【正文】 運(yùn)用到實(shí)際系統(tǒng)的時(shí)候往往會(huì)出現(xiàn)識(shí)別率低的情況，為了更細(xì)致地對(duì)人臉建模，在水平方向上也用多個(gè)狀態(tài)來描述。其算法流程與DFT類似，如下圖3－12所示。它主要是先將整體圖像分成N*N像素塊，然后對(duì)N*N像素塊逐一進(jìn)行DCT變換。在人臉識(shí)別的應(yīng)用中，ija假定狀態(tài)只能轉(zhuǎn)移到本身或者是下一個(gè)狀態(tài)(垂直方向上)，這樣可以減小系統(tǒng)的復(fù)雜性。?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(gè)對(duì)應(yīng)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(gè)數(shù)和序列長(zhǎng)度。在實(shí)際的應(yīng)用中，由于求出的值一般很小，約等于零，通常在計(jì)算過程中采用歸一化和對(duì)數(shù)求解。HMM與馬爾可夫鏈的區(qū)別在于，得到的隨機(jī)變量序列不是狀態(tài)序列，需要進(jìn)行其他的變化和映射，才能得到狀態(tài)序列。這就是HIDDEN的原因。 小結(jié)這一章主要介紹了人臉檢測(cè)的相關(guān)技術(shù)，首先對(duì)人臉檢測(cè)問題進(jìn)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(cè)的各種方法，把人臉檢測(cè)進(jìn)行分類，分成基于知識(shí)、基于統(tǒng)計(jì)模型、基于模板這三種人臉檢測(cè)方法進(jìn)行分析。檢測(cè)時(shí)，將模板在被檢測(cè)的區(qū)域內(nèi)分別在行和列方向上移動(dòng)，計(jì)算出相關(guān)值最大的區(qū)域就是人臉區(qū)域。 屬于這一類的還有Weber等提出的視點(diǎn)不變性學(xué)習(xí)的方法等。對(duì)于人臉檢測(cè)問題，由于沒有考慮“非人臉”樣本的分布，需要同時(shí)使用DIFS和DFFS才能取得較好的效果。該算法在訓(xùn)練過程中自動(dòng)生成“非人臉樣本” ，其方法是輸入不含人臉的場(chǎng)景圖像，將被誤判為人臉的子圖像作為“非人臉”樣本。Stringa利用眼睛部位水平邊緣線豐富的特點(diǎn)定位出眼睛在垂直方向上的大致位置。被廣泛地用于基于統(tǒng)計(jì)學(xué)習(xí)的人臉檢測(cè)方法中。 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。一般的，根據(jù)利用特征的色彩屬性可以將人臉檢測(cè)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。人工神經(jīng)元網(wǎng)絡(luò)也許永遠(yuǎn)無法代替人腦，但它能幫助人類擴(kuò)展對(duì)外部世界的認(rèn)識(shí)和智能控制。這些內(nèi)容滲透在 FRT 的諸多環(huán)節(jié)中。Bertillon 的系統(tǒng)用一條簡(jiǎn)單語(yǔ)句與數(shù)據(jù)庫(kù)中的人臉相關(guān)聯(lián)，Allen為待識(shí)別人臉設(shè)計(jì)了有效、逼真的描寫，Parke用計(jì)算機(jī)實(shí)現(xiàn)了 Allen的方法，生成了較高質(zhì)量的人臉灰度圖模型?？傊?，要讓計(jì)算機(jī)象人一樣方便準(zhǔn)確地識(shí)別大量的人臉尚需不同學(xué)科研究領(lǐng)域的科學(xué)家共同做出不懈的努力。作為人類幾個(gè)外在鑒別特征之一，人臉識(shí)別自動(dòng)鑒別和人類自動(dòng)分辨有著重要的意義。它的困難性是顯然的，因?yàn)橐粡堈掌男畔⒘勘榷鄰堈掌男畔⒘恳俣嗔?，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]。人臉檢測(cè)：人臉檢測(cè)的目的很明顯，就是為了測(cè)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。計(jì)算機(jī)視覺視覺是人類獲取信息的主要來源，也是適應(yīng)復(fù)雜、變化環(huán)境的感知基礎(chǔ)。