【正文】 圖 (第一個為平均臉，其余為特征臉 ) 經(jīng)典 PCA人臉識別方法的實現(xiàn)過程 完整的 PCA 人臉識別算法包括以下兩個過程 : 一、訓(xùn)練過程，步驟如下 : (1)獲取人臉庫中的人臉圖像，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)放在一個低維的特征空間里進(jìn)行處理，同時保持原始數(shù)據(jù)的絕大部分信息，從而對高維數(shù)據(jù)空間進(jìn)行降維，解決了維數(shù)過高的問題。 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。 人臉識別的發(fā)展方向 由于人臉識別領(lǐng)域仍存在上述很多問題未徹底解決，因此未來人臉識別必然圍繞著現(xiàn)有難點的解決而繼續(xù)發(fā)展。即使是目前最好的人臉識別系統(tǒng)在室外光照條件下，其識別性 能也會急劇下降。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 生物識別手段，如指紋識別、手掌識別、語音識別等。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，將人臉圖像庫中的圖像和待識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看是最優(yōu)的，從分類角度來看卻不是最優(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別性能。因為之前的預(yù)處理步驟與圖像處理的工作是相通的，而之后的識別步驟與一般的模式識別問題是一致的。 5 圖 (1)人臉的檢測和定位，人臉檢測與人臉定位是相互聯(lián)系但又有所區(qū)別的兩個概念。因此，人臉識別研究仍然遠(yuǎn)遠(yuǎn)沒有到達(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)的身份識別方法主要基于身份標(biāo)識物 (如證件、卡片 )和身份標(biāo)識知識 (如用戶名、密碼 )來識別身份，這在很長一段時期是非?？煽亢头奖愕淖R別方法，得到了廣泛的應(yīng)用。并且詳細(xì)介紹了人臉識別很重要的一個步驟 — “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，人臉識別技術(shù)的市場份額僅次于指紋識別技術(shù)。整個生物識別技術(shù)市場的規(guī)模 2020年將達(dá)到 40 億美元左右，國內(nèi)市場有可能達(dá)到 40 億人民幣。 (4)表情分析 ((Facial Expression Analysis):即對待識別人臉的表情進(jìn)行分析，并對其分類 。在實際操作中，我們主要是通過各種變換來達(dá)到對圖像進(jìn)行降維的效果，如特征臉方法中 KL 變換就是特征提取，而主元選取就是特征選擇?；谡w的識別方法也各自有自己的缺陷，所以近年來的研究趨勢是將人臉的局部特征分析和整體識別結(jié)合起來。也就是說對這些矢量要求具有較 高的模式分類能力，同時還要有一定的穩(wěn)健性，能夠消除由于時間變遷、光照變化等其他干擾因素所帶來的影響。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看， KL 變換是最優(yōu)的，變換后的低維空間對于人臉有很好的表達(dá)能力，較好的判別能力。 很多臉部識別系統(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)值可以用來表示圖中的節(jié)點數(shù)值。 在使用隱馬爾可夫模型的面部識別方法中，首 先將一個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一維矢量序列，這個序列構(gòu)成了隱馬爾可夫模型的觀測矢量。 我們從一下幾個方面具體介紹人臉識別技術(shù)的應(yīng)用 : (1)在公安系統(tǒng)的罪犯識別方面，當(dāng)公安部門獲得案犯的照片后，可以利用人臉識別技術(shù)，在存儲罪犯照片的數(shù)據(jù)庫里找出最相像的嫌疑犯。但對計算機(jī)來說，進(jìn)行人臉識別卻困難很多。盡管目前出現(xiàn)的一些商用的人 17 臉識別系統(tǒng)在理想情況下已經(jīng)能夠可以接受的識別性 能，但是整個人臉識別技術(shù)還遠(yuǎn)未成熟，還有大量的實際問題需要得到解決。人臉數(shù)據(jù)庫的設(shè)計對系統(tǒng)的識別率有至關(guān)重要的影響，數(shù)據(jù)庫中不同光照、姿態(tài)和表情的變化甚至背景變化都會影響識別的結(jié)果，所以需要針對人臉識別問題建立適應(yīng)不同需要的人臉數(shù)據(jù)庫。對于不經(jīng)過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別方法，如果人臉部位在圖像中的位置有偏移，會影響人臉的正確識別。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，從而增強(qiáng)了圖像的對比效果，部分地消除了光照對灰度圖像的影響。 特征提取的概念 在模式識別中，被識別的對象會產(chǎn)生一組基本特征。事實上，根據(jù)實際要求，并非所有的特征值都要保留。 特征臉方法的基本思想如下 : 我們把人臉圖像看作一個隨機(jī)向量，那么給定的任意一幅人臉圖像就是這個隨機(jī)向量的實現(xiàn)。 （ 2)通過訓(xùn)練形。 PCA人臉識別 特征臉?biāo)惴? 在各種 PCA 人臉識別算法中，特征臉 (Eigenface)方法是一個經(jīng)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。 (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，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的圖像中的像素數(shù)。 