【正文】 （3）將訓(xùn)練數(shù)據(jù)均勻分割，與 N 個狀態(tài)對應(yīng)，計算模型的初始參數(shù)。圖 特征提取方法 隱馬爾可夫模型訓(xùn)練隱馬爾可夫模型訓(xùn)練 [24]就是為每一個人確定一組經(jīng)過優(yōu)化了的 HMM 參數(shù)。一般情況下,重疊部分越大，識別率也越高，因為這樣可以得到更長的觀察序列。由于再求狀態(tài)的初始參數(shù)時，我們也是按這種方法進(jìn)行劃分的。這三個問題是隱馬爾可夫模型中最重要的三個問題，這三個問題的解決方法是把隱馬爾可夫模型應(yīng)用到實際中去的基礎(chǔ)。路徑跟蹤：1N0,.i1T1,?? ????ijtjai1tmxarg????（）輸出最優(yōu)解： ????iiTT11maxrg???武漢理工大學(xué)畢業(yè)設(shè)計（論文）21（） ??0,.12,i1 ???? Tttt?（）（3）訓(xùn)練問題?？傻玫剑?N0,.i1T1,?? ???iOPNT??10|??（）（2）解碼問題。最常用的概率密度函數(shù)模型是一個混合高斯概率密度函 ????obCobjmMmj??1（）上式中的 M 表示混合高斯概率密度函數(shù)混合的數(shù)目，有別于離散型 HMM 中的觀察符號總數(shù)“M” 。1,01???Njiijaa ??jttSqP?1ij|a N?,i（4）B ，觀察概率矩陣或稱為發(fā)射矩陣， ，其中，????kjbB?武漢理工大學(xué)畢業(yè)設(shè)計（論文）19，其中 是在時刻 t 的觀測符號。tq?（2）M，是不同觀察符號的總數(shù)。我們以一階離散馬爾可夫過程為例，介紹隱馬爾可夫模型的組成。一個合理的或好的隱馬爾可夫模型應(yīng)該是這樣的：給定一組觀測序列，從關(guān)于狀態(tài)的適當(dāng)?shù)囊唤M初始分布出發(fā)，能夠產(chǎn)生出一組實現(xiàn)序列，它非常好地逼近給定的觀測序列。于是，狀態(tài)選擇概率必須用一個 NN 的狀態(tài)轉(zhuǎn)移矩陣來描述。選擇狀態(tài)個數(shù)的多少必須在模型的復(fù)雜性和描述復(fù)雜現(xiàn)象準(zhǔn)確度之間進(jìn)行折衷。然而，怎樣描述不同表象和相互關(guān)聯(lián)又成了問題。無疑地， ，我們可以利用一組數(shù)值特征來描述各個器官包括臉龐，并且利用這種數(shù)值特征來對人臉進(jìn)行識別。. . . . . . 所有子窗口圖像 強分類器1強分類器 2 強分類器 N被拒絕的子窗口圖像 檢測為人臉圖像圖 級聯(lián)分類器的檢測示意圖NY計算出 Haar特征位置參數(shù)記錄當(dāng)前最優(yōu)弱分類器及其迭代權(quán)重按照 Adaboost算法的訓(xùn)練流程迭代并挑選出最優(yōu)分類器訓(xùn)練樣本集，包括人臉和非人臉樣本nT? T個強分類器根據(jù) Harr 特征位置參數(shù)求出各弱分類器閥值參數(shù)圖 Adaboost 算法訓(xùn)練示意圖Adaboost 算法 [22]訓(xùn)練過程就是挑選最優(yōu)弱分類器，并賦予權(quán)重的過程。我們需要性能較好的分類器完成人臉的檢測工作，需要弱分類器得到強分類器，通過組合現(xiàn)有分類器實現(xiàn)這一步驟的技術(shù)稱為級聯(lián)。對于多尺度縮放的檢測情況，該算法依舊可以使用同一個積分圖像，這意味著整個檢測過程中，我們只需要遍歷掃描原始圖像一次，就可以實現(xiàn)在任意尺度下的檢測和搜索，這也是 Viola 等提出的積分圖方法速度非?？斓母驹?。（2）積分圖當(dāng) Adaboost 算法所使用的矩形特征選定完畢后，我們就需要將 Haar 特征進(jìn)行數(shù)值化，并將其作為分類器的判據(jù)，這就引出了 Haar 特征的計算問題。