【正文】 它不依賴于鄰域內那些與典型值差別很大的值。對圖像處理而言，常使用二維零均值離散高斯函 數(shù)作平滑濾波器。此外它還能減少光照對人臉圖像 的影響，使人臉特征提取變得容易，同時還提高了人臉圖像的主觀質量。39。它的顯示速度快，只需下載 1/64 的圖像信息就可以顯示出低分辨率的預覽圖像。由此，人們開始尋求一種新技術，以減少開發(fā)成本。 Windows 以前的 BMP 圖文件格式與顯示設備有關，因此把這種 BMP 圖象文件格式稱為設備相關位圖 DDB(devicedependent bitmap） 文件格式。 JPEG 文件以 .jpg 或 .jpeg 為擴展名，其壓縮技術非常先進。 每個圖像的大小為 180*200， 圖像的背景是藍色的。 ORL 人臉數(shù)據(jù)庫由劍橋大學 ATamp。該方法開銷較大，但可以使用圖像的相關性質進行邊界定位。其包含有活動輪廓模型等。 動態(tài)人臉圖像相比于靜態(tài)人臉圖提供了更加客觀的信息量。 比如可以先將原始特征空間映射到維數(shù)較低的空間，在這個空間中在進一步選擇特征來進一步降低維度；也可以先去除那些明顯不含有分類信息的特征，而后再進行映射以降低維度。特征提取和選擇的根本任務就是從許多特征中找出那些最有效的特征。 以上列舉 了 部分 主要的技術難點 ，其他難點 由于本文的討論不會涉及，所以 不會再一一列 6 舉 。目前大多數(shù)特征定位算法的精度都會隨著光照，姿態(tài)等變化而快速下降。 三 、 基于小波神經(jīng)網(wǎng)絡的人臉識別 小波自提出以來 ，其理論和應用得到了長足的發(fā)展。 Blanz 和 Vetter等人基于 3D 變形模型的多姿態(tài)，多光照的人臉識別方法。彈性匹配方法的優(yōu)點是既保留了面部的全局結構特征，也對人臉關鍵局部特征進行了建模。 對于人臉識別 的研究歷史 可 分為三個階段： 第一 階段 （ 19641990）這個階段主要采取的技術是基于人臉幾何結構的。由于生物特征內在的穩(wěn)定性和唯一性使其成為了作為身份識別的理想依據(jù)。 人 們 需要更加安全可靠的身份識別技術。 在實驗中我們發(fā)現(xiàn)基于 PCA 的人臉識別系統(tǒng)的識別率很高，而且具有一定魯棒性， 所以 基于 PCA 的人臉識別算法的實現(xiàn) 的研究還是有意義。 自動人臉的研究歷史相對比較短，到現(xiàn)在不過五十多年的時間。它用一個屬性圖 來描述人臉：屬性 的頂點代表面部關鍵特征點，它的屬性為相應特征點處 的多分辨率，多方向局部特征 — Gabor 變換 [2]，稱 為 Jet；邊的屬性為不同特征點間的幾何關系。 主要針對的是主流的人臉識別技術在采集條件不理想和用戶不配合下 魯棒性差的問題。如 何使用數(shù)據(jù)融合理論，將不同的方法綜合起來，相互補充，來取得較好的人臉識別效果，便成為人們的研究熱點之一。 5 第 三 節(jié) 人臉識別技術的主要難點 目前的人臉識別技術在人員配合，較理想采集條件下可以取得比較滿意的結果。以上這些決定計算機很難用統(tǒng)一的標準來識別人的面部表情。 特征主要包括三種類型：物理特征，結構特征和數(shù)學特征。 特征提取和特征選擇在有些情況下并不是截然分開的，因為從一定意義上來講，二者都是要達到對 數(shù)據(jù) 進行降維的目的，只是實現(xiàn)的途徑不同。人臉圖像的采集形式主要有兩種：一為靜態(tài)人臉圖像，二位動態(tài)人臉圖像。數(shù)據(jù)驅動方法直接對圖像進行處理，不依賴于先驗知識。