【正文】 量的特征向量。 基于小波包的識別方法 基于小波包的面部識別方法首先對一幅人臉圖像進(jìn)行小波包分解。 Belhumeur認(rèn)為這種使所有類散布最大化的 PCA方法會保留那些對分類不利的光照方向和表情信息。在這個(gè)低維子空間中，如果特征和投影方向選擇合適的話，人臉特征可以做到對光照方向和表情變化不敏感。 基于 FISHER 線性判別式的方法 提出了一種基于 Fisher 線性判別式的人臉識別方法，與 Eigenface 方法相對應(yīng)， Belhumeur 稱其為 Fisherface，這種方法對面部表情和光照方向不敏感。接著是訓(xùn)練該隱馬爾夫模型，由以下幾個(gè)步驟組成： (1)建立一個(gè)隱馬爾可夫模型； (2)用訓(xùn)練數(shù)據(jù)迭代計(jì)算初始參數(shù)值； (3)用 Baum— Welch方法重新估計(jì)參數(shù)值。 在使用隱馬爾可夫模型的面部識別方法中，首 先將一個(gè)人臉圖像采集成一系列的條狀圖，將一幅二維圖像變成一個(gè)一維矢量序列，這個(gè)序列構(gòu)成了隱馬爾可夫模型的觀測矢量。隱馬爾可夫模型為一個(gè)觀測序列提供了一個(gè)統(tǒng)計(jì)模型 n 引，該模型由兩個(gè)互相關(guān)聯(lián)的過程組成： (1)一個(gè)是底層不可觀測的馬爾可夫鏈，它由有限個(gè)狀態(tài)、一個(gè)概率轉(zhuǎn)移矩陣和一個(gè)初始狀態(tài)概率分布函數(shù)組成。 彈性匹配圖方法的主要缺點(diǎn)在于計(jì)算量大。彈性圖匹配方法的最大優(yōu)點(diǎn)在于對光和表情變化的相對不敏感性。通過對突遇圖之間的拓?fù)浣Y(jié)構(gòu)的匹配以及節(jié)點(diǎn)與節(jié)點(diǎn)之間的特征矢量值的比較，可以進(jìn)行人臉識別，這就將模板的圖像匹配轉(zhuǎn)化成了模板的圖匹配。在彈性圖匹配 (Elastic Graph Matching)方法中，兩幅圖的距離是通過尋找 G 與 M之間的最優(yōu)匹配來得到。一般來說，圖像中的關(guān)鍵部位會有較大的 Gabor 系數(shù)。 Gabor變換是進(jìn)行時(shí)頻分析的有效工具，該函數(shù)在時(shí)間域和頻率域上都是局部化的，通常將 Gabor 特征用到針對臉部識別的彈性圖匹配中。根據(jù)局部化空間頻率得到的一系列多分辨率秒數(shù)值可以用來表示圖中的節(jié)點(diǎn)數(shù)值。此外， BP 算法以誤差梯度下降的方式達(dá)到極小值，但在實(shí)際應(yīng)用中，容易陷入到局部極小中，無法得到全局最優(yōu)解，這也是有待解決的一個(gè)問題。由此可以看出，人工神經(jīng)網(wǎng)絡(luò)有著與 Eigenface 方法非常相似的表達(dá)方法。 直接使用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識別的問題在于網(wǎng)絡(luò)過于龐大和復(fù)雜，例如對于一幅 128 128 的人臉圖像，輸入層和輸出 層的節(jié)點(diǎn)數(shù)目將達(dá) 16438。 多層感知機(jī)的輸入形式有很多種，最簡單的就是將整個(gè)人臉圖像作為輸入層，也可以對人臉圖像進(jìn)行采樣，然后用低分辨率圖像作為輸入層。如果隱層神經(jīng)元采用線性作用函數(shù)，則多層感知機(jī)張成的降維子空間將與主元分析法張成的子空間一樣。 采用多層感知機(jī)進(jìn)行面部識別的目的就是建立一個(gè)關(guān)于臉部的緊湊表示，這相當(dāng)于面部特征的抽取。神經(jīng)元之間有權(quán)值連接，權(quán)值包含了訓(xùn)練模式空間的特征。 很多臉部識別系統(tǒng)都采用了多層感知機(jī) (Multi． Layer Perceptor)作為人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)具有自組織性、高維性、模糊性、分布性和冗余性等等特點(diǎn)，較馮 諾依曼體系的計(jì)算機(jī)更適合模擬人類大腦的思維機(jī)理。