【正文】 計(jì): (514)因此，函數(shù)（510）又可表示為： (515)其中是一個(gè)歸一化的列向量，這個(gè)標(biāo)準(zhǔn)被稱為廣義的總散射度標(biāo)準(zhǔn)。在2004年Tang等人有效的改進(jìn)了PCA算法，首先提出了基于圖像的二維主成分分析(2DPCA)方法。Bartlett和Draper等建議使用人臉表示的ICA方法并且發(fā)現(xiàn)，這是優(yōu)于主余弦的相似性度量（然而，如果采用歐氏距離他們的表現(xiàn)沒有顯著差異）。主成分分析（PCA），又稱KarhunenLoeve展開，是一個(gè)經(jīng)典的特征提取和數(shù)據(jù)表示技術(shù)，廣泛應(yīng)用于模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域。 （56）其中 （57）(5)平方距離(Chi Squaer Distance)，該分類器如式(58)所示。研究中常用的是距離分類器，它是最簡(jiǎn)單、計(jì)算速度也最快的分類方式[25] ：燕山大學(xué)，2012:1327.。(SVM)方法在基于統(tǒng)計(jì)模型方法的基礎(chǔ)上，人們提出了支持向量機(jī)(Support Vector Machine，SVM)的方法，該方法是統(tǒng)計(jì)學(xué)理論中最新的概念，在1992年到1995年才基本完成其主要內(nèi)容，所以它仍然在不斷地發(fā)展著。如果彈性圖匹配法是基于小波變換的，則對(duì)光照的變化以及人臉在適當(dāng)范圍內(nèi)的旋轉(zhuǎn)等都具有很好的容忍度，但是和特征臉識(shí)別的方法對(duì)比，速度明顯的慢一些。該方法也有不足之處，就是受視角變化、表情變化和光照強(qiáng)度變化等的嚴(yán)重影響，有較差的魯棒性。還可以通過曲率進(jìn)行識(shí)別，該方法是現(xiàn)用人臉的輪廓線的曲率線來建立一個(gè)標(biāo)準(zhǔn)分類庫(kù)，在識(shí)別人臉時(shí)，可以計(jì)算出待測(cè)人臉的輪廓線的曲率線，然后利用函數(shù)與分類庫(kù)中的數(shù)據(jù)相比較，對(duì)人臉進(jìn)行分類。在人臉識(shí)別的方法中，基于統(tǒng)計(jì)的方法是比較常見而且是經(jīng)典的。第5章 圖像的特征提取與識(shí)別 引言在模式識(shí)別中，被識(shí)別對(duì)象的一些基本特征可以被計(jì)算出來（需先將識(shí)別對(duì)象處理為波形或數(shù)字圖像），甚至可以用傳感器或儀表測(cè)量出這些特征（識(shí)別對(duì)象是某種過程或者實(shí)物時(shí)），通過這樣得到的特征被稱為原始特征?；叶燃?jí)的像素經(jīng)過直方圖變換后的灰度級(jí)為： （46）在對(duì)人臉圖像進(jìn)行了灰度歸一化后,我們得到下面的圖。 （1）原始圖像 （2）原始圖像對(duì)應(yīng)的直方圖圖43：圖像直方圖示意圖8位灰度圖像總共有256個(gè)灰度等級(jí)，然而數(shù)字化后的原始圖像的真實(shí)范圍一般都沒有占滿0到255之間的全部灰度級(jí)，僅僅是集中在某幾個(gè)區(qū)域段內(nèi)，例如圖像偏亮、偏暗、對(duì)比度不足或亮度范圍不足等。雖然最鄰近插值法簡(jiǎn)單，但是有很大的失真。經(jīng)過裁剪，在的圖象內(nèi)，可以保證o點(diǎn)固定于處。圖像的幾何歸一化是指在人臉圖像中，人臉的關(guān)鍵部位在圖像中的位置是否都是一致的。從生活中獲取的圖像都是彩色的。該人臉庫(kù)的最大特點(diǎn)就是光照變化很明顯，而且人臉部分被遮掩。非美研究機(jī)構(gòu)在獲取該數(shù)據(jù)庫(kù)是很不方便的，這也是該數(shù)據(jù)庫(kù)的最大缺點(diǎn)。本節(jié)的預(yù)處理工作是在原始0RL人臉庫(kù)上進(jìn)行的。