【文章內容簡介】 識別圖像中將要處理的人臉亮度和大小做到盡量統(tǒng)一，這樣可以使他在相同條件下進行識別。該模塊為是后續(xù)特征提取模塊的基礎，為它提供了高質量的圖像。② 人臉圖像訓練模塊：對識別人臉圖像進行集中訓練從而得到供識別模塊所需判別的參數。在次模塊中，不同算法效果差異很大。③ 特征提取模塊：處理訓練集和測試集的人臉圖像，得到最能反映人臉本質的特征，從而方便分類，這樣可以使原始的人臉空間數據映射到新特征空間，識別效果最主要衡量標準是提取特征的穩(wěn)定性和有效性。在特征提取過程中，根據不同的識別策略選擇相應的識別特征：基于神經網絡的方法：用歸一化后的灰度圖像來提取特征值或特征向量作為輸入，網絡的輸出作為識別結果；基于幾何特征的識別方法：先提取特征點，之后構造特征向量；基于模板的匹配方法：主要提取相關系數作為識別特征；基于統(tǒng)計的識別方法：利用了圖像的相關矩陣來求特征向量，每一個特征向量；對應一張?zhí)卣髂?。?人臉識別模塊：根據上一個模塊判別測試圖像是否屬于人臉庫里對應特定的人臉。該圖只給出了人臉檢測和人臉識別兩個部分。 傳統(tǒng)的人臉識別系統(tǒng)框圖第三節(jié) 人臉識別的性能評價因為人臉識別是一項實用的技術，所以評價人臉識別算法的好壞[9]也必須從實用角度出發(fā)。首先，人臉識別本身是一種分類技術，所以衡量人臉識別算法的首要性能指標是識別率。其次，識別時間決定一種算法從理論到實踐的過渡和跨越，因此它是衡量人臉識別算法好壞的關鍵指標。最后，考察算法識別性能的一個重要指標人臉識別算法對物理存儲空間的要求。下面將對這些性能指標分別進行介紹。 識別率 識別率是指在測試過程中，正確識別的人臉圖像數目與人臉圖像總數的比值。因為訓練樣本不同的組合產生的鑒別矢量會對識別率產生很大的影響，通常的做法是采用校驗法，把已經標記好的訓練樣本集隨機地分兩部分：其一作為訓練集，用來調整算法中的參數；其二作為 “校驗集”，用于評價推廣的誤差。如果某種識別算法對新的測試樣本，即使它對訓練樣本的分類性能不是很好，但它能夠有不錯的分類效果，也應該接受它。 識別時間 因為人臉識別技術是要應用到實際中，所以實時性是人臉識別技術的一個重要的性能指標。人臉識別系統(tǒng)的時間主要包括兩方面的時間：一是訓練階段的時間——人臉識別系統(tǒng)生成鑒別矢量集所需要的時間；另一個是分類識別階段，測試樣本投影到鑒別矢量集張成的低維子空間，得到的投影系數以及分類決策確定的測試樣本類別的時間總和。一般情況下，訓練時間相對來講不重要（人臉識別系統(tǒng)的訓練為離線訓練），但分類識別所需的時間標志著人臉識別系統(tǒng)是否具有實時性，決定了人臉識別系統(tǒng)能否應用于實踐。 3．數據存儲量 在人臉識別系統(tǒng)中，如果人臉特征庫需要花銷太多的存儲空間，那么將會給整個系統(tǒng)造成太大的負擔。所以人臉投影特征矩陣的維數和訓練集的大小在人臉識別系統(tǒng)中有特別重要的地位。第四節(jié) 本章小結 本章主要介紹了完整的人臉識別流程和人臉識別系統(tǒng)，一般的人臉識別流程包括預處理、特征提取、和分類過程。本文著重研究的是有姿態(tài)變換的人臉圖像識別方法，于是識別流程中多了姿態(tài)校正的部分，完整的流程為預處理、姿態(tài)校正、特征提取和分類。本文還介紹了人臉識別的研究范圍，和人臉識別系統(tǒng)的功能模塊，以及人臉識別系統(tǒng)的性能評價。幫助讀者更好的了解人臉識別系統(tǒng)的操作過程。