【正文】 參考文獻(xiàn)[1] ：哈爾濱工業(yè)大學(xué)，199907[2] ：蘇州大學(xué)，201305[3] GCFeng, PCYuen. Recognition of headamp。在論文開(kāi)始的初期，我對(duì)于論文的結(jié)構(gòu)以及文獻(xiàn)選取等方面都有很多問(wèn)題，通過(guò)導(dǎo)師的指導(dǎo)，我在一些專業(yè)網(wǎng)站上找到了我需要的資料，在設(shè)計(jì)中期，我遇到了很多問(wèn)題，比如在做姿態(tài)校正正弦變化時(shí)，我發(fā)現(xiàn)以往的論文關(guān)于正弦變化中的插值步驟均是一筆帶過(guò)，說(shuō)的不夠清楚具體，于是我請(qǐng)教了米建勛導(dǎo)師，是他指導(dǎo)我應(yīng)該怎么樣做插值處理，于是我下面的研究才能繼續(xù)進(jìn)行。在有效校正人臉姿態(tài)的基礎(chǔ)上，結(jié)合使用各種技術(shù)使人臉識(shí)別系統(tǒng)的研究有更大的發(fā)展，使得可以盡量消除光照、表情、遮掩和姿勢(shì)的影響。本文考慮過(guò)將人臉中軸線確定為圖片中軸線的兩邊位置移動(dòng)，通過(guò)比較哪一個(gè)位置能夠得到像素差最小的對(duì)稱臉，從而自動(dòng)確定人臉的中線，但由于考慮不夠全面，此方法得到的人臉中軸線的準(zhǔn)確性不如手動(dòng)確定的中軸線好，接下來(lái)我還需要繼續(xù)研究何種自動(dòng)確定人臉中軸線的方法更為科學(xué)、規(guī)范、有效。本文對(duì)姿態(tài)校正識(shí)別結(jié)果的差異只是進(jìn)行了分析和實(shí)驗(yàn)驗(yàn)證，下一步工作也可以從數(shù)學(xué)角度或其他相關(guān)學(xué)科領(lǐng)域用理論加以證明。②詳細(xì)敘述了多姿態(tài)人臉識(shí)別策略中姿態(tài)校正的正弦變換算法，包括它的理論基礎(chǔ)和實(shí)現(xiàn)方法，也分析了正弦變換存在的一些優(yōu)缺點(diǎn)。PCA算法還不需要著重注意局部細(xì)節(jié)，不需要提取局部特征點(diǎn)，不需要反饋，簡(jiǎn)化了其他算法說(shuō)必須的細(xì)節(jié)；對(duì)數(shù)據(jù)進(jìn)行了去相關(guān)，壓縮了數(shù)據(jù)，降低了數(shù)據(jù)冗余，對(duì)計(jì)算機(jī)識(shí)別速度也有很大提高。但同時(shí)我們也看到它的不足，即校正的范圍有限，僅能夠?qū)ψ笥移D(zhuǎn)角度不大的圖片進(jìn)行有效的校正，對(duì)很多其他更加復(fù)雜的姿勢(shì)無(wú)法起到校正效果，不足以應(yīng)付實(shí)際應(yīng)用中出現(xiàn)的人臉姿態(tài)變化的問(wèn)題，還有許多需要改進(jìn)的地方，其中關(guān)于手動(dòng)確定人臉中軸線的方法也存在很多需要改進(jìn)的地方，因?yàn)槭謩?dòng)指定的中軸線在準(zhǔn)確性上不夠高，而且需要人工的參與，極大降低了人臉識(shí)別的自動(dòng)功能，這既不利于將其運(yùn)用于實(shí)際當(dāng)中，研究出自動(dòng)確定人臉中軸線的方法是非常必要的。②ORL人臉庫(kù)中不只有姿態(tài)變換，還有一些表情變化以及遮蓋物等，即使進(jìn)行了姿態(tài)校正，也還是沒(méi)辦法很大的提高對(duì)ORL庫(kù)中的人臉識(shí)別率。KNN方法存在一些缺點(diǎn)[19]：① 當(dāng)訓(xùn)練樣本集很大的時(shí)候,尋找某個(gè)點(diǎn)的最近鄰的時(shí)間需要耗費(fèi)很長(zhǎng)時(shí)間。每次從由每個(gè)人前5張圖片組成的200張測(cè)試集中選取一張作為測(cè)試圖片，由每人的后5張圖片構(gòu)成的200張訓(xùn)練集。本文中測(cè)量測(cè)試圖片與其余200張圖片在投影子空間的距離，然后選取距離最小的圖片作為識(shí)別結(jié)果。