【正文】 示一個人的多個版本，如不。這樣的經(jīng)過改進后的 HMM 模型我們稱之為嵌入式隱馬爾可夫模型（EHMM） 。用Viterbi分割取代平均分割，重新進行參數(shù)的初始估計。 圖3－12 將2DDCT用兩個一維DCT實現(xiàn)的流程 HMM 建模訓練和人臉識別工作流程為了要識別人臉，必須先訓練出一批人臉的隱馬爾可夫模型。2. 二維離散余弦變換(2DDCT)原理 [21]考慮到兩個變量，很容易一維DCT的定義推廣到二維DCT，其正變換核為： （6）2(21)(21)(,)()coscosxuyvgxyuvCuvMNMN????其中，C(u) 和C（v）的定義同式2，x，u＝0，1，2，…，M1；y，v＝0，1，2，…，N1。由于大多數(shù)圖像的高頻分量較小，相應于圖像高頻分量的系數(shù)經(jīng)常為零，加上人眼對高頻成分的失真不太敏感，所以可以選擇更粗的量化，使得傳送變換系數(shù)的數(shù)碼率要大大小于傳送圖像像素所用的數(shù)碼率。我們采取的方法是把采樣的圖像塊做DCT變換，取其變換后的系數(shù)作為觀察值。 觀察值序列根據(jù)隱馬爾可夫模型的定義以及建立模型的需要(Baum—Welch算法)，應該從人臉圖像中提取出圖像觀察值序列。 人臉圖像 HMM 模型狀態(tài)的確定對于一幅人臉的圖像，我們首先要確定隱馬爾可夫模型與它的關(guān)系，尋找為人臉圖像建立數(shù)學模型的依據(jù)。 西南交通大學本科畢業(yè)設(shè)計(論文) 第 25 頁我們定義 為時刻t時沿著一條路徑 ， ，… ，且 ＝ ，產(chǎn)生出 ，()i?1q2ttqi?1O，…， 的最大概率，那么求最佳狀態(tài)序列 的過程是：2Ot *O初始化： 11()(),ibiN???1()0,i??iN?遞歸： max[](,2t tijiiNjbtTj???? 11()rg),t tiji a?終結(jié)： a[()]TiNP???1rgmx[()]TTiNqi????S序列： 1,2,.Tttq???算法流程圖如圖3－8所示。定義后向變量: 12(),.。定義前向變量： 12(),.,|)i tiPOq?????1tT?初始化： 1ib?T?遞歸： 1 11()[()])Ntiijtj????1,tjN?終結(jié)： ＝(|)PO?1()Ti?? 西南交通大學本科畢業(yè)設(shè)計(論文) 第 22 頁以下是前向法示意圖。(,)AB???(|)P?這是隱馬爾可夫模型最最重要的三個問題，這三個問題的解決方法是隱馬爾可夫模型應用到實際中去的基礎(chǔ)。根據(jù)狀態(tài)轉(zhuǎn)移的類型，HMM可分為遍歷的(ergodic)和從左到右的(1eft．right)。tQt?1,.MV(3) ：初始概率矢量 =( 1，… n)，其中 i＝P(q1= 1)，1≤i≤N。HMM的理論早在60年代末70年代初就已經(jīng)提出并加以研究，目前已經(jīng)成功的應用于連續(xù)語音識別、手勢識別及字符識別等領(lǐng)域。觀察到的事件與狀態(tài)并不是一一對應，而是通過一組概率分布相聯(lián)系，在遇到時間有關(guān)的問題中，比如在T時刻發(fā)生的時間要受到T1時刻的直接(a) A 矩陣沒有零值的（全連接）Markov 鏈(b) A 矩陣有零值的 Markov 鏈(c) 、(d) 左－右形式的Markov 鏈 西南交通大學本科畢業(yè)設(shè)計(論文) 第 18 頁影響。 