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 6 頁(yè)第 2 章 人臉檢測(cè)技術(shù)研究人臉檢測(cè)問題最初來源于人臉識(shí)別，人臉檢測(cè)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。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)。所謂鑲嵌圖就是將圖象劃分為一組大小相同的方格，每個(gè)方格的灰度為格中各個(gè)象素的平均值。這種分割是在變換后的色彩坐標(biāo)系如HSV和YIQ中進(jìn)行的。1. 神經(jīng)網(wǎng)絡(luò)方法 [13]神經(jīng)網(wǎng)絡(luò)具有很好的記憶功能，訓(xùn)練樣本比較全面時(shí)候，神經(jīng)網(wǎng)絡(luò)可以處理比較復(fù)雜的人臉檢測(cè)問題，因此許多的人臉檢測(cè)算法采用神經(jīng)網(wǎng)絡(luò)方法來做。但是，由于人臉屬于高維矢量，導(dǎo)致網(wǎng)絡(luò)中訓(xùn)練節(jié)點(diǎn)眾多，算法往往需要大量的訓(xùn)練樣本，因此，神經(jīng)網(wǎng)絡(luò)方法的研究著重于系統(tǒng)的優(yōu)化訓(xùn)練。Yang 等在混合線性子空間(Mixtures of Linear Subspaces)中對(duì)“人臉”和“非人臉”樣本的分布進(jìn)行建模，分別使用基于 EM 算法的擴(kuò)展 FA 方法和基于自組織映射(SelfOrganizing Map，SOM)的 FLD 方法構(gòu)造檢測(cè)器。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(yàn)風(fēng)險(xiǎn)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?？勺冃文０蹇梢哉f是幾何特征方法的改進(jìn)，其基本思想是：根據(jù)臉部特征的形 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 16 頁(yè)狀特點(diǎn)構(gòu)造一個(gè)帶可變參數(shù)的幾何模型，并且設(shè)定一個(gè)相應(yīng)的評(píng)價(jià)函數(shù)以度量被檢測(cè)區(qū)域與模型的匹配程度。觀察到的事件與狀態(tài)并不是一一對(duì)應(yīng)，而是通過一組概率分布相聯(lián)系，在遇到時(shí)間有關(guān)的問題中，比如在T時(shí)刻發(fā)生的時(shí)間要受到T1時(shí)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(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 18 頁(yè)影響。tQt?1,.MV(3) ：初始概率矢量 =( 1，… n)，其中 i＝P(q1= 1)，1≤i≤N。(,)AB???(|)P?這是隱馬爾可夫模型最最重要的三個(gè)問題，這三個(gè)問題的解決方法是隱馬爾可夫模型應(yīng)用到實(shí)際中去的基礎(chǔ)。定義后向變量: 12(),.。 人臉圖像 HMM 模型狀態(tài)的確定對(duì)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(xué)模型的依據(jù)。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。2. 二維離散余弦變換(2DDCT)原理 [21]考慮到兩個(gè)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。用Viterbi分割取代平均分割，重新進(jìn)行參數(shù)的初始估計(jì)。每個(gè)模型用多幅圖象進(jìn)行訓(xùn)練，可以表示一個(gè)人的多個(gè)版本，如不。而對(duì)于觀察概率矩陣B的初始化，我們假設(shè)：，這樣，就初始化出一個(gè)隱馬爾可夫模型 。ATG顯然，式（3）和式（4）構(gòu)成了一維DCT變換對(duì)，比較兩式可以看出，離散余弦變換具有以下兩個(gè)特點(diǎn)：1. 在廣義頻域上，離散余弦變換的系數(shù)為實(shí)數(shù)。