【正文】 Viterbi 分割收斂？是否 前向－后向算法 Baum－Welch算法收斂？人臉 HMM否是 圖3－13 人臉HMM的訓(xùn)練流程 經(jīng)過HMM訓(xùn)練后的人臉識別如圖3－14所示。同時，由式7和式8可知2DDCT的正、逆變換核是可分離的。因此，在對語音信號、圖像信號的變換中，DCT變換被認(rèn)為是一種準(zhǔn)最佳變換。因而，可以更進(jìn)一步 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 29 頁理解，我們觀察到的序列是由5個狀態(tài)產(chǎn)生的，這5個狀態(tài)是抽象的，因而不具有具體的意義，我們只是通過觀察序列對它進(jìn)行估計。它的一個副產(chǎn)品是 ，也可以作為前向－后向算法的結(jié)果。|trttjjPOqs?????t 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 21 頁S1S2SNSj(1)t? (2)t ?1ja2jNja1()jtbO?1t?時刻 t()ti?時刻1()tj??t＋1()tN 圖3－3 由 推導(dǎo)()ti()tj?由圖3－3可見： 1 11()[()])NtiijtjbO??????Baum等提出了此算法，用來計算給定一個觀察值序列 ，以12(,.,)TO?及一個模型 ，由模型 產(chǎn)生O的概率 。以下圖3－2是HMM組成示意圖。另一個隨機(jī)過程描述狀態(tài)和觀察值之間的統(tǒng)計對應(yīng)關(guān)系。通過調(diào)整參數(shù)，將函數(shù)能量最小的彈性模板作為人臉的最佳匹配。Platt提出的SMO（Sequential Minimal Optimization）算法解決了SVM訓(xùn)練困難的問題。Schneiderman等()Pobject?采用64*64像素的模式區(qū)域，將其分為16個子區(qū)域， 通過子區(qū)域獨(dú)立性等假設(shè)降低“人臉”和“非人臉”模式分布表達(dá)式 和 的復(fù)雜(|)Pregionbjct(|)Pregionbjct性，最后轉(zhuǎn)化為稀疏編碼的直方圖， 通過計算訓(xùn)練樣本的頻度求得兩種模式的概率分布。變換得到對應(yīng)特征值依次遞減的特征向量，即特征臉。該方法對光照變換、人臉傾斜角度較大或遇到訓(xùn)練集里沒有的較大的眼睛時，定位效果會變差。Lee等設(shè)計了膚色模型表征人臉顏色，利用感光模型進(jìn)行復(fù)雜背景下人臉及器官的檢測與分割。Kouzani 等使用人工神經(jīng)網(wǎng)分別檢測眼睛、鼻子、嘴以及人臉的整體特征。Terrillon等同時指出，最終限制檢測性能的因素是不同色度空間中“膚 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 9 頁色”與“非膚色”區(qū)域的重疊程度。 表格 2－1 人臉檢測問題分類狀態(tài) 類別 圖像 靜止圖像 動態(tài)圖像 顏色 彩色 灰度 人臉姿態(tài) 正面 側(cè)面 人臉數(shù) 單人 未知 復(fù)雜背景 簡單背景 復(fù)雜背景 用途 視頻會議，監(jiān)控設(shè)置，遠(yuǎn)處教育，人臉信息處理等等以上表2－1可知，人臉的圖像所包含的模式特征十分的豐富，在這些特種中，如何 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 7 頁提取出有用的特征來進(jìn)行人臉檢測是一個關(guān)鍵的問題。人是萬物之靈，區(qū)別人與動物的是其發(fā)達(dá)的大腦及進(jìn)化的智慧。 相關(guān)學(xué)科要建立一套完整的人臉識別系統(tǒng)（Face Recognition System） ，必然要綜合運(yùn)用如下幾大學(xué)科領(lǐng)域的知識，只有把這幾大學(xué)科的知識綜合起來，才能順利的達(dá)到識別目的。人臉識別的輸入圖像通常有三種情況：正面，傾斜，側(cè)面。如今，雖然在這方面的研究已取得了一些可喜的成果，但是人臉識別技術(shù)FRT（Face Recognition Technology）在實(shí)用應(yīng)用中仍面臨著很嚴(yán)峻的問題，因?yàn)槿四樜骞俚姆植际欠浅Ｏ嗨频模胰四槺旧碛质且粋€柔性物體，表情、姿態(tài)或發(fā)型、化妝的千變?nèi)f化都給正確識別帶來了相當(dāng)大的麻煩。 人臉識別技術(shù)應(yīng)用背景廣泛，可用于公安系統(tǒng)的罪犯身份識別、駕駛執(zhí)照及護(hù)照等與實(shí)際持證人的核對、銀行及海關(guān)的監(jiān)控系統(tǒng)及自動門衛(wèi)系統(tǒng)等。