在每個子區(qū)域中，對經(jīng)過適當定義能反映一個物體內成員隸屬度的性質進行計算，每個子區(qū)域會用一組參數(shù)來表示該區(qū)域。 FERET 人臉數(shù)據(jù)庫是人臉識別中最常用的數(shù)據(jù)庫，包含多姿態(tài)和多光照的人臉灰度圖像，但其多為西方人臉圖像，每個人的人臉圖像變化較少。我們在本文采用的是它的face94 數(shù)據(jù)庫。圖像的文件格式很多，本節(jié)只介紹本文常用的幾種圖像格式。而接收方隨著觀察，常常會有新的要求，可能對新的區(qū)域感興趣，也可能希望某一區(qū)域更清晰 13 些。然而令很多軟件開發(fā)商感到意外的是， GIF 文件所采用的壓縮算法忽然成了 Unisys 公司的專利。PNG 使用從 LZ77 派生的無損數(shù)據(jù)壓縮算法。39。局部閥值法可以處理比較復雜的情況，但有些情況會發(fā)生失真。線性平滑濾波器去除了高頻成分和圖像中的銳化細節(jié) 。 3. 中值濾波器 中值濾波是一種非線性濾波方法。在實際中，一般先濾除噪 聲后在進行圖像銳化處理。39。 因此應用極其廣泛，從神經(jīng)科學到計算機圖形學都有 它的身影 。但是，在 實際 中，對于第一次 做這個 實驗的 實驗 者來說（這也是實驗科學中最常遇到的一種情況），是 無法 進行這樣的假設的 。這個維度即最重要的 “ 主元 ” 。(在 2 2 2 2, , ,2 2 2 2????? ? ? ?? ? ? ???? ? ? ???基下） ， 因為一般的觀測者都是習慣于取攝像機的屏幕坐標，即向上和向右的方向作為觀測的基準。 上面提出的兩個問題就是 PCA 方法 要解決 的目標。 下面的 例子 取自一個 我們都非常熟悉的 物理學中的實驗。 第 三 節(jié) 本章小結 本章主要介紹了 JPEG 文件格式和人臉圖像常用預處 理方法。大小矯正是為了把原始圖像的人臉校正到統(tǒng)一的大小，常常依據(jù)人臉的坐標。 邊緣保持算法的基本過程為：對灰度圖像的每一個像素點 [i,j]取適當大小的一個鄰域，分別計算 [i,j]的左上角子鄰域，左下角子鄰域，右上角子鄰域和右下角子鄰域的灰度分布均勻度V，然后取最小均勻度對應區(qū)域的均值作為該像素的新灰度值。 高斯濾波器寬度決定著平滑程度，是由 ? 表征的。人臉圖像預處理經(jīng)常使用后一類方法。在人臉識別中二值化用來把人的頭發(fā)，眼睛，臉的輪廓及背影與人臉的亮域分開。 一 、 灰度變化 人臉識別的研究常以灰度圖像為處理對象。 GIF 格式的特點是壓縮比高，磁盤空間占用少。 GIF 文件的數(shù)據(jù)，是一種基于 LZW 算法的連續(xù)色調的無損壓縮格式。 JPEG2021 文件的擴展名 為 jp2。其中研究人員 指的是 研究生導師或其他固定職位的研究員，不 包括 學生。這個人臉數(shù)據(jù)庫 由 Libor Speacek 博士主持的計算機視覺研究項目 在維護。每個人臉識別系統(tǒng) 都需要 一個 人臉數(shù)據(jù)庫。局部閥值方法是圖像不同區(qū)域得到對應 不同區(qū)域的閥值即一個閥值對應圖像的一個子區(qū)域。 對于靜態(tài)人臉圖像采集要注意要確保人臉表情正常，姿態(tài)無傾斜，光線盡量均勻，并且要對周圍的光源做必要的處理，避免受到周圍強光和不均 勻異色光的干擾。 人臉識別小節(jié)講解本文人臉識別的流程。由于測量空間的維數(shù)一般都很高，不易設計分類器，所以在分類器設計之前，需要從測量空間變換到維數(shù)很少的特征空間，由特征向量表示。 