【文章內(nèi)容簡(jiǎn)介】 以此可以去除光照的變化。監(jiān)督學(xué)習(xí)目的是尋找類(lèi)的特征，有監(jiān)督學(xué)習(xí)的目的是減少訓(xùn)練樣本人臉識(shí)別方法的分析與研究 7 被錯(cuò)分的比例。這種網(wǎng)絡(luò)提取的特征明顯，識(shí)別率高，如果用幾個(gè)網(wǎng)絡(luò)同時(shí)運(yùn)算，求其平均，識(shí)別效果還會(huì)提高。與其他類(lèi)型的方法相比，神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別上有其獨(dú)到的優(yōu)勢(shì)，它避免了復(fù)雜的特征提取工作，可以通過(guò)學(xué)習(xí)的過(guò)程獲得其他方法難以實(shí)現(xiàn)的關(guān)于人臉識(shí)別的規(guī)律和規(guī)則的隱性表達(dá)。此外，神經(jīng)網(wǎng)絡(luò)以時(shí)示方式處理信息，如果能用硬件實(shí)現(xiàn)，就能顯著提高速度。神經(jīng)網(wǎng)絡(luò)方法除了用于人臉識(shí)別外，還適用于性別識(shí)別、種族識(shí)別等。 彈性圖匹配法彈性圖匹配方法是一種基于動(dòng)態(tài)鏈接結(jié)構(gòu) 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(diǎn)用圖像位置的 Gabor 小波分解得到的特征向量標(biāo)記，圖的邊用連接節(jié)點(diǎn)的距離向量標(biāo)記。匹配時(shí)，首先尋找與輸入圖像最相似的模型圖，再對(duì)圖中的每個(gè)節(jié)點(diǎn)位置進(jìn)行最佳匹配，這樣產(chǎn)生一個(gè)變形圖，其節(jié)點(diǎn)逼近模型圖的對(duì)應(yīng)點(diǎn)的位置。彈性圖匹配方法對(duì)光照、位移、旋轉(zhuǎn)及尺度變化都敏感。此方法的主要缺點(diǎn)是對(duì)每個(gè)存儲(chǔ)的人臉需計(jì)算其模型圖，計(jì)算量大，存儲(chǔ)量大。為此，Wiskott 在原有方法的基礎(chǔ)上提出聚束圖匹配，部分克服了這些缺點(diǎn)。在聚束圖中，所有節(jié)點(diǎn)都已經(jīng)定位在相應(yīng)目標(biāo)上。對(duì)于大量數(shù)據(jù)庫(kù)，這樣可以大大減少識(shí)別時(shí)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(guān)于未知人的性別、胡須和眼鏡等相關(guān)信息。 基于模板匹配的方法模板匹配法是一種經(jīng)典的模式識(shí)別方法，這種方法大多是用歸一化和互相關(guān)，直接計(jì)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(biāo)要有相同的尺度、取向和光照條件，所以預(yù)處理要做尺度歸一化和灰度歸一化的工作。最簡(jiǎn)單的人臉模板是將人臉看成一個(gè)橢圓，檢測(cè)人臉也就是檢測(cè)圖像中的橢圓。另一種方法是將人臉用一組獨(dú)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(gè)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(dòng)提取所需的特征量。模板匹配方法在尺度、光照、旋轉(zhuǎn)角度等各種條件穩(wěn)定的狀態(tài)下，它的識(shí)別的效果優(yōu)于其它方法，但它對(duì)光照、旋轉(zhuǎn)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(gòu)成，正因?yàn)檫@些部件的形狀、大小和結(jié)構(gòu)人臉識(shí)別方法的分析與研究 8 上的各種差異才使得世界上每個(gè)人臉千差萬(wàn)別，因此對(duì)這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以作為人臉識(shí)別的重要特征。幾何特征最早是用于人臉檢測(cè)輪廓的描述與識(shí)別，首先根據(jù)檢測(cè)輪廓曲線確定若干顯著點(diǎn)，并由這些顯著點(diǎn)導(dǎo)出一組用于識(shí)別的特征度量如距離、角度等。采用幾何特征進(jìn)行正面人臉識(shí)別一般是通過(guò)提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類(lèi)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(duì)稱(chēng)性以及眼珠呈現(xiàn)為低灰度值的圓形，因此在人臉圖像清晰端正的時(shí)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(duì)位置等)，而且這將使得眼睛的定位變得很復(fù)雜。而且實(shí)際圖像中，部件未必輪廓分明，有時(shí)人用眼看也只是個(gè)大概，計(jì)算機(jī)提取就更成問(wèn)題，因而導(dǎo)致描述同一個(gè)人的不同人臉時(shí)，其模型參數(shù)可能相差很大，而失去識(shí)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(yīng)用，如對(duì)標(biāo)準(zhǔn)身份證照片的應(yīng)用。人臉識(shí)別方法的分析與研究 9 第 3 章 PCA 人臉識(shí)別方法 引言人臉識(shí)別技術(shù)是指當(dāng)輸入一張正面人臉圖像時(shí)，識(shí)別該照片屬于人臉庫(kù)的哪一個(gè)人。