在用靜態(tài)圖像或視頻圖像做人臉識別的領(lǐng)域中，比較有影響的有MIT 的Media實(shí)驗(yàn)室的Pentland小組，他們主要是用基于KL變換的本征空間的特征提取法，名為“本征臉（eigenface） ； Malsburg小組，他領(lǐng)導(dǎo)了美國的Southern California大學(xué)和德國的 Bochum大學(xué)合作，采用動態(tài)鏈接結(jié)構(gòu)和彈性圖像匹配等方法；還有Perinceton 大學(xué)Cox 領(lǐng)導(dǎo)的NEC小組等；從1994年開始，一些科研單位和公司開始將研究成果轉(zhuǎn)移為實(shí)用產(chǎn)品，如Miros 公司的True Face，Visinocs公司的Facelt，ZNBochum GmbH公司研制的ZN—Face等 [17]。 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 4 頁特征提?。鹤R別方法的不同決定了人臉特征一般也不同，比如說在基于幾何特征的識別方法中，第一步要提取特征點(diǎn)，然后由特征點(diǎn)構(gòu)造特征矢量，在基于統(tǒng)計的識別方法中，本征臉法是利用圖像相關(guān)矩陣的本征值構(gòu)造特征矢量，隱馬爾可夫過程法是對多個樣本圖像的空間序列訓(xùn)練出一個HMM的模型，它的參數(shù)就是特征值，模板匹配法用相關(guān)系數(shù)作特征，而神經(jīng)網(wǎng)絡(luò)方法則直接用歸一化后的灰度圖像作為輸入，沒有專門的特征提取過程，這是要區(qū)別開來的。為此，計算機(jī)需要具有處理、分析和理解圖像的能力。人臉是一類具有相當(dāng)復(fù)雜的細(xì)節(jié)變化的自然結(jié)構(gòu)目標(biāo)，此類目標(biāo)的檢測問題具有高度挑戰(zhàn)性，其主要的難點(diǎn)有兩方面，一方面是由于人臉內(nèi)在的變化所引起：(1) 人臉具有相當(dāng)復(fù)雜的細(xì)節(jié)變化，不同的外貌如臉形、膚色等，不同的表情如眼、嘴的開與閉等；(2) 人臉的遮擋，如眼鏡、頭發(fā)和頭部飾物以及其他外部物體等；另一方面由于外在條件變化所引起：(1) 由于成像角度的不同造成人臉的多姿態(tài)，如平面內(nèi)旋轉(zhuǎn)、深度旋轉(zhuǎn)以及上下旋轉(zhuǎn)，其中深度旋轉(zhuǎn)影響較大；(2) 光照的影響，如圖像中的亮度、對比度的變化和陰影等。人臉檢測常用的色度空間主要有：RGB （紅、綠、藍(lán)三基色） 、rgb（亮度歸一化的三基色） 、SHI（飽和度、色調(diào)、亮度） 、YIQ（NTSC制的光亮度和色度模型） 、YUV（PAL制的光亮度和色度模型） 、YCbCr（CCIR601編碼方式的色度模型，與 YUV在數(shù)學(xué)上具有等價性） 、CIEL*a*b（國際照明委員會提出的基于色度學(xué)的彩色模型）等。Lv 等依據(jù)人臉的左右對稱性，通過提取投影直方圖特征檢測人臉的旋轉(zhuǎn)角度，再提取鑲嵌圖特征。將這些信息與眼睛和嘴巴在人臉上分布的相對位置關(guān)系結(jié)合，就能夠檢測到眼睛和嘴巴。多層感知器（MLP）早就被用于人臉模式的分類，Burel和Carel先用Kohonen網(wǎng)絡(luò)對原始訓(xùn)練集進(jìn)行粗分類，然后用MLP網(wǎng)絡(luò)進(jìn)行精確分類。X1 X2 XmY1 Y2 Ym 圖2－5 多主元提取神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2. 基于特征空間的方法 [17]此類方法將人臉區(qū)域圖象變換到某一特征空間，根據(jù)其在特征空間中的分布規(guī)律劃分 “人臉”與“非人臉”兩類模式。3. 基于概率模型的方法 [10]基于概率模型方法的一種思路是計算輸入圖像區(qū)域region屬于人臉模式object的后驗(yàn)概率p（object|region），據(jù)此對所有可能的圖像窗口進(jìn)行判別。該方法的基本思路是對每一個1919象素的檢測窗口使用SVM進(jìn)行分類，以區(qū)分“人臉”和“非人臉”窗口。 圖 2－6 人臉彈性圖匹配方法Yuille 用可變形模板去建模預(yù)先的彈性人臉特征。特別是在語音識別領(lǐng)域或手勢的識別。(ijNa?ija1jtttq??1,ijN?(5)B：觀察值概率矩陣， ，其中 ，()jkBb??()KjktjtVbPQ?。令 代()ti?表在給定模型參數(shù) 下，過程到t時刻為止產(chǎn)生部分給定觀察序列 ，且在t? 12,.O時刻狀態(tài)為 的部分概率，記作： 求is 12(),.。此時有： 1(|)()NrttiPOi????? 1S2SNSiSjSNS2S1S? 1()ijiabo??()ti? 1()tj??