第四節(jié) 人臉識(shí)別分類器是整個(gè)人臉識(shí)別系統(tǒng)中最重要的一步，不同的分類方法適用于不同的環(huán)境，我們需要合理的選擇分類算法。而投影的方差即為原始數(shù)據(jù)向某特征向量投影時(shí)對(duì)應(yīng)于該特征向量的特征值。根據(jù)K L變換原理，由大矩陣的部分較大且非零特征值的特征向量構(gòu)成了新的原始空間。歸一化后的圖像是1*2576維矢量，可視為2576維空間中的一個(gè)點(diǎn)，可以通過(guò) KL 變換將圖像用一個(gè)低維子空間來(lái)描述。③ ORL庫(kù)從全局來(lái)看變化不大，但人臉對(duì)準(zhǔn)不夠整齊統(tǒng)一，同一人可能有不同的人臉偏轉(zhuǎn)角度，或者不同的表情，某些人臉上還有少許遮擋物，比如頭發(fā)遮擋或者戴了眼鏡，比較具有代表性，能夠較好地代替自然條件下采集的人臉圖像?，F(xiàn)在將低維數(shù)據(jù)經(jīng)過(guò)映射處理反映到高維特征空間中，下一步我們將考慮在該特征空間中運(yùn)用線性分類算法。PCA是對(duì)原始的圖像用像素表示成的矩陣進(jìn)行KL變化，在變化后的空間里，挑選出較大的特征值所對(duì)應(yīng)的特征向量作為主成分，形成一個(gè)子空間，然后提取特征。對(duì)訓(xùn)練集人臉庫(kù)中人臉圖像進(jìn)行KL變換，提取稱作“特征臉”(EigenFace)的特征向量，并用它來(lái)描述人臉的模式信息。另一方面，某些成分對(duì)機(jī)器而言沒(méi)有很好的區(qū)分度，例如本文中取出最主要的占到90%能量的主分量，其余分量對(duì)人臉識(shí)別“貢獻(xiàn)”很小而被丟棄，但是相比于2576已得到很大的降維，實(shí)現(xiàn)了數(shù)據(jù)有損壓縮。二、PCA理論原理KL 變換[12]Turk 和 Pentlad在 KarhunenLoeve 變換(簡(jiǎn)稱 KL變換)的基礎(chǔ)上提出了 PCA 方法，KL 變換是圖像壓縮領(lǐng)域的一種最優(yōu)正交變換，人們將KL變換作為統(tǒng)計(jì)特征提取的基礎(chǔ)和依據(jù)。 （44）呈降序排列。特征向量重要性呈現(xiàn)指數(shù)下降，前面的部分成分已經(jīng)可以表示絕大部分信息，由此可知，只選用前面幾個(gè)重要的特征向量就可以來(lái)構(gòu)建特征空間。令 （42）稱為隨機(jī)變量X與Y的相關(guān)系數(shù)。第二節(jié) PCA算法介紹一、PCA的理論基礎(chǔ)投影設(shè)d維的樣本x1，x2，…,xn以及一個(gè)d維基w，那么標(biāo)量：是相當(dāng)于Xi在基上的坐標(biāo)值。而主成分分析算法可以只概括信息的重要部分，而忽略對(duì)識(shí)別沒(méi)太大影響的部分。新的子空間具有怎么樣的形式不重要，重要的是將測(cè)試圖像和訓(xùn)練集圖像投影到它上面，然后利用各種距離度量對(duì)圖像的投影記錄判斷相似度來(lái)確認(rèn)是否處于同一類中。本文使用了正弦變換的方法來(lái)虛擬有姿態(tài)變化的人臉圖像，根據(jù)人眼感知到的旋轉(zhuǎn)人臉圖像的視覺(jué)效果，利用兩個(gè)半臉的同時(shí)但不同尺度（一邊壓縮，一邊擴(kuò)張）的變換來(lái)虛擬多姿態(tài)人臉圖像。針對(duì)實(shí)際應(yīng)用中人臉識(shí)別受到姿態(tài)變化影響較大且有時(shí)只能獲取少量人臉訓(xùn)練樣本的情況，有學(xué)者提出了基于姿態(tài)校正的人臉識(shí)別思想。 標(biāo)示人臉中軸線的校正圖 存儲(chǔ)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。將此圖片保存，留作后續(xù)人臉識(shí)別使用。)| x = 1,2......, m。)| x = 1,2......, m。 y = 1, 2......, n}，經(jīng)過(guò)正弦變換后，網(wǎng)格點(diǎn)的 y 值為： y 39。