【正文】 圖 (第一個(gè)為平均臉，其余為特征臉 ) 經(jīng)典 PCA人臉識(shí)別方法的實(shí)現(xiàn)過(guò)程 完整的 PCA 人臉識(shí)別算法包括以下兩個(gè)過(guò)程 : 一、訓(xùn)練過(guò)程，步驟如下 : (1)獲取人臉庫(kù)中的人臉圖像，并進(jìn)行相關(guān)的預(yù)處理，建立訓(xùn)練集； (2)對(duì)訓(xùn)練集中的圖像進(jìn)行主成份分析，得到特征臉，形成特征子空間； (3)把訓(xùn)練集中的圖像投影到特征子空間，保存相應(yīng)的特征向量。 F的值通常取 。以部分新的分量表示原矢量的均方誤差最小 。其基本思想是提取出高維數(shù)據(jù)空間中的主元，即主要特征，把數(shù)據(jù)放在一個(gè)低維的特征空間里進(jìn)行處理，同時(shí)保持原始數(shù)據(jù)的絕大部分信息，從而對(duì)高維數(shù)據(jù)空間進(jìn)行降維，解決了維數(shù)過(guò)高的問(wèn)題。 縮放圖像的方法主要有兩種 :一是直接用灰度插值的方法來(lái)縮小原圖像，二是用小波變換進(jìn)行圖像的分解。人臉姿態(tài)也有相當(dāng)程度的變化，深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá) 200，人臉的尺度也有多達(dá) 10%的變化。 人臉識(shí)別的發(fā)展方向 由于人臉識(shí)別領(lǐng)域仍存在上述很多問(wèn)題未徹底解決，因此未來(lái)人臉識(shí)別必然圍繞著現(xiàn)有難點(diǎn)的解決而繼續(xù)發(fā)展。即使是目前最好的人臉識(shí)別系統(tǒng)在室外光照條件下，其識(shí)別性 能也會(huì)急劇下降。在保密要求非常嚴(yán)格的部門除了證件，還可以加上另外一些 生物識(shí)別手段，如指紋識(shí)別、手掌識(shí)別、語(yǔ)音識(shí)別等。與 Eigenface 方法不同的是， Fisherface 采用的投影方 14 向幾乎與類內(nèi)散布方向垂直，而 Eigenface 方法采用的投影方向是使所有類散布最大化。 在彈性圖匹配方法中，將人臉圖像庫(kù)中的圖像和待識(shí)別圖像都用特征矢量圖表示。主元分析法的方差是由大到小排列的，而多層感知機(jī)的方差是均勻分布到每個(gè)隱層神經(jīng)元上。將局部特征向量加權(quán)進(jìn)行匹配得到一些好的效果。但 KL 變換只是從壓縮角度來(lái)看是最優(yōu)的，從分類角度來(lái)看卻不是最優(yōu)的。例如眼睛顯得比較小、鼻子顯得比較寬，以及皮膚的紋理、顏色上的差異等等?；谌四槇D像整體特征的人臉識(shí)別方法由于不需要精確提取人臉圖像中部件的具體信息 ，而且可以充分利用到人臉圖像本身具有的灰度信息，因此可獲得更好的識(shí)別性能。因?yàn)橹暗念A(yù)處理步驟與圖像處理的工作是相通的，而之后的識(shí)別步驟與一般的模式識(shí)別問(wèn)題是一致的。 5 圖 (1)人臉的檢測(cè)和定位，人臉檢測(cè)與人臉定位是相互聯(lián)系但又有所區(qū)別的兩個(gè)概念。因此，人臉識(shí)別研究仍然遠(yuǎn)遠(yuǎn)沒(méi)有到達(dá)完善的境地，還有非常大的發(fā)展空間。在各種身份證明材料中，一般也會(huì)含有標(biāo)準(zhǔn)的正面人臉照片； (5)具有方便、快捷、強(qiáng)大的事后追蹤能力。傳統(tǒng)的身份識(shí)別方法主要基于身份標(biāo)識(shí)物 (如證件、卡片 )和身份標(biāo)識(shí)知識(shí) (如用戶名、密碼 )來(lái)識(shí)別身份，這在很長(zhǎng)一段時(shí)期是非常可靠和方便的識(shí)別方法，得到了廣泛的應(yīng)用。并且詳細(xì)介紹了人臉識(shí)別很重要的一個(gè)步驟 — “人臉預(yù)處理”，文中提到的人 臉預(yù)處理方法都是從圖像處理的角度著手的，主要目的是使人臉圖像標(biāo)準(zhǔn)化，并在一定程度上消除光照的影響。人臉預(yù)處理 。在各種生物特征認(rèn)證技術(shù)中，人臉識(shí)別技術(shù)的市場(chǎng)份額僅次于指紋識(shí)別技術(shù)。整個(gè)生物識(shí)別技術(shù)市場(chǎng)的規(guī)模 2020年將達(dá)到 40 億美元左右，國(guó)內(nèi)市場(chǎng)有可能達(dá)到 40 億人民幣。 (4)表情分析 ((Facial Expression Analysis):即對(duì)待識(shí)別人臉的表情進(jìn)行分析，并對(duì)其分類 。在實(shí)際操作中，我們主要是通過(guò)各種變換來(lái)達(dá)到對(duì)圖像進(jìn)行降維的效果，如特征臉?lè)椒ㄖ?KL 變換就是特征提取，而主元選取就是特征選擇?；谡w的識(shí)別方法也各自有自己的缺陷，所以近年來(lái)的研究趨勢(shì)是將人臉的局部特征分析和整體識(shí)別結(jié)合起來(lái)。也就是說(shuō)對(duì)這些矢量要求具有較 高的模式分類能力，同時(shí)還要有一定的穩(wěn)健性，能夠消除由于時(shí)間變遷、光照變化等其他干擾因素所帶來(lái)的影響。通常情況下， KL 變換的變換矩陣由訓(xùn)練樣本類間散布矩陣的特征矢量生成。從壓縮能量的角度來(lái)看， KL 變換是最優(yōu)的，變換后的低維空間對(duì)于人臉有很好的表達(dá)能力，較好的判別能力。 很多臉部識(shí)別系統(tǒng)都采用了多層感知機(jī) (Multi． Layer Perceptor)作為人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。