從傳感器采集到圖像除了包含人臉特征信息，還包含背景信息，所以必須從原始人臉圖像分割出 我們要處理的部分。 四 、 表情問題 表情識別是生物特征識別的中的一種，是人機交互不可或缺的部分。隨著現(xiàn)在三維人臉采集技術的逐步發(fā)展，如何利用三維人臉進行人臉識別已成為一個新的研究熱點。 并 且隨著現(xiàn)代社會的發(fā)展，快速人臉識別的需求越來越大 。其主要將人臉描述為 2D形狀和紋理兩個分離的部分，分別用 PCA 建模，然后再通過 PCA[3,4,5]將兩者合成來對人臉建模。 這個時期的 主要成果有： 1992 年 左右， Brunelli 和 Poggio 做了一個 基于結構特征的方法和基于模板匹配的方法性能 對比 的實驗，并得出了模塊匹配的方法優(yōu)于基于特征的方法的結論。具體安排如下 : 第一章 主要介紹人臉識別的研究 現(xiàn)狀 ，人臉識別技術的主要難點及人臉識別流程 。 本文按照完整人臉識別流程來分析基于 PCA 的人臉識別算法實現(xiàn)的性能。 本文 研究的就是基于 PCA 的人臉識別算法的實現(xiàn) 。 本文主要介紹基于 PCA 的人臉識別 算法的實現(xiàn)， 除第一章外，其余 內容按照人臉識別的流程可分為 人臉圖像獲取，人臉圖像預處理，人臉特征提取和 特征匹配 四個部分。 后來很多人臉識別技術都與特征臉有 關 ，現(xiàn)在特征臉已與歸一化的協(xié)相關量方法一起成為了人臉識別性能測試的基準算法。它是人臉建模方面的一個新的進步。 人臉圖像維數(shù)都很高， PCA 方法不但很好表征人臉而且通過去除相關性，減少冗余，解決了在人臉識 別過程中圖像為數(shù)過高的問題 。三維人臉相比較于二維圖像提供了更加完整的人臉信息。如何提高人臉識別系統(tǒng)對姿態(tài)的魯棒性是人臉識別中一個具有挑戰(zhàn)性的任務。 二 、 預處理 預處理 是為了除去噪聲 和對測量儀器或其他因素對人臉圖像造成退化現(xiàn)象進行復原。 2. 特征 提取 原始數(shù)據(jù)組成的空間 被稱為 測量空間。在人臉識別技術的主要難點小節(jié)主 要講解人臉識別的主要技術難點及本文是在什么樣的條件進行試驗的。一般而言，動態(tài)人臉圖像采集應用于特殊場合，如犯罪識別過程，而靜態(tài)人臉圖像采集應用于普通的安全場合。全局閥值方法是使用整個圖像的灰度信息，來得到用于分割的閥值。 第 三 節(jié) 人臉數(shù)據(jù)庫 人臉數(shù)據(jù)庫是人臉識別研究，開發(fā)和評測不可缺少的。任何人都可以下載它的人臉數(shù)據(jù)庫，但是你不能發(fā)布，打印，銷售或發(fā)行這些圖像。 CASE— PEAL— R1 為 CASE— PEAL 的共享版，可以提供給研究人員用以研究使用。 JPEG2021 通常被認為是未來取代 JPEG（基于離散余弦變換）的下一代圖像壓縮標準。 四 、 GIF 格式 GIF 圖像互換格式（ Graphics Interchange Format） 是 CompuServe 公司在 1987 年開發(fā)的圖像文件格式。與 GIF 相關的專利于 2021 年 8 月 11 日過期。常用的人臉預處理有：灰度變化，二值化 ，直方圖 均衡 ，圖像濾波，圖像銳化和歸一化處理。 二 、 二值化 二值化是通過選取適當?shù)拈y值將灰度圖像的灰度值從 0 到 255 變換為只有 0 和 255 的黑白圖像。全局處理類的方法需要了解信號和噪聲的統(tǒng)計模型。這就意味著平滑圖像不會被不需要的高頻信號所污染，同時保留了大部分所需信號。