因此，以人臉圖像的中心為軸線，右邊列坐標(biāo)取正，左邊圖像列坐標(biāo)取負(fù)，這樣就可以依據(jù)正負(fù)不同的列坐標(biāo)來(lái)實(shí)施不同的尺度旋轉(zhuǎn)，這樣就能拉伸一邊的同時(shí)壓縮另一邊。本文所說(shuō)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(shí)別的實(shí)效性和可操作性。圖 為本文顯示了姿態(tài)校正的人臉識(shí)別框架。對(duì)人臉識(shí)別系統(tǒng)的識(shí)別率起直接作用的就是測(cè)試樣本與訓(xùn)練樣本的一致性。三維的方法對(duì)于解決姿態(tài)問(wèn)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(shí)間長(zhǎng)，在獲取過(guò)程中對(duì)用戶的干擾比較大，且三維數(shù)據(jù)計(jì)算復(fù)雜度遠(yuǎn)高于二維數(shù)據(jù)，計(jì)算量大，耗時(shí)多，因此在識(shí)別應(yīng)用中暫時(shí)沒(méi)能得到推廣。這種方法確實(shí)對(duì)多姿態(tài)人臉識(shí)別的問(wèn)題有一些作用，但是整體來(lái)說(shuō)仍然存在很大的不足：它需要將多視圖為基本條件，需要對(duì)每個(gè)人臉從多個(gè)視角都進(jìn)行取證?，F(xiàn)實(shí)中，識(shí)別精度降低主要因?yàn)闇y(cè)試人臉圖像姿態(tài)變化對(duì)它的影響。其中，制約人臉識(shí)別率提高最重要的因素是姿態(tài)變化。本文著重研究的是有姿態(tài)變換的人臉圖像識(shí)別方法，于是識(shí)別流程中多了姿態(tài)校正的部分，完整的流程為預(yù)處理、姿態(tài)校正、特征提取和分類。一般情況下，訓(xùn)練時(shí)間相對(duì)來(lái)講不重要（人臉識(shí)別系統(tǒng)的訓(xùn)練為離線訓(xùn)練），但分類識(shí)別所需的時(shí)間標(biāo)志著人臉識(shí)別系統(tǒng)是否具有實(shí)時(shí)性，決定了人臉識(shí)別系統(tǒng)能否應(yīng)用于實(shí)踐。因?yàn)橛?xùn)練樣本不同的組合產(chǎn)生的鑒別矢量會(huì)對(duì)識(shí)別率產(chǎn)生很大的影響，通常的做法是采用校驗(yàn)法，把已經(jīng)標(biāo)記好的訓(xùn)練樣本集隨機(jī)地分兩部分：其一作為訓(xùn)練集，用來(lái)調(diào)整算法中的參數(shù)；其二作為 “校驗(yàn)集”，用于評(píng)價(jià)推廣的誤差。其次，識(shí)別時(shí)間決定一種算法從理論到實(shí)踐的過(guò)渡和跨越，因此它是衡量人臉識(shí)別算法好壞的關(guān)鍵指標(biāo)。在次模塊中，不同算法效果差異很大。本文主要研究有姿態(tài)變化人臉的識(shí)別方面。③ 人臉的識(shí)別:主要是比較需要識(shí)別的人臉和數(shù)據(jù)庫(kù)中人臉。 廣義“人臉識(shí)別”研究范圍主要包括以下方面[7]:① 人臉檢測(cè):在不同背景下檢測(cè)出待檢測(cè)區(qū)是否包含人臉，如果包含，則要進(jìn)一步確定他的具體的所在位置。人臉識(shí)別是現(xiàn)在備受重視的一項(xiàng)研究，很多專業(yè)人士在這個(gè)領(lǐng)域做出了杰出貢獻(xiàn)，后人應(yīng)該在此基礎(chǔ)上不斷深入的研究，將其推廣到各個(gè)領(lǐng)域。并能充分利用二代身份證照片資源，幫助公安部門的工作。② 人臉識(shí)別與視頻監(jiān)控的無(wú)縫對(duì)接中科院自動(dòng)化所的科學(xué)家和廣大工程技術(shù)人員開(kāi)創(chuàng)了基于可見(jiàn)光下的中遠(yuǎn)距離人臉識(shí)別算法的公共安防智能報(bào)警平臺(tái)，可同時(shí)檢測(cè)、跟蹤和識(shí)別多路攝像頭監(jiān)控范圍內(nèi)的多個(gè)人臉，并與數(shù)據(jù)庫(kù)中人員的面部信息進(jìn)行比對(duì)，實(shí)時(shí)對(duì)來(lái)往人員身份的排查，一旦發(fā)現(xiàn)可疑分子，后臺(tái)會(huì)自動(dòng)報(bào)警，并指導(dǎo)安保人員極早采取防范措施。