【文章內(nèi)容簡(jiǎn)介】 分辨率圖像作為輸入層。還有的文獻(xiàn)采用了二進(jìn)制圖像的等密度區(qū)域或多個(gè)局部面部特征作為不同多層感知機(jī)的輸入層。直接使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別的問(wèn)題在于網(wǎng)絡(luò)過(guò)于龐大和復(fù)雜，例如對(duì)于一幅128128的人臉圖像，輸入層和輸出層的節(jié)點(diǎn)數(shù)目將達(dá)16438。顯然，訓(xùn)練這樣大的一個(gè)網(wǎng)絡(luò)將花費(fèi)很長(zhǎng)時(shí)間，需要的存儲(chǔ)量也會(huì)很高。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(dá)方法。一般來(lái)說(shuō)，BP算法的收斂速度非常緩慢，學(xué)習(xí)過(guò)程可能需要對(duì)整個(gè)訓(xùn)練集進(jìn)行上千次反復(fù)迭代運(yùn)算，這是神經(jīng)網(wǎng)絡(luò)實(shí)際應(yīng)用的一個(gè)問(wèn)題。此外，BP算法以誤差梯度下降的方式達(dá)到極小值，但在實(shí)際應(yīng)用中，容易陷入到局部極小中，無(wú)法得到全局最優(yōu)解，這也是有待解決的一個(gè)問(wèn)題。在利用圖匹配進(jìn)行識(shí)別的方法中，一個(gè)目標(biāo)(如一個(gè)人臉圖像)可以采用一張圖(Graph)來(lái)表示。根據(jù)局部化空間頻率得到的一系列多分辨率秒數(shù)值可以用來(lái)表示圖中的節(jié)點(diǎn)數(shù)值。物體內(nèi)部的空間關(guān)系則可以用節(jié)點(diǎn)之間的幾何距離表示。Gabor變換是進(jìn)行時(shí)頻分析的有效工具，該函數(shù)在時(shí)間域和頻率域上都是局部化的，通常將Gabor特征用到針對(duì)臉部識(shí)別的彈性圖匹配中。Gabor特征在網(wǎng)格節(jié)點(diǎn)上提供了一個(gè)多尺度邊緣強(qiáng)度。一般來(lái)說(shuō)，圖像中的關(guān)鍵部位會(huì)有較大的Gabor系數(shù)。同樣的，對(duì)于一個(gè)待識(shí)別的人臉圖像也可以定義一個(gè)網(wǎng)格G及網(wǎng)格上的特征矢量。在彈性圖匹配(Elastic Graph Matching)方法中，兩幅圖的距離是通過(guò)尋找G與M之間的最優(yōu)匹配來(lái)得到。在彈性圖匹配方法中，將人臉圖像庫(kù)中的圖像和待識(shí)別圖像都用特征矢量圖表示。通過(guò)對(duì)突遇圖之間的拓?fù)浣Y(jié)構(gòu)的匹配以及節(jié)點(diǎn)與節(jié)點(diǎn)之間的特征矢量值的比較，可以進(jìn)行人臉識(shí)別，這就將模板的圖像匹配轉(zhuǎn)化成了模板的圖匹配。在尋找最佳匹配方法時(shí)，希望能夠同時(shí)維持特征數(shù)值接近和局部幾何關(guān)系。彈性圖匹配方法的最大優(yōu)點(diǎn)在于對(duì)光和表情變化的相對(duì)不敏感性。這主要?dú)w功于兩個(gè)原因：(1)用Gabor變換可提取圖像的局部多分辨率特征；(2)在計(jì)算距離或者能量函數(shù)時(shí)，使用了變形匹配方法。彈性匹配圖方法的主要缺點(diǎn)在于計(jì)算量大。隱馬爾可夫模型(Hidden Markov Model)一般應(yīng)用于非平穩(wěn)時(shí)間序列矢量的統(tǒng)計(jì)建模，在語(yǔ)音處理，特別是語(yǔ)音識(shí)別中得到廣泛的應(yīng)用。隱馬爾可夫模型為一個(gè)觀測(cè)序列提供了一個(gè)統(tǒng)計(jì)模型n引，該模型由兩個(gè)互相關(guān)聯(lián)的過(guò)程組成：(1)一個(gè)是底層不可觀測(cè)的馬爾可夫鏈，它由有限個(gè)狀態(tài)、一個(gè)概率轉(zhuǎn)移矩陣和一個(gè)初始狀態(tài)概率分布函數(shù)組成。(2)另外是一組聯(lián)系每一個(gè)狀態(tài)的概率密度函數(shù)。