西南交通大學本科畢業(yè)設(shè)計(論文) 第 17 頁第 3 章 基于隱馬爾可夫模型 HMM 的人臉識別對于已經(jīng)測得的人臉圖像，將之與數(shù)據(jù)庫中的已經(jīng)測得的人臉進行比較，得出識別的結(jié)果，這部分由人臉識別算法來完成?？勺冃文０蹇梢哉f是幾何特征方法的改進，其基本思想是：根據(jù)臉部特征的形 西南交通大學本科畢業(yè)設(shè)計(論文) 第 16 頁狀特點構(gòu)造一個帶可變參數(shù)的幾何模型，并且設(shè)定一個相應的評價函數(shù)以度量被檢測區(qū)域與模型的匹配程度。1. 通用模板匹配人臉標準模板由人工來定義，對于輸入圖像，分別計算標準模板中的臉部輪廓，眼睛，鼻子等的相關(guān)值，由相關(guān)程度決定人臉的存在。SRM使VC（Vapnik Cherovnenkis）維數(shù)的上限最小化，這使得SVM方法比基于經(jīng)驗風險最小化（Empirical Risk Minimization Principle， ERM）的人工神經(jīng)網(wǎng)方法具有更好的泛化能力。另一種概率模型是用于描述信號統(tǒng)計特性的隱馬爾可夫模型(Hidden markov model，HMM)，目前也被應用于人臉檢測與識別。Yang 等在混合線性子空間(Mixtures of Linear Subspaces)中對“人臉”和“非人臉”樣本的分布進行建模，分別使用基于 EM 算法的擴展 FA 方法和基于自組織映射(SelfOrganizing Map，SOM)的 FLD 方法構(gòu)造檢測器。Sung 等提出了基于事例學習的方法，同時使用了 1919 象素分辨率的“人臉”和“非人臉”樣本。但是，由于人臉屬于高維矢量，導致網(wǎng)絡中訓練節(jié)點眾多，算法往往需要大量的訓練樣本，因此，神經(jīng)網(wǎng)絡方法的研究著重于系統(tǒng)的優(yōu)化訓練。為了提高正確率，系統(tǒng)還同時對幾個網(wǎng)絡分別處理出來的結(jié)果進行綜合調(diào)整。1. 神經(jīng)網(wǎng)絡方法 [13]神經(jīng)網(wǎng)絡具有很好的記憶功能，訓練樣本比較全面時候，神經(jīng)網(wǎng)絡可以處理比較復雜的人臉檢測問題，因此許多的人臉檢測算法采用神經(jīng)網(wǎng)絡方法來做。Brunelli等人用垂直方向邊緣圖像的積分投影檢測臉的兩側(cè)和鼻子，水平方向邊緣積分投影用于定位眼睛、嘴巴和鼻子。這種分割是在變換后的色彩坐標系如HSV和YIQ中進行的。 人臉檢測方法分類人臉檢測的最終的目的在于判斷一幅給定的圖像中是否含有人臉，如果有，則確定其位置和空間分布。所謂鑲嵌圖就是將圖象劃分為一組大小相同的方格，每個方格的灰度為格中各個象素的平均值。此外也有同時考慮“膚色”與“非膚色”象素分布的基于貝葉斯方法的模型。使用何種形式的膚色模型與色度空間（Chrominance Space）的選擇密切相關(guān)。前者適用與構(gòu)造快速的人臉檢測和人臉跟蹤算法，后者利用了人臉區(qū)別于其它物體的更為本質(zhì)的特征，是人臉檢測領(lǐng)域研究的重點。 西南交通大學本科畢業(yè)設(shè)計(論文) 第 6 頁第 2 章 人臉檢測技術(shù)研究人臉檢測問題最初來源于人臉識別，人臉檢測主要指在輸入圖像中確定所有人臉的位置、大小、位姿的過程。神經(jīng)網(wǎng)絡有許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)連接。