，由此可見(jiàn)人臉圖像識(shí)別具有廣闊的應(yīng)用前景。目前生物識(shí)別技術(shù)已廣泛用于政府、軍隊(duì)、銀行、福利、電子商務(wù)、安全防務(wù)等領(lǐng)域。研究應(yīng)用PCA的特征提取方法，和K最近鄰分類器。此外還有 Lades 等人采用的利用彈性匹配技術(shù)[3]對(duì)不同姿態(tài)人臉進(jìn)行識(shí)別的方法，由于人臉圖像通常缺乏足夠的紋理信息，無(wú)法滿足此方法需要的準(zhǔn)確定位特征的要求。他們首先用偽逆矩陣代替逆矩陣、在類內(nèi)散布矩陣中添加奇異值擾動(dòng)，然后討論了類內(nèi)散布矩陣的求解空間，逐漸完善其求解算法。因?yàn)楣饩€和姿態(tài)變化不會(huì)對(duì)人臉的 3D 模型造成影響，所以它可以在提高現(xiàn)有識(shí)別系統(tǒng)的識(shí)別率上做出很大貢獻(xiàn)。因此，考慮到人臉姿態(tài)的多樣性對(duì)人臉識(shí)別造成的困難以及多姿態(tài)人臉識(shí)別研究的必要性，研究人員必須加強(qiáng)對(duì)人臉識(shí)別中多姿態(tài)問(wèn)題的解決。二、多姿態(tài)人臉識(shí)別現(xiàn)狀從姿態(tài)角度來(lái)看，人臉識(shí)別被分為正面人臉識(shí)別和多姿態(tài)人臉識(shí)別，其中正面的人臉識(shí)別研究開(kāi)始的較早，研究水平較高，并且取得了很大的結(jié)果，但是有姿態(tài)變換的人臉圖像識(shí)別研究雖已有涉及，有學(xué)者發(fā)表過(guò)一些相關(guān)論文，但仍然存在很多問(wèn)題沒(méi)有解決，目前人臉識(shí)別技術(shù)沒(méi)有得到足夠推廣的一個(gè)重要原因就在于此。Shashua等人基于上圖像的人臉圖像識(shí)別與繪制技術(shù)。第三階段（1998年—現(xiàn)今）這個(gè)時(shí)期的人臉識(shí)別技術(shù)得到進(jìn)一步發(fā)展。局部特征分析是由Atick等人提出，與PCA相比局部特征分析在全局PCA的基礎(chǔ)上提取的是局部特征，其本質(zhì)是基于統(tǒng)計(jì)的低維對(duì)象描述方法。輸入的圖像，先通過(guò)一種優(yōu)化搜索策略來(lái)定位面部關(guān)鍵特征點(diǎn)，同時(shí)提取相應(yīng)特征，得到其屬性圖，識(shí)別過(guò)程是通過(guò)計(jì)算其與已知人臉屬性圖的相似度來(lái)完成。其先使用PCA對(duì)數(shù)據(jù)進(jìn)行降維，并使用LDA方法對(duì)降維后的主分量進(jìn)行變換，以獲得類間散度與類內(nèi)散度比最大，即“盡量大的類間散度和盡量小的類內(nèi)散度”。這個(gè)時(shí)期的主要成果有：1992年左右，Brunelli和Poggio做了一個(gè)基于模板匹配的方法和基于結(jié)構(gòu)特征的方法性能對(duì)比的實(shí)驗(yàn)，并得出了結(jié)論：模塊匹配的方法優(yōu)于基于特征的方法。此階段屬于人臉識(shí)別的初級(jí)階段，沒(méi)有太多突出的研究成果，也未獲得的實(shí)際應(yīng)用。此外，國(guó)際上涌現(xiàn)出大量有關(guān)人臉識(shí)別方面的論文，僅在二十世紀(jì)90年代到兩千年的這段時(shí)間，SCI和EI檢索到的人臉識(shí)別相關(guān)文獻(xiàn)就已達(dá)到數(shù)千篇，由此可見(jiàn)人臉識(shí)別的研究正日新月異的發(fā)展著。1972年，Sakai設(shè)計(jì)出了自動(dòng)人臉圖像系統(tǒng)，Harmon在理論上與實(shí)踐上對(duì)交互人臉識(shí)別方法進(jìn)行了詳細(xì)的論述。