【正文】 現(xiàn)在即將要出去工作了，我會(huì)更加努力工作來(lái)報(bào)答你們的養(yǎng)育之恩，不會(huì)讓你們失望，用自己的實(shí)際行動(dòng)回報(bào)你們和社會(huì)。 感謝這四年來(lái)我的朋友以及電子三班的二十五位同學(xué)尤其是寢室的同學(xué)對(duì)我的學(xué)習(xí)，生活和工作的支持和關(guān)心。感謝所有授我以業(yè)的老師，沒有這些年知識(shí)的積淀，我沒有這么大的動(dòng)力和信心完成這篇論文。在大學(xué)幾年的學(xué)習(xí)過(guò)程中，周冬梅老師在學(xué)習(xí)上給了我很大的幫助。從圖像預(yù)處理，沒有排除光照的影響，需要對(duì)光照強(qiáng)弱的變化做出正確的調(diào)整，抑制光照因素的影響才能提高識(shí)別率；在人臉檢測(cè)部分，訓(xùn)練的分類器不能有效檢測(cè)人臉，有可能把與人的臉型相近的非人臉物體當(dāng)成人臉，還需要用基于膚色的分類器作進(jìn)一步篩選；最后2DPCA在準(zhǔn)確度和速度方面也有發(fā)展空間，可以結(jié)合分塊或者經(jīng)過(guò)小波處理等其他方式來(lái)提高識(shí)別速度和精度。研究了經(jīng)典的PCA算法，在此基礎(chǔ)上提出了2DPCA,通過(guò)對(duì)兩者的比較，在識(shí)別率和實(shí)時(shí)性方面2DPCA在人臉特征點(diǎn)提取的應(yīng)用上優(yōu)于PCA。通過(guò)以上過(guò)程的處理，排除了一些其它因素的干擾，使圖像轉(zhuǎn)化為了標(biāo)準(zhǔn)的人臉識(shí)別圖像。（3） 介紹了基于ORL人臉庫(kù)的圖像的預(yù)處理。（2） 深入分析和研究了圖像的檢測(cè)定位技術(shù)。本文所做的主要工作如下：（1） 簡(jiǎn)單介紹了識(shí)別的應(yīng)用，研究背景，研究方向，研究現(xiàn)狀及存在的困難；然后介紹了人臉識(shí)別整個(gè)系統(tǒng)的組成，各部分模塊的功能，并對(duì)人臉識(shí)別系統(tǒng)的運(yùn)行平臺(tái)作了簡(jiǎn)要的介紹。其中的關(guān)鍵是怎樣快速、準(zhǔn)確地檢測(cè)人臉，如何準(zhǔn)確的提取人臉特征。表(52):使用ORL特征提取的時(shí)間比較（s）訓(xùn)練樣本\類12345PCA2DPCA 圖55：基于ORL數(shù)據(jù)庫(kù)的2DPCA+PCA算法和PCA算法識(shí)別率的比較第6章 總結(jié)與展望 本文總結(jié)人臉識(shí)別技術(shù)是模式識(shí)別中研究的一個(gè)熱點(diǎn)問題，如何達(dá)到準(zhǔn)確、高效地對(duì)人臉進(jìn)行識(shí)別是該技術(shù)的難點(diǎn)問題。表(51):比較PCA與2DPCA的高識(shí)別精度（%）訓(xùn)練樣本\類1*2*3*4*5*PCA(39)(79)(95)(60)(37)2DPCA(112x2)(112x2)(112x6)(112x5)(112x3)注釋：括號(hào)內(nèi)的值表示最好的識(shí)別精度時(shí)的特征向量的維數(shù)。為了檢驗(yàn)這一方法，當(dāng)每類訓(xùn)練有5個(gè)樣本時(shí)使用2DPCA推導(dǎo)出8個(gè)組件載體（共個(gè)功能），然后PCA用于第二特征提取，并采用最近鄰分類，分類結(jié)果如圖（55）所示。從表（51）可以看出，很顯然2DPCA的特征向量的維（）在頂部的識(shí)別精度總是比PCA高得多。由于每類訓(xùn)練樣本數(shù)量的增加，2DPCA和PCA之間的相對(duì)增益變得更加明顯。 2DPCA方法在特征提取的計(jì)算效率方面也優(yōu)于PCA。表（51）給出了對(duì)應(yīng)不同數(shù)量的訓(xùn)練樣本時(shí)PCA和2DPCA的識(shí)別精度,2DPCA性能優(yōu)于PCA。