根據(jù)局部化空間頻率得到的一系列多分辨率秒數(shù)值可以用來(lái)表示圖中的節(jié)點(diǎn)數(shù)值。 在使用隱馬爾可夫模型的面部識(shí)別方法中，首 先將一個(gè)人臉圖像采集成一系列的條狀圖，將一幅二維圖像變成一個(gè)一維矢量序列，這個(gè)序列構(gòu)成了隱馬爾可夫模型的觀測(cè)矢量。 我們從一下幾個(gè)方面具體介紹人臉識(shí)別技術(shù)的應(yīng)用 : (1)在公安系統(tǒng)的罪犯識(shí)別方面，當(dāng)公安部門獲得案犯的照片后，可以利用人臉識(shí)別技術(shù)，在存儲(chǔ)罪犯照片的數(shù)據(jù)庫(kù)里找出最相像的嫌疑犯。但對(duì)計(jì)算機(jī)來(lái)說(shuō)，進(jìn)行人臉識(shí)別卻困難很多。盡管目前出現(xiàn)的一些商用的人 17 臉識(shí)別系統(tǒng)在理想情況下已經(jīng)能夠可以接受的識(shí)別性 能，但是整個(gè)人臉識(shí)別技術(shù)還遠(yuǎn)未成熟，還有大量的實(shí)際問(wèn)題需要得到解決。人臉數(shù)據(jù)庫(kù)的設(shè)計(jì)對(duì)系統(tǒng)的識(shí)別率有至關(guān)重要的影響，數(shù)據(jù)庫(kù)中不同光照、姿態(tài)和表情的變化甚至背景變化都會(huì)影響識(shí)別的結(jié)果，所以需要針對(duì)人臉識(shí)別問(wèn)題建立適應(yīng)不同需要的人臉數(shù)據(jù)庫(kù)。對(duì)于不經(jīng)過(guò)任何處理的原始圖象，人臉部位在圖像中的位置可能是有偏移的，本文中采用的 PCA 是基于整體的人臉識(shí)別方法，如果人臉部位在圖像中的位置有偏移，會(huì)影響人臉的正確識(shí)別。進(jìn)行直方圖均衡化，將輸入的原始圖像的直方圖分布變換成均勻分 布的形式，這樣就增大了像素值的范圍，使圖像的灰度分布盡可能覆蓋所有的灰度級(jí)，從而增強(qiáng)了圖像的對(duì)比效果，部分地消除了光照對(duì)灰度圖像的影響。 特征提取的概念 在模式識(shí)別中，被識(shí)別的對(duì)象會(huì)產(chǎn)生一組基本特征。事實(shí)上，根據(jù)實(shí)際要求，并非所有的特征值都要保留。 特征臉?lè)椒ǖ幕舅枷肴缦?: 我們把人臉圖像看作一個(gè)隨機(jī)向量，那么給定的任意一幅人臉圖像就是這個(gè)隨機(jī)向量的實(shí)現(xiàn)。 （ 2)通過(guò)訓(xùn)練形。 PCA人臉識(shí)別 特征臉?biāo)惴? 在各種 PCA 人臉識(shí)別算法中，特征臉 (Eigenface)方法是一個(gè)經(jīng)典的人臉識(shí)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。 (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?? ? 。 (4)選取距離函數(shù)進(jìn)行識(shí)別。 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(jí)，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(jí)亮度， n是灰度級(jí)為 y的圖像中的像素?cái)?shù)。 其他的還有 AR 人臉庫(kù)， CVL 人臉數(shù)據(jù)庫(kù) ， CMU RIE 人臉數(shù)據(jù)庫(kù)，XM2VTSDB人臉數(shù)據(jù)庫(kù)， CASPEAL人臉庫(kù)等等，本論文的人臉識(shí)別實(shí)驗(yàn)主要是基于 ORL 人臉庫(kù)。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(shí)別系統(tǒng)第一階段的人臉檢測(cè)失效。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。 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(shí)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。隱馬爾可夫模型為一個(gè)觀測(cè)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(guò)程組成： (1)一個(gè)是底層不可觀測(cè)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。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(wú)法得到全局最優(yōu)解，這也是有待解決的一個(gè)問(wèn)題。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。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(jiǎn)稱 PCA)方法。通過(guò) 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。 在基于幾何特征的人臉識(shí)別方法中，可以用一個(gè)矢量來(lái)表示提取出來(lái)的幾何參數(shù)。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?lè)椒?、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?