③人臉識(shí)別的過(guò)程不需要人工參與，計(jì)算機(jī)可以根據(jù)用戶設(shè)置讓系統(tǒng)自動(dòng)執(zhí)行，而不需要被測(cè)試者的主動(dòng)參與。所以我們將研究的重點(diǎn)放在了認(rèn)識(shí)人類的思維方式，了解人類獲取、傳輸和處理信息的方式，以便將其運(yùn)用到機(jī)器識(shí)別中，最終實(shí)現(xiàn)指導(dǎo)生產(chǎn)和實(shí)踐。人臉識(shí)別問(wèn)題一般被定義為：給定一個(gè)靜止或者動(dòng)態(tài)的人臉圖像，運(yùn)用計(jì)算機(jī)技術(shù)處理圖片，從而確定給定圖像中人物是不是人臉庫(kù)里面的某個(gè)人或者具體判斷是人臉庫(kù)里面的哪個(gè)人。重慶郵電大學(xué)本科畢業(yè)設(shè)計(jì)（論文）多姿態(tài)人臉圖像識(shí)別方法畢業(yè) 論文目 錄前 言 1 第一章 緒論 2 第一節(jié) 研究背景及意義 2 第二節(jié) 人臉識(shí)別研究現(xiàn)狀 3 一、人臉識(shí)別現(xiàn)狀 3 二、多姿態(tài)人臉識(shí)別現(xiàn)狀 5 第三節(jié) 人臉識(shí)別的應(yīng)用前景 7 第四節(jié) 本章小結(jié) 9 第二章 人臉識(shí)別技術(shù)概述 10 第一節(jié) 人臉識(shí)別的研究范圍 10 第二節(jié) 人臉識(shí)別系統(tǒng) 10 第三節(jié) 人臉識(shí)別的性能評(píng)價(jià) 11 第四節(jié) 本章小結(jié) 12 第三章 多姿態(tài)人臉識(shí)別的研究 13 第一節(jié) 引言 13 第二節(jié) 多姿態(tài)人臉識(shí)別策略 13 第三節(jié) 姿態(tài)校正研究 14 一、姿態(tài)校正的人臉識(shí)別框架 14 二、基于ST的姿態(tài)校正算法 15 三、實(shí)驗(yàn)結(jié)果 15 第四節(jié) 本章小結(jié) 19 第四章 基于PCA的人臉識(shí)別方法 20 第一節(jié) 問(wèn)題描述 20 第二節(jié) PCA算法介紹 20 一、PCA的理論基礎(chǔ) 20 二、PCA理論原理 22 第三節(jié) PCA在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用 23 一、圖像數(shù)據(jù)的表示 23 二、對(duì)圖像進(jìn)行信息壓縮 23 三、模式識(shí)別 24 第四節(jié) 本章小結(jié) 24 第五章 人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 25 第一節(jié) 仿真實(shí)驗(yàn)流程圖 25 第二節(jié) 讀入人臉庫(kù)建立人臉空間 25 一、人臉庫(kù)簡(jiǎn)介 25 二、計(jì)算KL變換的生成矩陣 27 第三節(jié) 特征向量的選取 27 第四節(jié) 人臉識(shí)別 28 第五節(jié) 結(jié)果統(tǒng)計(jì)及分析 29 第六節(jié) 本章小結(jié) 29 結(jié) 論 31 致 謝 32 參考文獻(xiàn) 33 附 錄 35 一、英文原文 35 二、英文翻譯 39 三、源程序 42 第一章 緒論第一節(jié) 研究背景及意義隨著計(jì)算機(jī)科學(xué)與生物醫(yī)學(xué)技術(shù)的迅速發(fā)展，產(chǎn)生的根據(jù)人體某些特征來(lái)判別人物身份的特征識(shí)別技術(shù)逐漸成為安全驗(yàn)證的一種重要方式。自上世紀(jì)70年代，人工智能技術(shù)的興起和人類視覺(jué)研究的不斷發(fā)展，人們對(duì)機(jī)器識(shí)別產(chǎn)生了越來(lái)越大的熱情，于是人臉識(shí)別發(fā)展成為了一個(gè)特定的研究領(lǐng)域，這一領(lǐng)域兼具重大理論價(jià)值和巨大實(shí)用價(jià)值。人臉識(shí)別在