使用2DPCA方法和PCA方法用于功能提取，最后用近鄰分類器進(jìn)行分類。此處在不同數(shù)量的訓(xùn)練樣本下進(jìn)行的五個(gè)測(cè)試。PCA在圖像重建中的作用沒這么好。為了便于比較，PCA（特征臉）也被用來(lái)代表和重建相同的人臉圖像。圖（54）顯示了5個(gè)圖（51）中的最后的人臉圖像通過(guò)增加前個(gè)特征值的子圖像來(lái)獲得的圖像重建。因此，我們可以得出這樣的結(jié)論，圖像的能量主要集中在它的組件載體的前幾個(gè)少數(shù)部分，所以使用這些組件的向量代表來(lái)達(dá)到圖像識(shí)別的目的是合理的。隨著的增加值，所包含的信息（圖像能量）逐漸減弱。圖52：重構(gòu)圖像的反射圖圖53：特征值的幅值遞減順序觀察圖（52），第一幅子圖包含了原始圖像的大部分能量。為清晰起見，其中的一些子圖像如圖(52)所示進(jìn)行了反射。在這些軸上的圖像樣本的投影使用公式（517），我們獲得了10個(gè)主成分向量。圖像協(xié)方差矩陣的大小為92 92，所以很容易計(jì)算出它的特征向量。(a)不同表情（b）不同的人（c）訓(xùn)練樣本圖51：ORL人臉庫(kù)中的部分人臉及訓(xùn)練樣本圖首先，實(shí)驗(yàn)使用每類圖像樣本的前五個(gè)圖像進(jìn)行訓(xùn)練，并測(cè)試剩余圖像。ORL人臉庫(kù)有400張大小為的圖像，共40人，每人10張圖片，這些圖片在表情上有豐富的變化。也就是說(shuō)，圖像大致可以由前子圖像重建，特別當(dāng)主分量向量的數(shù)目(是矩陣特征向量的總數(shù))，有 ，即根據(jù)圖像的主分量向量可以無(wú)損地重構(gòu)原始圖像；若,則重構(gòu)圖像是原圖像的相似。假設(shè)是對(duì)應(yīng)于圖像協(xié)方差矩陣的前個(gè)最大特征值所對(duì)應(yīng)的正交歸一特征向量，圖像向這些投影軸投影后，則可得到相應(yīng)的主分量向量為 。 基于2DPCA的圖像重構(gòu)在特征臉方法，主要部件和特征向量（特征臉）可以結(jié)合起來(lái)，重構(gòu)人臉圖像。假設(shè)訓(xùn)練樣本為(是訓(xùn)練樣本總數(shù)),每一個(gè)樣本都屬于某個(gè)特定的身份（類別）。 分類方法經(jīng)過(guò)2DPCA的特征提取之后，每一幅圖像都得到一個(gè)特征矩陣，然后，可以使用最近鄰分類器進(jìn)行分類。令 (517)然后，我們得到的預(yù)計(jì)的特征向量組，稱為樣本圖像的主成分（向量），應(yīng)當(dāng)指出的是，每個(gè)2DPCA的主成分是一個(gè)向量，PCA的主成分是一個(gè)數(shù)量。一般情況下，只取一個(gè)最優(yōu)投影方向，分類鑒別能力是不夠的，通常情況下會(huì)選擇相互正交且極大化準(zhǔn)則函數(shù)的一組投影向量,即： （516）事實(shí)上，這里的投影方向就是的前的最大特征值對(duì)應(yīng)的特征向量。實(shí)際上，預(yù)計(jì)樣本的總散射度最大化后的圖像矩陣投影到。協(xié)方差矩陣可由下式計(jì)算： （511）則， (512)我們定義下列矩陣： (513)矩陣被稱為圖像的協(xié)方差（散度）矩陣，易知是一個(gè)的非負(fù)定矩陣，從它的定義，可以用訓(xùn)練樣本圖像來(lái)直接估計(jì)，設(shè)共有M幅訓(xùn)練樣本圖像，第幅圖像用的矩陣來(lái)表示，所有訓(xùn)練樣本的平均圖象由表示，這樣，可用下式估計(jì): (514)因此，函數(shù)（510）又可表示為： (515)其中是一個(gè)歸一化的列向量，這個(gè)標(biāo)準(zhǔn)被稱為廣義的總散射度標(biāo)準(zhǔn)。從這個(gè)角度，故定義如下準(zhǔn)則函數(shù)： （510）其中表示投影特征向量的協(xié)方差矩陣，表示的跡。