；叶葰w一化則就是對(duì)人臉圖像進(jìn)行光照補(bǔ)償，消除光照對(duì)圖像的影響，進(jìn)而提高識(shí)別率。 (3)人臉鑒別 (Face Identification):即通常所說(shuō)的人臉識(shí)別，就是將待識(shí)別的人臉與數(shù)據(jù)庫(kù)中的己知人臉比較，得出相關(guān)信息。這些己有的以及潛在的應(yīng)用領(lǐng)域?qū)⑼苿?dòng)人臉識(shí)別技術(shù)不斷發(fā)展。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(yǔ)音、步態(tài)、筆跡等屬于行為特征，生理特征相對(duì)行為特征而言更為穩(wěn)定。但在這種人臉識(shí)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(guò)程所耗費(fèi)的計(jì)算量相當(dāng)可觀。 其次，本文重點(diǎn)描述了人臉識(shí)別的經(jīng)典方法， PCA方法。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(lái)重大的甚至難以彌補(bǔ)的損失。 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(lái)愈多地應(yīng)用于除安全問(wèn)題外的各種身份識(shí)別領(lǐng)域。從廣義上來(lái)說(shuō)，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。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。根據(jù)圖像來(lái)源途徑的不同，可以分為動(dòng)態(tài)和靜態(tài)的人臉識(shí)別 。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?lè)ê途€性子空間法。所以僅靠增加臉上幾何參數(shù)的數(shù)目來(lái)提高人臉識(shí)別率是不太現(xiàn)實(shí)的。 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)。 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)。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。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。因此可認(rèn)為：對(duì)以均方誤差為準(zhǔn)則的臉部重建來(lái)說(shuō)， 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(lái)看， PCA方法則不一定能夠取得最優(yōu)的結(jié)果。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。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。 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(guò)程的一個(gè)重要步驟。其最新的人臉庫(kù)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。其中最近鄰法簡(jiǎn)單但是失真較多。 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。下面我們對(duì) KL 變換作一個(gè)簡(jiǎn)單的介紹。 首先，需要對(duì)圖像之間的相似性進(jìn)行度 量。 PCA 人臉識(shí)別算法流程圖如圖 : 30 圖 PCA 人臉識(shí)別算法流程圖 訓(xùn)練過(guò)程 （ 1)建立訓(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(guò)程帶來(lái)的不利影響。這樣，原來(lái)的人臉圖像識(shí)別問(wèn)題就可以轉(zhuǎn)化為根據(jù)子空間中的訓(xùn)練樣本點(diǎn)進(jìn)行模式分類的問(wèn)題。其中 k 為訓(xùn)練圖像的類別數(shù)。映射通常需要遵循兩個(gè)準(zhǔn)則 : (1)特征空間必須保留測(cè)量空間中的主要分類信息； (2)特征空間的維數(shù)必須遠(yuǎn)遠(yuǎn)低于測(cè)量空間的維數(shù)。在人臉圖像的灰度歸一化過(guò)程中，采用直方圖均衡化技術(shù)進(jìn)行灰度歸一化處理，部分消除了光照的影響，得到標(biāo)準(zhǔn)的人臉圖像后，就可以進(jìn)行圖像的特征提取和人臉識(shí)別工作了。圖像的縮放就是把原始圖像中包含的人臉縮放到統(tǒng)一大小，依據(jù)是人眼的坐標(biāo)。其中， 35 人為男性， 5 人為女性。因此如何解決年齡變化對(duì)識(shí)別算法的影響并提出具有中長(zhǎng)期適應(yīng)性的人臉識(shí)別算法是人臉識(shí)別系統(tǒng)必須解決的問(wèn)題。而就目前的研究現(xiàn)狀而言，光照、姿態(tài)、遮擋等干擾因素對(duì)檢測(cè)算法的影響要遠(yuǎn)大于對(duì)識(shí)別算法的影響。目前比較常用的手段是檢查證件。 類似于 Eigenface 方法， Fisherface 方法也是采用線性投影技術(shù)將人臉圖像從高維圖像空間轉(zhuǎn)化到低維特征子空間。同樣的，對(duì)于一個(gè)待識(shí)別的人臉圖像也