【正文】 的，對這些區(qū)域，采用低壓縮比，而感興趣區(qū) 域之外采用高壓縮比，在保證不丟失重要信息的同時 ， 又能有效地壓縮數(shù)據(jù)量，這就是基于感興趣區(qū)域的編碼方案所采取的壓縮策略。 JPEG2021 格 式有一個極其重要的特征在于它能實現(xiàn)漸進(jìn)傳輸，即先傳輸圖像的輪廓，然后逐步傳輸數(shù)據(jù)，不斷提高圖像質(zhì)量，讓圖像由朦朧到清晰顯示。 JPEG2021 文件的擴(kuò)展名 為 jp2。 二 、 JPEG2021格式 JPEG2021 是基于小波變換的圖像壓縮標(biāo)準(zhǔn)，同樣由 聯(lián)合照片專家組（ Joint Photographic Experts Group）開發(fā)和維護(hù)。 由于 JPEG 優(yōu)異的品質(zhì)和杰出的表現(xiàn)，它的應(yīng)用也非常廣泛，特別是在網(wǎng)絡(luò)和光盤讀物上，肯定都能找到它的影子。 JPEG 使用有損壓縮方法去除冗余圖像和彩色數(shù)據(jù)，獲得了較高的壓縮率，同時還可以給人豐富生動的視覺感受，即可以使用最小的磁盤存儲較好的圖像質(zhì)量。它是由聯(lián)合照片專家組 （ Joint Photographic Experts Group） 開發(fā)的，并且命名為“ ISO109181”， JPEG 僅僅是一種俗稱而已。圖像的文件格式很多，本節(jié)只介紹本文常用的幾種圖像格式。這樣做的目的是我們的工作中心集中在核 心人臉識別算法 的性能研究上 。在人臉圖像獲取和人臉分割兩個小節(jié)中主要介紹常用的人臉獲取方法及獲取人臉原始圖像后如何分割出我們需要部分的方法 ，也為后面人臉圖像數(shù)據(jù)庫打下了基礎(chǔ)。其中研究人員 指的是 研究生導(dǎo)師或其他固定職位的研究員，不 包括 學(xué)生。這 7 種 變化因素為姿態(tài)，表情，飾物，光照，背景，距離和時間跨度，其中以姿態(tài)，表情，飾物和 光照 為主， 故稱為 PEAL（ pose，expression， accessory 和 lighting 的簡寫）。該數(shù)據(jù)庫 是基于目前的人臉數(shù)據(jù)庫大多都較小或圖像變化因素單一，人臉圖像的多為西方人，其面部特征與東方人存在一定的差別，需要建立一個大規(guī)模，多因素的東方人臉數(shù)據(jù)庫的需求建立的， 共采集了 1040 位志愿者（ 595 名男性， 445 名女性）的 99450幅圖像。有輕微的姿態(tài)變換，無光照變換 。 講話的目的是為了采集面部表情的變化。我們在本文采用的是它的face94 數(shù)據(jù)庫。 它們的背景和比例是變化的，人臉表情是極度變化的。這樣做的目的是為了增加 難度 。這個人臉數(shù)據(jù)庫 由 Libor Speacek 博士主持的計算機(jī)視覺研究項目 在維護(hù)。 Essex 人臉數(shù)據(jù)庫 是英國 埃塞克斯大學(xué) 的人臉數(shù)據(jù)庫。 AR 人臉數(shù)據(jù)庫為西班牙巴塞羅那計算機(jī)視覺中心建立，由 116 人的 3228 幅圖像構(gòu)成。T 實驗室建立 由 40 位志愿者的 400 幅圖像組成，其中部分志愿者 的圖像還有姿態(tài)，表情和光照的變化。 PIE 人臉數(shù)據(jù)庫有卡內(nèi)基梅隆大學(xué)建立，由 11 68 位志愿者的 41368 副不同姿態(tài)，多光照和不同表情的圖像組成。 FERET 人臉數(shù)據(jù)庫是人臉識別中最常用的數(shù)據(jù)庫，包含多姿態(tài)和多光照的人臉灰度圖像，但其多為西方人臉圖像，每個人的人臉圖像變化較少。所以有必要建立滿足不同需要的人臉數(shù)據(jù)庫 。設(shè)計一個在所有變化情況下都能正確識別的系統(tǒng)是非常困難的，而且也沒有必要。每個人臉識別系統(tǒng) 都需要 一個 人臉數(shù)據(jù)庫。目標(biāo)分割與識別通過將 目標(biāo)集合和統(tǒng)計信息表示為模型，是其成為目標(biāo)的搜索匹配或監(jiān)督分類。