【正文】 訓(xùn)練集 首先，對(duì)輸入的人臉進(jìn)行圖像預(yù)處理，包括幾何歸一化、灰度歸一化等，盡量去除尺度大小、光線明暗等因素給識(shí)別過程帶來的不利影響。對(duì)訓(xùn)練集進(jìn)行主元分析，得到一組特征向量，即低維子空間的標(biāo)準(zhǔn)正交基。 首先，需要對(duì)圖像之間的相似性進(jìn)行度 量。下面 27 討論幾種不同的特征值選擇方法。下面我們對(duì) KL 變換作一個(gè)簡(jiǎn)單的介紹。當(dāng)識(shí)別對(duì)象是波形或數(shù)字圖像時(shí)，可以計(jì)算出來，當(dāng)識(shí)別對(duì)象是實(shí)物 或某種過程時(shí)，這些特征可以用儀表或傳感器測(cè)量出來，這樣計(jì)算或測(cè)量出來的特征叫原始特征。 PCA 人臉識(shí)別方法原理 將 PCA 方法用于人臉識(shí)別，其實(shí)是假設(shè)所有的人臉都處于一個(gè)低維 24 線性空間，而且不同的人臉在這個(gè)空間中具有可分性。圖片直方圖均衡化效果對(duì)比如圖 所示 : 22 （ c）圖像均衡化前對(duì)應(yīng)的直 （ d）圖像均衡化后對(duì)應(yīng)的直方圖 圖 圖像均衡化前后對(duì)應(yīng)的直方圖示意圖 23 對(duì)于 unit8 類圖像， L=256， G=L1，則灰度級(jí) rk 出現(xiàn)的頻數(shù)為 : ? ? ? ? nnhp nrr kkk ?? (21) 其中， k=1,2,... , L， h??rk 表表 k 級(jí)像素?cái)?shù)， n 表示像素總數(shù)。其中最近鄰法簡(jiǎn)單但是失真較多。因此，需要對(duì)輸入的人臉圖像進(jìn)行校正，使得不 同情況下的人臉圖像統(tǒng)一到同樣大小，并且人臉的關(guān)鍵部位也盡量保持一致。其最新的人臉庫包括 14051幅灰 度圖像，其中每人 8 張圖像，兩張正臉， 3張從右到左不同側(cè)面角度的圖像，有些人還提供了更多不同視角和不同表情的照片。下面介紹一些常用的標(biāo)準(zhǔn)數(shù)據(jù)庫。 第二章人臉圖像預(yù)處理 圖像的預(yù)處理是模式識(shí)別過程的一個(gè)重要步驟。 (3)識(shí)別算法的普適性問題 目前人臉識(shí)別中最成功的算法當(dāng)屬基于統(tǒng)計(jì)學(xué)習(xí)理論的算法。姿態(tài) :姿態(tài)的變化分為二維平面上的姿態(tài)變化和三維空間上的姿態(tài)變化。這些困難一方面源于計(jì)算機(jī)本身學(xué)習(xí)能力的局限性，另一方面是源于人臉識(shí)別技術(shù)所具有的復(fù)雜 16 性。當(dāng)前計(jì)算機(jī)系統(tǒng)的安全管理，通常使用字符和數(shù)字組成的密碼口令管理，此口令容易被遺忘或破解，如果使用人臉作為口令則既方便又安全； (4)在視頻監(jiān)控方面，目前，許多銀行、公司、公共場(chǎng)合等處都設(shè)有24 小時(shí)的視頻監(jiān)控。由于罪犯數(shù)據(jù)庫往往很大，如果這項(xiàng)搜索工作由人工完成，不僅效率低，而且容易出錯(cuò)，因?yàn)槿嗽诳戳松习俜四槇D像后，記憶力會(huì)下降，而由計(jì)算機(jī)來完成則不會(huì)出現(xiàn)此問題； (2)身份證、駕駛證以及其他很多證件上都有照片，現(xiàn)在的證件驗(yàn)證 15 一般都是由人進(jìn)行驗(yàn)證，如果利用人臉識(shí)別技術(shù)，這項(xiàng)工作就可以交給機(jī)器完成，從而實(shí)現(xiàn)自動(dòng)化智能管理。因此可認(rèn)為：對(duì)以均方誤差為準(zhǔn)則的臉部重建來說， PCA 方法是一種最優(yōu)的方法：但從模式分類和辨識(shí)的觀點(diǎn)來看， PCA方法則不一定能夠取得最優(yōu)的結(jié)果。由于人臉的特定構(gòu)造，在這種抽樣方式下，臉部特征帶的出現(xiàn)將服從于一定的順序，所以該模型可以用一個(gè)從左到右的隱馬爾可夫模型表示，其中狀態(tài)的轉(zhuǎn)移只能按照從左到右的方式進(jìn)行。在尋找最佳匹配方法時(shí)，希望能夠同時(shí)維持特征數(shù)值接近和局部幾何關(guān)系。物體內(nèi)部的空間關(guān)系則可以用節(jié)點(diǎn)之間的幾何距離表示。還有的文獻(xiàn)采用了二進(jìn)制圖像的等密度區(qū)域或多個(gè)局部面部特征作為不同多層感知機(jī)的輸入層。多層感知機(jī)由幾層全互連的非線性神經(jīng)組成。 神經(jīng)網(wǎng)絡(luò)方法 人工神經(jīng)網(wǎng)絡(luò)是一種以大量的處理單元 (神經(jīng)元 )為節(jié)點(diǎn)，處理單 元之間實(shí)現(xiàn)加權(quán)值互連的拓?fù)浣Y(jié)構(gòu)。選擇訓(xùn)練樣本的散布矩陣作為 KL 變換的生成矩陣，其最大特征向量反映了該樣本集合的最大分布 的方向，但這是圖像統(tǒng)計(jì)方法，而不是人臉統(tǒng)計(jì)方法。 KL 變換是圖像壓縮的一種最優(yōu)正交變換，人們將它應(yīng)用 于特征提取，形成了子空間法模式識(shí)別的基礎(chǔ)。人臉圖像在前面的特征矢量上的投影有較大的能量，稱為主分量 。所以僅靠增加臉上幾何參數(shù)的數(shù)目來提高人臉識(shí)別率是不太現(xiàn)實(shí)的。具體來說，這些幾何參數(shù)一般包括人臉上兩個(gè)指定特征點(diǎn)之間的歐式距離、邊緣曲率、角度等等。這些方法中有的側(cè)重于表述人臉圖像的特征提取，如彈性圖匹配法和傅立葉不變特征法；有的則側(cè)重于分類，如最佳鑒別向量集法、貝葉斯法和神經(jīng)網(wǎng)絡(luò)法；而有的則側(cè)重于人臉圖像重構(gòu)，如特征臉法和線性子空間法。 常用的人臉識(shí)別方法 對(duì)人臉識(shí)別方法的研究主要有兩大方向：一是基于人臉圖像局部特征的識(shí)別方法；二是基于人臉圖像整體特征的識(shí)別方法。根據(jù)圖像來源途徑的不同，可以分為動(dòng)態(tài)和靜態(tài)的人臉識(shí)別 。除此之外還有 DCT, Gabor變換、分?jǐn)?shù)階傅里葉變換等都是基于人臉的整體特征提取，還有基于人臉局部特征的提取方法，如利用顯著器官 (眼鏡、眉毛、耳朵、嘴 巴等 )之間的距離關(guān)系，以及通過訓(xùn)練學(xué)習(xí)求得的局部特征。檢測(cè)人臉對(duì)于簡(jiǎn)單背景的同一人的人臉圖片是比較容易實(shí)現(xiàn)的，但當(dāng)人臉的背景變得復(fù)雜，或者圖片中的人臉屬于 多個(gè)人時(shí)，檢測(cè)就會(huì)變得相對(duì)困難。 (5)物理分類 ((Physical Classification)即對(duì)待識(shí)別人臉的物理特征進(jìn)行分類，得出其年齡、性別、種族等相關(guān)信息。從廣義上來說，人臉識(shí)別主要包括人臉檢測(cè)、人臉表征、人臉鑒別、表情分析和物理分類五個(gè)方面。人臉識(shí)別作為一種新興的生物識(shí)別技術(shù)將占據(jù)整個(gè)生物特征識(shí)別技術(shù) 15%20%左右的份額。 人臉識(shí)別技術(shù)作為生物識(shí)別技術(shù)的一種，以其特有的穩(wěn)足性、方便性、唯一性等特點(diǎn)被愈來愈多地應(yīng)用于除安全問題外的各種身份識(shí)別領(lǐng)域。