【正文】 響，使人臉特征提取變得容易，同時還提高了人臉圖像的主觀質量。動態(tài)閥值法適應性和性能都比較好，實際中對于人臉識別常采用此法進行二值化。整體閥值法適合圖像質量比較好的情況，此時圖像在直方圖一般有兩個峰值。假設圖像為，灰度范圍為，t為和之間選擇的一個合適的灰度值，轉換后的圖像為，則轉換關系為 （）局部閥值法：它是根據(jù)當前像素的灰度值和此像素周圍點局部灰度特征值來共同決定閥值。在圖像二值化過程中選擇合適的閥值非常重要。二、二值化二值化是通過選取適當?shù)拈y值將灰度圖像的灰度值從0到255變換為只有0和255的黑白圖像。對數(shù)變換可以使圖像低灰度區(qū)有較大拉伸而高灰度區(qū)進行壓縮。對數(shù)變換和指數(shù)變換分別為 （） （）其中a, b, c用來調整曲線的位置和形狀。0為全黑，255為全亮。利用彩色圖像進行人臉識別存在較多缺陷，而灰度圖像為一種最簡單有效的對比增強方法。一、灰度變化人臉識別的研究常以灰度圖像為處理對象。這樣才有利于穩(wěn)定的進行特征提取。第二節(jié) 人臉圖像常用預處理方法一般，系統(tǒng)采集到的原始圖像都會受到各種各樣的噪聲的影響而失真。PNG同樣支持透明圖像的制作。它能將圖像文件壓縮到極限以利于網絡傳輸，又能保留所有與圖像品質相關的信息。PNG使用從LZ77派生的無損數(shù)據(jù)壓縮算法。s Not GIF”，是一種位圖文件(bitmap file)存儲格式，讀成“ping”。五、PNG格式PNG，圖像文件存儲格式，其目的是替代GIF和TIFF文件格式，同時增加一些GIF文件格式所不具備的特性。GIF格式的特點是壓縮比高，磁盤空間占用少。盡管如此，PNG文件格式憑著其技術上的優(yōu)勢，已然躋身于網絡上第三廣泛應用格式。在2003年6月20日，LZW算法在美國的專利權已到期而失效。PNG（Portable Network Graphics，便攜網絡圖形）標準就在這個背景下應運而生了。如果要開發(fā)生成（或顯示）GIF文件的程序，則需向該公司支付版稅。然而令很多軟件開發(fā)商感到意外的是，GIF文件所采用的壓縮算法忽然成了Unisys公司的專利。GIF格式的另一個特點是其在一個GIF文件中可以存多幅彩色圖像，如果把存于一個文件中的多幅圖像數(shù)據(jù)逐幅讀出并顯示到屏幕上，就可構成一種最簡單的動畫。目前幾乎所有相關軟件都支持它，公共領域有大量的軟件在使用GIF圖像文件。GIF文件的數(shù)據(jù)，是一種基于LZW算法的連續(xù)色調的無損壓縮格式。BMP格式的特點是包含的圖像信息較豐富，幾乎不進行壓縮，由此導致了它的缺點—占用磁盤空間過大。目的是為了讓Windows能夠在任何類型的顯示設備上顯示所存儲的圖象。Windows ，因此把這種BMP圖象文件格式稱為設備無關位圖DIB(deviceindependent bitmap）格式。Windows系統(tǒng)內部各圖像繪制操作都是以BMP為基礎的。而接收方隨著觀察，常常會有新的要求，可能對新的區(qū)域感興趣，也可能希望某一區(qū)域更清晰些。在有些情況下，圖像中只有一小塊區(qū)域對用戶是有用的，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。JPEG2000格式有一個極其重要的特征在于它能實現(xiàn)漸進傳輸，即先傳輸圖像的輪廓，然后逐步傳輸數(shù)據(jù)，不斷提高圖像質量，讓圖像由朦朧到清晰顯示。JPEG2000文件的擴展名為jp2。二、JPEG2000格式JPEG2000是基于小波變換的圖像壓縮標準，同樣由聯(lián)合照片專家組（Joint Photographic Experts Group）開發(fā)和維護。由于JPEG優(yōu)異的品質和杰出的表現(xiàn)，它的應用也非常廣泛，特別是在網絡和光盤讀物上，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。其中研究人員指的是研究生導師或其他固定職位的研究員，不包括學生。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博士主持的計算機視覺研究項目在維護。Essex人臉數(shù)據(jù)庫是英國埃塞克斯大學的人臉數(shù)據(jù)庫。AR人臉數(shù)據(jù)庫為西班牙巴塞羅那計算機視覺中心建立，由116人的3228幅圖像構成。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)庫有卡內基梅隆大學建立，由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。目標分割與識別通過將目標集合和統(tǒng)計信息表示為模型，是其成為目標的搜索匹配或監(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。該方法當前研究的區(qū)別在于區(qū)域性質差異上。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，對經過適當定義能反映一個物體內成員隸屬度的性質進行計算，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)域得到對應不同區(qū)域的閥值即一個閥值對應圖像的一個子區(qū)域?