【文章內(nèi)容簡(jiǎn)介】 入，與小波，混沌，模糊集 等非線性理論相結(jié)合已成為一個(gè)非常重要的發(fā)展方向。小波變換具有時(shí)頻特性和變焦特性，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)，自適應(yīng)，魯棒性，容錯(cuò)性和推廣能力。 如果能結(jié)合兩者的優(yōu)勢(shì)，將會(huì)取得人臉識(shí)別不錯(cuò)的效果。 四 、 三維人臉識(shí)別 目前許多人臉識(shí)別成果是建立在二維人臉基礎(chǔ)上的，而實(shí)際的人臉是三維的。三維人臉相比較于二維圖像提供了更加完整的人臉信息。隨著現(xiàn)在三維人臉采集技術(shù)的逐步發(fā)展，如何利用三維人臉進(jìn)行人臉識(shí)別已成為一個(gè)新的研究熱點(diǎn)。 五 、 適應(yīng)各種復(fù)雜背景的人臉?lè)指罴夹g(shù) 現(xiàn)在在復(fù)雜背景下的人臉?lè)指钜呀?jīng)取得了一定的成果，如彈性匹配 ，但檢測(cè)速度和效果還無(wú)法令人滿意。在復(fù)雜背景下快速有效檢測(cè)和分割人臉技術(shù)還需進(jìn)一步的研究。 六 、 全自動(dòng)人臉識(shí)別技術(shù) 全自動(dòng)人臉識(shí)別技術(shù)目前還處于初級(jí)研究階段，識(shí)別效果和速度離實(shí)際的要求還相差甚遠(yuǎn)。具體原因是人臉是非剛體，無(wú)法得到準(zhǔn)確完整的描述人臉特征。 如何有效的表達(dá)人臉特征將是其研究的重點(diǎn)。 畢業(yè)設(shè)計(jì)（論文） 5 第 三 節(jié) 人臉識(shí)別技術(shù)的主要難點(diǎn) 目前的人臉識(shí)別技術(shù)在人員配合，較理想采集條件下可以取得比較滿意的結(jié)果。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。目前的主要的難點(diǎn)為： 一 、 復(fù)雜條件下人臉的檢測(cè)和關(guān)鍵 點(diǎn)定位 人臉檢測(cè)和關(guān)鍵點(diǎn)定位為實(shí)際人臉識(shí)別系統(tǒng)的前端處理模塊，此模塊直接影響著人臉識(shí)別系統(tǒng)的性能。目前大多數(shù)特征定位算法的精度都會(huì)隨著光照，姿態(tài)等變化而快速下降。 復(fù)雜條件下的人臉檢測(cè)與關(guān)鍵點(diǎn)定位是目前人臉識(shí)別急需解決的問(wèn)題之一。 二 、 光照問(wèn)題 關(guān)照問(wèn)題是計(jì)算機(jī)視覺(jué)存在已久的問(wèn)題，尤其在人臉識(shí)別中表現(xiàn)得更加明顯。但目前為止光照處理技術(shù)遠(yuǎn)未達(dá)到實(shí)用的程度，還需要深入的研究。 三 、 資 態(tài)問(wèn)題 對(duì)于姿態(tài)的研究相對(duì)不多，現(xiàn)在人臉識(shí)別算法主要以正面或準(zhǔn)正面姿態(tài)。 當(dāng)人臉姿態(tài)俯仰或左右比較大時(shí)，人臉識(shí)別的識(shí)別率驟降。如何 提高人臉識(shí)別系統(tǒng)對(duì)姿態(tài)的魯棒性是人臉識(shí)別中一個(gè)具有挑戰(zhàn)性的任務(wù)。 四 、 表情問(wèn)題 表情識(shí)別是生物特征識(shí)別的中的一種，是人機(jī)交互不可或缺的部分。表情是復(fù)雜的面部肌肉運(yùn)動(dòng)，每個(gè)表情都是幾十塊面部肌肉共同運(yùn)動(dòng)的結(jié)果，很難用精確的數(shù)學(xué)模型來(lái)表示這些肌肉的運(yùn)動(dòng)。 面部表情的變化為面部特征點(diǎn)的運(yùn)動(dòng)。 由于 目前的計(jì)算機(jī)技術(shù)的限制，計(jì)算機(jī)還不能準(zhǔn)確的定位這些面部特征點(diǎn)，也無(wú)法辨別面部肌肉的運(yùn)動(dòng)。而且，同一種表情在不同的人上也會(huì)有不同的表現(xiàn)形式。并且同一個(gè)人的不同表情之間也沒(méi)有明確的界限。