【正文】 可以定義一個網(wǎng)格 G 及網(wǎng)格上的特征矢量。因為隱層節(jié)點的數(shù)目 L 通常要遠遠小于輸入層和輸出層的節(jié)點數(shù)目，從而多層感知機將高維德輸入數(shù)據(jù)變換到一個低維子空間中，同時保留了原始數(shù)據(jù)中 最重要的信息。改進 的一個思路是針對干擾所在，對輸入圖像作規(guī)范化處理，包括輸入圖像的均值方差歸一化，人臉尺寸歸一化。由于人臉圖像具有相似的形狀和結(jié)構(gòu)，人臉 圖像在主分量上的投影過多地反映了光照變化，因此有人提出舍棄人臉圖像在前 3 個特征矢量上的投影，而用人臉圖像在其余特征矢量上的投影作為描述人臉圖像的特征。 (2)臉部幾何特征在人臉辨識中的有效性問題，即臉部幾何特征能夠提供多少可供識別的信息量。同時，人臉器官分割的精確度也對人臉特征的提取有一定的影響。另一種是身份證實，只需要判斷識別對象是否是數(shù)據(jù)庫中個體的一員。 一個典型的自動人臉識別系統(tǒng)如圖 所示 ，分為訓(xùn)練和識別兩個步驟，兩個步驟都需要檢測和定位人臉、人臉圖像的預(yù)處理和特征提取和選擇。雖然人們可以毫不費力地通過臉部圖像來鑒別互相的身份，然而由于成像過程中各種影響因素的變化常常導(dǎo)致同一個人的人臉圖像發(fā)生非常大的變化，因此建立自動系統(tǒng)完成識別任務(wù)是非常具有挑戰(zhàn)性 的。利用人臉特征進行身份驗證最易被人們接受； (4)存在豐富的現(xiàn)有數(shù)據(jù)?？梢娫诂F(xiàn)代社會中，身份識別己經(jīng)成為人們?nèi)粘Ｉ钪薪?jīng)常遇到的一個基本問題。人臉檢測和識別是目前生物特征識別中最受人們關(guān)注的一個分支，是當(dāng)前圖像處理、模式識別和計算機視覺領(lǐng)域內(nèi)的一個熱門研究課題，在公安部門罪犯搜索、安全部門動態(tài)監(jiān)視識別、銀行密碼系統(tǒng)等許多領(lǐng)域有廣泛的研究，本文對此進行了較為深入的研究。而人臉識別作為圖像處理在這些領(lǐng)域最成功的應(yīng)用之一，最近幾年來成為廣大學(xué)者的研究熱點，越來越受到關(guān)注。 (2)數(shù)據(jù)采集方便，采集設(shè)備成本低廉。就算以 15%計算，人臉識別的市場規(guī)模也將在 2020 年達到 6億美元，國內(nèi)達 到 40億人民幣左右。 狹義的人臉識別就是根據(jù)系統(tǒng)新輸入的人臉，與己有的人臉數(shù)據(jù)庫進行比對，來判斷該人臉是否在人臉庫中 。 (4)人臉識別，在識別前對人臉圖像庫進行處理，得到每個個體的特征信息，單獨建立一個新的人臉圖像數(shù)據(jù)庫，在識別過程中，采用同樣的方法得到測試人臉圖片的特征信息，并與庫中的每個個體信息進行比 6 較?；谌四槇D 像局部特征的識別通常抽取人臉器官如眼睛、眉毛、鼻子和嘴等器官的位置，尺度以及彼此間的比率作為特征。 在 Brunelli 和 Poggio 的文獻中給出了一組典型的人臉幾何特征參 8 數(shù)： (1)眉毛的厚度 (2)眉毛與眼睛中心的垂直距離； (3)描述左眼眉毛弧度的 12 個數(shù)據(jù)； (4)鼻子的寬度； (5)鼻子在面部上的位置； (6)嘴巴的垂直位置、嘴巴的寬度和上下嘴唇的亮度； (7)描述下顎形狀的 11個半徑數(shù)據(jù)； (8)以鼻子位置為準(zhǔn) 的臉部寬度； (9)顴骨寬度 (半臉寬 )。在后面的特征矢量上的投影具有較小的能量。