根據(jù)不同的應(yīng)用場合，現(xiàn)已研究出較多的神經(jīng)元網(wǎng)絡(luò)模型及其動態(tài)過程的算法。人工神經(jīng)網(wǎng)絡(luò)中的處理單元是人類大 11 腦神經(jīng)單元的簡化。 總之，特征臉方法是一種簡單、快速、使用的基于變換系數(shù)的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集合測試集圖像的灰度相關(guān)性，而且要求測試圖像與訓(xùn)練集比較接近，所以存在著很大局限。另一種改進(jìn)是考慮到局部人臉圖像受到外在干擾相對較小的情況，除了計(jì)算特征臉之外，還利用 KL 變換計(jì)算出特征眼、特征嘴等。主分量的方法使得變換后的表達(dá)能力最佳，次分量的方法考慮了高頻的人臉區(qū)分能力，但是由于外在因素帶來圖像差異和人臉本身帶來的差異對 KL變換而言是不加任何區(qū)分的，因此，如何選擇正交基并不根本解決問題。它查找的是圖像之間所有的差異，并根據(jù)這些差異來確定不同人臉間的距離，而不管這些差異是由于光線、發(fā)型或背景的改變引起的，還是屬于人臉本身的內(nèi)在差異，因此特征臉的方法用于人臉識別存在理論的缺陷。從壓縮能量的角度來看， KL 變換是最優(yōu)的，變換后的低維空間對于人臉有很好的表達(dá)能力，較好的判別能力。采用主分量作為新的正交空間的正交基的方法稱為主分量_(Principal Component Analysis，簡稱 PCA)方法。 若將所有子空間的正交基排列成圖像陣列，則正交基呈現(xiàn)人臉的形狀，因此這些正交基也被稱為特征臉。將 KL 變換用于人臉識別，需要假設(shè)人臉處于低維的線性空間，不同人臉具有可分性。雖然它考慮了人臉圖像的所有差異 (從壓縮角度 )，但沒有考慮這些差異是類內(nèi)差異 (如光照變化，頭飾變化或幾何變化 )還是類間差異 (從分類角度 )。 KL 變換是數(shù)字圖像壓縮領(lǐng)域里的一種最優(yōu)變換，它使從低維空間恢復(fù)的人臉圖像和原圖像的均方誤差最小。當(dāng)舍棄部分次分量時(shí)， KL 變換也稱為主成分分析法 (PCA)。在后面的特征矢量上的投影具有較小的能量。通常情況下， KL 變換的變換矩陣由訓(xùn)練樣本類間散布矩陣的特征矢量生成。通過 KL 變換，可以把圖像在高維空間表示轉(zhuǎn)換到低維空間表示，而由低維空間恢復(fù)的圖像和原圖像具有最小的均方誤差，從而可以以圖像在低維空間的變換系數(shù)作為人臉圖像的描述特征。 9 基于 KL變換的特征臉方法 基于特征臉的人臉識別方法的基礎(chǔ)是 KL 變換。由于進(jìn)一步改善測量精度是十分困難的，因而通過增加臉部幾何參數(shù)的數(shù)量來改善識別率結(jié)果，其影響是極小的。顯然，這些特征中的一部分是難以精確測量出來或者是不能用幾何參數(shù)準(zhǔn)確描述的。 雖然各人臉的器官在形狀、大小及分布上各不相同，但是這種器官上的差異性更多是體現(xiàn)在某些細(xì)微 的感覺意義上。 在實(shí)際應(yīng)用過程中，基于幾何特征的人臉識別方法存在著兩個(gè)方面的問題： (1)如何快速、準(zhǔn)確地檢測出人臉的重要標(biāo)志點(diǎn)依然是一個(gè)沒有很好解決的問題。 在 Brunelli 和 Poggio 的文獻(xiàn)中給出了一組典型的人臉幾何特征參 8 數(shù)： (1)眉毛的厚度 (2)眉毛與眼睛中心的垂直距離； (3)描述左眼眉毛弧度的 12 個(gè)數(shù)據(jù)； (4)鼻子的寬度； (5)鼻子在面部上的位置； (6)嘴巴的垂直位置、嘴巴的寬度和上下嘴唇的亮度； (7)描述下顎形狀的 11個(gè)半徑數(shù)據(jù)； (8)以鼻子位置為準(zhǔn) 的臉部寬度； (9)顴骨寬度 (半臉寬 )。也就是說對這些矢量要求具有較 高的模式分類能力，同時(shí)還要有一定的穩(wěn)健性，能夠消除由于時(shí)間變遷、光照變化等其他干擾因素所帶來的影響。 在基于幾何特征的人臉識別方法中，可以用一個(gè)矢量來表示提取出來的幾何參數(shù)。這種方法是以人臉各個(gè)器官和幾何關(guān)系為基礎(chǔ)進(jìn)行算法設(shè)計(jì)。