以上這些決定計(jì)算機(jī)很難用統(tǒng)一的標(biāo)準(zhǔn)來(lái)識(shí)別 人的面部表情。 五 、 遮擋問(wèn)題 對(duì)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(huì)影響人臉特征提取與識(shí)別，可能還會(huì)導(dǎo)致人臉檢測(cè)算法的 失效 。 如何有效地排除遮擋物的影響有著非常重要的意義，如在監(jiān)控環(huán)境下。 以上列舉 了 部分 主要的技術(shù)難點(diǎn) ，其他難點(diǎn) 由于本文的討論不會(huì)涉及，所以 不會(huì)再一一列畢業(yè)設(shè)計(jì)（論文） 6 舉 。本文的實(shí)驗(yàn)是在人臉圖像正面姿態(tài)，光照正常，表情正常，部分面部圖像有小范圍 遮擋的情況下進(jìn)行的。這樣做的目的 只 是讓我們的工作重心集中在 分析 PCA 人臉識(shí)別算法 性能上。 第 四 節(jié) 人臉識(shí)別流程 人 臉 圖 像獲 取特 征 提 取系 統(tǒng) 數(shù) 據(jù)庫(kù)輸 出 結(jié) 果人 臉 圖 像獲 取特 征 提 取特 征 匹 配預(yù) 處 理 預(yù) 處 理 圖 人臉識(shí)別 系統(tǒng) 處理流程 一 、 人臉圖像采集 采集人臉圖像是通過(guò)傳感器采集人臉圖像，并將其轉(zhuǎn)換為計(jì)算機(jī)可以處理的數(shù)字信號(hào)。這是人臉識(shí)別的第一步。在采集人臉圖像時(shí)，要注意用戶人臉姿態(tài)，臉部有無(wú)遮擋 ， 周圍光照是否滿足要求 及設(shè)備采集圖像的質(zhì)量是否能滿足要求。 二 、 預(yù)處理 預(yù)處理 是為了除去噪聲 和對(duì)測(cè)量?jī)x器或其他因素對(duì)人臉圖像造成退化現(xiàn)象進(jìn)行復(fù)原。 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。如何分割就需要定位和分割算法。他們 一般以人臉圖像在圖像結(jié)構(gòu)和人臉信號(hào)分布的先驗(yàn)知識(shí)為依據(jù)。 常用的人臉預(yù)處理有人臉圖像灰度化，人臉圖像二值化，人臉圖像歸一化，直方圖修正，圖像濾波和圖像銳化。 三 、 特征提取 畢業(yè)設(shè)計(jì)（論文） 7 特征提取 就是計(jì)算機(jī)通過(guò)提取人臉圖像中能夠 凸顯個(gè)性化差異的的本質(zhì)特征 ，進(jìn)而來(lái)實(shí)現(xiàn)身份識(shí)別。 本文講解如何使用 PCA 算法提取人臉特征，進(jìn)而實(shí)現(xiàn)人臉識(shí)別。 特征主要包括三種類型：物理特征，結(jié)構(gòu)特征和數(shù)學(xué)特征。由于物理特征和結(jié)構(gòu)特征容易被察覺(jué)，觸覺(jué)以及其他感覺(jué)器官所感知，所以人類常常是利用這些特征來(lái)對(duì)對(duì)象進(jìn)行識(shí)別。對(duì)于計(jì)算機(jī)而言，模擬人類的感覺(jué)器官是 很難實(shí)現(xiàn)的，但計(jì)算機(jī)在處理數(shù)學(xué)特征的能力上要比人類強(qiáng)得多，因此我們通過(guò)諸如協(xié)方差矩陣，統(tǒng)計(jì)平均值和相關(guān)系數(shù)等數(shù)學(xué)特征來(lái)構(gòu)建人臉識(shí)別系統(tǒng)。特征提取和選擇的根本任務(wù)就是從許多特征中找出那些最有效的特征。在樣本數(shù)不是很多的情況下，可以利用這些特征進(jìn)行分類器的設(shè)計(jì)，但是在大多數(shù)情況下，由于測(cè)量空間的維數(shù)很高，不能直接進(jìn)行分類器的設(shè)計(jì)。因此，如何把高維測(cè)量空間壓縮到低維 特征空間，以便有效的設(shè)計(jì)分類器，便成為了一個(gè)值得思考的問(wèn)題。 為了獲得有效的特征，一般需要經(jīng)過(guò)特征形成，特征提取和特征選擇等步驟。 1. 