它查找的是圖像之間所有的差異，并根據(jù)這些差異來確定不同人臉間的距離，而不管這些差異是由于光線、發(fā)型或背景的改變引起的，還是屬于人臉本身的內(nèi)在差異，因此特征臉的方法用于人臉識別存在理論的缺陷。神經(jīng)元之間有權(quán)值連接，權(quán)值包含了訓(xùn)練模式空間的特征。 Gabor變換是進行時頻分析的有效工具，該函數(shù)在時間域和頻率域上都是局部化的，通常將 Gabor 特征用到針對臉部識別的彈性圖匹配中。接著是訓(xùn)練該隱馬爾夫模型，由以下幾個步驟組成： (1)建立一個隱馬爾可夫模型； (2)用訓(xùn)練數(shù)據(jù)迭代計算初始參數(shù)值； (3)用 Baum— Welch方法重新估計參數(shù)值。當(dāng)前普遍使用的驗證方法有符號或條形碼標(biāo)記，比如信用卡、自動提款機等此類驗證的安全性比較低。人臉具有相對穩(wěn)定的特征和結(jié)構(gòu)，這為人臉識別技 術(shù)帶來了實現(xiàn)的可能。這類算法往往要求訓(xùn)練集合中的樣本能夠覆蓋所有情形下的人臉樣本，以便從中學(xué)習(xí)相關(guān)知識或規(guī)則，但這在實際中是無法滿足的，因為能夠獲得的訓(xùn)練樣本往往是有限的，因而便造成目前的識別算法普適性較差，即在由訓(xùn)練集中樣本擴展到非訓(xùn)練集中樣本時，識別性能會明顯下降。 目前使用最廣泛的人臉庫是英國 ORL人臉數(shù)據(jù)庫。 一般的幾何歸一化主要包括圖像的旋轉(zhuǎn)、剪切和縮放。直方圖均衡化變換函數(shù)為 : ? ? ???? kj jkk nT nrs 1 (22) 式中 k=1,2,... , L，且 sk 是輸出 (處理后的 )圖像中的亮度值，它對應(yīng)于輸入圖像中的亮度值 rk 。如果原始特征的數(shù)量很大，或者樣本處于高維空間中，那我就可以用映射的方法把樣本投影到低維空間去，用低維空間來表示樣本，這個過程就叫做特征提取。 (1)標(biāo)準(zhǔn)的特征空間投影 所有 L個對應(yīng)的特征值非零的特征向量均被用來創(chuàng)建特征臉子空間。將這些特征向量按圖像陣列進行重構(gòu)，可以看出這些特征向量呈現(xiàn)出人臉的形狀，如圖 所示。 假設(shè)每一幅經(jīng)過預(yù)處理的人臉圖像的大小為 qp? 的二維數(shù)組，將二維數(shù)組轉(zhuǎn)化為大小為 D= qp? 一維向量則有 ?x Rqp? 。 計算出圖像之間的相似度以 后，我們需要對所得到的信息進行分類判別決策，常用的分類方法有最近鄰分類器、 K近鄰分類器、貝葉斯分類器等。由于 S 是實對稱矩陣，其不同的特征值對應(yīng)的特征向量是正交的。 (2)讀入人臉庫，樣本經(jīng)過訓(xùn)練形成特征子空間。這樣就解決了 PCA 算法下由于各圖像中人臉位置的不一致而對識別率所造成的影響。其中包括在不同光照條件下 (如左逆光、右逆光 )，不同表情，戴眼鏡的人臉圖像。為了確保較高的識別率，我們必須在提取人臉特征之前對圖像作一定的預(yù)處理工作。表情 :人臉識別相對于其他物體識別問題的一個困難就是人臉的非剛體性，主要體現(xiàn)為人臉豐富的表情變化，遮擋。 對于以上提到的人臉識別技術(shù)的諸多應(yīng)用，我們可以把這些應(yīng)用分成兩類 :一類是有限制條件照片的靜態(tài)匹配，譬如說 護照、信用卡、駕駛證上的照片匹配。對于小波包分解得到的離散逼近稀疏， Garcai 進一步將它分解成三個部分，分別是邊界區(qū)、上半部分和下半部分，然后就可以分別計算這三個區(qū)域的均值和方差，加上另外 15個離散細節(jié)區(qū)域的方差，組成一個包含有 21 個分量的特征向量。 