【文章內(nèi)容簡介】 界和細(xì)線，這些矩形內(nèi)的特征值可表示為： （31）式中：是矩陣所圍圖像的灰度積分，為組成的矩陣的個(gè)數(shù)，是矩陣的權(quán)。 積分圖Haar特征值的計(jì)算量是非常大的，當(dāng)圖像的像素比較大時(shí)，如果直接用圖像的灰度值后再計(jì)算特征值，達(dá)不到人臉識別系統(tǒng)實(shí)時(shí)性的要求。基于這種考慮，Paul Vilola等人提出用積分圖的計(jì)算方法，通過積分圖，計(jì)算的速度大大加快了。積分圖的原理是用空間換取時(shí)間，該方法是把從圖像的起點(diǎn)開始到其它位置所構(gòu)成的矩形區(qū)域的像素之和作為一個(gè)數(shù)組存儲起來，當(dāng)計(jì)算某個(gè)區(qū)域的時(shí)，就直接運(yùn)用這些數(shù)組來計(jì)算，而不必再計(jì)算這片區(qū)域的像素，從而節(jié)省了時(shí)間，加快了計(jì)算速度。 Adaboost算法Adaboost算法就是通過訓(xùn)練分類器，屬于一種分類算法。它是通過利用許多分類能力弱的簡單分類器按照特定的方式進(jìn)行疊加（Boost）,然后構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器[9]。（1） 簡單分類器的訓(xùn)練。下面是第個(gè)特征點(diǎn)的簡單分類器的表達(dá)式： （32）其中是簡單分類器的值；是閥值；是不等號的方向，規(guī)定只能?。粸樘卣髦?。從公式（32）可以得出，一個(gè)弱分類器是由對應(yīng)的閾值和特征決定的，訓(xùn)練一個(gè)弱分類器，就是在當(dāng)前權(quán)重的分布情況下，找到最優(yōu)的閾值，使得該弱分類器對所有訓(xùn)練樣本的分類誤差最低。（2） 強(qiáng)分類器的訓(xùn)練。 強(qiáng)分類器的特征與簡單分類器是一一對應(yīng)的。Adaboost分類器中包括了非常多的簡單分類器，如果按照一定的權(quán)重和方法就可以把這些簡單分類器串聯(lián)起來，就可以形成對應(yīng)的強(qiáng)分類器。經(jīng)過訓(xùn)練，就能得到個(gè)最優(yōu)的簡單分類器，然后將這個(gè)簡單分類器按照公式（33）就可以形成一個(gè)強(qiáng)分類器[9]： 式中： （33） 級聯(lián)分類器雖然由多個(gè)簡單分類器按一定的方式組合而來的強(qiáng)分類器擁有很好的檢測效率，但是它消耗的檢測時(shí)間比較長，達(dá)不到人臉識別系統(tǒng)的實(shí)時(shí)性的要求，所以Micheal Jones與Paulviola等人就提出了基于Adaboost算法的人臉檢測級聯(lián)分類器，不僅使人臉檢測具有很好的識別效果，還從根本上解決了人臉識別的速度上的問題。從整體上來說，級聯(lián)分類器是一個(gè)多層次的結(jié)構(gòu)，就是一個(gè)退化的決策樹。讓待檢測的人臉圖像按一定的次序經(jīng)過多個(gè)簡單分類器，如果該圖像可能是人臉，就會通過檢測，否則就會被判斷為錯誤圖像，結(jié)束對該圖像的檢測，接著檢測其它窗口[9]。如下圖所示： 圖32：級聯(lián)分類器結(jié)構(gòu)圖 (1)待測圖像 (2)檢測結(jié)果 圖33：人臉檢測示意圖 級聯(lián)分類器能在減少檢測時(shí)間的同時(shí)又能提高人臉的檢測率。為了提高圖像檢測的效率，最開始的幾層分類器可以用相對簡單的強(qiáng)分類器，這些強(qiáng)分類器通常僅有一兩個(gè)簡單分類器所構(gòu)成，即只有一到兩個(gè)矩形特征。然而這些簡單的強(qiáng)分類器具有很高的人臉檢測率。