特征形成 特征形成 是根據(jù)被識(shí)別對(duì)象產(chǎn)生出一組基本特征的過(guò)程，當(dāng)被識(shí)別的對(duì)象是波形或數(shù)字圖像時(shí)，這些特征可以通過(guò)計(jì)算得來(lái)；當(dāng)被識(shí)別對(duì)象是實(shí)物或某種過(guò)程時(shí)，這些特征可以用儀表或傳感器測(cè)量來(lái)得到。通過(guò)上面方法獲得特征被稱為原始特征。 2. 特征 提取 原始數(shù)據(jù)組成的空間 被稱為 測(cè)量空間。由于測(cè)量空間的維數(shù)一般都很高，不易設(shè)計(jì)分類器，所以在分類器設(shè)計(jì)之前，需要從測(cè)量空間變換到維數(shù)很少的特征空間，由特征向量表示。通過(guò)映射或變換方法用低緯空間來(lái)表示樣本的過(guò)程被稱為特征提取。映射后的特征稱為二次特征，它們是原始特征的某種組合，通常是線性組合。 3. 特征 選擇 從一組特征中挑出一些最有效的特征從而達(dá)到降低特征空間維數(shù)目的的過(guò)程稱為特征選擇。由于在許多實(shí)際問(wèn)題中常常不容易找到那些最重要的特征，或者由于條件限制而不能對(duì)這些重要特征進(jìn)行測(cè)量。從而使得特征選擇和特征提取的任務(wù)復(fù)雜化。 特征提取和特征選擇在有些情況下并不是截然分開(kāi)的，因?yàn)閺囊欢ㄒ饬x上來(lái)講，二者都是要達(dá)到對(duì) 數(shù)據(jù) 進(jìn)行降維的目的，只是實(shí)現(xiàn)的途徑不同。特征提取是通過(guò)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。而特征選擇是根據(jù)專家的檢驗(yàn)知識(shí)或評(píng)價(jià)準(zhǔn)則來(lái)挑選對(duì)分類最有影響的特征。 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(gè)空間中在進(jìn)一步選擇特征來(lái)進(jìn)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(jìn)行映射以降低維度。 四 、 特征匹配 畢業(yè)設(shè)計(jì)（論文） 8 特征匹配 是計(jì)算兩個(gè)人臉圖像特征樣本的特征模塊間的 相似 度 即將采集到的人臉圖像的特征模版與系統(tǒng)中已存儲(chǔ)的特征模版進(jìn)行比對(duì)， 并輸出最佳匹配對(duì)象。在本文主要講解 使用 最近鄰法分類器 歐幾里得距離 來(lái) 判別人臉圖像 ，在實(shí)際廣泛使用的還有基于 SVM即支持向量機(jī)，基于神經(jīng)網(wǎng)絡(luò)和圖匹配的方法。 第 五 節(jié) 本章小結(jié) 本章 由 人臉識(shí)別的研究背景，人臉識(shí)別技術(shù)的主要難點(diǎn) ，人臉識(shí) 別的發(fā)展趨勢(shì) 和人臉識(shí)別流程 四 個(gè)小節(jié)構(gòu)成 。在 人臉識(shí)別的研究概況 小節(jié)主要 講解人臉識(shí)別的研究 概況 及基于 PCA 人臉識(shí)別算法實(shí)現(xiàn)的研究意義。 在人臉識(shí)別的發(fā)展趨勢(shì) 小節(jié) 主要講解人臉識(shí)別技術(shù)未來(lái)的走向 。在人臉識(shí)別技術(shù)的主要難點(diǎn)小節(jié)主 要講解人臉識(shí)別的主要技術(shù)難點(diǎn)及本文是在什么樣的條件進(jìn)行試驗(yàn)的。 人臉識(shí)別小節(jié)講解本文人臉識(shí)別的流程。 畢業(yè)設(shè)計(jì)（論文） 9 第二章 人臉圖像的獲取 第一節(jié) 人臉圖像獲取 隨著計(jì)算機(jī)科技和微電子的發(fā)展，現(xiàn)在人臉圖像采集設(shè)備也越來(lái)越多。常用的采集設(shè)備有數(shù)碼相機(jī)，數(shù)碼攝影機(jī)等。但是采集設(shè)備成像原理各異，有些設(shè)備對(duì) 某類人臉圖像的采集效果比較好，進(jìn)而人臉識(shí)別率高，對(duì)不同類的人臉圖像采集效果差，進(jìn)而人臉識(shí)別率低。