【導(dǎo)讀】由于人臉識(shí)別技術(shù)在安全、金融、法律實(shí)施和軍事上有廣闊的潛在應(yīng)用前景,隨著人臉識(shí)別技術(shù)的不斷發(fā)展,更大的圖像庫(kù),更高的識(shí)別率,更快的識(shí)別。鑒于基于像素模式的

　　

【正文】 一個(gè)能量函數(shù)。由于該問(wèn)題不能普遍求解，就引入一些簡(jiǎn)化模型：所有的原圖像都被視為馬爾可夫隨機(jī)場(chǎng)，并對(duì)該隨機(jī)場(chǎng)定義一個(gè)能量函數(shù)。由于馬爾可夫隨機(jī)場(chǎng)與吉布斯隨機(jī)場(chǎng)的等價(jià)性，能量函數(shù)可以被表示為 所謂 clique potential的總和。這樣融合目標(biāo)就是得到能夠最大化該能量函數(shù)的圖像。 （ 3）基于多分辨率分析的圖像融合 在融合之前對(duì)圖像進(jìn)行多分辨率分析是由融合的特點(diǎn)和目標(biāo)來(lái)決定的。從客觀上來(lái)講，因?yàn)閳D像特征是包含在不同尺度上的，不同分辨率的圖像所突出表現(xiàn)的特征不一樣。從主觀上來(lái)講，人的視覺(jué)系統(tǒng)對(duì)圖像特征的理解也是分級(jí)的，在大尺度上，人眼對(duì)大的圖像特征較敏感，在小尺度上，人眼對(duì)較小的圖像特征敏感。正因?yàn)槿绱?，要保留圖像在各個(gè)尺度上的重要特征，就必須分別在不同尺度上對(duì)圖像進(jìn)行融合操作。人眼的分析功能能 夠集中在原圖像上完成，正是由于人眼自身具有多分辨率分析的特點(diǎn)，能夠根據(jù)需要自動(dòng)調(diào)節(jié)觀察尺度。圖像的多分辨率分析正是對(duì)人眼的這一特點(diǎn)的模仿。 由于圖像多分辨率分析所具有的優(yōu)點(diǎn)非常適合融合的特點(diǎn)，現(xiàn)有的融合方法多是在此基礎(chǔ)上發(fā)展起來(lái)，如 DOLP（ Differenceoflowpass）金字塔融合算法、 ROLP（ Ratiooflowpass）金字塔融合算法、 Moiphological金字塔融合算法和小波金字塔（特殊類(lèi)型）融合算法。 前面三個(gè)金字塔融合算法雖然相比較其他算法具有一定的優(yōu)越性，在實(shí)際應(yīng)用中本科畢業(yè)設(shè)計(jì)論文 （附錄 包含源代碼） 也起到了重要作用，但是隨著圖像融合應(yīng)用范圍的不斷擴(kuò)大以及對(duì)融合圖像要求的不斷提高，前三個(gè)金字塔算法在實(shí)踐中漸漸暴露出了一定的局限性： 1）不同層次之間的數(shù)據(jù)是相關(guān)的，很難確定兩層次之間的相似性是圖像自身 的特點(diǎn)還是來(lái)源于冗余性； 2）金字塔算法不能保證不同層次之間的信息損失最?。? 3）金字塔的大小是源圖像的 4/3倍，增加了數(shù)據(jù)量； 4）當(dāng)不同源圖像中存在明顯差異時(shí)，融合圖像會(huì)出現(xiàn)斑塊效應(yīng)； 5）在重建圖像時(shí)，有時(shí)出現(xiàn)不穩(wěn)定性，尤其是對(duì)于特征顯著性相似而對(duì)比度相反的圖像之間的融合。 最近鄰分類(lèi)規(guī)則 特 征提取以后采用最近鄰分類(lèi)器對(duì)提取的特征進(jìn)行分類(lèi)。最近鄰分類(lèi)器（ NNC,Nearest Neighbour Classifier）的分類(lèi)規(guī)則就是將不同類(lèi)的所有樣本都作為代表點(diǎn)，通過(guò)與這些代表點(diǎn)的比較來(lái)確定待識(shí)別樣本的所屬類(lèi)別，也就是將測(cè)試樣本分到空間距離最小的訓(xùn)練樣本所屬的類(lèi)別 [3,29]。 最近鄰分類(lèi)器是以所有訓(xùn)練樣本作為參考點(diǎn)，這類(lèi)分類(lèi)器以對(duì)樣本數(shù)據(jù)的參考點(diǎn)描述為基礎(chǔ)。在分類(lèi)時(shí)需要計(jì)算待識(shí)別樣本 x 到所有訓(xùn)練樣本的距離（歐氏距離），結(jié)果就是與 x 最近的訓(xùn)練樣本所屬于的類(lèi)別 [29]。最近鄰法的推廣是 NNk? ，即分類(lèi)時(shí)按遞增選出 x 的 k 個(gè)最近鄰，看這 k 個(gè)近鄰中的多數(shù)屬于哪一類(lèi)，就把 x 分到哪一類(lèi)。