第三章 多姿態(tài)人臉識別的研究第一節(jié) 引言人臉識別技術經常遇到樣本維數過高、類別數太大、訓練樣本較少，還有姿態(tài)、光照、表情等影響的問題。其中，制約人臉識別率提高最重要的因素是姿態(tài)變化。如果人臉姿態(tài)變化較大，那么識別率就會急劇降低，有時候甚至根本無法識別。本文針對只能獲取少量訓練樣本的情況下，用正弦變換方法對測試集校正處理，用PCA算法來進行特征的提取，并且使用K最近鄰分類器，來對多姿態(tài)人臉識別全面的研究。在現階段，很有必要來對多姿態(tài)人臉識別策略進行具體方法的實現?，F實中，識別精度降低主要因為測試人臉圖像姿態(tài)變化對它的影響。本文研究的姿態(tài)校正人臉識別策略是基于正弦變換的。該方法相較于傳統(tǒng)的人臉識別系統(tǒng)的優(yōu)勢是它加入姿態(tài)校正前端處理，最后將多姿態(tài)樣本校正成為正面人臉圖像。第二節(jié) 多姿態(tài)人臉識別策略多視圖的多姿態(tài)人臉識別最常用的方法就是收集各個人臉的不同姿態(tài)、多個數目的視圖作為訓練樣本，識別時把傳入的人臉圖像與訓練庫中全部的多視圖進行對比，得出人臉識別的最終結果。這種方法確實對多姿態(tài)人臉識別的問題有一些作用，但是整體來說仍然存在很大的不足：它需要將多視圖為基本條件，需要對每個人臉從多個視角都進行取證。這樣工作量太大，有時候是不可能辦到的。Daniel[10]提出的點分布模型，只要準確的將人臉的關鍵輪廓點進行定位，可以通過調整人臉的參數改變人臉的姿態(tài)，這種方法可以在姿態(tài)相近的訓練和測試樣本中取得不錯的效果。文獻概括了針對姿態(tài)人臉的三維模型方法[11]。三維的方法對于解決姿態(tài)問題是最有效的方法，但是由于三維圖像的獲取比較困難，獲取時間長，在獲取過程中對用戶的干擾比較大，且三維數據計算復雜度遠高于二維數據，計算量大，耗時多，因此在識別應用中暫時沒能得到推廣。在通常的人臉識別系統(tǒng)中，往往不能得到大量的多姿態(tài)人臉訓練樣本，而只能獲得少量的正面樣本，但是測試樣本常常是帶有各角度的姿態(tài)圖像。針對訓練樣本數量有限的情況下，本論文分析研究了一種小樣本訓練方法的姿態(tài)校正方法。第三節(jié) 姿態(tài)校正研究在實際應用中的人臉識別系統(tǒng)中，往往不可能得到大量的訓練樣本，只能獲得一些正面姿態(tài)圖像，但測試樣本往往會帶有各角度的姿態(tài)。對人臉識別系統(tǒng)的識別率起直接作用的就是測試樣本與訓練樣本的一致性。如果想提高識別的正確率，可以從提高兩者的一致性下手。為了提高訓練樣本和測試樣本的一致性，我們采取姿態(tài)校正的方法來將ORL庫中的所有人臉圖像均進行了人臉校正。一、姿態(tài)校正的人臉識別框架從具體的人臉識別流程出發(fā)，人臉識別系統(tǒng)分為人臉檢測、預處理、特征提取、人臉分類四個部分。圖 為本文顯示了姿態(tài)校正的人臉識別框架。具體方法是：訓練樣本在特征提取之前先進行預處理，接著將結果傳入到分類器。測試階段，需要先檢查到待測人臉，然后進行同樣的預處理，接著進入姿態(tài)校正模塊，利用離線的姿態(tài)校正和特征提取后，再傳入到分類器，就可以獲得最匹配的樣本，最后將識別信息輸出[12]。二、基于ST的姿態(tài)校正算法姿態(tài)校正模塊作為具有姿態(tài)校正效果的人臉識別框架中最核心的部分，研究其算法是非常重要，也是非常必要的。本文所說的姿態(tài)校正是基于二維圖像的正弦變換[13]的，其重要特征是可以快速的姿態(tài)校正，這大大提高了人臉識別的實效性和可操作性。 