其中活動輪廓模型是使用在圖像上的一條動態(tài)曲線，在內(nèi)力曲線本身新的表現(xiàn)和外力圖像信息的表現(xiàn)共同作用下趨于對象的輪廓。該方法當(dāng)前研究的區(qū)別在于區(qū)域性質(zhì)差異上。它是一個迭代過程，每一步重新計算邊界信息，若沒有區(qū)域合并，迭代完成，圖像分割完成。在每個子區(qū)域中，對經(jīng)過適當(dāng)定義能反映一個物體內(nèi)成員隸屬度的性質(zhì)進(jìn)行計算，每個子區(qū)域會用一組參數(shù)來表示該區(qū)域。 基于區(qū)域增長的方法是將含有相似性質(zhì)的像素集合起來形成一個新的區(qū)域。此方法只考慮了圖像的灰度信息，拋棄了圖像的其他信息。局部閥值方法是圖像不同區(qū)域得到對應(yīng) 不同區(qū)域的閥值即一個閥值對應(yīng)圖像的一個子區(qū)域。 基于閥值的方法是使用采集到圖像的灰度直方圖計算出分割閥值，又可以分為全局閥值方法和局部閥值方法。該方法先提取邊緣后再進(jìn)行邊界連接，得到分割輪廓。采集到圖像中人 臉區(qū)域顏色和紋理變化較大，因此如果要實現(xiàn)精確分割，只利用圖像的數(shù)據(jù)信息是不夠的，所以實際中基于模型的方法使用的比較多?；谀Ｐ偷姆椒ㄐ枰闰炛R。數(shù)據(jù)驅(qū)動方法直接對圖像進(jìn)行處理，不依賴于先驗知識。 要對人臉進(jìn)行識別一般需要將人臉區(qū)域從采集到的圖像中分離出來。 第二 節(jié) 人臉分割 人臉識別是通過對人臉進(jìn)行精確定位，并從圖像中提取人臉區(qū)域。 對于靜態(tài)人臉圖像采集要注意要確保人臉表情正常，姿態(tài)無傾斜，光線盡量均勻，并且要對周圍的光源做必要的處理，避免受到周圍強(qiáng)光和不均 勻異色光的干擾。在實際中，要采用何種人臉采集形式要取決于應(yīng)用的需求和場合。對于動態(tài)人臉圖像要考慮如何在序列中提取清晰的圖像又不丟失局部信息。但同時也帶了問題， 動態(tài)人臉圖像序列里的某一幅圖像可能會產(chǎn)生瞬間模糊，這將會影響其識別率。動態(tài)人臉圖像相比靜態(tài)人臉圖像獲取難度較大，但其更加貼近實際需求，應(yīng)用場合更加廣闊。人臉圖像的采集形式主要有兩種：一為靜態(tài)人臉圖像，二位動態(tài)人臉圖像。不過隨著現(xiàn)在科技的發(fā)展，這個問題已基本上被解決。常用的采集設(shè)備有數(shù)碼相機(jī) ，數(shù)碼攝影機(jī)等。 人臉識別小節(jié)講解本文人臉識別的流程。 在人臉識別的發(fā)展趨勢 小節(jié) 主要講解人臉識別技術(shù)未來的走向 。 第 五 節(jié) 本章小結(jié) 本章 由 人臉識別的研究背景，人臉識別技術(shù)的主要難點(diǎn) ，人臉識別的發(fā)展趨勢 和人臉識別流程 四 個小節(jié)構(gòu)成 。 四 、 特征匹配 8 特征匹配 是計算兩個人臉圖像特征樣本的特征模塊間的 相似 度 即將采集到的人臉圖像的特征模版與系統(tǒng)中已存儲的特征模版進(jìn)行比對， 并輸出最佳匹配對象。而特征選擇是根據(jù)專家的檢驗知識或評價 準(zhǔn)則來挑選對分類最有影響的特征。 特征提取和特征選擇在有些情況下并不是截然分開的，因為從一定意義上來講，二者都是要達(dá)到對 數(shù)據(jù) 進(jìn)行降維的目的，只是實現(xiàn)的途徑不同。由于在許多實際問題中常常不容易找到那些最重要的特征，或者由于條件限制而不能對這些重要特征進(jìn)行測量。映射后的特征稱為二次特 征，它們是原始特征的某種組合，通常是線性組合。由于測量空間的維數(shù)一般都很高，不易設(shè)計分類器，所以在分類器設(shè)計之前，需要從測量空間變換到維數(shù)很少的特征空間，由特征向量表示。通過上面方法獲得特征被稱為原始特征。 為了獲得有效的特征，一般需要經(jīng)過特征 形成，特征提取和特征選擇等步驟。在樣本數(shù)不是很多的情況下，可以利用這些特征進(jìn)行分類器的設(shè)計，但是在大多數(shù)情況下，由于測量空間的維數(shù)很高，不能直接進(jìn)行分類器的設(shè)計。