具體說(shuō)就是在 N 個(gè)已知樣本中，找出 x 的 k 近鄰。由于 NNk? 實(shí)現(xiàn)簡(jiǎn)單，常常被用來(lái)與其他分類(lèi)器進(jìn)行比較，以評(píng)價(jià)其他分類(lèi)器的性能。但是這種近鄰法，每次識(shí)別時(shí)都要計(jì)算待識(shí)別樣本 x 與全部訓(xùn)練樣本之間的距離并進(jìn)行比較，因此需要很大的計(jì)算量[30]。 本科畢業(yè)設(shè)計(jì)論文 （附錄 包含源代碼） 最近鄰分類(lèi)規(guī)則是模式識(shí)別非參數(shù)法中一個(gè)重要的方法，該方法簡(jiǎn)單的說(shuō)就是比較未知樣本和所有已知類(lèi)別樣本之間的歐式距離，未知樣本與離它最近的樣本屬于同類(lèi) [31， 32]。用數(shù)學(xué)語(yǔ)言描述為：設(shè)有 C 個(gè)已知的模式類(lèi)別 ｃ２ ，， ??? ???1 ， in 表示第 i 類(lèi)的訓(xùn)練樣本數(shù)，訓(xùn)練樣本圖像 )(ij? 的投影特征向量 )(ij? ? ?injCi ，，；，， ???????? 2121 ，第 i 類(lèi)投影特征向量的均值為 )i（? ，在投影空間 內(nèi)，最近鄰分類(lèi)規(guī)則是：若樣本 ? 滿(mǎn)足 ? ? ? ?)(minmin ijjikg ?????，則 ??? 。 實(shí)驗(yàn)結(jié)果及分析 本論文主要是利用串行融合算法 [32,33]對(duì)圖像的 Gabor 特征 與 奇異值特征 融合進(jìn)行融合。具體算法描述為：假設(shè)該圖像的局部特征 向量表示為： ? ?n112111 ???????? ，， ，全局特征向量表示為： ? ?n222212 ???????? ，， ，則利用串行融合算法進(jìn)行融合后的特征向量表示為： ? ?nn 2222111211 ?????????????? ，，，， 。 為了消除奇異值和 Gabor 幅值在數(shù)值和量綱上的非均衡性帶來(lái)的不利影響，在融合前，可先對(duì)兩組特征奇異值和 Gabor 幅值做如下標(biāo)準(zhǔn)化處理 [34,35]： AAAAA ???? （ ） PPPPP ???? （ ） 其中 )(AEA ?? ， )(PEP ?? 分別為奇異值和 Gabor 幅值的均值， A? ， P? 分別為奇異值和 Gabor 幅值的標(biāo)準(zhǔn)差。 本論文采用了標(biāo)準(zhǔn)的 ORL 人臉庫(kù)。在 ORL 人臉庫(kù)中，有 400 幅分辨率為 92*112，具有不同表情、不同姿勢(shì)、稍許傾斜（不超過(guò) 20 度）、稍 許遮掩（眼鏡）以及不同光照的人臉，具體為 40 個(gè)人，每人有 10 幅不同的人臉圖片。本次實(shí)驗(yàn) 中，我們從這個(gè)數(shù)據(jù)庫(kù)中選擇了同一個(gè)人的 5 幅圖像做為訓(xùn)練圖像和剩余 5 幅圖像做為測(cè)試圖像。因本科畢業(yè)設(shè)計(jì)論文 （附錄 包含源代碼） 此用 200 幅圖像做為訓(xùn)練圖像集，將剩余的 200 幅圖像做為測(cè)試圖像集（訓(xùn)練圖象集和測(cè)試圖像集沒(méi)有重疊）。 為了對(duì)比實(shí)驗(yàn)結(jié)果，本論文同時(shí)測(cè)試了單獨(dú)提取人臉圖像的奇異值特征的識(shí)別率，以及單獨(dú)提取人臉圖像的 Gabor 特征 的識(shí)別率。 利用串行融合進(jìn)行特征融合的基本步驟如下： （ 1） 單獨(dú)提取人臉圖像的奇異值特征進(jìn)行人臉識(shí)別 單獨(dú)提取人臉圖像的奇異值特征進(jìn)行人臉識(shí)別，其識(shí)別率如圖 所示： %%%%%%%%%%10 5 15 20 25采樣點(diǎn)（個(gè)）識(shí)別率（%）識(shí)別率 圖 提取人臉圖像的奇異值特征進(jìn)行人臉識(shí)別的識(shí)別率 由圖表 可知，當(dāng)采樣點(diǎn)的個(gè)數(shù)為 10 個(gè)的時(shí)，識(shí)別率為 %，優(yōu)于其他采用方法的識(shí)別率。 （ 2）單獨(dú)提取人臉圖像的 Gabor 特征 進(jìn)行人臉識(shí)別 單獨(dú)提取人臉圖像的 Gabor 特征 進(jìn)行人臉識(shí)別，其識(shí)別率如圖 所示： %%%%%%%40*30 32*24 24*18 16*12 8*6采樣點(diǎn)（個(gè)）識(shí)別率（%） 識(shí)別率 本科畢業(yè)設(shè)計(jì)論文 （附錄 包含源代碼） 圖 提取人臉圖像的 Gabor 特征 進(jìn)行人臉識(shí)別的識(shí)別率 由圖表 可知，當(dāng)采樣點(diǎn)的個(gè)數(shù)為 40*30 的時(shí)識(shí)別率為 %，較其它的采樣方法的識(shí)別率高。 （ 3） 利用串行融合算法進(jìn)行人臉識(shí)別 由以上兩個(gè)實(shí)驗(yàn)我們可以得到，當(dāng)采樣點(diǎn)的個(gè)數(shù)為：奇異值的前 10 個(gè)時(shí)識(shí)別率較高；當(dāng) Gabor 特征 為 40*30 時(shí)識(shí)別率較高，因此我們采用提取奇異值的前 10 個(gè)特征值與采用 40*30 的 Gabor 濾波器得到的 Gabor 特征 進(jìn)行特征融合。 利用串行融合算法融合進(jìn)行人臉識(shí)別的識(shí)別率如表 所示： 表 利用串行融合算法融合進(jìn)行人臉識(shí)別的識(shí)別率 算法 識(shí)別率（ %） 提取人臉圖像的奇異值特征 % 提取人臉圖像的 Gabor 特征 % 特征融合 100% 由以上表格可知，采用特征融合算法所獲得的識(shí)別率要優(yōu)于 單純的提取奇異值或者 Gabor 特征 的識(shí)別率，且本論文所采用的特征融合算法的識(shí)別率要優(yōu)于其他的特征融合算法。其原因可歸結(jié)為：圖像的奇異值特征是人臉圖像在不同子空間上的 表征，僅僅采用奇異值特征進(jìn)行識(shí)別的方法則完全損失了包含在兩個(gè)正交矩陣中的更為重要的有用信息；僅僅利用 Gabor 特征進(jìn)行人臉識(shí)別時(shí)，雖然能夠保證原有圖像信息被有效保存，但并不一定有利于識(shí)別的進(jìn)行；而本論文采用的特征融合算法在進(jìn)行人臉識(shí)別時(shí)，既解決了僅僅采用奇異值特征進(jìn)行識(shí)別時(shí)完全損失的包含在兩個(gè)正交矩陣中的更為重要的有用信息的問(wèn)題，又有利于識(shí)別的進(jìn)行，因此可以獲得更好的識(shí)別效果。 本科畢業(yè)設(shè)計(jì)論文 （附錄 包含源代碼） 結(jié) 論 基于生物特征的識(shí)別技術(shù)是一門(mén)利用人類(lèi)特有的個(gè)體特征來(lái)證實(shí)個(gè)人身份的科學(xué)，它提供了一種基于惟一的、高可靠性和穩(wěn)定的人體 生物特征的新的身份鑒別途徑，是身份識(shí)別的一種最安全的方式。人臉識(shí)別技術(shù)是生物特征識(shí)別技術(shù)的一種杰出代表。本文深入分析和研究了一種新的應(yīng)用于人臉識(shí)別的特征融合算法，主要內(nèi)容為：（ 1）深入分析和研究了人臉圖像的 Gabor特征提取問(wèn)題，提取了人臉圖像的 Gabor特征的幅值特征以及相位特征；（ 2）深入分析和研究了人臉圖像的奇異值特征提取的具體算法，提取了人臉圖像的奇異值；（ 3）利用串行融合算法將 Gabor特征的幅值與奇異值進(jìn)行了融合；（ 4）利用最近鄰分類(lèi)對(duì)輸出圖像進(jìn)行了分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明該算法能夠?qū)崿F(xiàn)人臉圖像的 融合，且識(shí)別率較高。 為了使現(xiàn)有的人臉識(shí)別技術(shù)走向成熟，達(dá)到先進(jìn)、經(jīng)濟(jì)和實(shí)用的最終目標(biāo)，并且能精確的提取人臉圖像的特征，以下方面有待我繼續(xù)研究：本論文只利用的最近鄰分類(lèi)規(guī)則對(duì)圖像進(jìn)行了分類(lèi)識(shí)別，由于單一分類(lèi)器的分類(lèi)結(jié)果很可能有偏差，因此，在接下來(lái)的研究工作中，我將利用支持向量機(jī)（ SVM）分類(lèi)系統(tǒng)、最小中值距離分類(lèi)器，對(duì)圖像進(jìn)行分類(lèi)識(shí)別，并將分類(lèi)出來(lái)的圖像進(jìn)行比較、總結(jié)，從而得出更加精確的實(shí)驗(yàn)結(jié)果。 