其可應(yīng)用于會(huì)議入場(chǎng)系統(tǒng)、罪犯識(shí)別及其它需要身份鑒別的場(chǎng)合。由于人臉圖像是一個(gè)復(fù)雜的對(duì)象，而且人臉會(huì)隨著表情、姿態(tài)、角度、光照的不同而呈現(xiàn)較大的不同，這些都增加了該問(wèn)題的難度，使人臉識(shí)別成為國(guó)際上的難點(diǎn)和熱點(diǎn)。解決人臉識(shí)別的方法層出不窮，如基于幾何特征的方法、基于代數(shù)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(guān)性，那么可以通過(guò) KL 正交變換將其轉(zhuǎn)化為低維空間的向量，后者最大限度地保留了原數(shù)據(jù)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(shí)別。識(shí)別方法是最鄰近距離分類(lèi)法。 主成分分析 主成分分析法是統(tǒng)計(jì)學(xué)中用來(lái)分析數(shù)據(jù)的一種方法，它基于 KL 分解。最早將其用于人臉識(shí)別中的是 Pentland，并因?yàn)樗挠行Ш芸炝餍衅饋?lái)。簡(jiǎn)單地說(shuō)，它的原理就是將一高維的向量，通過(guò)一個(gè)特殊的特征向量矩陣，投影到一個(gè)低維的向征的向量和這個(gè)特征向量矩陣，可以完全重構(gòu)出所對(duì)應(yīng)的原來(lái)的高維向量 [11]。 對(duì)應(yīng)到人臉識(shí)別中，有如下的闡述: 對(duì)于一幅 的圖像，將其列排列起來(lái)形成一個(gè)列向量 v。假設(shè)人臉訓(xùn)練集中有 pmx n幅圖像，則這 p 個(gè)列向量羅列起來(lái)形成一個(gè)(m x n) x p 維的矩陣 X。以 x 表示一幅圖像的列向量。則訓(xùn)練樣本集的總體散布矩陣為： ??p1i Tiit )x(S （31 ）人臉識(shí)別方法的分析與研究 10 為對(duì)稱(chēng)陣，可進(jìn)行如下分解：tS （32）TtRS??對(duì)每一幅圖像 xi 進(jìn)行變換（即在特征空間中進(jìn)行投影） ，則 Y 的協(xié)方差矩iTiXRY?陣為： 。 故經(jīng)過(guò) PCA 變換去除了數(shù)據(jù)間的相關(guān)性，減小了冗余。dagRXYiT?達(dá)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(gè)特征值對(duì)應(yīng)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(gè)主軸決定的子空間能最大限度表達(dá)原始數(shù)據(jù)的變化，因?yàn)樗谧钚【秸`差意義下是數(shù)據(jù)的最優(yōu)表達(dá)。這樣，對(duì)于要測(cè)試的人臉，將其在該子空間上投影，得到其坐標(biāo)，和樣本空間上各個(gè)人臉的坐標(biāo)相比較，距離最近的即為該人臉的識(shí)別結(jié)果。在對(duì) 進(jìn)行分解時(shí)，由于其維數(shù)很大，故借助于奇異值分解定理 [12] 。tS定理：設(shè) 是一秩為 r 的 nr 維矩陣，則存在兩個(gè)正交矩陣：A （34）rn1r0R]u,[U????? IUT? （35）rrvV? V以及對(duì)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(duì)應(yīng)于 的特征向量。ATi推論 ：人臉識(shí)別方法的分析與研究 11 （39）21AVU???可構(gòu)造矩陣 ，容易求出此矩陣的特征值和特征向量，那么應(yīng)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(gòu)成了特征臉空間，這是一個(gè)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(biāo)系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，從而可以作為人臉識(shí)別的依據(jù)。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(quán)系數(shù)就是 KL 變換的展開(kāi)系數(shù)，也可以稱(chēng)為該圖像的代數(shù)特征。 特征臉?lè)椒ㄌ卣髂樂(lè)椒?Eigenface) 是從主成分分析導(dǎo)出的一種人臉識(shí)別和描述技術(shù)。 PCA 實(shí)質(zhì)上是 KL 展開(kāi)的網(wǎng)絡(luò)遞推實(shí)現(xiàn)。KL 變換是圖像壓縮技術(shù)中的一種最優(yōu)正交變換，其生成矩陣一般為訓(xùn)練樣本的總體散布矩陣。特征臉?lè)椒ň褪菍四樀膱D像區(qū)域看作是一種隨機(jī)向量，因此可以采用 KL 變換獲得其正交 KL 基底。對(duì)應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此又稱(chēng)為特征臉(Eigenface)。利用這些基底的線形組合可以描述，表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉的識(shí)別與合成。識(shí)別過(guò)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(xùn)練集并計(jì)算特征臉，定義為人臉空間； ，將其映射到特征