對于計算機(jī)而言，模擬人類的感覺器官是很難實現(xiàn)的，但計算機(jī)在處理數(shù)學(xué)特征的能力上要比人類強(qiáng)得多，因此我們通過諸如協(xié)方差矩陣，統(tǒng)計平均值和相關(guān)系數(shù)等數(shù)學(xué)特征來構(gòu)建人臉識別系統(tǒng)。 特征主要包括三種類型：物理特征，結(jié)構(gòu)特征和數(shù)學(xué)特征。 三 、 特征提取 7 特征提取 就是計算機(jī)通過提取人臉圖像中能夠 凸顯個性化差異的的本質(zhì)特征 ，進(jìn)而來實現(xiàn)身份識別。他們一般以人臉圖像在圖像結(jié)構(gòu)和人臉信號分布的先驗知識為依據(jù)。 從傳感器采集到圖像除了包含人臉特征信息，還包含背景信息，所以必須從原始人臉圖像分割出 我們要處理的部分。在采集人臉圖像時，要注意用戶人臉姿態(tài)，臉部有無遮擋 ， 周圍光照是否滿足要求 及設(shè)備采集圖像的質(zhì)量是否能滿足要求。 第 四 節(jié) 人臉識別流程 人 臉 圖 像獲 取特 征 提 取系 統(tǒng) 數(shù) 據(jù)庫輸 出 結(jié) 果人 臉 圖 像獲 取特 征 提 取特 征 匹 配預(yù) 處 理 預(yù) 處 理 圖 人臉識別 系統(tǒng) 處理流程 一 、 人臉圖像采集 采集人臉圖像是通過傳感器采集人臉圖像，并將其轉(zhuǎn)換為計算機(jī)可以處理的數(shù)字信號。本文的實驗是在人臉圖像正面姿態(tài)，光照正常，表情正常，部分面部圖像有小范圍 遮擋的情況下進(jìn)行的。 如何有效地排除遮擋物的影響有著非常重要的意義，如在監(jiān)控環(huán)境下。以上這些決定計算機(jī)很難用統(tǒng)一的標(biāo)準(zhǔn)來識別人的面部表情。而且，同一種表情在不同的人上也會有不同的表現(xiàn)形式。 面部表情的變化為面部特征點(diǎn)的運(yùn)動。 四 、 表情問題 表情識別是生物特征識別的中的一種，是人機(jī)交互不可或缺的部分。 當(dāng)人 臉姿態(tài)俯仰或左右比較大時，人臉識別的識別率驟降。但目前為止光照處理技術(shù)遠(yuǎn)未達(dá)到實用的程度，還需要深入的研究。 復(fù)雜條件下的人臉檢測與關(guān)鍵點(diǎn)定位是目前人臉識別急需解決的問題之一。 目前的主要的難點(diǎn)為： 一 、 復(fù)雜條件下人臉的檢測和關(guān)鍵點(diǎn)定位 人臉檢測和關(guān)鍵點(diǎn)定位為實際人臉識別系統(tǒng)的前端處理模塊，此模塊直接影響著人臉識別系統(tǒng)的性能。 5 第 三 節(jié) 人臉識別技術(shù)的主要難點(diǎn) 目前的人臉識別技術(shù)在人員配合，較理想采集條件下可以取得比較滿意的結(jié)果。具體原因是人臉是非剛體，無法得到準(zhǔn)確完整的描述人臉特征。在復(fù)雜背景下快速有效檢測和分割人臉技術(shù)還需進(jìn)一步的研究。隨著現(xiàn)在三維人臉采集技術(shù)的逐步發(fā)展，如何利用三維人臉進(jìn)行人臉識別已成為一個新的研究熱點(diǎn)。 四 、 三維人臉識別 目前許多人臉識別成果是建立在二維人臉基礎(chǔ)上的，而實際的人臉是三維的。小波變換具有時頻特性和變焦特性，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)，自適應(yīng)，魯棒性，容錯性和推廣能力。它被認(rèn)為是傅里葉分析的突破性的發(fā)展 。隨著現(xiàn)在社會的發(fā)展，目前對動態(tài)人臉的跟蹤與識別的需求越來越大，尤其是在一些安全領(lǐng)域。如 何使用數(shù)據(jù)融合理論，將不同的方法綜合起來，相互補(bǔ)充，來取得較好的人臉識別效果，便成為人們的研究熱點(diǎn)之一。人臉識別的未來主要的發(fā)展趨勢如下： 4 一 、 多數(shù)據(jù)融合與方法綜合 人臉識別技術(shù)經(jīng)過這幾十年的發(fā)展， 已取得非常不錯的成果。 