為了提高圖像檢測(cè)的效率，最開始的幾層分類器可以用相對(duì)簡(jiǎn)單的強(qiáng)分類器，這些強(qiáng)分類器通常僅有一兩個(gè)簡(jiǎn)單分類器所構(gòu)成，即只有一到兩個(gè)矩形特征。從公式（32）可以得出，一個(gè)弱分類器是由對(duì)應(yīng)的閾值和特征決定的，訓(xùn)練一個(gè)弱分類器，就是在當(dāng)前權(quán)重的分布情況下，找到最優(yōu)的閾值，使得該弱分類器對(duì)所有訓(xùn)練樣本的分類誤差最低。常用的Haar特征有三種，如圖31： 圖31：三種Haar特征每個(gè)特征是由2個(gè)或者3個(gè)矩形組成，它們分別用來檢測(cè)中心特征、邊界和細(xì)線，這些矩形內(nèi)的特征值可表示為： （31）式中：是矩陣所圍圖像的灰度積分，為組成的矩陣的個(gè)數(shù)，是矩陣的權(quán)。因?yàn)槿四槇D像是相當(dāng)復(fù)雜的，要想描述人臉的特征時(shí)非常困難，所以人們?cè)絹碓角嗖A基于統(tǒng)計(jì)的人臉檢測(cè)方法。但是該方法也具有缺點(diǎn)：它只描述了一些重要特征的相對(duì)位置之間的關(guān)系和形狀，而忽略了那些比較細(xì)微的局部特征，因此更適合用來進(jìn)行粗分類。該算法的檢測(cè)精度并不高，但是關(guān)于算法帶來的問題將在后續(xù)過程中得到很好的解決，消除了算法帶來的影響。如果不需要這么多l(xiāng)ib，可以只添加需要的lib。它還提供了如MATLAB、Ruby、C++ Builder、VC、Python 等語言的接口，因此OpenCV通過大量的通用的算法實(shí)現(xiàn)了計(jì)算機(jī)視覺處理和圖像處理方面完美的結(jié)合在一起。人臉特征提取，也稱人臉表征，它是對(duì)人臉進(jìn)行特征建模的過程。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結(jié)構(gòu)特征及Haar特征等。人們?cè)絹碓绞艿街匾暫驼J(rèn)可這種技術(shù)。介紹各種人臉檢測(cè)的方法，研究并實(shí)現(xiàn)了AdaBoost人臉檢測(cè)算法，包括Haar特征，積分圖，Adaboost算法，用Adaboost算法進(jìn)行簡(jiǎn)單分類器和強(qiáng)分類器的訓(xùn)練，最后進(jìn)行級(jí)聯(lián)強(qiáng)分類器的設(shè)計(jì)。所以，在對(duì)人臉圖像進(jìn)行特征點(diǎn)提取和分類之前都要作預(yù)處理操作。而目前人們?cè)谠擃I(lǐng)域的主要研究課題，仍然是在某種應(yīng)用背景下或者解決特定環(huán)境下的人臉識(shí)別的問題[6] 肖冰，2005，8，15．[7] 劉艷麗，2005，3l(3)，1012．。目前的這些圖像信息可以被計(jì)算機(jī)技術(shù)有效的表征出來，人們常用的表征方式有：曲率、角度、歐氏距離、特征臉、固定特征模板等?；诟改溉四樀男『⒛樀耐茖?dǎo)生成信用卡、護(hù)照、個(gè)人身份和駕駛執(zhí)照的識(shí)別人臉識(shí)別涉及了多個(gè)領(lǐng)域的相關(guān)知識(shí)，包括圖像處理、模式識(shí)別、心理學(xué)、認(rèn)知學(xué)、生理學(xué)等。Adaboost算法首先需要?jiǎng)?chuàng)建人臉圖像的訓(xùn)練樣本，再通過對(duì)樣本的訓(xùn)練，得到的級(jí)聯(lián)分類器就可以對(duì)人臉進(jìn)行檢測(cè)。成都理工大學(xué)2014屆學(xué)士學(xué)位論文（設(shè)計(jì)）基于2DPCA的人臉識(shí)別算法研究摘 要人臉識(shí)別技術(shù)是對(duì)圖像和視頻中的人臉進(jìn)行檢測(cè)和定位的一門模式識(shí)別技術(shù)，包含位置、大小、個(gè)數(shù)和形態(tài)等人臉圖像的所有信息。3) 介紹了目前主流的一些人臉檢測(cè)算法，本文采用并詳細(xì)敘述了Adaboost人臉檢測(cè)算法。