所有這些基于人臉圖像整體特征的人臉識別方法均取得 了一定的識別性能。目前，絕大部分關(guān)于人臉識別方法的文章都是基于人臉圖像整體特征的，主要有特征臉法、最佳鑒別向量集法，貝葉斯法，基于傅立葉不變特征法，彈性圖匹配法，其他相關(guān)方法有線性子空間法，可變形模型法和神經(jīng)網(wǎng)絡(luò)法。另外，該類方法并沒有充分利用到人臉圖像本身具有的獲度信息，該方向已經(jīng)不是人臉識別技術(shù)發(fā)展的主流方向。由于此類方法通常要精 7 確地抽取出位置、尺度、比率或幾何參數(shù)作為描述人臉的特征，因此對人臉圖像的表情變化比較敏感。基于人臉圖 像局部特征的識別通常抽取人臉器官如眼睛、眉毛、鼻子和嘴等器官的位置，尺度以及彼此間的比率作為特征?；谡w的識別方法也各自有自己的缺陷，所以近年來的研究趨勢是將人臉的局部特征分析和整體識別結(jié)合起來。二是基于整體的研究方法，它考慮到模式的整體屬性，主要有特征臉方法、彈性圖匹配方法、神經(jīng)網(wǎng)絡(luò)方法及隱馬爾可夫模型方法等等。本文的人臉識別研究是基于靜態(tài)、正面的灰度圖像的。根據(jù)輸入人臉圖像的角度，可以分為基于正面、側(cè)面和傾斜人臉圖像識別 。 人臉識別方法分類 根據(jù)研究角度的不同，我們對人臉識別方法可以進(jìn)行不同的分類方法。 整個(gè)人臉識別的研究工作主要是圍繞特征向量的提取和特 征選擇展開的。一般情況下，識別可以分為兩種 :一種是人臉辨認(rèn)，即需要確認(rèn)被識別者的具體信息 。 (4)人臉識別，在識別前對人臉圖像庫進(jìn)行處理，得到每個(gè)個(gè)體的特征信息，單獨(dú)建立一個(gè)新的人臉圖像數(shù)據(jù)庫，在識別過程中，采用同樣的方法得到測試人臉圖片的特征信息，并與庫中的每個(gè)個(gè)體信息進(jìn)行比 6 較。在實(shí)際操作中，我們主要是通過各種變換來達(dá)到對圖像進(jìn)行降維的效果，如特征臉方法中 KL 變換就是特征提取，而主元選取就是特征選擇?；叶葰w一化則就是對人臉圖像進(jìn)行光照補(bǔ)償，消除光照對圖像的影響，進(jìn)而提高識別率。 （ 2)人臉圖像的預(yù)處理，人臉檢測得到的人臉圖像，如有設(shè)備條件的差異，可能存在光照、噪聲、角度不好等缺陷，一般需要對圖像進(jìn)行幾何歸一化、灰度歸一化及邊緣檢測等處理。人臉檢測與定位是一項(xiàng)很復(fù)雜的工作，這是由于光線、視角、表情、墨鏡、遮擋物等各種因素，以及可能出現(xiàn)的圖像噪聲或干擾，即使是同一人的人臉圖像也可能會產(chǎn)生很大的差別，這使得人臉檢測與定位工作變得相當(dāng)困難。人臉檢測的目的是檢測輸入的圖像中是否含有人臉，而人臉定位是確定輸入的圖像中人臉位置以及大小，并將人臉從背景中分割出來。其中訓(xùn)練一般是離線運(yùn)算的，而識別是在線操作的。一般來說，我們所提的人臉識別指的是狹義的人臉識別。 狹義的人臉識別就是根據(jù)系統(tǒng)新輸入的人臉，與己有的人臉數(shù)據(jù)庫進(jìn)行比對，來判斷該人臉是否在人臉庫中 。 (4)表情分析 ((Facial Expression Analysis):即對待識別人臉的表情進(jìn)行分析，并對其分類 。 (3)人臉鑒別 (Face Identification):即通常所說的人臉識別，就是將待識別的人臉與數(shù)據(jù)庫中的己知人臉比較，得出相關(guān)信息。 (2)人臉表征 (Face Representation):即確定表示檢測出的人臉和數(shù)據(jù)庫中的已知人臉的描述方式。 (1)人臉檢測 ((Face Detection):即從各種不同的場景中檢測出人臉的存在并確定其位置、尺度和姿勢。 人臉識別 (Face Recognition)是指基于己知的人臉樣本庫，利用圖像處理和模式識別技術(shù)從靜態(tài)或動態(tài)場景中，識別或驗(yàn)證一個(gè)或多個(gè)人 4 臉。雖然目前國內(nèi)外己經(jīng)有許多實(shí)用系統(tǒng)問世，但是只有在非?？量痰某上駰l件下，才能得到比較令人滿意的識別效果。 