【正文】 ，則正交基呈現人臉的形狀，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。根據不同的應用場合，現已研究出較多的神經元網絡模型及其動態(tài)過程的算法。采用多層感知機進行面部識別的目的就是建立一個關于臉部的緊湊表示，這相當于面部特征的抽取。由此可以看出，人工神經網絡有著與Eigenface方法非常相似的表達方法。一般來說，圖像中的關鍵部位會有較大的Gabor系數。彈性匹配圖方法的主要缺點在于計算量大。，與Eigenface方法相對應，Belhumeur稱其為Fisherface，這種方法對面部表情和光照方向不敏感。對于小波包分解得到的離散逼近稀疏，Garcai進一步將它分解成三個部分，分別是邊界區(qū)、上半部分和下半部分，然后就可以分別計算這三個區(qū)域的均值和方差，加上另外15個離散細節(jié)區(qū)域的方差，組成一個包含有21個分量的特征向量。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，也可以是計算機系統(tǒng)或情報系統(tǒng)的入口控制。對于以上提到的人臉識別技術的諸多應用，我們可以把這些應用分成兩類:一類是有限制條件照片的靜態(tài)匹配，譬如說護照、信用卡、駕駛證上的照片匹配。具體的說，它的困難表現在：(1)圖像獲取的不確定性目前對于人臉識別問題的研究大都基于已經裁剪好的人臉區(qū)域圖像進行的，在此基礎上再提出解決光照、姿態(tài)、遮擋等問題的識別算法。表情:人臉識別相對于其他物體識別問題的一個困難就是人臉的非剛體性，主要體現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，因為這需要很長的時間跨度，目前所收集到的有年齡變化的人臉庫最長也只有1年左右的時間跨度，這給相關算法的研究帶來了一定困難。為了確保較高的識別率，我們必須在提取人臉特征之前對圖像作一定的預處理工作。每幅圖像的分辨率為92*112，灰度級為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，體現人臉在圖像內的平移不變性。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識別率所造成的影響。在對人臉圖像進行幾何歸一化的過程中，先通過圖象旋轉、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)，圖像縮放成標準大小。 (2)讀入人臉庫，樣本經過訓練形成特征子空間。 在數學上，特征提取就是從測量空間到特征空間映射，即變換T : ，這一變換也稱為特征提取器。由于S是實對稱矩陣，其不同的特征值對應的特征向量是正交的。 (2)保留前面k1個特征向量 將特征值按照從大到小的順序進行排列，同時只保留最前面的k1個特征向量。 計算出圖像之間的相似度以后，我們需要對所得到的信息進行分類判別決策，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，得到一組坐標系數，這組系數表明了該幅人臉圖像在低維子空間中的位置。假設每一幅經過預處理的人臉圖像的大小為的二維數組，將二維數組轉化為大小為D=一維向量則有。 (3)計算訓練集的人臉特征向量 人臉特征向量即將人臉圖像向特征空間投影之后得到的系數向量，即: (330) 將訓練集中所有己知人臉圖像的圖像向量、特征向量,和其對應的個人身份信息保存起來，就構成了己知人臉圖像的訓練數據庫。該數據庫是由40個人，每人10幅，共400幅92X112大小的正面人臉圖像組成，其中包括不同時期同一背景的人臉面部表情和細節(jié)的變化圖像。下面是輸入照片編號“3”和“5”，系統(tǒng)界面截圖：※ ※ ※ ※致 謝 大學時光，轉瞬及逝。感謝實驗室諸多同學的關心、幫助，經常的交流、探討讓我受益匪淺。TestDatabasePath = uigetdir(39。dlg_title = 39。\39。 SelectedImage = strcat(TrainDatabasePath,39。title(39。 for i = 1:size(TrainFiles,1) if not(strcmp(TrainFiles(i).name,39。for i = 1 : Train_Number str = int2str(i)。 img = rgb2gray(img)。 for i = 1 : Train_Number temp = double(T(:,i)) m。 %函數Recognition：function OutputName = Recognition(TestImage, m, A, Eigenfaces)ProjectedImages = []。InImage = reshape(temp39。 Euc_dist = [Euc_dist temp]。OutputName = strcat(int2str(Recognized_index),39。Difference = double(InImage)m。for i = 1 : Train_Number temp = Eigenfaces39。end L = A39。 temp = reshape(img39。\39。)|strcmp(TrainFiles(i).name,39。)。,OutputName)。.jpg39。num_lines= 1。, 39。特別要感謝我的父母和家人，他們日夜操勞，辛勤工作，為我解除了學習的后顧之憂。 本課題的開展與研究是在我的導師李曉媛教授悉心指導下完成的，從課題的選題到論文的完成，導師都傾注了大量的時間和精力。 ，編寫了一個簡單的人臉識別程序，實現了隨即的單個樣本的人臉識別。(2)計算測試集的人臉特征向量假設向量表示一幅測試圖像，將向特征子空間投影，即可得到該測試圖相對應的人臉特征向量: (331) (3)選擇距離函數進行分類判別 將人臉圖像投影到特征子空間，得到相應的人臉特征向量之后，余下的任務就是如何判別測試圖像所屬的類別。 （2)通過訓練形成特征空間訓練樣本中m幅人臉圖像的均值向量為: (321)每幅人臉圖像與平均人臉的差值向量為: (i=1,2,…,m) (322)則訓練樣本的協(xié)方差矩陣為: (323)令,則，維數為DD。比較常用的是基于歐氏(Euclidean )距離的最近鄰分類器。 在各種PCA人臉識別算法中，特征臉(Eigenface)方法是一個經典的人臉識別算法，于1991年由Turk和Pentland提出，是基于主成份分析的線性子空間方法。 (3)通過計算閾值來確定特征空間的維數 該方法通過計算所保留的特征向量所對應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。 (2)求出自相關矩陣或協(xié)方差矩陣S的特征值和特征向量(j=1,2,...,n)，同時，由特征向量組成的矩陣為 (3) KL展開式的系數即為。離散KL變換是一種基于目標統(tǒng)計特征的最優(yōu)正交變換，它具有很多優(yōu)良的特性:KL變換后產生的新的分量都是正交的或不相關的。(4)選取距離函數進行識別。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)計學中分析數據的一種有效方法。直方圖的概念:一幅圖像在范圍[0,G]內總共有L個灰度級，則其直方圖定義為離散函數: ，其中，是區(qū)間[[0,G]內的第k級亮度，n是灰度級為y的圖像中的像素數。這樣通過縮放處理，就固定了人眼坐標，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準。 其他的還有AR人臉庫，CVL人臉數據庫，CMU RIE人臉數據庫，XM2VTSDB人臉數據庫，CASPEAL人臉庫等等，本論文的人臉識別實驗主要是基于ORL人臉庫。這些圖像是在不同時間、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、眼睛或睜或閉、戴或不戴眼鏡。主要的預處理工作包括:圖像的幾何歸一化，圖像的灰度歸一化，直方圖均衡化幾個部分。除此之外，人臉識別還有低質量照片問題，大規(guī)模人臉識別問題，海量數據的學習問題等等。這些因素所導致的直接結果就是人臉區(qū)域部分的數據不完整，進而影響后續(xù)處理的效果，甚至直接導致處于人臉識別系統(tǒng)第一階段的人臉檢測失效。光照:光照的方向及強度變化會嚴重影響人臉圖像的灰度分布，因而影響大多數基于圖像灰度統(tǒng)計特性的識別方法的效果。這些應用在圖像的質量、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。人員頻繁出入時，保安人員再三檢查證件是比較麻煩的，而且安全系數也不高。任何一種技術的發(fā)展都是由于受到了實際應用需要的激勵，人臉識別技術也不例外，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。在這個低維子空間中，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。隱馬爾可夫模型為一個觀測序列提供了一個統(tǒng)計模型n引，該模型由兩個互相關聯(lián)的過程組成：(1)一個是底層不可觀測的馬爾可夫鏈，它由有限個狀態(tài)、一個概率轉移矩陣和一個初始狀態(tài)概率分布函數組成。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。此外，BP算法以誤差梯度下降的方式達到極小值，但在實際應用中，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問題。如果隱層神經元采用線性作用函數，則多層感知機張成的降維子空間將與主元分析法張成的子空間一樣。人工神經網絡具有自組織性、高維性、模糊性、分布性和冗余性等等特點，較馮諾依曼體系的計算機更適合模擬人類大腦的思維機理。另一種改進是考慮到局部人臉圖像受到外在干擾相對較小的情況，除了計算特征臉之外，還利用KL變換計算出特征眼、特征嘴等。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。 KL變換是數字圖像壓縮領域里的一種最優(yōu)變換，它使從低維空間恢復的人臉圖像和原圖像的均方誤差最小。通過KL變換，可以把圖像在高維空間表示轉換到低維空間表示，而由低維空間恢復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作為人臉圖像的描述特征。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在某些細微的感覺意義上。在基于幾何特征的人臉識別方法中，可以用一個矢量來表示提取出來的幾何參數。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，該方向已經不是人臉識別技術發(fā)展的主流方向。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、神經網絡方法及隱馬爾可夫模型方法等等。整個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。灰度歸一化則就是對人臉圖像進行光照補償，消除光照對圖像的影響，進而提高識別率。其中訓練一般是離線運算的，而識別是在線操作的。(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據庫中的己知人臉比較，得出相關信息。雖然目前國內外己經有許多實用系統(tǒng)問世，但是只有在非常苛刻的成像條件下，才能得到比較令人滿意的識別效果。這些己有的以及潛在的應用領域將推動人臉識別技術不斷發(fā)展。社會上具有各種大型的人臉數據庫，如公安部門的身份證照片數據庫，學校里的學生學籍數據庫等等。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。人們幾乎時時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或者制權，同時防止這些權限被他人隨意的取得。但在這種人臉識別技術中，二維的人臉圖像矩陣必須先轉化為一維的圖像向量，才能進行PCA分析，而在這種轉化后，造成圖像向量的維數一般較高，使整個特征抽取過程所耗費的計算量相當可觀。首先描述了人臉識別技術的研究內容、方法、應用前景，對人臉自動檢測與識別技術進行了綜述。其次，本文重點描述了人臉識別的經典方法，PCA方法。主成分分析Research on Face Recognition Based on Principal Component AnalysisAbstract Biometrics is a kind of science and technology using individual physiological or behavioral characteristics to verify identity. It provides a highly reliable and ro