【正文】 .............................................. 10 .............................................................. 12 ......................................................... 13 FISHER 線性判別式的方法 .................................................. 13 ................................................................... 14 ............................................................................................ 14 ....................................................... 15 ................................................................... 15 ....................................................................... 17 第二章人臉圖像預(yù)處理 .............................................................................. 18 .................................................................................................................... 18 ............................................................................................ 18 .............................................................................. 19 ............................................................................ 19 V ....................................................................... 20 .......................................................................................................... 23 第三章 基于 PCA的人臉識別方法 ............................................................. 23 .................................................................................................................... 23 PCA 人臉識別方法原理 .............................................................................. 23 ................................................................................. 24 KL 變換的原理 ....................................................................... 24 ..................................................................................... 26 ..........................................................27 PCA 人臉識別 ................................................................................... 28 .......................................................................................... 28 PCA 人臉識別方法的實(shí)現(xiàn)過程 ........................................... 29 ............................................................................................... 30 ............................................................................................... 32 第四章 實(shí)驗(yàn)過程顯示及分析 .................................................................... 33 引言 ................................................................................................................... 33 實(shí)驗(yàn)過程 ......................................................................................................... 33 致 謝 ......................................................................................................... 37 參考 文獻(xiàn) ..................................................................................................... 38 附錄 ............................................................................................................. 39 1 第一章 緒 論 人臉識別研究的目的意義 隨著信息技術(shù)及網(wǎng)絡(luò)的高速發(fā)展，人們的生活及身份日益數(shù)字化，信息的安全性和隱蔽性越來越受到人們的重視，身份識別與認(rèn)證技術(shù)也因此得到了較快的發(fā)展。 其次，本文重點(diǎn)描述了人臉識別的經(jīng)典方法， PCA方法。 首先描述了人臉識別技術(shù)的研究內(nèi)容、方法、應(yīng)用前景，對人臉自動(dòng)檢測與識別技術(shù)進(jìn)行了綜述。