邊緣保持濾波器結合兩者的優(yōu)點，在濾除噪聲脈沖的同時，也不會使圖像的邊緣十分模糊。 幾何歸一化主要的內容有大小矯正，平移，旋轉和翻轉。把通過上式得到畸變圖像位置上的灰度值去除添回 到空白校正圖像點陣中相應的位置上，并且還需要經(jīng)過灰度內插來確定 (x,y)的位置的灰度值。在神經(jīng)科學、氣象學、海洋學等等學科實驗中，假設的變 量個數(shù) 往往 非常之多 ， 但是真正的影響因素以及它們之間的關系可能又是非常之簡單的 。如何去除噪音 是實驗者 每天 都要思考和解決的問題 。假設采集數(shù)據(jù)點是 (2,2)，一般并不會 記錄 (2 2,0) 。 PCA 的目標就是找到這樣的 “ 主元 ” ，最大程度的去除冗余和噪音的干擾。那么，一般來說，必須記錄下球的三維位置 (x0,y0,z0)。 PCA被 稱為 應用線形代數(shù)最 有 價值的結果之一 。( , )( , )xyx F x yy F x y? ??? ??? （ ） 進行轉換，其中 ,xyFF為直接校正變換函數(shù) 。常用的圖像銳化方法為拉普拉斯銳化。它在平滑脈沖噪聲方面非常有效，同時它可以保護像素尖銳的邊緣。 2. 高斯平滑濾波器 由于高斯函數(shù)的傅里葉變換仍是高斯變換，因此高斯函數(shù)能構成一個在頻域具有平滑性能的低通濾波器，它對去除服從正態(tài)分布的噪音非常有效。動態(tài)閥值法適應性和性能都比較好，實際中對于人臉識別常采用此法進行二值化。[ , ]ab ，則 它們 之間關系為 39。 PNG 是目前保證最不失真的格式，它綜合 GIF 和 JPG 兩者的優(yōu)點，存儲形式豐富，兼有GIF 和 JPG 的色彩模式。據(jù) Unisys 公司稱，他們已注冊了 LZW 算法中的 W 部分。 三 、 BMP 格式 BMP(BitmapFile） 圖形文件是 Windows 采用的圖形文件格式，在 Windows 環(huán)境下運行的所有圖象處理軟件都支持 BMP 圖象文件格式。 一 、 JPEG格式 JPEG 文件格式是常用的圖像文件格式。 faces94 數(shù)據(jù)庫中人臉圖像是在 受試者坐在距離相機固定位置，并要求講話的情況下采集而成 。 MIT 人臉數(shù)據(jù)庫有麻省理工大學媒體實驗室建立，由 16 位志愿者的2592 副多姿態(tài)，多光照和不同大小的圖像組成。然后對相鄰區(qū)域所 有邊界進行分析，若便捷信息強，則邊界不變，若邊界信息弱 ，則消除個邊界并合并相應的鄰 域。其包含有基于邊緣檢測的方法，基于閥值的方法和基于區(qū)域增長的方法。靜態(tài)人臉圖像的采集相對比較簡單，用數(shù)碼相機即可獲取。特征提取是通過某種變換的方法組合原有的高維特征，從而得到一組低維的特征。由于物理特征和結構特征容易被察覺，觸覺以及其他感覺器官所感知，所以人類常常是利用這些特征來 對對象進行識別。 五 、 遮擋問題 對于非配合情況下，采集到的人臉圖像一般都不是完整的，這會影響人臉特征提取與識別，可能還會導致人臉檢測算法的 失效 。但在人員不配合，采集條件不理想下，系統(tǒng)的性能陡然下降。 二 、 動態(tài)跟蹤人臉識別系統(tǒng) 目前的靜態(tài)人臉識別技術只能滿足一般身份識別場合如門禁系統(tǒng)，考勤系統(tǒng)等，無法進行人臉的動態(tài)跟蹤與識別。 光照和姿態(tài)問題成為了研究焦點。對于輸入的圖像，其通過一種優(yōu)化搜索策略來定位預先定位的若干面部關鍵特征點，同時提取它們的 Jet 特征，得到輸入人臉圖像的屬性圖。 不過 1990 年以來，才得到了長足的進步。