Haar 特征 [26]對一維的簡單圖形結(jié)構(gòu)較為敏感，比如邊緣、中心、對角線等。矩形特征的概念是將矩形作為人臉檢測作為特征向量。使用 Adaboost 分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征。首先，利用樣本(大約幾百幅樣本圖片)的 Harr 特征進(jìn)行分類器訓(xùn)練，得到一個級聯(lián)的 Boosted 分類器。 Adaboost 算法描述Adaboost 算法 [16]是目前在人臉檢測方面檢測速度較快、檢測效果較好的一種檢測方法，它是一種把弱分類器采用級聯(lián)的方式訓(xùn)練成為強分類器的方法。 基于 ADABOOST 算法的人臉細(xì)檢測人臉具有共性和差異性。Gabor 小波核函數(shù)具有與人類大腦皮層簡單細(xì)胞的二維反射區(qū)相同的特征，即能夠捕捉對應(yīng)于空間頻率、空間位置及方向選擇性的局部結(jié)構(gòu)信息，因此用二維 Gabor 小波變換的系數(shù)幅值作為特征來匹配有著良好的視覺特性和生物學(xué)背景，在人臉識別和圖像處理中曾被廣泛應(yīng)用。（1）幾何特征的提取在特征的提取方式上，可以分為以下三種：在手動的預(yù)先定義一組特征點的基礎(chǔ)上進(jìn)行特征點運動的跟蹤、全自動提取特征點和基于面部輪廓特征的模塊匹配。根據(jù)不同識別手段，我們需要最優(yōu)的特征因子也不同。常見的跟蹤模型有膚色模型、橢圓模型、紋理模型及雙眼模板匹配模型、可變形模型等。在搜尋過程中可能延伸，搜尋的結(jié)果又反饋回來進(jìn)一步改善預(yù)測的模型。人臉跟蹤定位 [10]主要有以下幾種方法：（1）幀差法在實際場景中，人物一直保持不動的可能性是微乎其微的，因此運動信息的利用是把人臉從復(fù)雜背景下分離出來的一種快速有效途徑。4) 檢測和連接邊緣。它是高斯函數(shù)的一階導(dǎo)數(shù)，是對信噪比與定位之乘積的最優(yōu)化逼近算子。iH（3）尺度歸一化處理假設(shè)樣本圖像為[F(x,y)]MxN，圖像的寬度和高度分別為 M 和 N，大小歸一化后為[G(x,y)]WxH，實驗中人臉樣本取 W=92，H=112；使用反向投影和線性插值從原始圖像得到歸一化后的樣本圖像，則輸入圖像與歸一化后圖像之間的對應(yīng)關(guān)系有： )/,(),(yxrFyxG?（）其中 和 分別是 x 和 y 方向的尺度變換因子： ， ；由于 xry HNrx/WMy/?、 的取值一般不為整數(shù)，故需要根據(jù)附近已知離散點處的值來估計 F(x/ x，y/x/y/ r)的取值，這里采用線性插值法；對于給定(x,y)，令：yr武漢理工大學(xué)畢業(yè)設(shè)計（論文）11 ?????0/]/[/yryrxx，（）可以得到公式： )1(),1()1(),( )(,00 00 yxyxFxyF yxFyxG????????（）（4）邊緣檢測圖像邊緣是圖像最基本的特征，邊緣在圖像分析中起著非常重要的作用。直方圖是一種點操作，它逐點改變圖像的灰度值，盡量使各個灰度級別都具有相同數(shù)量的像素點，使直方圖趨于平衡。彩色圖像和灰度圖像間的 RGB 分量之間的對應(yīng)關(guān)系為 ??????... ??????????BGR（）也就是說，根據(jù)這公式，我們可以將一幅彩色圖像變換為灰度圖像。所以，本文首先對采集的人臉彩色圖像進(jìn)行灰度化。彩色圖像中的像素點是由 R(紅色)、 G(綠色)、B(藍(lán)色)三種顏色混合而成的，不同含量的 RGB 混合組成不同的顏色。它可以使圖像動態(tài)范圍加大，使圖像的對比度擴展，圖像更加清晰，特征更加明顯。