【正文】 業(yè)設計(論文) 第 1 頁第 1 章 緒 論 引言近些年來，生物特征的身份認證技術(shù)得到了迅速的發(fā)展，此技術(shù)結(jié)合多種學科，是一種前沿的多學科性綜合技術(shù)，主要結(jié)合認知科學，圖像處理，計算機圖形學，小波分析，機器視覺和模式識別等多個領域。 其表現(xiàn)在：人臉表情豐富；人臉隨年齡增長而變化； 人臉所成圖象受光照、成象角度及成象距離等影響 [8]。在九十年代前期，研究的重心集中在分割和特征提取以及設計系統(tǒng)的或神經(jīng)網(wǎng)絡的分類器方面，采用一些傳統(tǒng)的統(tǒng)計方法，如：Karhunen—Loeve變換等或新的神經(jīng)網(wǎng)絡技術(shù)。還有很多的研究者。 (3)第三階段是自動機器人臉識別是近年來發(fā)展起來的，隨著計算機的快速發(fā)展，自動人臉模式識別方法取得了較大的進展。如果已經(jīng)提取到了比較具體的特征值，識別就等于特征的匹配問題了，而對于那些基于圖像灰度信息的識別方法如模板匹配，神經(jīng)網(wǎng)絡等的，就相對復雜些，不過最終還是歸到匹配的問題。計算機識別的顯著特點是速度快，準確性高，效率高。神經(jīng)網(wǎng)絡 [13] 人工神經(jīng)網(wǎng)絡是一門以對大腦的生理研究成果為基礎，以用機器模擬大腦的某些機理與機制，實現(xiàn)某方面功能為目的的學科?；谏窠?jīng)網(wǎng)絡技術(shù)的人臉識別方法是人臉識別研究領域中的一大重要分支。 人臉檢測問題分類人臉檢測問題包含的內(nèi)容十分的廣泛，總結(jié)成以下表格2－1來總結(jié)面臨問題的分類 [11]。 人臉特征顏色特征（膚色、發(fā)色等）輪廓特征（橢圓輪廓等）啟發(fā)式特征（頭發(fā)、下顎等）模板特征（均值、方差、距離等）變換域特征（特征臉、小波特征等）結(jié)構(gòu)特征（對稱性、投影特征等）鑲嵌圖特征（馬賽克規(guī)則等）直方圖特征（分布、距離等） 圖2－1 人臉模式的特征 西南交通大學本科畢業(yè)設計(論文) 第 8 頁人臉特征啟發(fā)式綜合（知識規(guī)則推理等）機器學習（人工神經(jīng)網(wǎng)、支持向量機等）模糊決策（模糊推理等）統(tǒng)計推斷（假設檢驗等）概率分布（Bayes 推理等）簡單組合（加權(quán)平均等） 圖2－2 各種特征綜合 人臉模式特征提取法 [11]人臉模式的特征包括膚色特征和灰度特征。Terrillon等考察了歸一化的rg、CIExy、歸一化的TSL、CIEDSH、HSV 、YIQ、YES、CIEL*u*v和 CIEL*a*b九種色度空間，比較了高斯模型和混合高斯模型在不同色度空間中的性能，發(fā)現(xiàn)除了少數(shù)情況外，一般需要使用混合高斯模型才能較好地描述膚色區(qū)域的分布。Craw 等首先在低分辨率圖象中使用一個輪廓模板匹配出人臉的大致范圍，然后在高分辨率圖象中使用 Sobel 算子獲得邊緣的位置和方向，并連接出完整的人臉輪廓。人臉區(qū)域內(nèi)的各個器官（如雙眼、鼻子、嘴等）是人臉的重要特征。因此，人臉檢測的關鍵是針對灰度圖像的檢測算法。同族人的膚色在顏色空間中的分布相對比較集中，顏色信息在一定程度上可以將人臉同大部分背景區(qū)分開來。Intrator利用廣義對稱變換理論和邊緣圖像確定人臉對稱軸，然后根據(jù)人臉五官分布的約束條件及在對稱軸上對稱值最大的地方定位眼睛和嘴巴。Vincent用一個分級的特征檢測系統(tǒng)定位眼睛和嘴巴，降低分辯率后的圖像輸入四個 西南交通大學本科畢業(yè)設計(論文) 第 12 頁已被訓練過的多層感知器，能對左右眼睛、嘴巴和人臉中心進行粗定位，然后再經(jīng)過處理定位出比較精確的眼睛的上下左右四個眼角定點并分割嘴巴區(qū)域。 “父層”網(wǎng)判斷“子層”能否構(gòu)成一張人臉。它根據(jù)圖象的統(tǒng)計特性進行的正交變換（KL變換） ，以消除原有向量各個分量間的相關性。需要指出的是，人臉檢測中“非人臉”樣本的選取是一個較為困難的問題。 該方法利用貝葉斯原理將后驗概率估計轉(zhuǎn)化為一個似然度求解問題:將難以估計的先驗概率 和()Pobject用一個比率參數(shù) 代替，作為調(diào)節(jié)檢測器敏感度的參量。 