計算機視覺視覺是人類獲取信息的主要來源，也是適應復雜、變化環(huán)境的感知基礎(chǔ)。模式識別模式識別 [1]，就是通過計算機用數(shù)學技術(shù)方法來研究模式的自動處理和判讀。人臉檢測：人臉檢測的目的很明顯，就是為了測試在畫面中有沒有人臉，人臉定位是將人臉從背景中分割出來，并讓系統(tǒng)明白人臉或者人臉上的某些器官在圖像上的位置?？偟膩碚f，這一階段工作主要依賴于人的操作，還不能完成自動的人臉識別工作。它的困難性是顯然的，因為一張照片的信息量比多張照片的信息量要少多了，人臉豐富的三維通過單張照片是不可能全部反映出來的 [17]。 西南交通大學本科畢業(yè)設(shè)計(論文) 第 2 頁 國內(nèi)外研究現(xiàn)狀與人臉識別的發(fā)展階段人臉識別是一個算是古老卻又年輕的課題，言其古老是因為早在上個世紀，法國Galton就已經(jīng)開始了這方面的研究，直到七十年代中期以前，典型的模式識別的分類技術(shù)始終還是用人臉正面或者側(cè)面特點的距離來度量，而且重點使用的是從側(cè)面人臉圖像上提取的幾何特征。作為人類幾個外在鑒別特征之一，人臉識別自動鑒別和人類自動分辨有著重要的意義。人臉識別將計算機視覺和模式識別結(jié)合在一起，廣泛地運用在機器人等學科中?？傊層嬎銠C象人一樣方便準確地識別大量的人臉尚需不同學科研究領(lǐng)域的科學家共同做出不懈的努力。但是，在將理論向?qū)嵱没D(zhuǎn)化的過程中，人們認識到只用單樣本進行識別的重要性和困難性，言其重要性是因為FRT的一個重要應用是證件核實，在很多應用場合往往只有一張照片可以利用。Bertillon 的系統(tǒng)用一條簡單語句與數(shù)據(jù)庫中的人臉相關(guān)聯(lián)，Allen為待識別人臉設(shè)計了有效、逼真的描寫，Parke用計算機實現(xiàn)了 Allen的方法，生成了較高質(zhì)量的人臉灰度圖模型。所以在人臉識別的研究中，主要是包括了人臉檢測、特征提取和人臉識別三部分內(nèi)容。這些內(nèi)容滲透在 FRT 的諸多環(huán)節(jié)中。本文以下的內(nèi)容是通 西南交通大學本科畢業(yè)設(shè)計(論文) 第 5 頁過 HMM 這樣的方式進行的人臉識別建模。人工神經(jīng)元網(wǎng)絡也許永遠無法代替人腦，但它能幫助人類擴展對外部世界的認識和智能控制?；谌四樧R別的內(nèi)容分類，在下一章中，將會進一步深入的研究人臉檢測，結(jié)合特征提取，對人臉檢測進行歸納和分析。一般的，根據(jù)利用特征的色彩屬性可以將人臉檢測方法分為基于膚色特征的方法和基于灰度特征的方法兩類。膚色特征主要由膚色模型描述。 除上述三種膚色模型外，還有直接利用幾何參數(shù)描述膚色區(qū)域分布范圍的模型、三維投影模型、基于神經(jīng)網(wǎng)的膚色模型等。Yang 等首先提出了人臉的鑲嵌圖（Mosaic Image，又稱為馬賽克圖）特征。被廣泛地用于基于統(tǒng)計學習的人臉檢測方法中。Akamatsu等人用彩色圖像的色彩信息定位眼睛和嘴巴。Stringa利用眼睛部位水平邊緣線豐富的特點定位出眼睛在垂直方向上的大致位置。實際上，人臉檢測問題被轉(zhuǎn)化為統(tǒng)計模式識別的二分類問題。該算法在訓練過程中自動生成“非人臉樣本” ，其方法是輸入不含人臉的場景圖像，將被誤判為人臉的子圖像作為“非人臉”樣本。 神經(jīng)網(wǎng)絡方法能夠適應較為復雜的人臉檢測，準確性也比較高，所以使用神經(jīng)網(wǎng)絡進行人臉檢測的算法比較多。