盡管這種強(qiáng)分類器所檢測出來的結(jié)構(gòu)還達(dá)不到人臉檢測的要求，但是至少因?yàn)樗陨淼奶卣骱芎唵?，可以迅速的減少大量的非人臉的圖像，因此可以大大地減少后面的工作量。圖33是用級聯(lián)分類器作人臉檢測的結(jié)果。第4章 圖像的預(yù)處理 引言模式識別的過程中一個(gè)非常重要的步驟就是預(yù)處理。輸入的圖像在從實(shí)際的景物轉(zhuǎn)變?yōu)閿?shù)字圖像的信息時(shí)，因?yàn)樵O(shè)備或者條件的不同，比如設(shè)備性能的好壞與光照的亮度等，所以會有在對比度不夠或存在噪聲等不足。另外，焦距大小、距離遠(yuǎn)近等又會讓人臉在整幅圖像中的大小和位置不確定。因此為了確保所提取的特征臉在圖像里的位置、偏斜和大小不變，以及對光照的不敏感，必須在提取特征之前對圖像作預(yù)處理工作[12] ：西北大學(xué)，2006:1216.。本節(jié)的預(yù)處理工作是在原始0RL人臉庫上進(jìn)行的。主要的預(yù)處理工作包括：圖象的顏色處理，圖像的幾何歸一化，圖像的均衡化與圖象的灰度歸一化這四部分。經(jīng)過統(tǒng)一處理后，人臉圖像就比較標(biāo)準(zhǔn)了，可以消除一些外在因素的不利影響[12]。 人臉圖像庫要開發(fā)一個(gè)人臉識別系統(tǒng)，都需要有一個(gè)自己的包含圖像系列或人臉圖像的數(shù)據(jù)庫。人臉庫的設(shè)計(jì)對人臉識別系統(tǒng)的識別率起決定性的作用，數(shù)據(jù)庫中的不同表情、姿態(tài)和光照變化即使是背景的微小變化都會嚴(yán)重影響系統(tǒng)的系別率，因此人們就建立了能適應(yīng)不同要求的人臉數(shù)據(jù)庫。FERET人臉庫[13] Phillips P Johnathon，Moon H，Rizvi Syed A， FERET evaluation methodology for face recognition algorithms [J].TEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22:10901104FERET人臉數(shù)據(jù)庫由美國軍方建立，是當(dāng)今最大的一個(gè)人臉庫，其中包括沒人八張圖像，三張從右到左的從不同側(cè)面角度拍攝的圖像，兩張正面照，有些人還具有更多不同表情和不同視角的照片。這個(gè)數(shù)據(jù)庫中的人臉都沒有戴眼鏡，拍攝的條件也是有限制的，圖片中的人臉放置在規(guī)定大小的范圍內(nèi)。FERET人臉數(shù)據(jù)庫中的圖像數(shù)目仍在不斷地增加，但是到目前為止，該人臉庫仍未添加語音信息也未提供運(yùn)動圖像的系列。非美研究機(jī)構(gòu)在獲取該數(shù)據(jù)庫是很不方便的，這也是該數(shù)據(jù)庫的最大缺點(diǎn)。ORL人臉庫[14] ATamp。T Laboratories ORL Database of Faces. ORL人臉庫是由Ohvertti實(shí)驗(yàn)室拍攝的一系列人臉圖像組成，它是一個(gè)美國的專門從事人臉圖像研究的實(shí)驗(yàn)室，這個(gè)數(shù)據(jù)庫內(nèi)共有40個(gè)不同性別、不同種族和不同年齡的人，每個(gè)人有十幅圖像。ORL人臉數(shù)據(jù)庫里的圖像都是灰色的，尺寸為，背景也是灰色的。圖像的人臉上的細(xì)節(jié)和表情都是不一樣的，并且都是不斷變化的，比如不哭與哭，有沒有戴帽子，有沒有頭發(fā)等。人臉的姿態(tài)也是有變化的，比如抬頭與不抬頭，人臉尺寸也有10%以下的變化。