該方法同時考慮到人臉由左到右各個特征的自然順序， 使用了二維HMM ， 并且采用二維DCT 變換的系數(shù)作為觀察向量。需要說明的是，長期以來SVM的訓練需要求解計算復雜度極高的二次規(guī)劃問題，限制了該方法的應用。Craw 等提出一種基于形狀模板的正面人臉的定位方法。輸入圖像的邊緣、波峰值、峰谷值等被對應于模板中的參數(shù)，而構(gòu)成一個能量函數(shù)。如果一個過程的“將來”僅依賴“現(xiàn)在”而不依賴“過去”，則此過程具有馬爾可夫性，或稱此過程為馬爾可夫過程。 HMM是一個二重馬爾可夫隨機過程，一部分是Markov鏈，這個是最基本的隨機過程，描述狀態(tài)的轉(zhuǎn)移。一個HMM的構(gòu)成元素如下：(I)N：模型中Markov鏈的狀態(tài)數(shù)N。更形象的說， 可分為兩部分，一個是馬爾可夫鏈，由 描(,)AB???HM,A?述，產(chǎn)生的輸出為狀態(tài)序列，另一個是一個隨機過程，由 描述，產(chǎn)生的輸出為觀B察值序列。假設狀態(tài) 出現(xiàn)的概率為 ，如果這個tQ211(,.)trqP?概率只由前個狀態(tài)決定，即 ，則稱為一階馬爾可夫過程。1121(),.。即：?tiqs?tOT，求 與 間12(),.。(,)OPQ?Q?維特比(Viterbi)算法也是一個格型結(jié)構(gòu)，而且類似于前向算法。(|)PO? (,)AB???定義 為給定訓練序列 O 和模型 時，時刻 t 時 Markov 鏈處于狀態(tài) 和時,tij? i?刻 t+1 時狀態(tài) 的概率，即：j?1(,),)jt titiPq??????可以推導出： 1[())(](, |)tijttt abOjij P???那么，t 時刻 Markov 鏈處于狀態(tài) 的概率為：i?1()(),|)(,(|)Nttttitj iiPqjO??????????在 Baum－Welch 算法導出的重估公式為：1()i??11,()TttTij ttiji?????11()tkttandOVTjk ttjbj????HMM 的參數(shù) 求解過程為：選取一個初始模型 ，根據(jù)觀察(,AB?? (,)AB??? 西南交通大學本科畢業(yè)設計(論文) 第 27 頁值序列，由重估公式得到一組新參數(shù)，得到一個新的模型 ，迭代下去，(,)AB?????直到 收斂為止。事實上，在求狀態(tài)的初始參數(shù)時，我們可以按照這樣的劃分進行，而最終求得的“狀態(tài)”，是不受這些區(qū)域限制的。也就是說，定義一個WL的采樣窗，采樣 窗從上到下順序采樣，每次向下移動L的距離，這樣提取出的圖像塊就是采樣窗在人臉圖像中的采樣。DCT除了具有一般的正交變換性質(zhì)外，它的變換陣的基向量能很好地描述人類語音信號和圖像信號的相關特征。一維DCT的逆變換IDCT定義為： （4）102(21)()()cosNxxufCuFN???其中，x，u＝0，1，2，…，N1。 2DDCT逆變換定義如下： （8）102(21)(21)(,)()(,)coscosMNuv xuyvxyCFuvN??? ?其中，x，u＝0，1，2，…，M1； y，v＝0，1， 2，…，N1類似一維矩陣形式的DCT，2DDCT的矩陣形式如下： 正變換：F＝ f GTA 逆變換：f＝G F同樣，2DDCT變換具有系數(shù)為實數(shù)，正變換與逆變換的核相同的特點。（3） 將訓練數(shù)據(jù)均勻分割，與N個狀態(tài)對應，計算隱馬爾可夫模型的初始參數(shù)，狀態(tài)之間的轉(zhuǎn)移概率矩陣A在這里初始化。為了估計出最接近于觀察值序列O的模型，設定門限值(|P??(Threshold)C，當 時（此時 收斂） ，即得到訓練出的||)(|)C??(|)PO?隱馬爾可夫模型，否則令 ，重復此步驟，直至 收斂，得到接近于觀察??| 西南交通大學本科畢業(yè)設計(論文) 第 34 頁值序列的隱馬爾可夫。 窗口圖像塊的大小和 2D－DCT 系數(shù)項目數(shù)目，對識別精度影響顯著，窗口太小，不但訓練時間長，且識別精度反而降低。 選用 DCT 系數(shù)作為觀察量系數(shù)能夠大大降低觀察量向量的維數(shù)，使用 DCT 系數(shù)能減小 HMM 對于噪聲、圖像旋轉(zhuǎn)或偏移及光照變化的敏感程度。隱馬爾可夫模型的各個參數(shù)在這個步驟中得以重新估計，得到一個新的 。