對于人臉檢測問題，由于沒有考慮“非人臉”樣本的分布，需要同時使用DIFS和DFFS才能取得較好的效果。 屬于特征空間方法的還有因子分解方法（Factor Analysis， FA）和 Fisher 準則方法(Fisher Linear Discriminant，F(xiàn)LD)。 屬于這一類的還有Weber等提出的視點不變性學習的方法等。4. 基于支持向量機的方法支持向量機（Support Vector Machines，SVM）是 Vapnik等提出的基于結(jié)構(gòu)風險最小化原理（Structural Risk Minimization Principle， SRM）的統(tǒng)計學習理論，用于分類與回歸問題。檢測時，將模板在被檢測的區(qū)域內(nèi)分別在行和列方向上移動，計算出相關(guān)值最大的區(qū)域就是人臉區(qū)域。在不同尺度上，用類似的方法可以定位眼睛、眼眉、嘴唇等的特征。 小結(jié)這一章主要介紹了人臉檢測的相關(guān)技術(shù)，首先對人臉檢測問題進行了分類，然后分別介紹了膚色特征提取和灰度特征提取，之后介紹了人臉檢測的各種方法，把人臉檢測進行分類，分成基于知識、基于統(tǒng)計模型、基于模板這三種人臉檢測方法進行分析。 圖3－1 幾種典型的Markov鏈隱馬爾可夫模型（HMM）的狀態(tài)是不確定或不可見的，只有通過觀測序列的隨機過程才能表現(xiàn)出來。這就是HIDDEN的原因。記M個觀察值為 ，記t時刻觀1,.MV察到的觀察值數(shù)目為 ，其中 ( )。HMM與馬爾可夫鏈的區(qū)別在于，得到的隨機變量序列不是狀態(tài)序列，需要進行其他的變化和映射，才能得到狀態(tài)序列。???（3） 給定一個觀察值序列 ，確定一個隱馬爾可夫模型(,)O，使 最大。在實際的應用中，由于求出的值一般很小，約等于零，通常在計算過程中采用歸一化和對數(shù)求解。 jSNS2S1?1ia2iia時刻 t()ti?時刻 t+11()tj?? 圖3－5 由 推導1()tj?()ti 西南交通大學本科畢業(yè)設(shè)計(論文) 第 23 頁與前向法類似，后向法如下。?Viterbi算法的目的是給定觀察序列O以及模型λ，如何選擇一個對應的狀態(tài)序列S ，使得S能夠最為合理的解釋觀察序列O，N和T分別為狀態(tài)個數(shù)和序列長度。人臉訓練和識別的過程，和隱馬爾可夫模型的經(jīng)典試驗(Urn and Bal1)有相當?shù)念愃疲煌闹皇怯^察序列的求法。在人臉識別的應用中，ija假定狀態(tài)只能轉(zhuǎn)移到本身或者是下一個狀態(tài)(垂直方向上)，這樣可以減小系統(tǒng)的復雜性。但是這么做有兩個很大的缺點：首先是像素值不表示穩(wěn)健的特征，對圖像的噪聲、光照變化以及圖像旋轉(zhuǎn)等非常的敏感；其次，大尺寸的觀察向量導 西南交通大學本科畢業(yè)設(shè)計(論文) 第 30 頁致了計算復雜度增加，因而增加了對系統(tǒng)進行訓練和識別的時間。它主要是先將整體圖像分成N*N像素塊，然后對N*N像素塊逐一進行DCT變換。2. 正變換的核與逆變換的核相同。其算法流程與DFT類似，如下圖3－12所示。1,ikbiNkM?? (,)AB???（4） 最后采樣前向－后向算法或者Viterbi算法計算出觀察向量O在這個模型下的 。運用到實際系統(tǒng)的時候往往會出現(xiàn)識別率低的情況，為了更細致地對人臉建模，在水平方向上也用多個狀態(tài)來描