但是對(duì)于計(jì)算機(jī)而言，要想對(duì)人臉進(jìn)行檢測(cè)并識(shí)別出具體的目標(biāo)卻具有非常大的難度。嫌疑犯照片的識(shí)別匹配基于殘留人臉的人臉重構(gòu)（2） 圖像的信息表示：即是人們需要用怎樣的方式在計(jì)算機(jī)系統(tǒng)內(nèi)能有效的表示人臉的各種不同信息。然而，因?yàn)槿四樧R(shí)別技術(shù)是相當(dāng)復(fù)雜的，要想建立一個(gè)能完全實(shí)現(xiàn)全自動(dòng)的人臉識(shí)別系統(tǒng)是相當(dāng)困難的，這包括了計(jì)算機(jī)視覺、人工智能、計(jì)算機(jī)網(wǎng)絡(luò)、數(shù)字圖像處理和通訊等多個(gè)學(xué)科領(lǐng)域的知識(shí)。在目前的人臉識(shí)別研究中，很多識(shí)別方法都需要對(duì)光照有一定的依賴，偏光、過暗或過亮現(xiàn)象都可能影響識(shí)別率。第三章深入分析和研究了圖像的檢測(cè)定位技術(shù)。人臉識(shí)別技術(shù)是一種可以用來進(jìn)行身份識(shí)別的計(jì)算機(jī)技術(shù)。 檢測(cè)定位人臉檢測(cè)在實(shí)際中主要用于人臉識(shí)別的預(yù)處理，即在圖像中準(zhǔn)確標(biāo)定出人臉的位置和大小。人臉特征提取就是針對(duì)人臉的某些特征進(jìn)行的。OpenCV使用C/C++語言編寫，可以運(yùn)行在多個(gè)操作系統(tǒng)上，包括Mac、Windows、Linux等。菜單：Project（工程）Settings（設(shè)置），然后將Setting for（設(shè)置）選為All Configurations（所有配置），然后選擇右邊的link（連接）標(biāo)簽，在Object/library modules（對(duì)象/庫(kù)模塊）附加上 。本章首先簡(jiǎn)單介紹了人臉檢測(cè)的相關(guān)方法，然后詳細(xì)介紹了本文使用的算法Adaboost人臉檢測(cè)算法?；趲缀翁卣鞯娜四槞z測(cè)的方法的優(yōu)點(diǎn)如下：1）與人臉的機(jī)理相符合，比較容易理解；2）僅需存儲(chǔ)一些特征矢量，它的存儲(chǔ)量非常??； 3）對(duì)光照的變化不是很敏感。這種方法從整個(gè)目標(biāo)人臉出發(fā)，充分運(yùn)用統(tǒng)計(jì)學(xué)的方法，利用大量的人臉圖像來提取人臉共有的一些規(guī)律，就可以運(yùn)用這些規(guī)律檢測(cè)人臉了。 Haar特征Haar特征就是白色矩形和黑色矩形在圖像子窗口中對(duì)應(yīng)區(qū)域的灰度級(jí)總和之差，它反映了圖像局部的灰度化。下面是第個(gè)特征點(diǎn)的簡(jiǎn)單分類器的表達(dá)式： （32）其中是簡(jiǎn)單分類器的值；是閥值；是不等號(hào)的方向，規(guī)定只能取；為特征值。如下圖所示： 圖32：級(jí)聯(lián)分類器結(jié)構(gòu)圖 (1)待測(cè)圖像 (2)檢測(cè)結(jié)果 圖33：人臉檢測(cè)示意圖 級(jí)聯(lián)分類器能在減少檢測(cè)時(shí)間的同時(shí)又能提高人臉的檢測(cè)率。因此為了確保所提取的特征臉在圖像里的位置、偏斜和大小不變，以及對(duì)光照的不敏感，必須在提取特征之前對(duì)圖像作預(yù)處理工作[12] ：西北大學(xué)，2006:1216.。FERET人臉數(shù)據(jù)庫(kù)中的圖像數(shù)目仍在不斷地增加，但是到目前為止，該人臉庫(kù)仍未添加語音信息也未提供運(yùn)動(dòng)圖像的系列。 Yale耶魯人臉庫(kù)[15] ftp://Yele人臉數(shù)據(jù)庫(kù)中含有15個(gè)人，每個(gè)人具有11張人臉圖像，總共165張圖片，這些圖像的差異就在于人臉表情的不斷變化，光照條件是否一致，是否佩戴眼鏡等。彩色都是由三種最基本的顏色通過一定的比例形成的，即RGB(Red、Green、Blue)。