不過(guò)隨著現(xiàn)在科技的發(fā)展，這個(gè)問(wèn)題已基本上被解決。另外，人臉圖像采集的形式不同也會(huì)影響識(shí)別率。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(dòng)態(tài)人臉圖像。靜態(tài)人臉圖像的采集相對(duì)比較簡(jiǎn)單，用數(shù)碼相機(jī)即可獲取。動(dòng)態(tài)人臉圖像相比靜態(tài)人臉圖像獲取難度較大，但其更加貼近實(shí)際需求，應(yīng)用場(chǎng)合更加廣闊。 動(dòng)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。但同時(shí)也帶了問(wèn)題，動(dòng)態(tài)人臉圖像序列里的某一幅圖像可能會(huì)產(chǎn)生瞬間模糊，這 將會(huì)影響其識(shí)別率。上述問(wèn)題是由 人臉 的多變性產(chǎn)生的。對(duì)于動(dòng)態(tài)人臉圖像要考慮如何在序列中提取清晰的圖像又不丟失局部信息。同時(shí)建立人臉圖像間的相關(guān)性是有必要的，可以有效的提高識(shí)別率。在實(shí)際中，要采用何種人臉采集形式要取決于應(yīng)用的需求和場(chǎng)合。一般而言，動(dòng)態(tài)人臉圖像采集應(yīng)用于特殊場(chǎng)合，如犯罪識(shí)別過(guò)程，而靜態(tài)人臉圖像采集應(yīng)用于普通的安全場(chǎng)合。 對(duì)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(wú)傾斜，光線盡量均勻，并且要對(duì)周圍的光源做必要的處理，避免受到周圍強(qiáng)光和不均勻異色光的干擾。采集完成后要對(duì)每個(gè)對(duì)象的圖像做必要的 審核，剔除掉不符合要求的人臉圖像。 第二 節(jié) 人臉?lè)指? 人臉識(shí)別是通過(guò)對(duì)人臉進(jìn)行精確定位，并從圖像中提取人臉區(qū)域。人臉?lè)指顚儆趫D像分割，是人臉識(shí)別系統(tǒng)中不可缺少的一環(huán)。 要對(duì)人臉進(jìn)行識(shí)別一般需要將人臉區(qū)域從采集到的圖像中分離出來(lái)。 人臉 分割 比較經(jīng)典的方法有數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)。數(shù)據(jù)驅(qū)動(dòng)方法直接對(duì)圖像進(jìn)行處理，不依賴于先驗(yàn)知識(shí)。其包含有基于邊緣檢測(cè)的方法，基于閥值的方法和基于區(qū)域增長(zhǎng)的方法?；谀Ｐ偷姆椒ㄐ枰闰?yàn)知識(shí)。其包含有活動(dòng)輪廓模型等。采集到圖像中人臉區(qū)域顏色和紋理變化較大，因此如果要實(shí)現(xiàn)精確分割，只 利用圖像的數(shù)據(jù)信息是不夠的，所以實(shí)際中基于模型的方法使用的比較多。 畢業(yè)設(shè)計(jì)（論文） 10 基于邊緣的分割方法需要兩個(gè)步驟，分別為邊緣檢測(cè)和邊緣連接。該方法先提取邊緣后再進(jìn)行邊界連接，得到分割輪廓。但是這個(gè)方法也存在問(wèn)題，實(shí)際中由于噪聲的圖像的影響，常常會(huì)檢測(cè)到假的邊緣，從而導(dǎo)致錯(cuò)誤的分割。 基于閥值的方法是使用采集到圖像的灰度直方圖計(jì)算出分割閥值，又可以分為全局閥值方法和局部閥值方法。全局閥值方法是使用整個(gè)圖像的灰度信息，來(lái)得到用于分割的閥值。局部閥值方法是圖像不同區(qū)域得到對(duì)應(yīng)不同區(qū)域的閥值即一個(gè)閥值對(duì)應(yīng)圖像的一個(gè)子區(qū)域。在實(shí)際中，由于噪聲等因素的影響，直方圖經(jīng)常不能有明顯的峰值出現(xiàn)，這是選擇閥值并不合理，它是由閥值分割的特點(diǎn)決定的。此方法只考慮了圖像的灰度信息，拋棄了圖像的其他信息。對(duì)于灰度差不明顯的圖像，得不到令人滿意的結(jié)果。 