人臉圖像預(yù)處理的主要目的是消除與人臉圖像無關(guān)的信息，濾除干擾、噪聲、恢復(fù)真實有用的信息，最大程度地增強有關(guān)信息和簡化數(shù)據(jù)，從而給后續(xù)的特征抽取、圖像分割、匹配和識別創(chuàng)造條件，給系統(tǒng)的穩(wěn)定作保障。通常的實驗結(jié)果表明 SVM 有較好的識別率，但是它需要大量的訓(xùn)練樣本（每類 300 個） ，這在實際應(yīng)用中往往是不現(xiàn)實的。神經(jīng)網(wǎng)絡(luò)的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等?；谌四槒纳系较隆淖蟮接业慕Y(jié)構(gòu)特征，Samaria 等首先采用 1DHMM和 2D Pseudo HMM 用于人臉識別。在模板匹配方法當(dāng)中，即可以把整張臉當(dāng)作一個模板，也可以把人臉分成幾個相互獨立的小模板，每個小模板可包含眼部、嘴部、眼眉、鼻子、額頭、臉頰等部位。如果假設(shè)人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特征矢量，這就是特征臉方法的基本思想。具體的實現(xiàn)過程如下：首先檢測出面部的明顯特征點(通常為眼睛、鼻子、嘴等部位)：然后測量出這些面部特征點之間的距離，并把這些距離作為幾何特征矢量(眼睛、鼻子、嘴的位置和寬度，眉毛的厚度和彎曲程度等都可以作為我們描述一張人臉的幾何特征矢量)；最后將待測圖像和訓(xùn)練好的人臉庫的幾何特征矢量進(jìn)行比較，就可以判斷是否為人臉，如果是人臉，可以找出與已知人臉庫的最佳匹配人臉。由于人臉模式的多樣性和圖像獲取過程的不確定性，人臉在圖像空間中分布非常復(fù)雜，建立人臉在高維圖像空間的精確分布模型是一件非常困難是工作。通常，基于外觀的方法依靠統(tǒng)計分析和機器學(xué)習(xí)技術(shù)找到相應(yīng)的人臉和非人臉圖像的特征。最近提出了多分辨率模版、多比例模版、子模版等方法來適應(yīng)比例及形狀的變化。（3）基于模版匹配的方法：這類方法首先人工定義或者參數(shù)化的建立一個函數(shù)來描述標(biāo)準(zhǔn)人臉模式（通常是正面人臉） ，然后根據(jù)輸入的人臉和定義的標(biāo)準(zhǔn)人臉的相關(guān)性來進(jìn)行檢測。與基于知識的方法相反，它是尋找人臉的不變特征用于人臉檢測。此外，很難將這種方法擴展到在不同的位姿下檢測人臉，因為列舉所有的情況是一項很困難的工作。一般比較容易提出簡單的規(guī)則來描述人臉特征和它們的相互關(guān)系，如在一幅圖像中出現(xiàn)的人臉,通常具有互相對稱的兩只眼睛、一個鼻子和一張嘴。并依據(jù)這些信息，進(jìn)一步提取每個人臉中所蘊涵的身份特征，并將其與已知的人臉進(jìn)行對比，從而識別每個人臉的身份。第六章為總結(jié)與展望，闡 述 了 自 己 論文的主要成果和仍需要做的改進(jìn)。第二章為人臉識別技術(shù)的綜述，分析了人臉識別的基本原理和方法，重點討論了人臉識別中的關(guān)鍵算法，指出了現(xiàn)在人臉識別技術(shù)的研究難點。（4） 從應(yīng)用的角度出發(fā)，結(jié)合前面兩章的研究成果，設(shè)計并實現(xiàn)了一個人臉檢測跟蹤系統(tǒng)和一個靜態(tài)人臉圖像識別的人臉識別系統(tǒng)。對人臉識別技術(shù)做了詳細(xì)綜述，著重討論了人臉識別過程中的幾個關(guān)鍵性問題，如圖像預(yù)處理、識別和檢測算法等。2022年 1 月，由臺灣政府資助開發(fā)出了新型的人臉識別自動售貨機，該機器可以應(yīng)用在某些特殊商品的銷售領(lǐng)域中，如保健產(chǎn)品、面膜、剃須刀等，該人臉識別自動售貨機可以根據(jù)消費者面部的特征向其推薦特定的商品。