后文的計(jì)算都是針對(duì)變量展開的。設(shè)o點(diǎn)是的中點(diǎn)，并且。灰度插值常用的方法有雙線性插值法、三次插值發(fā)和最鄰近插值法?？梢詮闹狈綀D中看到圖像的對(duì)比度和總的亮度之間的情況，以及圖像的像素值的動(dòng)態(tài)范圍等信息[12]，如下圖43?？傻玫街狈綀D變換函數(shù)： （45）則由上式可知：，并且在區(qū)間內(nèi)單調(diào)遞增。然后，就可以進(jìn)行圖像的特征提取和人臉識(shí)別工作了。每一幅人臉圖像都可以當(dāng)做一個(gè)像素構(gòu)成的矩陣，假如把它擴(kuò)展開來，也可以視為一個(gè)矢量，例如一張像素大小的圖像可以視為長(zhǎng)度是的矢量，因此圖像就可以被認(rèn)為是一幅在維空間中的圖像，可以將這種圖像的矢量矩陣當(dāng)作原始的圖像空間，然而該空間僅能表達(dá)或檢測(cè)圖像的諸多空間里的一個(gè)。Yuille則用全局人臉模板來抽取嘴和眼睛。全部子空間的正交基即是特征臉。再通過彈性匹配法把待識(shí)別人臉和庫(kù)中的人臉的彈性圖進(jìn)行匹配，從中找到與待識(shí)別人臉匹配程度最好的一張人臉圖像。由于要求訓(xùn)練樣本要有比較充分的訓(xùn)練，基于人工神經(jīng)網(wǎng)絡(luò)方法的人臉識(shí)別才能達(dá)到比較好的識(shí)別率，否則在尺度變化、小的變形以及光照變化等情況下都達(dá)不到好的識(shí)別效果。設(shè)計(jì)分類器的原則就是不同類的的模式被區(qū)分在特征空間的不同區(qū)域，如果這些區(qū)域重疊的部分越小，則類別的可分性越好，完全沒重疊是最好的。 （55）（4）基于相關(guān)系數(shù)的距離(Correlationeo Efficient Based Distnaee)，該分類器如式(56)所示。特征臉方法是人臉識(shí)別算法中的經(jīng)典算法之一，這種方法的核心算法是主成分分析（Principal Component Analysis，PCA）降維的方法。兩個(gè)主成分分析相關(guān)的方法，獨(dú)立分量分析（ICA）和核主成分分析（PCA的內(nèi)核）被廣泛關(guān)注。若想要提高人臉識(shí)別系統(tǒng)的整體的識(shí)別速度，就應(yīng)相應(yīng)的改進(jìn)PCA算法，降低計(jì)算的復(fù)雜度，提高系統(tǒng)的識(shí)別速度。函數(shù)（510）的意義是在所有樣本中找到能產(chǎn)生最大散射度的投影方向。獲得的主成分向量被用來構(gòu)成一個(gè)的矩陣,這被稱為樣本圖像的特征矩陣或特征圖像。令，,則： (519)由于兩兩相交，從圖像A容易得到重構(gòu)圖像為： （520）令 ，這是一個(gè)和相同的大小圖像，代表的重建子圖。我們選擇10個(gè)最大的特征值對(duì)應(yīng)的特征向量；作為投影軸。圖（53）顯示特征值的幅度迅速收斂到零，這與圖（52）的結(jié)果是完全一致的。圖54：基于2DPCA(上)和PCA（下）的圖像重建在樣本大小多種多樣的條件下，設(shè)計(jì)了一系列的實(shí)驗(yàn)來比較2DPCA和PCA的性能。表（52）表明，通過2DPCA的特征提取需要的時(shí)間比PCA少得多。注意，頂部的識(shí)別精度組件數(shù)量的最佳選擇取決于測(cè)試數(shù)據(jù)，并且事先不知道一個(gè)真正的數(shù)據(jù)。介紹各種人臉檢測(cè)的方法，研究并實(shí)現(xiàn)了AdaBoost人臉檢測(cè)算法，包括Haar特征，積分圖，Adaboost算法，用Adaboost算法進(jìn)行簡(jiǎn)單分類器和強(qiáng)分類器的訓(xùn)練，最后進(jìn)行級(jí)聯(lián)強(qiáng)分類器的設(shè)計(jì)。 致謝在本次論文設(shè)計(jì)過程中，首先要感謝我的學(xué)校，給了我一次學(xué)習(xí)的機(jī)會(huì)。參考文獻(xiàn)：第 36 頁