在使用隱馬爾可夫模型的面部識(shí)別方法中，首先將一個(gè)人臉圖像采集成一系列的條狀圖，將一幅二維圖像變成一個(gè)一維矢量序列，這個(gè)序列構(gòu)成了隱馬爾可夫模型的觀測(cè)矢量。由于人臉的特定構(gòu)造，在這種抽樣方式下，臉部特征帶的出現(xiàn)將服從于一定的順序，所以該模型可以用一個(gè)從左到右的隱馬爾可夫模型表示，其中狀態(tài)的轉(zhuǎn)移只能按照從左到右的方式進(jìn)行。接著是訓(xùn)練該隱馬爾夫模型，由以下幾個(gè)步驟組成：(1)建立一個(gè)隱馬爾可夫模型；(2)用訓(xùn)練數(shù)據(jù)迭代計(jì)算初始參數(shù)值；(3)用Baum—Welch方法重新估計(jì)參數(shù)值。識(shí)別通過(guò)一個(gè)Viterbi識(shí)別器完成，用代表不同人的隱馬爾可夫模型與待識(shí)別圖像匹配，最高匹配者被選出來(lái)。，與Eigenface方法相對(duì)應(yīng)，Belhumeur稱其為Fisherface，這種方法對(duì)面部表情和光照方向不敏感。類似于Eigenface方法，F(xiàn)isherface方法也是采用線性投影技術(shù)將人臉圖像從高維圖像空間轉(zhuǎn)化到低維特征子空間。在這個(gè)低維子空間中，如果特征和投影方向選擇合適的話，人臉特征可以做到對(duì)光照方向和表情變化不敏感。與Eigenface方法不同的是，F(xiàn)isherface采用的投影方向幾乎與類內(nèi)散布方向垂直，而Eigenface方法采用的投影方向是使所有類散布最大化。Belhumeur認(rèn)為這種使所有類散布最大化的PCA方法會(huì)保留那些對(duì)分類不利的光照方向和表情信息。因此可認(rèn)為：對(duì)以均方誤差為準(zhǔn)則的臉部重建來(lái)說(shuō)，PCA方法是一種最優(yōu)的方法：但從模式分類和辨識(shí)的觀點(diǎn)來(lái)看，PCA方法則不一定能夠取得最優(yōu)的結(jié)果?；谛〔ò拿娌孔R(shí)別方法首先對(duì)一幅人臉圖像進(jìn)行小波包分解。因?yàn)樾〔ò纸獾玫降牟煌l帶包含有不同的人臉信息，所以從每一個(gè)小波包中可以提取出不同的面部特征。對(duì)于小波包分解得到的離散逼近稀疏，Garcai進(jìn)一步將它分解成三個(gè)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(jì)算這三個(gè)區(qū)域的均值和方差，加上另外15個(gè)離散細(xì)節(jié)區(qū)域的方差，組成一個(gè)包含有21個(gè)分量的特征向量。小波包分解是一種多分辨率分析方法，能夠提供良好的面部紋理描述，所以有利于提取面部特征。任何一種技術(shù)的發(fā)展都是由于受到了實(shí)際應(yīng)用需要的激勵(lì)，人臉識(shí)別技術(shù)也不例外，它最初就是公安部門要把它用于罪犯照片的存檔管理和刑偵破案。而現(xiàn)在逐步擴(kuò)大到社會(huì)生活的各個(gè)領(lǐng)域，例如在海關(guān)邊檢、物業(yè)管理、網(wǎng)絡(luò)安全、視頻會(huì)議、計(jì)算機(jī)訪問(wèn)控制等方面都有著廣泛的應(yīng)用。我們從一下幾個(gè)方面具體介紹人臉識(shí)別技術(shù)的應(yīng)用:(1)在公安系統(tǒng)的罪犯識(shí)別方面，當(dāng)公安部門獲得案犯的照片后，可以利用人臉識(shí)別技術(shù)，在存儲(chǔ)罪犯照片的數(shù)據(jù)庫(kù)里找出最相像的嫌疑犯。由于罪犯數(shù)據(jù)庫(kù)往往很大，如果這項(xiàng)搜索工作由人工完成，不僅效率低，而且容易出錯(cuò)，因?yàn)槿嗽诳戳松习俜四槇D像后，記憶力會(huì)下降，而由計(jì)算機(jī)來(lái)完成則不會(huì)出現(xiàn)此問(wèn)題；(2)身份證、駕駛證以及其他很多證件上都有照片，現(xiàn)在的證件驗(yàn)證一般都是由人進(jìn)行驗(yàn)證，如果利用人臉識(shí)別技術(shù)，這項(xiàng)工作就可以交給機(jī)器完成，從而實(shí)現(xiàn)自動(dòng)化智能管理。