我們的想法是，把圖像看作是一個(gè)的隨機(jī)矩陣，通過(guò)如下線性變換[26] and image vector to matrix: A straight forward image projection technique–IMPCA vs. PCA. Pattern Recognition, 2002, 35(9): 19971999.： （59）將投影到上，因此，我們得到一個(gè)維的投影向量，稱為圖像的投影特征向量，我們?cè)趺创_定最優(yōu)投影向量呢？事實(shí)上，預(yù)計(jì)樣本的總散射度可以衡量投影向量的鑒別能力。總之，2DPCA比PCA有兩個(gè)明顯的優(yōu)勢(shì)：第一，它更容易準(zhǔn)確地評(píng)估協(xié)方差矩陣；第二，確定相應(yīng)的特征向量時(shí)需要的時(shí)間更少。在2004年Tang等人有效的改進(jìn)了PCA算法，首先提出了基于圖像的二維主成分分析(2DPCA)方法。 二維主成分分析（2DPCA）一般情況下，人臉圖像的維數(shù)較大，而采用PCA算法處理維數(shù)較大的人臉圖像時(shí)，增加計(jì)算復(fù)雜度，計(jì)算量加大，并且費(fèi)時(shí)。PCA的原理是，把人臉圖像的高維向量空間通過(guò)特征向量矩陣投影到低維向量空間中，即用特征向量矩陣和低維向量空間可以完全重構(gòu)出相應(yīng)的高維向量空間，并且還不會(huì)丟失任何圖像信息。然而，ICA和核PCA的計(jì)算都比PCA更昂貴。Bartlett和Draper等建議使用人臉表示的ICA方法并且發(fā)現(xiàn)，這是優(yōu)于主余弦的相似性度量（然而，如果采用歐氏距離他們的表現(xiàn)沒有顯著差異）。然而，Wiskott等指出PCA無(wú)法捕捉到哪怕是最簡(jiǎn)單的不變，除非這些信息是在訓(xùn)練數(shù)據(jù)中明確規(guī)定的，他們提出了被稱為彈性束圖匹配的技術(shù)來(lái)克服PCA的弱點(diǎn)。當(dāng)特征臉用于人臉識(shí)別時(shí)，Penev and Sirovich討論了“臉部空間”的維。在這一背景下，Turk和Pentland在1991年提出了著名的面部識(shí)別特征臉方法。主成分分析（PCA），又稱KarhunenLoeve展開，是一個(gè)經(jīng)典的特征提取和數(shù)據(jù)表示技術(shù)，廣泛應(yīng)用于模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域?；谝陨系目紤]，本文采用了特征臉(Eigenface)方法來(lái)進(jìn)行人臉識(shí)別，該方法可以有效地減少數(shù)據(jù)量，降低計(jì)算的難度，進(jìn)而提高了識(shí)別速度。如果直接把這些數(shù)據(jù)用來(lái)做模式識(shí)別，龐大的數(shù)據(jù)量將導(dǎo)致計(jì)算相當(dāng)復(fù)雜，也會(huì)造成分類器的設(shè)計(jì)變得很困難。也有人利用基于角度的距離度量，上述各種距離度量均可以用于人臉識(shí)別中。 （56）其中 （57）(5)平方距離(Chi Squaer Distance)，該分類器如式(58)所示。 （53）其中 （54）加權(quán)的角度距離(Weighted AngleBased Distnaee)如式(55)所示。(2) 歐氏距離(Euclidean Distance)，該方法是使用最普遍而且最多的決策規(guī)則，其方法是求解個(gè)學(xué)習(xí)樣本平均值的投影與測(cè)試樣本的投影之間的歐氏距離，如式（52）所示。(1) 明氏距離(Miknowski DistaneeLp Metries)，該分類器如式(51)所示。研究中常用的是距離分類器，它是最簡(jiǎn)單、計(jì)算速度也最快的分類方式[25] ：燕山大學(xué)，2012:1327.。人臉圖像的特征被提取出來(lái)后，就可以通過(guò)某種判斷準(zhǔn)則，用這些特征來(lái)設(shè)計(jì)分類器。