相對FERET人臉庫來說，ORL人臉庫中的人臉信息時(shí)很容易獲得的，以前研究工作者的大量實(shí)驗(yàn)數(shù)據(jù)也包含在里面，正是基于這一優(yōu)點(diǎn)，所以該人臉庫就作為了本文實(shí)驗(yàn)的人臉數(shù)據(jù)庫。 Yale耶魯人臉庫[15] ftp://Yele人臉數(shù)據(jù)庫中含有15個(gè)人，每個(gè)人具有11張人臉圖像，總共165張圖片，這些圖像的差異就在于人臉表情的不斷變化，光照條件是否一致，是否佩戴眼鏡等。該人臉庫的最大特點(diǎn)就是光照變化很明顯，而且人臉部分被遮掩。AR人臉庫[12]該數(shù)據(jù)庫是由Purdue大學(xué)建立的人臉數(shù)據(jù)庫。AR數(shù)據(jù)庫分別采集了間隔14天兩個(gè)不同時(shí)間段，都是以白色作為拍攝背景的同一批人的人臉圖像，包括56女70男總共126人，由每人共有28張彩色的正面圖像組成。他們在眼鏡、裝飾物、服飾、發(fā)型或者化妝方面都沒有具體的限制。每人兩組不同時(shí)間段的照片里都含有微笑、憤怒、尖叫和中立等不同的面部表情，雙側(cè)光照、左側(cè)光照和右側(cè)光照的不同的光照條件，甚至還有用圍巾遮擋部分面部或者佩戴太陽鏡。本文的人臉識別率的實(shí)驗(yàn)主要是基于ORL人臉庫。 人臉預(yù)處理算法 顏色處理人臉特征點(diǎn)的提取是人臉識別系統(tǒng)中一個(gè)重要的步驟，但是提取人臉特征點(diǎn)信息只能在灰度圖像上，所以，圖像預(yù)處理的第一步就是要先對圖像進(jìn)行灰化處理，獲得灰度圖像。彩色都是由三種最基本的顏色通過一定的比例形成的，即RGB(Red、Green、Blue)。從生活中獲取的圖像都是彩色的?；叶葓D像圖像只有亮度而沒有彩色信息，它和生活中黑白照是一樣的。同時(shí)，灰度圖像是有變化的，比如從暗到亮之間的變化過程。在圖像處理的領(lǐng)域中，人們一般都把亮度作了量化處理，將它劃分為從0到255總共256個(gè)級別。其中255代表全白，0代表全黑。與彩色圖像相比，灰度圖像只有亮度的信息，因此它更容易進(jìn)行歸一化，操作也更加簡單。由圖像的理論知識可以得到二者的轉(zhuǎn)換公式： （41）在這個(gè)公式中,變量代表顏色的亮度,和變量都表示色調(diào)。后文的計(jì)算都是針對變量展開的。圖像的幾何歸一化是指在人臉圖像中，人臉的關(guān)鍵部位在圖像中的位置是否都是一致的。在沒有經(jīng)過任何處理的原始圖像中，人臉的關(guān)鍵部位在圖像中的位置會有所偏移，當(dāng)采用基于整體灰度統(tǒng)計(jì)的人臉識別方法時(shí)（如2DPCA），會對人臉的正確識別產(chǎn)生很大的影響。所以，輸入的人臉圖像都需要進(jìn)行校正，才能把不同情況的人臉圖像處理成像素大小一致，人臉的關(guān)鍵部位也一致的標(biāo)準(zhǔn)圖像[12]。幾何歸一化由三部分構(gòu)成，即圖像剪切、圖像縮放和圖像旋轉(zhuǎn)[16] Mike Meade，Shyamala ，and William performance of principal ponent analysis，Gabor wavelets and discrete wavelet transforms for face ，30(2)，93102．[17] :武漢大學(xué)出版社，2003，6372，132141．。圖像旋轉(zhuǎn)就是把人臉圖像在平面內(nèi)進(jìn)行旋轉(zhuǎn)處理，目的是為了讓人臉上的雙眼之間的連線能保持在水平位置。圖像剪切就是講人臉雙眼的距離固定起來，然后通過這樣來剪切圖像，從而確保人臉位置的穩(wěn)定性并在某種程度上可以克服背景和頭發(fā)的干擾，進(jìn)而體現(xiàn)人臉在圖像平面中的平移的不變形[12]。圖像裁剪的比例示意圖如下圖41。設(shè)o點(diǎn)是的中點(diǎn)，并且。