當(dāng)前普遍使用的驗(yàn)證方法有符號(hào)或條形碼標(biāo)記，比如信用卡、自動(dòng)提款機(jī)等此類驗(yàn)證的安全性比較低。如果運(yùn)用人臉識(shí)別技術(shù)，則安全性將大大改善；(3)可以進(jìn)行入口控制。入口控制的范圍很廣，它可以是樓宇、單位或私人住宅入口處的安全檢查，也可以是計(jì)算機(jī)系統(tǒng)或情報(bào)系統(tǒng)的入口控制。目前比較常用的手段是檢查證件。人員頻繁出入時(shí)，保安人員再三檢查證件是比較麻煩的，而且安全系數(shù)也不高。在保密要求非常嚴(yán)格的部門除了證件，還可以加上另外一些生物識(shí)別手段，如指紋識(shí)別、手掌識(shí)別、語(yǔ)音識(shí)別等。人臉識(shí)別與之相比，具有直接、方便和界面友好的特點(diǎn)。當(dāng)前計(jì)算機(jī)系統(tǒng)的安全管理，通常使用字符和數(shù)字組成的密碼口令管理，此口令容易被遺忘或破解，如果使用人臉作為口令則既方便又安全；(4)在視頻監(jiān)控方面，目前，許多銀行、公司、公共場(chǎng)合等處都設(shè)有24小時(shí)的視頻監(jiān)控。另外偵察員在破案時(shí)也要用攝像機(jī)對(duì)人進(jìn)行跟蹤。在對(duì)圖像進(jìn)行分析時(shí)，都要用到人臉的檢測(cè)，跟蹤和識(shí)別技術(shù)。對(duì)于以上提到的人臉識(shí)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(shuō)護(hù)照、信用卡、駕駛證上的照片匹配。另一類是視頻圖像的實(shí)時(shí)匹配，如銀行、海關(guān)、公共場(chǎng)合的視頻監(jiān)控、公安系統(tǒng)中罪犯的跟蹤識(shí)別等。這些應(yīng)用在圖像的質(zhì)量、背景，還有是否存在定義好的匹配策略等等方面都存在著很大的不同。人類具有很強(qiáng)的人臉識(shí)別能力，嬰兒可以很快學(xué)會(huì)辨認(rèn)其父母的臉。但對(duì)計(jì)算機(jī)來(lái)說(shuō)，進(jìn)行人臉識(shí)別卻困難很多。這些困難一方面源于計(jì)算機(jī)本身學(xué)習(xí)能力的局限性，另一方面是源于人臉識(shí)別技術(shù)所具有的復(fù)雜性。人臉具有相對(duì)穩(wěn)定的特征和結(jié)構(gòu)，這為人臉識(shí)別技術(shù)帶來(lái)了實(shí)現(xiàn)的可能。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(shí)別的巨大困難。具體的說(shuō)，它的困難表現(xiàn)在：(1)圖像獲取的不確定性目前對(duì)于人臉識(shí)別問(wèn)題的研究大都基于已經(jīng)裁剪好的人臉區(qū)域圖像進(jìn)行的，在此基礎(chǔ)上再提出解決光照、姿態(tài)、遮擋等問(wèn)題的識(shí)別算法。而就目前的研究現(xiàn)狀而言，光照、姿態(tài)、遮擋等干擾因素對(duì)檢測(cè)算法的影響要遠(yuǎn)大于對(duì)識(shí)別算法的影響。光照:光照的方向及強(qiáng)度變化會(huì)嚴(yán)重影響人臉圖像的灰度分布，因而影響大多數(shù)基于圖像灰度統(tǒng)計(jì)特性的識(shí)別方法的效果。即使是目前最好的人臉識(shí)別系統(tǒng)在室外光照條件下，其識(shí)別性能也會(huì)急劇下降。這就說(shuō)明，復(fù)雜多變的光照問(wèn)題仍是人臉識(shí)別中的難點(diǎn)。姿態(tài):姿態(tài)的變化分為二維平面上的姿態(tài)變化和三維空間上的姿態(tài)變化。盡管采用3D人臉模型可以解決人臉識(shí)別問(wèn)題中的姿態(tài)變化問(wèn)題，但是由于3D人臉數(shù)據(jù)獲取有很多的局限性，所以當(dāng)前仍需依賴對(duì)姿態(tài)變化魯棒的 2D人臉識(shí)別算法。故如何提高2D人臉數(shù)據(jù)的識(shí)別算法對(duì)姿態(tài)的魯棒性是一項(xiàng)既有現(xiàn)實(shí)意義又有挑戰(zhàn)性的課題。