第二節(jié) 人臉識別 的發(fā)展 趨勢 人臉識別至今雖然取得了豐碩的研究成果， 但是還有很多問題需要解決。 并 且隨著現(xiàn)代社會的發(fā)展，快速人臉識別的需求越來越大 。在后來很多的人臉識別技術(shù)，我們或多或少都會發(fā)現(xiàn)它的影子。而非線性建模方法，統(tǒng)計學(xué)習(xí)理論，基于 Boosting的學(xué)習(xí)技術(shù)，基于 3D 模型的人臉建模與識別方法等逐漸成為備受重視的技術(shù)發(fā)展趨勢。 Shashua 等人基于上圖像的人臉圖像識別與繪制技術(shù) [6,7]。 這個時期主要成果有： Gehiades 等人基于光照錘模型的多姿態(tài)，多光照條件人臉識別方法。 主要針對的是主流的人臉識別技術(shù)在采集條件不理想和用戶不配合下 魯棒性差的問題。 第三階段（ 1998 年 — 現(xiàn)在）這個時期關(guān)于人臉識別的研究非常 熱門。 這個階段所提出的算法在理想圖像采集條件，人員配合，中小規(guī)模正面 人臉 數(shù)據(jù)庫 上達(dá)到了非常 好的性能。其主要將人臉描述為 2D形狀和紋理兩個分離的部分，分別用 PCA 建模，然后再通過 PCA[3,4,5]將兩者合成來對人臉建模。 柔性模型， 包括主動形狀模型和主動外觀模型。 它既保留了全局拓?fù)湫畔?，有提取了局部特征，使其具有了更好的描述?識別 能力。 3 局部特征分析 由 Atick 等提出。最后通過計算其與已知人臉屬性圖的相似度來完成識別過程。它用一個屬性圖 來描述人臉：屬性 的頂點(diǎn)代表面部關(guān)鍵特征點(diǎn)，它的屬性為相應(yīng)特征點(diǎn)處 的多分辨率，多方向局部特征 — Gabor 變換 [2]，稱 為 Jet；邊的屬性為不同特征點(diǎn)間的幾何關(guān)系。 其先使用 PCA 即特征臉對人臉圖像表現(xiàn)特征進(jìn)行降維，并使用線性判別分析方法對降維后的主成分進(jìn)行變換以獲得“盡量大的類間散度和盡量小的類內(nèi)散度”。 Belhumeur 等人的 Fisherface 方法也是此階段一個重要的成果。 這個時期的 主要成果有： 1992 年 左右， Brunelli 和 Poggio 做了一個 基于結(jié)構(gòu)特征的方法和基于模板匹配的方法性能 對比 的實驗，并得出了模塊匹配的方法優(yōu)于基于特征的方法的結(jié)論。 這個時期最具盛名的人臉識別方法是 MIT 媒體實驗室 的 Turk 和 Pentland 提出的 的“特征臉”方法。 這個階段屬于人臉識別的初級階段，突出的研究成果不多，也沒有獲得 的實際應(yīng)用。 研究的重點(diǎn)主要在剪影 上?，F(xiàn)在，已變成計算機(jī)視覺領(lǐng)域的一個焦點(diǎn)，很多著名的大學(xué)和 IT 公司都有研究組在從事這發(fā)面的研究。 自動人臉的研究歷史相對比較短，到現(xiàn)在不過五十多年的時間。 2 第一章 人臉識別系統(tǒng) 概述 第一節(jié) 人臉識別的研究 概況 人臉識別的研究 起源 比較早， Galton 在 1888 年和 1910 年 就已 在 Nature 雜志發(fā)表 兩篇關(guān)于如何使用人臉進(jìn)行身份識別的論文。 第三章 主要 介紹 常用 的 人臉圖像預(yù)處理 方法 。具體安排如下 : 第一章 主要介紹人臉識別的研究 現(xiàn)狀 ，人臉識別技術(shù)的主要難點(diǎn)及人臉識別流程 。所以研究基于 PCA 的人臉識別算法實現(xiàn)具有重要的理論和使用價值。 PCA 算法 通過降低 維度，提取主元素，減少了數(shù)據(jù)冗余，解決了圖像緯度太高無法處理或處理很慢的特點(diǎn) ， 同時 保持了原始圖像的絕大部分信息。人臉特征作為典型的生物特征外，還有 隱蔽性好，易于被用戶接受，不需要人的配合等優(yōu)點(diǎn)。各種技術(shù)在科研和實際中都受到了很大的重視和發(fā)展。 在實驗中我們發(fā)