時刻 t1 時刻 t 時刻 t+2時刻 t+1圖3－6 t時刻與t+1時刻 和 之間的關(guān)系isj 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 24 頁該過程整體流程圖如圖3－7所示：初始化（I 時刻）向前變量 ()ti?向前過程從I時刻開始向前遞推各個 t時刻的 ()ti得到 12(),.()Tii??計算 1(|)()NttiPOi?????向后過程初始化（T時刻）向后變量 ()ti?從T 時刻開始向前遞推各個 t時刻的 ()ti得到 12(),.,()Tii? 圖3－7 前向后向算法流程圖 維特比算法該算法解決了給定一個觀察值序列 和一個模型 ，在12,.TO?(,)AB???最佳的意義上，確定一個狀態(tài)序列的問題。對于一幅寬為W、高為H(WH，單位：像素)的人臉圖像，假設(shè)人臉是垂直的，那么人臉的主要特征(額頭、眼睛、鼻子、嘴巴和下巴)就在垂直方向上順序出現(xiàn)，這就意味著可以把人臉圖像建成一個從上到下的模型。 基于離散余弦變換（DCT）的特征提取方法離散傅里葉變換（DFT）提供了頻譜分析最重要的工具，但DFT運(yùn)算是復(fù)數(shù)域運(yùn)算，在實(shí)際處理中并不方便。0,12.)f y???? 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 32 頁則2DDCT定義如下： （7）102(21)(21)(,)()coscosMNxyxuyvFuvCuvMN?????其中， 為變換系數(shù)矩陣中的各個元素；,(,.。隱馬爾可夫模型的各個參數(shù)在這個步驟中得以重新估計，得到一個新的 。 窗口圖像塊的大小和 2D－DCT 系數(shù)項(xiàng)目數(shù)目，對識別精度影響顯著，窗口太小，不但訓(xùn)練時間長，且識別精度反而降低。（3） 將訓(xùn)練數(shù)據(jù)均勻分割，與N個狀態(tài)對應(yīng)，計算隱馬爾可夫模型的初始參數(shù)，狀態(tài)之間的轉(zhuǎn)移概率矩陣A在這里初始化。一維DCT的逆變換IDCT定義為： （4）102(21)()()cosNxxufCuFN???其中，x，u＝0，1，2，…，N1。也就是說，定義一個WL的采樣窗，采樣 窗從上到下順序采樣，每次向下移動L的距離，這樣提取出的圖像塊就是采樣窗在人臉圖像中的采樣。(|)PO? (,)AB???定義 為給定訓(xùn)練序列 O 和模型 時，時刻 t 時 Markov 鏈處于狀態(tài) 和時,tij? i?刻 t+1 時狀態(tài) 的概率，即：j?1(,),)jt titiPq??????可以推導(dǎo)出： 1[())(](, |)tijttt abOjij P???那么，t 時刻 Markov 鏈處于狀態(tài) 的概率為：i?1()(),|)(,(|)Nttttitj iiPqjO??????????在 Baum－Welch 算法導(dǎo)出的重估公式為：1()i??11,()TttTij ttiji?????11()tkttandOVTjk ttjbj????HMM 的參數(shù) 求解過程為：選取一個初始模型 ，根據(jù)觀察(,AB?? (,)AB??? 西南交通大學(xué)本科畢業(yè)設(shè)計(論文) 第 27 頁值序列，由重估公式得到一組新參數(shù)，得到一個新的模型 ，迭代下去，(,)AB?????直到 收斂為止。即：?tiqs?tOT，求 與 間12(),.。假設(shè)狀態(tài) 出現(xiàn)的概率為 ，如果這個tQ211(,.)trqP?概率只由前個狀態(tài)決定，即 ，則稱為一階馬爾可夫過程。一個HMM的構(gòu)成元素如下：(I)N：模型中Markov鏈的狀態(tài)數(shù)N。如果一個過程的“將來”僅依賴“現(xiàn)在”而不依賴“過去”，則此過程具有馬爾可夫性，或稱此過程為馬爾可夫過程。Craw 等提出一種基于形狀模板的正面人臉的定位方法。 該方法同時考慮到人臉由左到右各個特征的自然順序， 使用了二維HMM ， 并且采用二維DCT 變換的系數(shù)作為觀察向量。需要指出的是，人臉檢測中“非人臉”樣本的選取是一個較為困難的問題。 “父層”網(wǎng)判斷“子層”能否構(gòu)成一張人臉。Intrator利用廣義對稱變換理論和邊緣圖像確定人臉對稱軸，然后根據(jù)人臉五官分布的約束條件及在對稱軸上對稱值最大的地方定位眼睛和嘴巴。因此，人臉檢測的關(guān)鍵是針對灰度圖像的檢測算法。Craw 等首先在低分辨率圖象中使用一個輪廓模板匹配出人臉的大致范圍，然后在高分辨率圖象中使用 Sobel 算子獲得邊緣的位置和方向，并連接出完整的人臉輪廓。 人臉特征顏色特征（膚色、發(fā)色等）輪廓特征（橢圓輪廓等）啟發(fā)式特征（頭發(fā)、下顎等）模板特征（均值、方差、距離等）變換域特征（特征臉、小波特征等）結(jié)構(gòu)特征（對稱性、投影特征等）鑲嵌圖特征（馬賽克規(guī)則等）直方圖特征（分布、距離等）