經(jīng)過裁剪，在的圖象內(nèi)，可以保證o點(diǎn)固定于處。圖41：圖像裁剪比例示意圖圖像的縮放就是把輸入的圖像中的人臉縮放到規(guī)定的像素大小，根據(jù)的是人眼之間的坐標(biāo)。假如規(guī)定的圖像的大小是，那么縮放的倍數(shù)就是。只要固定了人眼之間的坐標(biāo)，就可以確保其他重要部位如嘴、臉頰、鼻等的位置都保持相對準(zhǔn)確的位置。這也體現(xiàn)出了人臉在圖像的平面內(nèi)尺度的不變性[12]。圖像的縮放主要有兩種方法：一種是用灰度插值的方式來縮小輸入圖像[17]，二是利用小波變換來進(jìn)行圖像的分解[18] 周志明，王以治，黃文芝，2004，12，5254[19] 賴劍煌，阮邦志，：，1999，4(10)，811816．。本文中的實(shí)驗(yàn)就采用灰度插值的方法來進(jìn)行圖象的縮放[12]?；叶炔逯党Ｓ玫姆椒ㄓ须p線性插值法、三次插值發(fā)和最鄰近插值法。雖然最鄰近插值法簡單，但是有很大的失真。三次插值法雖然精度高，但是運(yùn)算量很大。所以在本文實(shí)驗(yàn)中選取了效果較好，速度較好的雙線性插值法[12][17]。對ORL人臉庫中的一人臉作圖象預(yù)處理的結(jié)果如圖42。(1)原始圖像(2)旋轉(zhuǎn)后的圖像 (3)剪切后的圖像 (4)縮放后的圖像圖42：圖像預(yù)處理示意圖對于人臉圖像需要對其進(jìn)行直方圖均衡化，它的原理是：將原始圖像的像素值逐點(diǎn)改變，使原圖像能變?yōu)樵诿總€(gè)灰度級別上都具有一樣的像素點(diǎn)數(shù)的輸出圖像，即讓輸出圖像的直方圖變成均勻的。假設(shè)圖像有個(gè)像素點(diǎn),個(gè)灰度級,是輸入圖像的直方圖,其中表示圖像中的灰度等級是的像素點(diǎn)的個(gè)數(shù)。而圖像是輸入圖像直方圖[20] 朱秀昌，劉峰，[M].北京郵電大學(xué)出版社，2002，6990.均衡化后的輸出,均衡化的過程可以從下面的公式（42）和公式（43）得到: （42） （43）直方圖是指一幅圖像中部分或者全部區(qū)域內(nèi)具有相同亮度值的統(tǒng)計(jì)分布圖，表達(dá)的是在數(shù)字圖像中的每個(gè)灰度等級出現(xiàn)頻率之間的統(tǒng)計(jì)關(guān)系?？梢詮闹狈綀D中看到圖像的對比度和總的亮度之間的情況，以及圖像的像素值的動態(tài)范圍等信息[12]，如下圖43。 （1）原始圖像 （2）原始圖像對應(yīng)的直方圖圖43：圖像直方圖示意圖8位灰度圖像總共有256個(gè)灰度等級，然而數(shù)字化后的原始圖像的真實(shí)范圍一般都沒有占滿0到255之間的全部灰度級，僅僅是集中在某幾個(gè)區(qū)域段內(nèi)，例如圖像偏亮、偏暗、對比度不足或亮度范圍不足等。對原始圖像進(jìn)行直方圖均衡化是把輸入圖像的直方圖轉(zhuǎn)換為近似特定的直方圖，讓圖像的灰度值分布范圍盡可能覆蓋到全部灰度等級，消除占絕對優(yōu)勢或者劣勢的灰度值范圍，這樣可以在一定程度上減小光照對灰度圖像的影響[12]。處理結(jié)果如下圖44。 （1）直方圖均衡化后的圖像 （2）均衡化后的圖像對應(yīng)的直方圖圖44：圖像直方圖均衡化后的示意圖灰度歸一化可以解決人臉部分因光照不均勻造成的對識別結(jié)果的影響，它使每一張圖像的灰度值具有相同的均值和方差，即交流和直流成分也是相同的。由于人臉系統(tǒng)的需要，對圖像必須進(jìn)行灰度歸一化的處理，灰度歸一化與傳統(tǒng)的幾何歸一化不同，它是通過線性的方法把圖像的對比度和亮度歸一化到某一個(gè)數(shù)值區(qū)域。通過這一系列的處理后，人臉圖像可以很好的排除外界的干擾，為后面的人臉圖像的處理提供了方便[21] ：:912.，在某種意