支持向量機(jī)是一種通用的機(jī)器算法，它求得的分類函數(shù)與神經(jīng)網(wǎng)絡(luò)在形式上類似，但是它沒有神經(jīng)網(wǎng)絡(luò)方法容易陷入局部最小的缺點(diǎn)。它可以在人臉檢測(cè)和人臉識(shí)別的時(shí)達(dá)到很好的效果，當(dāng)然它的內(nèi)存和速度的開銷也是很大的。(SVM)方法在基于統(tǒng)計(jì)模型方法的基礎(chǔ)上，人們提出了支持向量機(jī)(Support Vector Machine，SVM)的方法，該方法是統(tǒng)計(jì)學(xué)理論中最新的概念，在1992年到1995年才基本完成其主要內(nèi)容，所以它仍然在不斷地發(fā)展著。目前最常用的神經(jīng)網(wǎng)絡(luò)方法有自組織神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等。Kohonen是最早應(yīng)用神經(jīng)網(wǎng)絡(luò)法來(lái)進(jìn)行人臉識(shí)別的人，他運(yùn)用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)預(yù)測(cè)能力來(lái)推導(dǎo)出人臉，當(dāng)部分圖像缺失或輸入圖像有較強(qiáng)噪聲時(shí)，它也能推導(dǎo)出準(zhǔn)確的人臉；Demers等人則利用主成分分析法來(lái)提取人臉圖像的特征，再用自相關(guān)神經(jīng)網(wǎng)絡(luò)來(lái)壓縮特征向量，最后通過(guò)一個(gè)MLP來(lái)進(jìn)行人臉識(shí)別；Lawrence等人運(yùn)用一個(gè)多級(jí)SOM,對(duì)樣本進(jìn)行聚類，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)進(jìn)行人臉識(shí)別。它先對(duì)樣本進(jìn)行學(xué)習(xí)并構(gòu)造分類器，然后訓(xùn)練分類器，最后就可以運(yùn)用分類器來(lái)完成仿真分類。如果彈性圖匹配法是基于小波變換的，則對(duì)光照的變化以及人臉在適當(dāng)范圍內(nèi)的旋轉(zhuǎn)等都具有很好的容忍度，但是和特征臉識(shí)別的方法對(duì)比，速度明顯的慢一些。特征向量是用來(lái)記錄人臉在對(duì)應(yīng)定點(diǎn)周圍的特征信息。(elastic graph matching)該方法的原理是先在二維空間中建立一個(gè)人臉屬性拓?fù)鋱D，人臉各個(gè)器官之間的拓?fù)浣Y(jié)構(gòu)用圖中的邊來(lái)表示。奇異值分解法（SVD）是和KL相似的人臉特征提取的方法。該方法也有不足之處，就是受視角變化、表情變化和光照強(qiáng)度變化等的嚴(yán)重影響，有較差的魯棒性。特征臉的原理是先用KL變換將圖像表征出來(lái)，然后利用主成分分析的方法由高維向量轉(zhuǎn)換到低維向量，最終得到一個(gè)低維向量空間，人臉圖像投影到低維空間而得到的投影可以作為人臉識(shí)別的特征矢量。Sirovich和Kirby提出用KL變換的方式來(lái)表征人臉。該方法是把人臉當(dāng)作一個(gè)數(shù)學(xué)矩陣，然后通過(guò)線性投影或矩陣變換，抽取出人臉的統(tǒng)計(jì)特征。還可以通過(guò)曲率進(jìn)行識(shí)別，該方法是現(xiàn)用人臉的輪廓線的曲率線來(lái)建立一個(gè)標(biāo)準(zhǔn)分類庫(kù)，在識(shí)別人臉時(shí)，可以計(jì)算出待測(cè)人臉的輪廓線的曲率線，然后利用函數(shù)與分類庫(kù)中的數(shù)據(jù)相比較，對(duì)人臉進(jìn)行分類。Kanade曾經(jīng)用嘴角、眼角等點(diǎn)之間的幾何距離，以及它們所成的角，通過(guò)這些幾何向量來(lái)作為人臉的特征。