基于區(qū)域增長(zhǎng)的方法是將含有相似性質(zhì)的像素集合起來(lái)形成一個(gè)新的區(qū)域。首先把圖像分割成較小的區(qū)域，有可能非常小，甚至可能是一個(gè)像素。在每個(gè)子區(qū)域中，對(duì)經(jīng)過(guò)適當(dāng)定義能反映一個(gè)物體內(nèi)成員隸屬度的性質(zhì)進(jìn)行計(jì)算，每個(gè)子區(qū)域會(huì)用一組參數(shù)來(lái)表示該區(qū)域。然后對(duì)相鄰區(qū)域所有邊界進(jìn)行分析，若便捷信息強(qiáng)，則邊界不變，若邊界信息 弱 ，則消除個(gè)邊界并合并相應(yīng)的鄰 域。它是一個(gè)迭代過(guò)程，每一步重新計(jì)算邊界信息，若沒(méi)有區(qū)域合并，迭代完成，圖像分割完成。該方法開(kāi)銷較大，但可以使用圖像的相關(guān)性質(zhì)進(jìn)行邊界定位。該方法當(dāng)前研究的區(qū)別在于區(qū)域性質(zhì)差異上。 基于模型的方法，都是通過(guò)引入統(tǒng)計(jì)信息來(lái)得到高魯棒性。其中活動(dòng)輪廓模型是使用在圖像上的一條動(dòng)態(tài)曲線，在內(nèi)力曲線本身新的表現(xiàn)和外力圖像信息的表現(xiàn)共同作用下趨于對(duì)象的輪廓。模型方法具有豐富的先驗(yàn)知識(shí)，在實(shí)際中具有很好的適應(yīng)性和魯棒性。目標(biāo)分割與識(shí)別通過(guò)將目標(biāo)集合和統(tǒng)計(jì)信息表示為模型，是其成為目標(biāo)的搜索匹配 或監(jiān)督分類。 第 三 節(jié) 人臉數(shù)據(jù)庫(kù) 人臉數(shù)據(jù)庫(kù)是人臉識(shí)別研究，開(kāi)發(fā)和評(píng)測(cè)不可缺少的。每個(gè)人臉識(shí)別系統(tǒng) 都需要 一個(gè) 人臉數(shù)據(jù)庫(kù)。 人臉圖像數(shù)據(jù)庫(kù)的設(shè)計(jì)對(duì)人臉識(shí)別系統(tǒng)的識(shí)別率有著非常大影響。設(shè)計(jì)一個(gè)在所有變化情況下都能正確識(shí)別的系統(tǒng)是非常困難的，而且也沒(méi)有必要。所有人臉識(shí)別系統(tǒng)都是在一定的約束條件進(jìn)行的。所以有必要建立滿足不同需要的人臉數(shù)據(jù)庫(kù) 。 常用人臉數(shù)據(jù)庫(kù)如下： 國(guó)外 人臉 數(shù)據(jù)庫(kù) 的有 FERET 人臉數(shù)據(jù)庫(kù)， MIT 人臉數(shù)據(jù)庫(kù)， YALE 人臉數(shù)據(jù)庫(kù)， PIE 人臉數(shù)據(jù)庫(kù)， ORL 人臉數(shù)據(jù)庫(kù) ， AR 人臉數(shù)據(jù)庫(kù) 和 Essex 人臉 數(shù)據(jù) 庫(kù) 。 FERET 人臉數(shù)據(jù)庫(kù)是人臉識(shí)別中最常用的數(shù)據(jù)庫(kù)，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(gè)人的人臉圖像變化較少。 MIT 人臉數(shù)據(jù)庫(kù)有麻省理工大學(xué)媒體實(shí)驗(yàn)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。 PIE 人臉數(shù)據(jù)庫(kù)有卡內(nèi)基梅隆大學(xué)建立，由畢業(yè)設(shè)計(jì)（論文） 11 68 位志愿者的 41368 副不同姿態(tài)，多光照和不同表情的圖像組成。 ORL 人臉數(shù)據(jù)庫(kù)由劍橋大學(xué) ATamp。T 實(shí)驗(yàn)室建立 由 40 位志愿者的 400 幅圖像組成，其中部分志愿者 的圖像還有姿態(tài)，表情和光照的變化。由于其人臉變化模式較少，現(xiàn)已很少使用 。 AR 人臉數(shù)據(jù)庫(kù)為西班牙巴塞羅那計(jì)算機(jī)視覺(jué)中心建立，由 116 人的 3228