本科畢業(yè)設(shè)計(jì)論文 （附錄 包含源代碼） 參 考 文 獻(xiàn) [1]祝磊，朱善安 .人臉識(shí)別的一種新的特征提取方法 [J].計(jì)算機(jī)學(xué)報(bào)， 2021， 34（ 6）：1221251 [2]何東風(fēng)，凌捷 .人臉識(shí)別技術(shù)綜述 [J].計(jì)算機(jī)學(xué)報(bào)， 2021， 13（ 12） 7578 [3]陳才扣，王正群，楊靜宇，楊健 .一種用于人臉識(shí)別的非線性鑒別特征融合方法 [J].電子學(xué)報(bào)， 2021， 26（ 5 ）： 793797 [4]何國(guó)輝，甘俊英 .PCALDA算法在性別鑒別中的應(yīng)用 [J].中國(guó)圖像圖形學(xué)報(bào)，2021， 32（ 19）： 208211 [5]王聃，賈云偉，林福嚴(yán) .人臉識(shí)別系統(tǒng)中的特征提取 [J].自動(dòng)化學(xué)報(bào)， 2021， 21（ 73）： 5355 [6]張儉鴿，王世卿，盛光 磊 .基于小波和 DFBPCA 的人臉識(shí)別算法研究 [J].自動(dòng)化學(xué)報(bào)， 2021， 23（ 21）： 253255 [7]曹林，王東峰，劉小軍，鄒謀炎 .基于二維 Gabor 小波的人臉識(shí)別算法 [J].電子學(xué)報(bào)， 2021， 28（ 3） 490494 [8]焦峰，山世光，崔國(guó)勤，高文，李錦濤 .基于局部特征分析的人臉識(shí)別方法 [J].自動(dòng)化學(xué)報(bào)， 2021， 15（ 1）： 5358 [9]Wangmeng Zuo， Kuanquan Wang， David Zhang， Hongzhi Zhang. Combination of two novel LDAbased methods for face recognition[C].Proceedings of the IEEE， 2021：735742 [10]徐倩，鄧偉 .一種融合兩種主成分分析的人臉識(shí)別方法 [J].計(jì)算機(jī)學(xué)報(bào)， 2021，43（ 25）： 195197 本科畢業(yè)設(shè)計(jì)論文 （附錄 包含源代碼） [11]劉貴喜，楊萬(wàn)海 .基于小波分解的圖像融和方法及性能評(píng)價(jià) [J].自動(dòng)化學(xué)報(bào)，2021， 28（ 6）： 927934 [12]周嬪，馬少平，蘇中 .多分類(lèi)器合成方法綜獻(xiàn) [J].自動(dòng)化學(xué)報(bào)， 2021， 28（ 1）：122124 [13]王蘊(yùn)紅，范偉，譚鐵牛 .融合全局與局部特征的子空間人臉識(shí)別算法 [J].電子學(xué)報(bào)， 2021， 28（ 10）： 16571662 [14]莊哲民，張阿妞，李芬蘭 .基于優(yōu)化的 LDA算法人臉識(shí)別研究 [J].中國(guó)圖像圖形學(xué)報(bào)， 2021， 29（ 9）： 20472049 [15]鐘向陽(yáng) .基于 Gabor小波的人臉識(shí)別系統(tǒng)的實(shí)現(xiàn) [J].中國(guó)圖像圖形學(xué)報(bào)， 2021，23（ 3）： 7478 [16]張燕昆，劉重慶 .一種新穎的基于 LDA的人臉識(shí)別方法 [J].自動(dòng)化學(xué)報(bào)， 2021，22（ 5）： 327330 [17]Nojun Kwak. Feature extraction for classification problems and its application to face recognition[C].Proceedings of the IEEE， 2021： 17011717 [18]Rajkiran Gottumukkal， Vijayan improved face recognition technique based on modular PCA approach[C].Proceedings of the IEEE， 2021： 429436 [19]荊曉遠(yuǎn)，郭躍飛，楊靜宇 .基于奇異值特征的圖像預(yù)處理及人臉識(shí)別 [J].信息與控制， 1999（ 2）： 116120 [20]Yunhui H