假設所給的識別樣本是一張為m n的側面人臉圖像，記做S，即這張人臉圖像本身有一定方向的偏轉。這時的圖像可以看出一側被壓縮，而另一側被放大了。但是正面人臉，是兩邊對稱的。因此，以人臉圖像的中心為軸線，右邊列坐標取正，左邊圖像列坐標取負，這樣就可以依據正負不同的列坐標來實施不同的尺度旋轉，這樣就能拉伸一邊的同時壓縮另一邊。這樣一個側面人臉便姿態(tài)校正了一定角度，進而可以變換成為正面人臉。值得注意的是原始列坐標設置的都是整數，但變化后不一定是整數，可以通過插值運算，便可求得此圖像上各個像素點所對應的灰度值。設原始圖像S，大小為mn，平面上對應的網格點為{( x , y ) | x = 1, 2......, m。 y = 1, 2......, n}，經過正弦變換后，網格點的 y 值為： y 39。 = (1 + sign ( y ? n / 2) * sin ( α ))( y ? n / 2) + n/ 2 ()α 為需要的旋轉角度值，sign( )表示符號函數。()式的變形為： y39。=y+sinαyn2 y≥n2ysinαyn2 yn2 ()由()式可得，當y 在圖像左右兩個區(qū)間的位置，實施不同的角度變換，會得到不同程度的縮放效果。圖像新的網格點是由{( x , y 39。)| x = 1,2......, m。 y = 1,2......, n}組成的。由于新圖像 S’在網格點( x , y 39。)的灰度值和原圖像S在 ( x , y )點的相同，所以由 S’ 作插值計算就可以得到圖像在網格點{( x , y 39。)| x = 1,2......, m。 y = 1,2......, n}的值，它就是姿態(tài)校正后的圖像。三、實驗結果在ORL人臉圖像庫中選擇衣服有旋轉角度的圖片，以正弦變換校正算法對圖像進行從1到15度的不同角度的校正，并將校正結果以3行5列的形式全部顯示出來。并手動確定人臉中軸線，然后比較旋轉后圖片人臉中軸線兩邊的像素點差值，判斷哪一個旋轉后的圖片差值最小，就認為此角度旋轉效果最好，校正后的人臉最接近正面人臉。將此圖片保存，留作后續(xù)人臉識別使用。以下4張圖分別展示了所選取的ORL庫人臉右偏原圖，和手動標示出中軸線的原圖；進行左偏姿態(tài)校正后的人臉圖像；標示出人臉中軸線的校正效果圖；以及存儲在pix_diff中的人臉中軸線兩邊圖像像素差值。 人臉向左偏轉校正圖 標示人臉中軸線的校正圖 存儲校正后人臉中軸線兩邊的像素差由圖示可以看出第10張圖片為最佳校正圖。以下4張圖分別展示了所選取的ORL庫人臉左偏原圖，和手動標示出中軸線的原圖；進行左偏姿態(tài)校正后的人臉圖像；標示出人臉中軸線的校正效果圖；以及存儲在pix_diff中的人臉中軸線兩邊圖像像素差值。 標示人臉中軸線的校正圖 存儲校正后人臉中軸線兩邊的像素差由圖示可以看出第12張圖片為最佳校正圖。第四節(jié) 本章小結本章討論了針對多姿態(tài)人臉識別的策略和方法，本文使用簡單的平面內姿態(tài)校正來解決姿態(tài)問題對人臉識別系統(tǒng)的影響，提高系統(tǒng)的可操作性和實效性。在實際操作中，有時我們無法獲得足夠多的各角度的人臉樣本，或者說只能得到少量的正面樣本，此時可以考慮采用對測試樣本進行姿態(tài)校正的策略。由于本文所選用的人臉庫是ORL人臉庫，里面包含各種姿勢，表情的人臉，有些人沒有正面樣本，只有側面樣本，所以在識別的時候，本文將ORL庫中的所有圖片都進行了校正，然后再進行人臉識別。