彈性匹配圖方法的主要缺點在于計算量大。由此可以看出，人工神經(jīng)網(wǎng)絡(luò)有著與 Eigenface 方法非常相似的表達方法。根據(jù)不同的應(yīng)用場合，現(xiàn)已研究出較多的神經(jīng)元網(wǎng)絡(luò)模型及其動態(tài)過程的算法。 若將所有子空間的正交基排列成圖像陣列，則正交基呈現(xiàn)人臉的形狀，因此這些正交基也被稱為特征臉。 9 基于 KL變換的特征臉方法 基于特征臉的人臉識別方法的基礎(chǔ)是 KL 變換。這種方法是以人臉各個器官和幾何關(guān)系為基礎(chǔ)進行算法設(shè)計。本文的人臉識別研究是基于靜態(tài)、正面的灰度圖像的。 （ 2)人臉圖像的預(yù)處理，人臉檢測得到的人臉圖像，如有設(shè)備條件的差異，可能存在光照、噪聲、角度不好等缺陷，一般需要對圖像進行幾何歸一化、灰度歸一化及邊緣檢測等處理。 (2)人臉表征 (Face Representation):即確定表示檢測出的人臉和數(shù)據(jù)庫中的已知人臉的描述方式?？梢灶A(yù)言， 3 在今后的幾十年內(nèi)，隨著人臉識別技術(shù)進一步發(fā)展，人臉識別技術(shù)將應(yīng)用到更多的領(lǐng)域，例如視覺監(jiān)控、娛樂應(yīng)用、智能卡、自動身份驗證、銀行安全、公安系統(tǒng)刑偵破案的罪犯身份識別、身份證及駕駛執(zhí)照等證件驗證、銀行及海關(guān)的監(jiān)控、自動門衛(wèi)系統(tǒng)、視頻會議等。所謂生物特征認證就是利用人的生理或行為特征對個人身份進行識別或是認證的技術(shù)，與傳統(tǒng)的身份認證技術(shù)不同，基于 2 生物特征的身份認證技術(shù)，以人體本身所固有的生理特征或行為特征作為識別媒介，運用圖像處理和模式識別等技術(shù)，實現(xiàn)身份鑒別或驗證。其基本原理為 :由高維圖像空間經(jīng) KL 變換后得到一組新的正交基，對這些正交基作一定的取舍，保 留其中的一部分生成低維的人臉空間，即人臉的特征子空間，識別時將測試圖像投影到此空間，得到一組投影系數(shù)，通過與各個人臉圖像比較進行識別。它用一個低維子空間來描述人臉圖像，同時又能在一定程度上保存所需要的識別信息。 于是，近年來人類生物特征越來越廣泛地應(yīng)用于身份識別，而且生物特征可以更好的進行安全控制，世界各國政府都在大力推進生物識別技術(shù)的發(fā)展及應(yīng)用。近幾十年以來人臉識別技術(shù)有了長足的發(fā)展，并且逐步走向?qū)嶋H應(yīng)用階段。這一任務(wù)主要受光照、噪聲、頭部傾斜度以及各種遮擋的影響 。作為人臉識別的基礎(chǔ)，人臉的檢測與定位是人臉識別研究的另一個重要方面。根據(jù)圖像的顏色特點，可以分為彩色圖像和灰度圖像的人臉識別。 基于幾何特征的人臉識別方法 基于幾何特征的人臉識別方法主要源于人臉識別的初期研究階段。因此，基于少量人臉幾何特征進行大規(guī)模人臉辨識的可靠性是不容樂觀的。高維的圖像空間經(jīng)過 KL 變換后得到一組新的正交基，保留其中重要的正交基從而形成了低維的人臉空間。處理單元之間的互連則是軸突、樹突這些信息傳遞路徑的簡化。顯然，訓(xùn)練這樣大的一個網(wǎng)絡(luò)將花費很長時間，需要的存儲量 12 也會很高。這主要歸功于兩個原因： (1)用 Gabor變換可提取圖像的局部多分辨率特征； (2)在計算距離或者能量函數(shù)時，使用 了變形匹配方法。因為小波包分解得到的不同頻帶包含有不同的人臉信息 ，所以從每一個小波包中可以提取出不同的面部特征。