由采樣塊生成圖像的觀察值序列有很多方法，最簡(jiǎn)單的是直接把圖像塊中的像素值作為觀察值。下圖表示了隱馬爾可夫模型三大算法之間的關(guān)系，隱馬爾可夫模型在實(shí)際中的應(yīng)用總體來說就是基于圖3－10的：觀察值序列 12,.TO?Baum－Welch算法(,)AB???Viterbi 算法觀察值序列 12,.TO前向－后向算法12,.TQq???(|)PO? 圖3－10 隱馬爾可夫算法模型的關(guān)系 隱馬爾可夫模型在人臉識(shí)別中應(yīng)用人臉識(shí)別是將待識(shí)別人臉與人臉數(shù)據(jù)庫(kù)中的人臉做比較基礎(chǔ)上的識(shí)別，所以首先應(yīng)該建立人臉的類別庫(kù)。|)trrtjjPOqs?????(ti?的關(guān)系。2(,.)TO? (|)PO?（2） 給定一個(gè)隱馬爾可夫模型 和一個(gè)觀察值序 ，(,)12(,.)TO?在最佳的意義上確定一個(gè)狀態(tài)序列 。tqt12(,.)N?(2)M：每個(gè)狀態(tài)對(duì)應(yīng)的可能的觀察值數(shù)目。下圖3－1介紹了幾種典型的馬爾可夫鏈。這些邊界基于某種約束，組織在一起作為人臉模板，可以定位頭部的輪廓。 基于HMM 的方法一般只使用“人臉”樣本進(jìn)行訓(xùn)練， 主要針對(duì)用于人臉 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 15 頁(yè)識(shí)別的頭肩部圖像。以上過程不斷迭代，直到收集了足夠的“非人臉” 樣本。Vien和Soulie等用小波多尺度和延時(shí)神經(jīng)網(wǎng)絡(luò)（TDNN）進(jìn)行人臉檢測(cè)，TDNN只將超出閾值的誤差反向傳播。 基于統(tǒng)計(jì)模型的人臉檢測(cè)方法人臉圖像本身的復(fù)雜性，決定了描述人臉特征的困難度，因此基于統(tǒng)計(jì)模型的方法越來越受到重視，此類方法將人臉區(qū)域看作一類模式，即模板特征，使用大量的“人臉”與“非人臉”樣本訓(xùn)練、構(gòu)造分類器，通過判別圖象中所有可能區(qū)域?qū)儆谀念惸Ｊ降姆椒▽?shí)現(xiàn)人臉的檢測(cè)。 基于知識(shí)的方法1. 圖像空間分布規(guī)律利用人臉模式的圖像不變性，即共有的獨(dú)特空間圖像分布的相互關(guān)系，人臉上的亮度分布有一定的順序結(jié)構(gòu)，圖像中灰度分布最符合這種不變性的部分就是人臉部分。 人臉核心區(qū)域（眼睛、鼻子、嘴區(qū)域）具有獨(dú)特的灰度分布特征。所以，膚色特征在人臉檢測(cè)中是一種常用的方法。最后，本章提出了與人臉識(shí)別相關(guān)的課題以及現(xiàn)狀人臉識(shí)別技術(shù)存在的問題。在人臉識(shí)別中，如果是個(gè)人識(shí)別，則每一個(gè)人就是一個(gè)模式，預(yù)先存在數(shù)據(jù)庫(kù)里的圖像就是樣本；如果是性別識(shí)別，種族識(shí)別和年齡識(shí)別，則不同的性別、種族或年齡區(qū)別構(gòu)成一個(gè)模式；如果是表情識(shí)別，則不同的表情就是一個(gè)模式。 人臉識(shí)別的研究?jī)?nèi)容人臉識(shí)別最初包括了人臉檢測(cè)，是一個(gè)多環(huán)節(jié)的綜合性課題，但近年來，由于其人臉檢測(cè)在安全訪問控制，視覺監(jiān)測(cè)，基于內(nèi)容的檢索和新一代人機(jī)界面等領(lǐng)域的應(yīng)用價(jià)值，開始作為一個(gè)獨(dú)立的課題受到了研究者的普遍重視。除此之外，視頻流能提供豐富的人臉信息，因此較多的研究小組和公司把工作重心轉(zhuǎn)移到基于多樣本的統(tǒng)計(jì)方法或神經(jīng)網(wǎng)絡(luò)方法的研究上去。人臉識(shí)別的研究可以追溯到上個(gè)世紀(jì)六、七十年代，經(jīng)過幾十年的曲折發(fā)展已日趨成熟，人臉識(shí)別是模式識(shí)別和計(jì)算機(jī)視覺的交叉領(lǐng)域。這一階段，對(duì)圖像的約束條件較多，而提取出的特征數(shù)目少，自動(dòng)提取特征的準(zhǔn)確度也十分的低。 (2)第二階段是人機(jī)交互識(shí)別，代表性工作有：Goldstion 、Harmon 和Lesk用幾何特征參數(shù)來表示人臉正面圖像。