人臉識別的研究涉及模式識別、計(jì)算機(jī)視覺、人工智能、圖像處理、心理學(xué)、機(jī)器人的智能化研究、醫(yī)學(xué)、生理學(xué)和認(rèn)知科學(xué)等，與計(jì)算機(jī)人機(jī)交互領(lǐng)域和基于其它生物特征的身份識別方法都有密切聯(lián)系。就算以 15%計(jì)算，人臉識別的市場規(guī)模也將在 2020 年達(dá)到 6億美元，國內(nèi)達(dá) 到 40億人民幣左右。整個(gè)生物識別技術(shù)市場的規(guī)模 2020年將達(dá)到 40 億美元左右，國內(nèi)市場有可能達(dá)到 40 億人民幣。這些己有的以及潛在的應(yīng)用領(lǐng)域?qū)⑼苿尤四樧R別技術(shù)不斷發(fā)展。可以預(yù)言， 3 在今后的幾十年內(nèi)，隨著人臉識別技術(shù)進(jìn)一步發(fā)展，人臉識別技術(shù)將應(yīng)用到更多的領(lǐng)域，例如視覺監(jiān)控、娛樂應(yīng)用、智能卡、自動身份驗(yàn)證、銀行安全、公安系統(tǒng)刑偵破案的罪犯身份識別、身份證及駕駛執(zhí)照等證件驗(yàn)證、銀行及海關(guān)的監(jiān)控、自動門衛(wèi)系統(tǒng)、視頻會議等。 因?yàn)槠渚薮蟮纳虡I(yè)應(yīng)用前景，受到越來越多的重視。普通人可以對人臉認(rèn)證系統(tǒng)的結(jié)果進(jìn)行判定，而上述其他生物特征一般只能通過專家認(rèn)定。社會上具有各種大型的人臉數(shù)據(jù)庫，如公安部門的身份證照片數(shù)據(jù)庫，學(xué)校里的學(xué)生學(xué)籍?dāng)?shù)據(jù)庫等等。人臉是人們在日常生活中辨認(rèn)他人的最常用的特征。 (2)數(shù)據(jù)采集方便，采集設(shè)備成本低廉。在各種生物特征認(rèn)證技術(shù)中，人臉識別技術(shù)的市場份額僅次于指紋識別技術(shù)。生物特征可分為生理特征和行為特征兩大類，人臉、指紋、掌紋、虹膜、視網(wǎng)膜等屬于生理特征，語音、步態(tài)、筆跡等屬于行為特征，生理特征相對行為特征而言更為穩(wěn)定。所謂生物特征認(rèn)證就是利用人的生理或行為特征對個(gè)人身份進(jìn)行識別或是認(rèn)證的技術(shù)，與傳統(tǒng)的身份認(rèn)證技術(shù)不同，基于 2 生物特征的身份認(rèn)證技術(shù)，以人體本身所固有的生理特征或行為特征作為識別媒介，運(yùn)用圖像處理和模式識別等技術(shù)，實(shí)現(xiàn)身份鑒別或驗(yàn)證。面臨這樣的情況，人們對身份識別的安全性、可靠性、準(zhǔn)確和實(shí)用性提出了更高的要求，必須尋 求身份識別的新途徑。但是，隨著網(wǎng)絡(luò)、通信、交通等技的飛速發(fā)展，人們活動的現(xiàn)實(shí)空間和虛擬空間不斷擴(kuò)大，需要身份認(rèn)證的場合也變得無不在。人們幾乎時(shí)時(shí)刻刻都需要鑒別別人的身份和證明自己的身份，以獲得對特定資源的使用權(quán)或者制 權(quán)，同時(shí)防止這些權(quán)限被他人隨意的取得。不論是享受各項(xiàng)服務(wù)如網(wǎng)上沖浪、還是居家、辦公等都涉及到安全，以往這些行為基本上是通過符號密碼來進(jìn)行安全保護(hù)，但是隨著服務(wù)數(shù)量的不斷增加，密碼越來越多以致無法全部記住，而且密碼有時(shí)也會被他人所竊取，各種密碼被破解的概率越來越高。而人臉識別作為圖像處理在這些領(lǐng)域最成功的應(yīng)用之一，最近幾年來成為廣大學(xué)者的研究熱點(diǎn)，越來越受到關(guān)注。人臉預(yù)處理 。但在這種人臉識別技術(shù)中，二維的人臉圖像矩陣必須先轉(zhuǎn)化為一維的圖像向量，才能進(jìn)行 PCA 分析，而在這種轉(zhuǎn)化后，造成圖像向量的維數(shù)一般較高，使整個(gè)特征抽取過程所耗費(fèi)的計(jì)算量相當(dāng)可觀。其基本原理為 :由高維圖像空間經(jīng) KL 變換后得到一組新的正交基，對這些正交基作一定的取舍，