在對圖像進行分析時，都要用到人臉的檢測，跟蹤和識別技術(shù)。故如何提高 2D 人臉數(shù)據(jù)的識別算法對姿態(tài)的魯棒性是一項既有現(xiàn)實意義又有挑戰(zhàn)性的課題 。另外，人臉在整幅圖像中的位置和大小又會因為距離遠近、焦距大小等問題變得不確定。 Yale人臉庫包含 15個人的 165幅圖像，每人 11 幅圖像。 通過以上的操作，所有的人臉圖像都校正成同一大小，兩眼的連線也保持水平，實現(xiàn)了人臉圖像的標(biāo)準(zhǔn)化。完整的 PCA人臉識別算法步驟包括 : (l)人臉圖像的預(yù)處理。 設(shè)隨機向量的總體自相關(guān)矩陣為 : ? ?XXES T? (38) 將 (32)式帶入上式可得 : ? ? ? ??????? TTTTT XXEEXXES ????????? (39) 為了使向量 ? 的各個分量互不相關(guān)，必須滿足下列關(guān)系 : 26 ? ?XXE T { ,0 kjkjJ ??? ? (310) 寫成矩陣的形式為 : ??n?????001?? (311) 則： ?? TS ?? (312) 將上式兩邊同時右乘 ? ，則 ?????? ?? ? TS (313) 其中是 ? 正交矩陣，即 IT ??? (314) 那么 : ??? jjjS ? （ j=1,2,3...,n） (315) 可以看出， ?j 是 X的自相關(guān)矩陣 S的特征值， ?j 是對應(yīng)的特征向量。 (3) Covariance 距離 (余弦夾角距離 ) 向量 X 與 Y之間的角度相似性定義為它們之間夾角的余弦，即： ? ? YX YXYXD ?? , (319) (4) Minkowsky 距離 ? ? ? ? ppii yxYXD1, ?????? ?? ? (320) 當(dāng) P=2 時，明氏距離等于歐式距離，所以一般我們?nèi)?P2。然后，將選擇作為訓(xùn)練集的每一個二維人臉圖像數(shù)據(jù)轉(zhuǎn)化成一維向量，一般是將各行像素首尾相接產(chǎn)生一組一維向量。因此我們稱這些特征向量為特征臉 (Eigenface)。該方法在 L 值比較大的時候，特征向量就比較多，計算速度慢，不利于分類，達不到降維的效果。映射后的特征稱為二次特征，它們通常是原始特征的某種線性組合。 人臉圖像的預(yù)處理 是人臉識別過程中非常重要的一個步驟，本章系統(tǒng)地介紹了預(yù)處理的各個步驟以及相應(yīng)的預(yù)處理方法。 圖像的旋轉(zhuǎn)就是把原始圖像中的人臉圖像進行平面內(nèi)的旋轉(zhuǎn)處理，主要目的是使人臉雙眼的連線位置保持在水平。 ORL人臉數(shù)據(jù)庫包含了英國劍橋大學(xué)從 1992到 1994年間在實驗室 采集到的人臉圖像數(shù)據(jù)，由 40 人、每人 10幅、共 400 幅圖像組成。 (4)人臉識別系統(tǒng)的長期適應(yīng)問題 帶來這一問題的主要原因是隨著年齡的變化人臉會發(fā)生較大的變化，特別是對于青少 年，年齡對容貌的影響更大。但人臉具體形態(tài)的多樣性和所處環(huán)境的復(fù)雜性又造成了識別的巨大困難。如果運用人臉識別技術(shù)，則安全性將大大改善； (3)可以進行入口控制。 識別通過一個 Viterbi 識別器完成，用代表不同人的隱馬爾可夫模型與待識別圖像匹配，最高匹配者被選出來。Gabor特征在網(wǎng)格節(jié)點上提供了一個多尺度邊緣強度。訓(xùn)練過程就是調(diào)整權(quán)值的過程，最常用的算法就是 BP法則。研究表明，特征連的方法