每個模型可以用單幅或多幅圖像進行訓練，訓練按以下步驟進行：（1） 把要訓練的人臉圖像進行同一分割（Uniformly Segmentation）提取出 西南交通大學本科畢業(yè)設計(論文) 第 33 頁人臉特征相聯(lián)系的觀察值序列 。0,12.)f y???? 西南交通大學本科畢業(yè)設計(論文) 第 32 頁則2DDCT定義如下： （7）102(21)(21)(,)()coscosMNxyxuyvFuvCuvMN?????其中， 為變換系數(shù)矩陣中的各個元素；,(,.。則一維離散余弦變換的定義如下： （3） 10(21)())cosNxxuFuCf????其中，F(xiàn)(u)是第u個余弦變換系數(shù)：x，=0，1，2， …，N1 ，是廣義頻率變換。 基于離散余弦變換（DCT）的特征提取方法離散傅里葉變換（DFT）提供了頻譜分析最重要的工具，但DFT運算是復數(shù)域運算，在實際處理中并不方便。以下分為2個階段：第一階段是：人臉圖像的采樣。對于一幅寬為W、高為H(WH，單位：像素)的人臉圖像，假設人臉是垂直的，那么人臉的主要特征(額頭、眼睛、鼻子、嘴巴和下巴)就在垂直方向上順序出現(xiàn)，這就意味著可以把人臉圖像建成一個從上到下的模型。(|)PO?由之前推導可知：， 11(|)())(NtijttijPabOj??????12tT??這里，求取 使得 最大是一個泛函極值問題，由于給定的訓練數(shù)據(jù)有限，|P?因此沒有一個是最佳的方法來估計 。此時有： 1(|)()NrttiPOi????? 1S2SNSiSjSNS2S1S? 1()ijiabo??()ti? 1()tj??時刻 t1 時刻 t 時刻 t+2時刻 t+1圖3－6 t時刻與t+1時刻 和 之間的關系isj 西南交通大學本科畢業(yè)設計(論文) 第 24 頁該過程整體流程圖如圖3－7所示：初始化（I 時刻）向前變量 ()ti?向前過程從I時刻開始向前遞推各個 t時刻的 ()ti得到 12(),.()Tii??計算 1(|)()NttiPOi?????向后過程初始化（T時刻）向后變量 ()ti?從T 時刻開始向前遞推各個 t時刻的 ()ti得到 12(),.,()Tii? 圖3－7 前向后向算法流程圖 維特比算法該算法解決了給定一個觀察值序列 和一個模型 ，在12,.TO?(,)AB???最佳的意義上，確定一個狀態(tài)序列的問題。其基本關系如圖35所示。令 代()ti?表在給定模型參數(shù) 下，過程到t時刻為止產(chǎn)生部分給定觀察序列 ，且在t? 12,.O時刻狀態(tài)為 的部分概率，記作： 求is 12(),.。人臉由于各個區(qū)域具有自然不變的順序，通常采用從左到右的HMM。(ijNa?ija1jtttq??1,ijN?(5)B：觀察值概率矩陣， ，其中 ，()jkBb??()KjktjtVbPQ?。特別是最近的幾年，得到了廣泛的研究和應用。特別是在語音識別領域或手勢的識別。 相關背景概念馬爾可夫過程是一類重要的隨機過程，它是在20世紀時候由蘇聯(lián)學者馬爾可夫在研究隨機過程中得出的，由于馬爾可夫過程在信息理論、自動控制、數(shù)值計算、近代物理、交通運輸、工程技術(shù)及生物科學等方面起到很大的作用，使得現(xiàn)代科學家與工程技術(shù)人員越來越重視馬爾可夫過程的理論及應用的研究。 圖 2－6 人臉彈性圖匹配方法Yuille 用可變形模板去建模預先的彈性人臉特征。但在很多場合并不適用，因為簡單的模板不能適應尺寸、姿態(tài)和形狀的變化。該方法的基本思路是對每一個1919象素的檢測窗口使用SVM進行分類，以區(qū)分“人臉”和“非人臉”窗口。 將頭部圖像按照這五個區(qū)域劃分為互有重疊的條塊， 對各塊進行KL變換， 選取前若干個變換系數(shù)作為觀測向量訓練HMM。3. 基于概率模型的方法 [10]基于概率模型方法的一種思路是計算輸入圖像區(qū)域region屬于人臉模式object的后驗概率p（object|region），據(jù)此對所有可能的圖像窗口進行判別。采用 k均值聚類方法在特征空間中建立 6 個“ 人臉” 簇(Clusters)，同時建立包圍“人臉”簇的六個“非人臉”簇，以使“人臉”與“非人臉”模式的邊界更為清晰。X1 X2 XmY1 Y2 Ym 圖2－5 多主元提取神經(jīng)網(wǎng)絡結(jié)構(gòu)2. 基于特征空間的方法 [17