【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行小波包分解。 Belhumeur認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。接著是訓練該隱馬爾夫模型，由以下幾個步驟組成： (1)建立一個隱馬爾可夫模型； (2)用訓練數(shù)據(jù)迭代計算初始參數(shù)值； (3)用 Baum— Welch方法重新估計參數(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一維矢量序列，這個序列構(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觀測序列提供了一個統(tǒng)計模型 n 引，該模型由兩個互相關(guān)聯(lián)的過程組成： (1)一個是底層不可觀測的馬爾可夫鏈，它由有限個狀態(tài)、一個概率轉(zhuǎn)移矩陣和一個初始狀態(tài)概率分布函數(shù)組成。 彈性匹配圖方法的主要缺點在于計算量大。彈性圖匹配方法的最大優(yōu)點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撲結(jié)構(gòu)的匹配以及節(jié)點與節(jié)點之間的特征矢量值的比較，可以進行人臉識別，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變換是進行時頻分析的有效工具，該函數(shù)在時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)點數(shù)值。此外， BP 算法以誤差梯度下降的方式達到極小值，但在實際應(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方法。 直接使用 BP 神經(jīng)網(wǎng)絡(luò)進行人臉識別的問題在于網(wǎng)絡(luò)過于龐大和復雜，例如對于一幅 128 128 的人臉圖像，輸入層和輸出 層的節(jié)點數(shù)目將達 16438。 多層感知機的輸入形式有很多種，最簡單的就是將整個人臉圖像作為輸入層，也可以對人臉圖像進行采樣，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。 采用多層感知機進行面部識別的目的就是建立一個關(guān)于臉部的緊湊表示，這相當于面部特征的抽取。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 (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，較馮 諾依曼體系的計算機更適合模擬人類大腦的思維機理。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練集比較接近，所以存在著很大局限。另一種改進是考慮到局部人臉圖像受到外在干擾相對較小的情況，除了計算特征臉之外，還利用 KL 變換計算出特征眼、特征嘴等。主分量的方法使得變換后的表達能力最佳，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的人臉圖像和原圖像的均方誤差最小。當舍棄部分次分量時， 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)在某些細微 的感覺意義上。 在實際應(yīng)用過程中，基于幾何特征的人臉識別方法存在著兩個方面的問題： (1)如何快速、準確地檢測出人臉的重要標志點依然是一個沒有很好解決的問題。 在 Brunelli 和 Poggio 的文獻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個半徑數(shù)據(jù)； (8)以鼻子位置為準 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，同時還要有一定的穩(wěn)健性，能夠消除由于時間變遷、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器官和幾何關(guān)系為基礎(chǔ)進行算法設(shè)計。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?；谌四槇D 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行不同的分類方法。 整個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，即需要確認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行處理，得到每個個體的特征信息，單獨建立一個新的人臉圖像數(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，并與庫中的每個個體信息進行比 6 較。在實際操作中，我們主要是通過各種變換來達到對圖像進行降維的效果，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行光照補償，消除光照對圖像的影響，進而提高識別率。 （ 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很復雜的工作，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。其中訓練一般是離線運算的，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，識別或驗證一個或多個人 4 臉。雖然目前國內(nèi)外己經(jīng)有許多實用系統(tǒng)問世，但是只有在非常苛刻的成像條件下，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、計算機視覺、人工智能、圖像處理、心理學、機器人的智能化研究、醫(yī)學、生理學和認知科學等，與計算機人機交互領(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%計算，人臉識別的市場規(guī)模也將在 2020 年達到 6億美元，國內(nèi)達 到 40億人民幣左右。整個生物識別技術(shù)市場的規(guī)模 2020年將達到 40 億美元左右，國內(nèi)市場有可能達到 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。 因為其巨大的商業(yè)應(yīng)用前景，受到越來越多的重視。普通人可以對人臉認證系統(tǒng)的結(jié)果進行判定，而上述其他生物特征一般只能通過專家認定。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，學校里的學生學籍數(shù)據(jù)庫等等。人臉是人們在日常生活中辨認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。所謂生物特征認證就是利用人的生理或行為特征對個人身份進行識別或是認證的技術(shù)，與傳統(tǒng)的身份認證技術(shù)不同，基于 2 生物特征的身份認證技術(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，運用圖像處理和模式識別等技術(shù)，實現(xiàn)身份鑒別或驗證。面臨這樣的情況，人們對身份識別的安全性、可靠性、準確和實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)實空間和虛擬空間不斷擴大，需要身份認證的場合也變得無不在。人們幾乎時時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)，同時防止這些權(quán)限被他人隨意的取得。不論是享受各項服務(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行安全保護，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者的研究熱點，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，使整個特征抽取過程所耗費的計算量相當可觀。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，