；陂y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。基于模型的方法需要先驗知識。數(shù)據(jù)驅動方法直接對圖像進行處理，不依賴于先驗知識。要對人臉進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。常用的采集設備有數(shù)碼相機，數(shù)碼攝影機等。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未來的走向。第五節(jié) 本章小結本章由人臉識別的研究背景，人臉識別技術的主要難點，人臉識別的發(fā)展趨勢和人臉識別流程四個小節(jié)構成。四、特征匹配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，二者都是要達到對數(shù)據(jù)進行降維的目的，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，不易設計分類器，所以在分類器設計之前，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行分類器的設計，但是在大多數(shù)情況下，由于測量空間的維數(shù)很高，不能直接進行分類器的設計。對于計算機而言，模擬人類的感覺器官是很難實現(xiàn)的，但計算機在處理數(shù)學特征的能力上要比人類強得多，因此我們通過諸如協(xié)方差矩陣，統(tǒng)計平均值和相關系數(shù)等數(shù)學特征來構建人臉識別系統(tǒng)。特征主要包括三種類型：物理特征，結構特征和數(shù)學特征。三、特征提取特征提取就是計算機通過提取人臉圖像中能夠凸顯個性化差異的的本質特征，進而來實現(xiàn)身份識別。他們一般以人臉圖像在圖像結構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備采集圖像的質量是否能滿足要求。第四節(jié) 人臉識別流程 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，并將其轉換為計算機可以處理的數(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很難用統(tǒng)一的標準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的運動。四、表情問題表情識別是生物特征識別的中的一種，是人機交互不可或缺的部分。當人臉姿態(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遠未達到實用的程度，還需要深入的研究。復雜條件下的人臉檢測與關鍵點定位是目前人臉識別急需解決的問題之一。目前的主要的難點為：一、復雜條件下人臉的檢測和關鍵點定位人臉檢測和關鍵點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。第三節(jié) 人臉識別技術的主要難點目前的人臉識別技術在人員配合，較理想采集條件下可以取得比較滿意的結果。具體原因是人臉是非剛體，無法得到準確完整的描述人臉特征。在復雜背景下快速有效檢測和分割人臉技術還需進一步的研究。隨著現(xiàn)在三維人臉采集技術的逐步發(fā)展，如何利用三維人臉進行人臉識別已成為一個新的研究熱點。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，神經網絡具有自學習，自適應，魯棒性，容錯性和推廣能力。它被認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，相互補充，來取得較好的人臉識別效果，便成為人們的研究熱點之一。人臉識別的未來主要的發(fā)展趨勢如下：一、多數(shù)據(jù)融合與方法綜合人臉識別技術經過這幾十年的發(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，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)計學習理論，基于Boosting的學習技術，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[6,7]。這個時期主要成果有：Georghiades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。它既保留了全局拓撲信息，有提取了局部特征，使其具有了更好的描述和識別能力。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：屬性的頂點代表面部關鍵特征點，它的屬性為相應特征點處的多分辨率，多方向局部特征—Gabor變換[2]，稱為Jet；邊的屬性為不同特征點間的幾何關系。其先使用PCA即特征臉對人臉圖像表現(xiàn)特征進行降維，并使用線性判別分析方法對降維后的主成分進行變換以獲得“盡量大的類間散度和盡量小的類內散度”。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：1