人臉識(shí)別技術(shù)和其他的生物識(shí)別比起來有以下幾個(gè)優(yōu)點(diǎn) : (1)人臉識(shí)別可以在隱蔽的條件下進(jìn)行，適用于安全監(jiān)控 。密碼遺失、資料被盜的時(shí)間不斷發(fā)生，傳統(tǒng)的安全技術(shù)已暴露出重大的缺陷，就會(huì)給個(gè)人乃至整個(gè)社會(huì)帶來重大的甚至難以彌補(bǔ)的損失。主成分分析 II Research on Face Recognition Based on Principal Component Analysis Abstract Biometrics is a kind of science and technology using individual physiological or behavioral characteristics to verify identity. It provides a highly reliable and robust approach to the identity recognition. Automatic face detection and recognition is one of the most attention branches of biometrics and it is also the one of the most active and challenging tasks for image processing, pattern recognition and puter vision. It is widely applied in mercial and law area, such as mug shots retrieval, realtine video surveillance in security system and cryptography in bank and so on. The main research works and contributions are as the following. First, the research content, approach and development are emphasized. The research status is introduced. The technology of the face detection and recognition are summarized. And the paper describes face preprocessing in detail which is and important step in the face recognition. The face preprocessing methods we adopt are based on image processing techniques. The main purpose is to get the standardized facial images, and to eliminate the impact of illumination to some extent. In this paper, several key preprocessing methods are introduced, such as geometry normalization, grayscale normalization and images binaryconversion. Principal Component Analysis (PCA) face recognition methods as the foundation of the KL transformation is the most superior in the image pression .By using PCA, the dimension of the input is reduced while the main ponents are maintained. The major idea of PCA is to depose a data space into a linear bination of a small collection of the III facerecognition literature, the eigenvectors can be referred to as eigenfaces. The probe is identified by first projection to all gallery images. We denote a probe .A probe is paring the projection to all gallery images, and it causes around the pression the mean error to be youngest. But in the PCAbased face recognition technique, the 2D face image matrices must be previously transformed into 1 D image vectors. The resulting image vectors of faces usually lead to a high dimensional image vector space, where it is difficult to evaluate the covariance matrix accurately due to its large size and the relatively small number of training samples. Key words Face recognition ； Face pretreatment； PCA 目 錄 IV 第一章 緒 論 ................................................................................................ 1 ............................................................................. 1 ............................................................... 3 ........................................................................................... 6 ............................................................................... 6 .......................................................................... 6 ........................................................ 7 KL 變換的特征臉方法 ............................................................ 9 .......................................