表情:人臉識(shí)別相對(duì)于其他物體識(shí)別問(wèn)題的一個(gè)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(duì)于人臉識(shí)別而言，造成遮擋的原因多種多樣，有可能的原因包括:外界景物的遮擋、眼鏡帽子等飾物的遮擋、人臉圖像部分缺失等。這些因素所導(dǎo)致的直接結(jié)果就是人臉區(qū)域部分的數(shù)據(jù)不完整，進(jìn)而影響后續(xù)處理的效果，甚至直接導(dǎo)致處于人臉識(shí)別系統(tǒng)第一階段的人臉檢測(cè)失效。(2)計(jì)算的復(fù)雜性很多經(jīng)典的識(shí)別問(wèn)題譬如文字識(shí)別只需要處理相對(duì)較少的類，而且每個(gè)類有大量的訓(xùn)練樣本，但在人臉識(shí)別問(wèn)題中，通常需處理相當(dāng)多的類，并且每個(gè)類存在很少的訓(xùn)練樣本，識(shí)別算法必須在很少的樣本中提取特征，通過(guò)訓(xùn)練進(jìn)行人臉圖像的匹配。盡管目前出現(xiàn)的一些商用的人臉識(shí)別系統(tǒng)在理想情況下已經(jīng)能夠可以接受的識(shí)別性能，但是整個(gè)人臉識(shí)別技術(shù)還遠(yuǎn)未成熟，還有大量的實(shí)際問(wèn)題需要得到解決。(3)識(shí)別算法的普適性問(wèn)題目前人臉識(shí)別中最成功的算法當(dāng)屬基于統(tǒng)計(jì)學(xué)習(xí)理論的算法。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(shí)或規(guī)則，但這在實(shí)際中是無(wú)法滿足的，因?yàn)槟軌颢@得的訓(xùn)練樣本往往是有限的，因而便造成目前的識(shí)別算法普適性較差，即在由訓(xùn)練集中樣本擴(kuò)展到非訓(xùn)練集中樣本時(shí)，識(shí)別性能會(huì)明顯下降。(4)人臉識(shí)別系統(tǒng)的長(zhǎng)期適應(yīng)問(wèn)題帶來(lái)這一問(wèn)題的主要原因是隨著年齡的變化人臉會(huì)發(fā)生較大的變化，特別是對(duì)于青少年，年齡對(duì)容貌的影響更大。另外，不同年齡段樣本的收集也比較困難，因?yàn)檫@需要很長(zhǎng)的時(shí)間跨度，目前所收集到的有年齡變化的人臉庫(kù)最長(zhǎng)也只有1年左右的時(shí)間跨度，這給相關(guān)算法的研究帶來(lái)了一定困難。因此如何解決年齡變化對(duì)識(shí)別算法的影響并提出具有中長(zhǎng)期適應(yīng)性的人臉識(shí)別算法是人臉識(shí)別系統(tǒng)必須解決的問(wèn)題。除此之外，人臉識(shí)別還有低質(zhì)量照片問(wèn)題，大規(guī)模人臉識(shí)別問(wèn)題，海量數(shù)據(jù)的學(xué)習(xí)問(wèn)題等等。由于人臉識(shí)別領(lǐng)域仍存在上述很多問(wèn)題未徹底解決，因此未來(lái)人臉識(shí)別必然圍繞著現(xiàn)有難點(diǎn)的解決而繼續(xù)發(fā)展。簡(jiǎn)單概括一下，其發(fā)展方向大體包括：(1)準(zhǔn)確魯棒的人臉檢測(cè)與定位算法，保證后續(xù)識(shí)別算法具有穩(wěn)定可靠的樣本輸入；(2)高精度特殊圖像傳感器或快速三維掃描設(shè)備的研制，保證輸入原始人臉數(shù)據(jù)的質(zhì)量，克服圖像質(zhì)量低，光照和姿態(tài)等影響；(3)大規(guī)模全面公共人臉數(shù)據(jù)庫(kù)的建立，涵蓋所有人臉識(shí)別中所要面對(duì)的樣本，為全球研究者建立一個(gè)統(tǒng)一的研究和測(cè)試平臺(tái)；(4)多生物特征的融合，采用特征融合技術(shù)，與目前其它生物特征識(shí)別技術(shù)進(jìn)行融合，克服遮擋、化妝和活體檢測(cè)等難點(diǎn)；(5)普適特征提取技術(shù)和普適分類器的提出，解決現(xiàn)有算法無(wú)法同時(shí)解決普適性差，泛化能力低和中長(zhǎng)期適應(yīng)性差等問(wèn)題；(6)其它解決方案，包括大規(guī)模計(jì)算機(jī)的發(fā)展，數(shù)據(jù)庫(kù)管理及檢索技術(shù)的發(fā)展，適合生物特征存儲(chǔ)的數(shù)據(jù)結(jié)構(gòu)的發(fā)展等。