但在這種人臉識別技術(shù)中，二維的人臉圖像矩陣必須先轉(zhuǎn)化為一維的圖像向量，才能進(jìn)行 PCA 分析，而在這種轉(zhuǎn)化后，造成圖像向量的維數(shù)一般較高，使整個(gè)特征抽取過程所耗費(fèi)的計(jì)算量相當(dāng)可觀。人們幾乎時(shí)時(shí)刻刻都需要鑒別別人的身份和證明自己的身份，以獲得對特定資源的使用權(quán)或者制 權(quán)，同時(shí)防止這些權(quán)限被他人隨意的取得。生物特征可分為生理特征和行為特征兩大類，人臉、指紋、掌紋、虹膜、視網(wǎng)膜等屬于生理特征，語音、步態(tài)、筆跡等屬于行為特征，生理特征相對行為特征而言更為穩(wěn)定。社會(huì)上具有各種大型的人臉數(shù)據(jù)庫，如公安部門的身份證照片數(shù)據(jù)庫，學(xué)校里的學(xué)生學(xué)籍?dāng)?shù)據(jù)庫等等。這些己有的以及潛在的應(yīng)用領(lǐng)域?qū)⑼苿?dòng)人臉識別技術(shù)不斷發(fā)展。雖然目前國內(nèi)外己經(jīng)有許多實(shí)用系統(tǒng)問世，但是只有在非?？量痰某上駰l件下，才能得到比較令人滿意的識別效果。 (3)人臉鑒別 (Face Identification):即通常所說的人臉識別，就是將待識別的人臉與數(shù)據(jù)庫中的己知人臉比較，得出相關(guān)信息。其中訓(xùn)練一般是離線運(yùn)算的，而識別是在線操作的?；叶葰w一化則就是對人臉圖像進(jìn)行光照補(bǔ)償，消除光照對圖像的影響，進(jìn)而提高識別率。 整個(gè)人臉識別的研究工作主要是圍繞特征向量的提取和特 征選擇展開的。二是基于整體的研究方法，它考慮到模式的整體屬性，主要有特征臉方法、彈性圖匹配方法、神經(jīng)網(wǎng)絡(luò)方法及隱馬爾可夫模型方法等等。另外，該類方法并沒有充分利用到人臉圖像本身具有的獲度信息，該方向已經(jīng)不是人臉識別技術(shù)發(fā)展的主流方向。 在基于幾何特征的人臉識別方法中，可以用一個(gè)矢量來表示提取出來的幾何參數(shù)。 雖然各人臉的器官在形狀、大小及分布上各不相同，但是這種器官上的差異性更多是體現(xiàn)在某些細(xì)微 的感覺意義上。通過 KL 變換，可以把圖像在高維空間表示轉(zhuǎn)換到低維空間表示，而由低維空間恢復(fù)的圖像和原圖像具有最小的均方誤差，從而可以以圖像在低維空間的變換系數(shù)作為人臉圖像的描述特征。 KL 變換是數(shù)字圖像壓縮領(lǐng)域里的一種最優(yōu)變換，它使從低維空間恢復(fù)的人臉圖像和原圖像的均方誤差最小。采用主分量作為新的正交空間的正交基的方法稱為主分量_(Principal Component Analysis，簡稱 PCA)方法。另一種改進(jìn)是考慮到局部人臉圖像受到外在干擾相對較小的情況，除了計(jì)算特征臉之外，還利用 KL 變換計(jì)算出特征眼、特征嘴等。人工神經(jīng)網(wǎng)絡(luò)具有自組織性、高維性、模糊性、分布性和冗余性等等特點(diǎn)，較馮 諾依曼體系的計(jì)算機(jī)更適合模擬人類大腦的思維機(jī)理。如果隱層神經(jīng)元采用線性作用函數(shù)，則多層感知機(jī)張成的降維子空間將與主元分析法張成的子空間一樣。此外， BP 算法以誤差梯度下降的方式達(dá)到極小值，但在實(shí)際應(yīng)用中，容易陷入到局部極小中，無法得到全局最優(yōu)解，這也是有待解決的一個(gè)問題。在彈性圖匹配 (Elastic Graph Matching)方法中，兩幅圖的距離是通過尋找 G 與 M之間的最優(yōu)匹配來得到。隱馬爾可夫模型為一個(gè)觀測序列提供了一個(gè)統(tǒng)計(jì)模型 n 引，該模型由兩個(gè)互相關(guān)聯(lián)的過程組成： (1)一個(gè)是底層不可觀測的馬爾可夫鏈，它由有限個(gè)狀態(tài)、一個(gè)概率轉(zhuǎn)移矩陣和一個(gè)初始狀態(tài)概率分布函數(shù)組成。在這個(gè)低維子空間中，如果特征和投影方向選擇合適的話，人臉特征可以做到對光照方向和表情變化不敏感。 任何一種技術(shù)的發(fā)展都是由于受到了實(shí)際應(yīng)用需要的激勵(lì)，人臉識別技術(shù)也不例外，它最初就是公安部門要把它用于罪犯照片的存檔管理和刑偵破案。人員頻繁出入時(shí)，保安人員再三檢查證件是比較麻煩的，而且安全系數(shù)也不高。這些應(yīng)用在圖像的質(zhì)量、背景，還有是否存在定義好的匹配策略等等方面都存在著很大的不同。光照 :光照的方向及強(qiáng)度變化會(huì)嚴(yán)重影響人臉圖像的灰度分布，因而影響大多數(shù)基于圖像灰度統(tǒng)計(jì)特性的識別方法的效果。這些因素所導(dǎo)致的直接結(jié)果就是人臉區(qū)域部分的數(shù)據(jù)不完整，進(jìn)而影響后續(xù)處理的效果，甚至直接導(dǎo)致處于人臉識別系統(tǒng)第一階段的人臉檢測失效。 除此之外，人臉識別還有低質(zhì)量照片問題，大規(guī)模人臉識別問題，海量數(shù)據(jù)的學(xué)習(xí)問題等等。主要的預(yù)處理工作包括 :圖像的幾何歸一化，圖像的灰度歸一化，直方圖均衡化幾個(gè)部分。這些圖像是在不同時(shí)間、不同光照、面部表情和面部遮掩物變化的情況下獲得的，如笑或不笑、 19 眼睛或睜或閉、戴或不戴眼鏡 。 其他的還有 AR 人臉庫， CVL 人臉數(shù)據(jù)庫 ， CMU RIE 人臉數(shù)據(jù)庫，XM2VTSDB人臉數(shù)據(jù)庫， CASPEAL人臉庫等等，本論文的人臉識別實(shí)驗(yàn)主要是基于 ORL 人臉庫。這樣通過縮放處理，就固定了人眼坐標(biāo)，保證了兩眼間距離是一致的，從 而其他部位如鼻子、嘴巴等位置都保持的相對標(biāo)準(zhǔn)。 圖像的直方圖均衡化 直方圖的概念 :一幅圖像在范圍 [0,G]內(nèi)總共有 L 個(gè)灰度級，則其直方圖定義為離散函數(shù) : ? ? nr kkh ? ，其中， rk 是區(qū)間 [[0,G]內(nèi)的第 k 級亮度， n是灰度級為 y的圖像中的像素?cái)?shù)。 第三章 基于 PCA 的人臉識別方法 主成份分析 (Principal Component Analysis，簡稱 PCA)是 統(tǒng)計(jì)學(xué)中分析數(shù)據(jù)的一種有效方法。 (4)選取距離函數(shù)進(jìn)行識別。 離散 KL變換的原理 離散 KL 變換是一種基于目標(biāo)統(tǒng)計(jì)特征的最優(yōu)正交變換，它具有很多優(yōu)良的特性 :KL 變換后產(chǎn)生的新的分量都是正交的或不相關(guān)的 。 (2)求出自相關(guān)矩陣或協(xié)方差矩陣 S 的特征值 ?j 和特征向量?j (j=1,2,...,n)，同時(shí)，由特征向量組成的矩陣為 ? ????? n, 21 ?? (3) KL 展開式的系數(shù)即為 XT?? ? 。 (3)通過計(jì)算閾值來確定特征空間的維數(shù) 該方法通過計(jì)算所保留的特征向量所對應(yīng)的特征值之和與總的特征值之和的比值，保證它大于一定的閉值 F。 PCA人臉識別 特征臉?biāo)惴? 在各種 PCA