率和方差，繪制識(shí)別率曲線圖。 （ 2）從全部人臉圖像中隨機(jī)抽取每人 6 張，共計(jì) 240 張圖像作為訓(xùn)練集。唯一缺點(diǎn)是運(yùn)算時(shí)間稍長(zhǎng)，高識(shí)別率的獲得付出的代價(jià)就是比其它算法都要長(zhǎng)的運(yùn)算時(shí)間。 本文的工作重心就在于人臉圖像的特征提取上，大部分工作都是圍繞這一主題來(lái)進(jìn)行的。這些人臉庫(kù)中的人臉圖像基本都有一些固定的約束條件存在，比如光照、表情、姿態(tài)、臉部飾物、人臉尺寸等。 最后，感謝大學(xué)四年一起生活和學(xué)習(xí)的同學(xué)、老師和朋友，是你們陪伴著我走過(guò)了最美好的這四年大學(xué)生活，青春在漸行漸遠(yuǎn)，但在這輕舞飛揚(yáng)般的青春里，有你們留給我的最美好的回憶，謝謝你們。 = 231。% * 。 = 15。 T Laboratories Cambridge. The ORL Database of Faces[EB/OL]. 20xx [14] 趙宏偉 . 基于 PCA 針對(duì)表情變化的人臉識(shí)別技術(shù)研究 . 西安電子科技大學(xué) , 20xx [15] 程云鵬 . 矩陣論 [M]. 西安 : 西北工業(yè)大學(xué)出版社 , 1989 [16] 李俊山，李旭輝 . 數(shù)字圖象處理 [M]. 北京 : 清華大學(xué)出版社 , 20xx 沈陽(yáng)航空 航天大學(xué) 畢業(yè)設(shè)計(jì)（論文） 31 [17] 徐立中 . 數(shù)字圖像的智能信息處理 (第二版 )[M]. 北京 : 國(guó)防工業(yè)出版社 , 20xx [18] 雷英杰 . MATLAB 遺傳算法工具箱及其應(yīng)用 [M]. 西安 : 西安電子科技大學(xué)出版社 , 20xx [19] Allen A L. Personal Descriptions[M]. London: Butterworeh, 1950 [20] T Kanad. Picture processing system by puter and recognition of human face. Kyoto: Kyoto University, 1973 [21] 王昆翔，李衍達(dá)，周杰 . 關(guān)于人臉圖像自動(dòng)識(shí)別研究中的幾個(gè)問(wèn)題 [J]. 公安大學(xué)學(xué)報(bào) , 20xx