第二章人臉圖像預(yù)處理 圖像的預(yù)處理是模式識(shí)別過(guò)程的一個(gè)重要步驟。輸入圖像從實(shí)物轉(zhuǎn)換成數(shù)字圖像時(shí)，由于設(shè)備條件的差異，往往存在噪聲、對(duì)比度太低等缺陷。另外，人臉在整幅圖像中的位置和大小又會(huì)因?yàn)榫嚯x遠(yuǎn)近、焦距大小等問(wèn)題變得不確定。為了確保較高的識(shí)別率，我們必須在提取人臉特征之前對(duì)圖像作一定的預(yù)處理工作。 本節(jié)的預(yù)處理工作是在原始ORL人臉庫(kù)上進(jìn)行的。主要的預(yù)處理工作包括:圖像的幾何歸一化，圖像的灰度歸一化，直方圖均衡化幾個(gè)部分。建立一個(gè)包含人臉圖像的數(shù)據(jù)庫(kù)是做任何人臉識(shí)別系統(tǒng)的開發(fā)的前提。人臉數(shù)據(jù)庫(kù)的設(shè)計(jì)對(duì)系統(tǒng)的識(shí)別率有至關(guān)重要的影響，數(shù)據(jù)庫(kù)中不同光照、姿態(tài)和表情的變化甚至背景變化都會(huì)影響識(shí)別的結(jié)果，所以需要針對(duì)人臉識(shí)別問(wèn)題建立適應(yīng)不同需要的人臉數(shù)據(jù)庫(kù)。下面介紹一些常用的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。 目前使用最廣泛的人臉庫(kù)是英國(guó)ORL人臉數(shù)據(jù)庫(kù)。ORL人臉數(shù)據(jù)庫(kù)包含了英國(guó)劍橋大學(xué)從1992到1994年間在實(shí)驗(yàn)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。每幅圖像的分辨率為92*112，灰度級(jí)為256。其中，35人為男性，5人為女性。這些圖像是在不同時(shí)間、不同光照、面部表情和面部遮掩物變化的情況下獲得的，如笑或不笑、眼睛或睜或閉、戴或不戴眼鏡。人臉姿態(tài)也有相當(dāng)程度的變化，深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)200，人臉的尺度也有多達(dá)10%的變化。 FERET人臉庫(kù)是目前最大的人臉數(shù)據(jù)庫(kù)，由美國(guó)國(guó)防部發(fā)起建立，其初衷是想開發(fā)一個(gè)自動(dòng)人臉識(shí)別系統(tǒng)，以應(yīng)用于各種安全檢測(cè)目的。其最新的人臉庫(kù)包括14051幅灰度圖像，其中每人8張圖像，兩張正臉，3張從右到左不同側(cè)面角度的圖像，有些人還提供了更多不同視角和不同表情的照片。該數(shù)據(jù)庫(kù)中不包括戴眼鏡的照片，拍攝條件也有一定的限制，人臉大小約束在規(guī)定的范圍內(nèi)。 Yale人臉庫(kù)包含15個(gè)人的165幅圖像，每人11幅圖像。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。由于Yale人臉庫(kù)中原始圖像包含較多的背景，所以對(duì)原始圖像進(jìn)行了預(yù)處理，剪裁出只包含人臉的圖像，并且尺寸歸一化為92*1120。 其他的還有AR人臉庫(kù)，CVL人臉數(shù)據(jù)庫(kù)，CMU RIE人臉數(shù)據(jù)庫(kù)，XM2VTSDB人臉數(shù)據(jù)庫(kù)，CASPEAL人臉庫(kù)等等，本論文的人臉識(shí)別實(shí)驗(yàn)主要是基于ORL人臉庫(kù)。 圖像的幾何歸一化也可以稱為圖像的標(biāo)準(zhǔn)化，主要是指各幅人臉圖像中，人臉的關(guān)鍵部位在圖像中的相對(duì)位置是否都一樣。對(duì)于不經(jīng)過(guò)任何處理的原始圖象，人臉部位在圖像中的位置可能是有偏移的，本文中采用的PCA是基于整體的人臉識(shí)別方法，如果人臉部位在圖像中的位置有偏