我們把環(huán)境與客體統(tǒng)稱為“模式” 。網(wǎng)絡(luò)的信息分布式就存在連接系數(shù)中，使網(wǎng)絡(luò)具有很高的容錯(cuò)性和魯棒性。根據(jù)特征綜合時(shí)采用的不同模型，可以將基于灰度特征的方法分為兩大類：基于啟發(fā)式（知識(shí)）模型的方法和基于統(tǒng)計(jì)模型的方法。 灰度特征 [12]灰度特征包括了人臉灰度分布特征，器官特征，模板特征，人臉輪廓特征等。人臉檢測(cè)的對(duì)象廣義上講不僅是整張人臉，還包括眼睛、鼻子等面部器官，從它們的特征所反映出的信息是進(jìn)行人臉檢測(cè)的依據(jù)，因此選擇合適的模型特征是人臉檢測(cè)關(guān)鍵問題之一。Yang和Huang提出了一種分層的基于知識(shí)的系統(tǒng)，用同一張圖在不同分辨率下構(gòu)成相應(yīng)分辨率下的馬賽克圖，從中實(shí)現(xiàn)從復(fù)雜背景中定位眼睛、口和鼻子的位置。輸入圖像窗口提取位姿估計(jì)ANN半側(cè)面人臉檢測(cè) ANN預(yù)處理正面人臉檢測(cè) ANN側(cè)面人臉檢測(cè) ANN結(jié)果仲裁 檢測(cè)結(jié)果 圖2－4 Rowley的基于人工神經(jīng)網(wǎng)的人臉檢測(cè)框架Juell和Marsh使用分層網(wǎng)絡(luò)，該網(wǎng)絡(luò)由四個(gè)BP子網(wǎng)組成，分別檢測(cè)人臉。樣本預(yù)處理后按行列順序展開為樣本向量進(jìn)行主分量分解。 Nefian等根據(jù)正面人臉由上到下各個(gè)區(qū)域(頭發(fā)、額頭、雙眼、鼻子、嘴) 具有自然不變的順序這一事實(shí)， 使用一個(gè)包含五個(gè)狀態(tài)的一維連續(xù)HMM加以表示。這種方法的特點(diǎn)是實(shí)現(xiàn)起來比較簡(jiǎn)單。對(duì)于自動(dòng)人臉識(shí)別系統(tǒng)，一個(gè)對(duì)環(huán)境適應(yīng)性好且識(shí)別率高的算法是整個(gè)系統(tǒng)的關(guān)鍵。在人臉識(shí)別領(lǐng)域，HMM能提取人臉的主要特征并對(duì)姿態(tài)和環(huán)境變化具有較好的魯棒性，在識(shí)別率上也取得較好的效果。前者表示狀態(tài)轉(zhuǎn)移是任意的，可以到本身和其他所有狀態(tài)，后者狀態(tài)轉(zhuǎn)移只限于本身和下一個(gè)狀態(tài)。 （圖3－4） 圖3－4 前向法示意圖（2） 后向遞推法：此時(shí)改為由過程的后部分（例如 t+1，t+2，…，T）向前遞推。初始化（I 時(shí)刻）各個(gè)狀態(tài)下的 和??按照遞推公式，由 t1 時(shí)刻 和 的值計(jì)算得到并紀(jì)錄 t 時(shí)刻二者的值遞推至 T 時(shí)刻結(jié)束從 T 時(shí)刻回溯各個(gè)時(shí)刻的狀態(tài)值，得到最優(yōu)路徑 圖3－8 Viterbi 算法流程圖 Baum－Welch 算法 [1]Baum－Welch 算法解決的是 HMM 的訓(xùn)練，也就是 HMM 的參數(shù)估計(jì)的問題，或者 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 26 頁(yè)說，給定一個(gè)觀察值序列 = , ,..., ,該算法能確定一個(gè) ，使得O12T (,)AB???最大。觀察值序列在建人臉庫(kù)時(shí)作為訓(xùn)練人臉HMM模型的依據(jù)，而在識(shí)別過程中用來與人臉庫(kù)中的人臉隱馬爾可夫模型(HMM)做比較，得出識(shí)別結(jié)果。1. 一維離散余弦變換（DCT）原理一維DCT的變換核定義為： （1）2(1)(,)(cosxugxuCN???其中，x， u=0，1，2，…，N1 ， 如下式所示：() （2）,0()u?????其 他設(shè) （x， u=0，1，2，…，N1 ）是時(shí)域上的一個(gè)離散的信號(hào)，是一個(gè)N點(diǎn)()f序列。在識(shí)別時(shí)，人臉庫(kù)中的每個(gè)人臉就是一個(gè)人臉的隱馬爾可夫模型表示。 觀察向量的提取 [15]提取人臉的觀察向量的原則是具有強(qiáng)的抗干擾性和魯棒性。下圖3－13是人臉隱馬爾可夫模型訓(xùn)練算法的流程圖： HMM 原型人臉圖像均勻分割HMM 參數(shù)初始化