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驗主要是基于 ORL 人臉庫。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)致處于人臉識別系統(tǒng)第一階段的人臉檢測失效。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際應(yīng)用需要的激勵，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。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(guān)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(zhuǎn)移矩陣和一個初始狀態(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問題。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，較馮 諾依曼體系的計算機(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，簡稱 PCA)方法。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。 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(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。灰度歸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。 (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。這些己有的以及潛在的應(yīng)用領(lǐng)域?qū)⑼苿尤四樧R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。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，使整個特征抽取過程所耗費的計算量相當(dāng)可觀。 其次，本文重點描述了人臉識別的經(jīng)典方法， PCA方法。密碼遺失、資料被盜的時間不斷發(fā)生，傳統(tǒng)的安全技術(shù)已暴露出重大的缺陷，就會給個人乃至整個社會帶來重大的甚至難以彌補(bǔ)的損失。 人臉識別技術(shù)作為生物識別技術(shù)的一種，以其特有的穩(wěn)足性、方便性、唯一性等特點被愈來愈多地應(yīng)用于除安全問題外的各種身份識別領(lǐng)域。從廣義上來說，人臉識別主要包括人臉檢測、人臉表征、人臉鑒別、表情分析和物理分類五個方面。檢測人臉對于簡單背景的同一人的人臉圖片是比較容易實現(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 多個人時，檢測就會變得相對困難。根據(jù)圖像來源途徑的不同，可以分為動態(tài)和靜態(tài)的人臉識別 。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)，如特征臉法和線性子空間法。所以僅靠增加臉上幾何參數(shù)的數(shù)目來提高人臉識別率是不太現(xiàn)實的。 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，處理單 元之間實現(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，希望能夠同時維持特征數(shù)值接近和局部幾何關(guān)系。因此可認(rèn)為：對以均方誤差為準(zhǔn)則的臉部重建來說， PCA 方法是一種最優(yōu)的方法：但從模式分類和辨識的觀點來看， PCA方法則不一定能夠取得最優(yōu)的結(jié)果。當(dāng)前計算機(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、公共場合等處都設(shè)有24 小時的視頻監(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)處理是模式識別過程的一個重要步驟。其最新的人臉庫包括 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。其中最近鄰法簡單但是失真較多。 PCA 人臉識別方法原理 將 PCA 方法用于人臉識別，其實是假設(shè)所有的人臉都處于一個低維 24 線性空間，而且不同的人臉在這個空間中具有可分性。下面我們對 KL 變換作一個簡單的介紹。 首先，需要對圖像之間的相似性進(jìn)行度 量。 PCA 人臉識別算法流程圖如圖 : 30 圖 PCA 人臉識別算法流程圖 訓(xùn)練過程 （ 1)建立訓(xùn)練集 首先，對輸入的人臉進(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別過程帶來的不利影響。這樣，原來的人臉圖像識別問題就可以轉(zhuǎn)化為根據(jù)子空間中的訓(xùn)練樣本點進(jìn)行模式分類的問題。其中 k 為訓(xùn)練圖像的類別數(shù)。映射通常需要遵循兩個準(zhǔn)則 : (1)特征空間必須保留測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)低于測量空間的維數(shù)。在人臉圖像的灰度歸一化過程中，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識別算法的影響并提出具有中長期適應(yīng)性的人臉識別算法是人臉識別系統(tǒng)必須解決的問題。而就目前的研究現(xiàn)狀而言，光照、姿態(tài)、遮擋等干擾因素對檢測算法的影響要遠(yuǎn)大于對識別算法的影響。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，對于一個待識別的人臉圖像也