針對實際應用中人臉識別受到姿態(tài)變化影響較大且有時只能獲取少量人臉訓練樣本的情況，有學者提出了基于姿態(tài)校正的人臉識別思想。本章分析研究了將基于正弦變換的人臉姿態(tài)校正模塊加到普通的人臉識別框架中的算法。將具有不同姿態(tài)的測試圖像校正為正面人臉圖像，與傳統(tǒng)的人臉識別方法相比，可有效的提高識別率。校正后的圖像并沒有改變原圖像中的紋理信息。本文使用了正弦變換的方法來虛擬有姿態(tài)變化的人臉圖像，根據人眼感知到的旋轉人臉圖像的視覺效果，利用兩個半臉的同時但不同尺度（一邊壓縮，一邊擴張）的變換來虛擬多姿態(tài)人臉圖像。這種方法不需要復雜的3D人臉重建，而且它是直接從原始圖像上映射紋理，保留了全部的紋理信息，所以能快速的校正得到正面的人臉圖像。第四章 基于PCA的人臉識別方法第一節(jié) 問題描述在Matlab中，一幅圖像可以由矩陣（或者可以說一個矢量）來表示，這個矢量是由像素值組成的。如一幅 N*N（本實驗中為56*46）像素的圖像，無論是訓練集還是測試集中的圖像，他們都對應于 N2維空間中的唯一點。新的子空間具有怎么樣的形式不重要，重要的是將測試圖像和訓練集圖像投影到它上面，然后利用各種距離度量對圖像的投影記錄判斷相似度來確認是否處于同一類中。判定一個度量指標的優(yōu)秀不僅要求它真實可靠，還必須能夠最大限度的體現出個體間的差異。如果有一項指標，不同個體的取值其實相差不大，那么該指標就不是優(yōu)秀的指標，是不合格的，也是沒有意義的。本實驗所用的ORL人臉庫，絕大部分人臉的背景區(qū)域差別很小，表達圖像時，這些維度的投影對區(qū)分不同人臉身份的“貢獻”不大，可以認為這些投影是圖像表達的冗余信息。而主成分分析算法可以只概括信息的重要部分，而忽略對識別沒太大影響的部分。PCA 算法是通過去除了原始數據的相關性，達到了降低維數的效果。將特征值按從大到小排序，選取前N個較大的特征值對應的特征向量，這N個特征向量就構成了原始圖像的又一表征矩陣。之后把訓練集和測試集的圖像投影到行的表示空間，那么任何一張圖片都是新的表示空間的一個點，與測試圖像點最近的一個或多個點所代表的那張人臉圖像就與測試圖像是同一類的。第二節(jié) PCA算法介紹一、PCA的理論基礎投影設d維的樣本x1，x2，…,xn以及一個d維基w，那么標量：是相當于Xi在基上的坐標值。如果進行投影的結果。廣而言之，如果有一組基組成的空間，那么可以得到在空間W上Xi坐標為 （41）PCA的作用及其統(tǒng)計特征[11]利用PCA算法處理原始數據，一般在三個方面發(fā)生作用：降維、去除相關性、概率估計。下面分別進行介紹：（1）、去除原始數據相關性根據概率學，隨機變量X與Y的協(xié)方差為，記作CovX,Y。令 （42）稱為隨機變量X與Y的相關系數。則X與Y是相關的，則X與Y是不相關的。（2）、降維如果有大小為P=n*m的圖片，那么在原始空間表示需要一個 N 維矢量（其中N=n*m），但如果通過公式(41)把它降維后，只需要一個 r*1 維的向量就可以了。我們可以通過計算方差的大小來判定特征向量是否重要。特征向量重要性呈現指數下降，前面的部分成分已經可以表示絕大部分信息，由此可知，只選用前面幾個重要的特征向量就可以來構建特征空間。特征臉中的任意一個單位向量都可以表示一個特征臉。這些特征臉可以組成特征臉子空間，正交基有很多分量，它們都是一個個特征向量，而較大特征值的正交基就是主分量，它表示了人臉的低頻部分，用于表示人臉的輪廓；相對次分量描述了人臉的高頻部分，較小特征值所對應的特征向量描述了圖像的具體細節(jié)，如不同圖片的背景差異等。奇異值分解（SVD）