其中，具有代表性的人臉識別系統(tǒng)有：清華大學(xué)電子系丁曉青教授研究小組開發(fā)的 THfaceID 系統(tǒng)；中國科技大電子科學(xué)與技術(shù)系莊鎮(zhèn)泉教授研究小組開發(fā)的人臉識別考勤系統(tǒng)（KD） ；中科院計算所高文研究組開發(fā)的 GodEye 系統(tǒng)；清華大學(xué)電子系蘇光大教授研究小組開發(fā)的大型人臉綜合識別系統(tǒng)；中科院自動化所李子青研究小組開發(fā)的人臉識別系統(tǒng)等。2022 年 3 月，美國 NIST 報告了 2022 年人臉識別供應(yīng)商評測（FRVT2022 ）結(jié)果，對控制光照條件下的極高分辨率正面人臉圖像，最小錯誤接受率為 時，最小錯誤拒絕率已達(dá)到 ，對高分辨率、低分辨率下的正面人臉圖像的識別，這個數(shù)據(jù)也分別達(dá)到了 與 。在美國主要有麻神理工學(xué)院等研究實驗室提出的特征人臉對特征空間的投影來實現(xiàn)；在法國已經(jīng)把人臉識別身份認(rèn)證技術(shù)應(yīng)用到自助取款機上，在實際使用時需要用一臺 3D 攝像機，采集人的立體影像來鑒定身份。 國內(nèi)外人臉識別技術(shù)研究現(xiàn)狀模式識別技術(shù) [5]早在上個世紀(jì) 60 年代就已經(jīng)有人提出，由于當(dāng)時計算機處理速度的限制，只能從理論上證明是可行的。利用人臉識別技術(shù)，可以進(jìn)行計算機的登錄控制，可以進(jìn)行應(yīng)用程序安全使用、數(shù)據(jù)庫安全訪問和文件加密，可以實現(xiàn)局域網(wǎng)和廣域網(wǎng)的安全控制，可以保護電子商務(wù)的安全性。在公安、金融、網(wǎng)絡(luò)安全、物業(yè)管理以及考勤等各種領(lǐng)域也都有著巨大的應(yīng)用價值。在這里，自然性是指我們使用的人臉識別技術(shù)是否與人類用來互相識別區(qū)分的方法相似。因此，基于生物特征識別技術(shù)的個人身份識別系統(tǒng)具有更好的安全性、可靠性和有效性，正越來越受到人們的重視，并開始進(jìn)入我們社會生活的各個領(lǐng)域，迎接新時代的挑戰(zhàn)。在我國，已經(jīng)涌現(xiàn)出很多專門機構(gòu)廣泛開展人體生物識別技術(shù)方面的研究工作，有許多研究人員投身到這一新興研究領(lǐng)域，開展用于身份鑒別的人臉識別、話者識別、聯(lián)機簽名識別、指紋識別等多項研究工作，并取得了一定的成果。 .........................................................................................56附錄 B 人臉識別算法程序。 ............................................................................................................60附錄 B1 人員管理窗口程序 ........................................................................................60附錄 B2 參數(shù)設(shè)置窗口程序 ........................................................................................68附錄 B3 人臉識別窗口程序 ............................