【文章內容簡介】 以此可以去除光照的變化。監(jiān)督學習目的是尋找類的特征，有監(jiān)督學習的目的是減少訓練樣本人臉識別方法的分析與研究 7 被錯分的比例。這種網絡提取的特征明顯，識別率高，如果用幾個網絡同時運算，求其平均，識別效果還會提高。與其他類型的方法相比，神經網絡方法在人臉識別上有其獨到的優(yōu)勢，它避免了復雜的特征提取工作，可以通過學習的過程獲得其他方法難以實現的關于人臉識別的規(guī)律和規(guī)則的隱性表達。此外，神經網絡以時示方式處理信息，如果能用硬件實現，就能顯著提高速度。神經網絡方法除了用于人臉識別外，還適用于性別識別、種族識別等。 彈性圖匹配法彈性圖匹配方法是一種基于動態(tài)鏈接結構 DLA C Dynamic Link Architecture 的方法。它將人臉用格狀的稀疏圖表示，圖中的節(jié)點用圖像位置的 Gabor 小波分解得到的特征向量標記，圖的邊用連接節(jié)點的距離向量標記。匹配時，首先尋找與輸入圖像最相似的模型圖，再對圖中的每個節(jié)點位置進行最佳匹配，這樣產生一個變形圖，其節(jié)點逼近模型圖的對應點的位置。彈性圖匹配方法對光照、位移、旋轉及尺度變化都敏感。此方法的主要缺點是對每個存儲的人臉需計算其模型圖，計算量大，存儲量大。為此，Wiskott 在原有方法的基礎上提出聚束圖匹配，部分克服了這些缺點。在聚束圖中，所有節(jié)點都已經定位在相應目標上。對于大量數據庫，這樣可以大大減少識別時間。另外，利用聚束圖還能夠匹配小同人的最相似特征，因此可以獲得關于未知人的性別、胡須和眼鏡等相關信息。 基于模板匹配的方法模板匹配法是一種經典的模式識別方法，這種方法大多是用歸一化和互相關，直接計算兩副圖像之間的匹配程度。由于這種方法要求兩副圖像上的目標要有相同的尺度、取向和光照條件，所以預處理要做尺度歸一化和灰度歸一化的工作。最簡單的人臉模板是將人臉看成一個橢圓，檢測人臉也就是檢測圖像中的橢圓。另一種方法是將人臉用一組獨立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但這些模板的獲得必須利用各個特征的輪廓，而傳統(tǒng)的基于邊緣提取的方法很難獲得較高的連續(xù)邊緣。即使獲得了可靠度高的邊緣，也很難從中自動提取所需的特征量。模板匹配方法在尺度、光照、旋轉角度等各種條件穩(wěn)定的狀態(tài)下，它的識別的效果優(yōu)于其它方法，但它對光照、旋轉和表情變化比較敏感，影響了它的直接使用。 基于人臉特征的方法 人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構人臉識別方法的分析與研究 8 上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關系的幾何描述，可以作為人臉識別的重要特征。幾何特征最早是用于人臉檢測輪廓的描述與識別，首先根據檢測輪廓曲線確定若干顯著點，并由這些顯著點導出一組用于識別的特征度量如距離、角度等。采用幾何特征進行正面人臉識別一般是通過提取人眼、口、鼻等重要特征點的位置和眼睛等重要器官的幾何形狀作為分類特征。 定位眼睛往往是提取人臉幾何特征的第一步。由于眼睛的對稱性以及眼珠呈現為低灰度值的圓形，因此在人臉圖像清晰端正的時候，眼睛的提取是比較容易的。但是如果人臉圖像模糊，或者噪聲很多，則往往需要利用更多的信息(如眼睛和眉毛、鼻子的相對位置等)，而且這將使得眼睛的定位變得很復雜。而且實際圖像中，部件未必輪廓分明，有時人用眼看也只是個大概，計算機提取就更成問題，因而導致描述同一個人的不同人臉時，其模型參數可能相差很大，而失去識別意義。盡管如此，在正確提取部件以及表情變化微小的前提下，該方法依然奏效，因此在許多方而仍可應用，如對標準身份證照片的應用。人臉識別方法的分析與研究 9 第 3 章 PCA 人臉識別方法 引言人臉識別技術是指當輸入一張正面人臉圖像時，識別該照片屬于人臉庫的哪一個人。其可應用于會議入場系統(tǒng)、罪犯識別及其它需要身份鑒別的場合。由于人臉圖像是一個復雜的對象，而且人臉會隨著表情、姿態(tài)、角度、光照的不同而呈現較大的不同，這些都增加了該問題的難度，使人臉識別成為國際上的難點和熱點。解決人臉識別的方法層出不窮，如基于幾何特征的方法、基于代數特征的方法等。主成分分析法(PCA)是把人臉圖像看成高維向量，由于人臉圖像的高度相關性，那么可以通過 KL 正交變換將其轉化為低維空間的向量，后者最大限度地保留了原數據的主要信息，是沿著其方差最大的方向求得的矢量。這樣降維后的向量可以方便地用于模式識別。識別方法是最鄰近距離分類法。 主成分分析 主成分分析法是統(tǒng)計學中用來分析數據的一種方法，它基于 KL 分解。最早將其用于人臉識別中的是 Pentland，并因為它的有效很快流行起來。簡單地說，它的原理就是將一高維的向量，通過一個特殊的特征向量矩陣，投影到一個低維的向征的向量和這個特征向量矩陣，可以完全重構出所對應的原來的高維向量 [11]。 對應到人臉識別中，有如下的闡述: 對于一幅 的圖像，將其列排列起來形成一個列向量 v。假設人臉訓練集中有 pmx n幅圖像，則這 p 個列向量羅列起來形成一個(m x n) x p 維的矩陣 X。以 x 表示一幅圖像的列向量。則訓練樣本集的總體散布矩陣為： ??p1i Tiit )x(S （31 ）人臉識別方法的分析與研究 10 為對稱陣，可進行如下分解：tS （32）TtRS??對每一幅圖像 xi 進行變換（即在特征空間中進行投影） ，則 Y 的協(xié)方差矩iTiXRY?陣為： 。 故經過 PCA 變換去除了數據間的相關性，減小了冗余。dagRXYiT?達到了降維的目的。選取大的特征值，使總能量大于 90%，即將特征值按從大到小排序，為：，選取前 k 個特征值對應的特征向量，這叫做主成分。記主nk??????21成分矩陣為 ，則樣本在該特征空間上的投影為：mU （33）XUWm?由前 m 個主軸決定的子空間能最大限度表達原始數據的變化，因為它在最小均方誤差意義下是數據的最優(yōu)表達。這樣，對于要測試的人臉，將其在該子空間上投影，得到其坐標，和樣本空間上各個人臉的坐標相比較，距離最近的即為該人臉的識別結果。在對 進行分解時，由于其維數很大，故借助于奇異值分解定理 [12] 。tS定理：設 是一秩為 r 的 nr 維矩陣，則存在兩個正交矩陣：A （34）rn1r0R]u,[U????? IUT? （35）rrvV? V以及對角陣 （36）r1r0R],[diag?????且 （37）1r21???滿足 （38）T21VUA?其中： 為矩陣 和 的非零特征值， 和 分別為 和)1r,0i(????T iuivTA對應于 的特征向量。ATi推論 ：人臉識別方法的分析與研究 11 （39）21AVU???可構造矩陣 ，容易求出此矩陣的特征值和特征向量，那么應用以上的推論，XST?即可得到所需的特征向量和特征值。所選取的特征向量構成了特征臉空間，這是一個降維的子空間，所有的人臉圖像都可以在此空間上投影從而得到一組坐標系數，這組系數表明了該圖像在子空間中的位置，從而可以作為人臉識別的依據。任何一幅人臉圖像都可以表示為這組特征臉的線性組合，其加權系數就是 KL 變換的展開系數，也可以稱為該圖像的代數特征。 特征臉方法特征臉方法(Eigenface) 是從主成分分析導出的一種人臉識別和描述技術。 PCA 實質上是 KL 展開的網絡遞推實現。KL 變換是圖像壓縮技術中的一種最優(yōu)正交變換，其生成矩陣一般為訓練樣本的總體散布矩陣。特征臉方法就是將包含人臉的圖像區(qū)域看作是一種隨機向量，因此可以采用 KL 變換獲得其正交 KL 基底。對應其中較大特征值的基底具有與人臉相似的形狀，因此又稱為特征臉(Eigenface)。利用這些基底的線形組合可以描述，表達和逼近人臉圖像，因此可以進行人臉的識別與合成。識別過程就是將人臉圖像映射到由特征臉張成的子空間上，比較其與己知人臉在特征臉空間中的位置，具體步驟如下： ，獲得人臉圖像的訓練集并計算特征臉，定義為人臉空間； ，將其映射到特征