【正文】 的向量，對(duì)ORL人臉庫(kù)，把一幅圖像按列優(yōu)先排成一維行向量（1*2576），從幾何空間角度來(lái)說(shuō)，一個(gè)2576維空間中一點(diǎn)代表了一張人臉圖像。③ ORL庫(kù)從全局來(lái)看變化不大，但人臉對(duì)準(zhǔn)不夠整齊統(tǒng)一，同一人可能有不同的人臉偏轉(zhuǎn)角度，或者不同的表情，某些人臉上還有少許遮擋物，比如頭發(fā)遮擋或者戴了眼鏡，比較具有代表性，能夠較好地代替自然條件下采集的人臉圖像。第二節(jié) 讀入人臉庫(kù)建立人臉空間一、人臉庫(kù)簡(jiǎn)介實(shí)驗(yàn)中使用的是著名的ORL人臉庫(kù)[15]?，F(xiàn)在將低維數(shù)據(jù)經(jīng)過(guò)映射處理反映到高維特征空間中，下一步我們將考慮在該特征空間中運(yùn)用線性分類算法。PCA負(fù)責(zé)處理多元數(shù)據(jù)，它可以表示最佳的原始數(shù)據(jù)及其初始化，可以滿足最優(yōu)的最小均方誤差意義。PCA是對(duì)原始的圖像用像素表示成的矩陣進(jìn)行KL變化，在變化后的空間里，挑選出較大的特征值所對(duì)應(yīng)的特征向量作為主成分，形成一個(gè)子空間，然后提取特征。測(cè)試圖像與訓(xùn)練圖像一般投影在變換后的主特征向量上，對(duì)所得投影值計(jì)算距離的接近程度劃分人臉類。對(duì)訓(xùn)練集人臉庫(kù)中人臉圖像進(jìn)行KL變換，提取稱作“特征臉”(EigenFace)的特征向量，并用它來(lái)描述人臉的模式信息。 將所有圖像排成一個(gè)N2*200的矩陣：ImageMatrix = (ImageVec1, ImageVec2, … , ImageVec200) (413)然后對(duì)它們進(jìn)行PCA處理，找出主元。另一方面，某些成分對(duì)機(jī)器而言沒(méi)有很好的區(qū)分度，例如本文中取出最主要的占到90%能量的主分量，其余分量對(duì)人臉識(shí)別“貢獻(xiàn)”很小而被丟棄，但是相比于2576已得到很大的降維，實(shí)現(xiàn)了數(shù)據(jù)有損壓縮。第三節(jié) PCA在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用目前很多領(lǐng)域都用到PCA算法，在計(jì)算機(jī)數(shù)字圖像處理和模式識(shí)別領(lǐng)域,PCA體現(xiàn)了以下三種用途：一、圖像數(shù)據(jù)的表示數(shù)字圖像處理領(lǐng)域中可以將圖像信息表示成二維灰度矩陣，對(duì)于每幅圖像原始矩陣坐標(biāo)基成分的疊加，圖像數(shù)據(jù)將被表達(dá)為原始特征空間的一個(gè)維向量: (412)二、對(duì)圖像進(jìn)行信息壓縮由于PCA使用了KL變換處理一個(gè)圖像序列，不僅去除了圖像信息間的相關(guān)性，同時(shí)降低了數(shù)據(jù)維度，保留了圖像信息的主成分。二、PCA理論原理KL 變換[12]Turk 和 Pentlad在 KarhunenLoeve 變換(簡(jiǎn)稱 KL變換)的基礎(chǔ)上提出了 PCA 方法，KL 變換是圖像壓縮領(lǐng)域的一種最優(yōu)正交變換，人們將KL變換作為統(tǒng)計(jì)特征提取的基礎(chǔ)和依據(jù)。由推論： （45）先計(jì)算的特征值及其對(duì)應(yīng)的正交歸一特征向量，然后可由推論知的正交歸一特征向量是 （46）這里協(xié)方差矩陣的特征值為：大矩陣特征向量巧妙利用小矩陣計(jì)算[11]我們可以利用低階矩陣的特征向量來(lái)間接求得高階矩陣的特征向量：設(shè)：A是秩為r的m*n(mn）維矩陣，是圖像的協(xié)方差矩陣，先求大矩陣的轉(zhuǎn)置矩陣的特征向量，然后通過(guò)以下兩者的關(guān)系求得特征向量及特征值，大小矩陣如下： (47)顯然，在沒(méi)有單位化的前提下，的特征向量是，也是它的特征值。 （44）呈降序排列。這些特征臉可以組成特征臉子空間，正交基有很多分量，它們都是一個(gè)個(gè)特征向量，而較大特征值的正交基就是主分量，它表示了人臉的低頻部分，用于表示人臉的輪廓；相對(duì)次分量描述了人臉的高頻部分，較小特征值所對(duì)應(yīng)的特征向量描述了圖像的具體細(xì)節(jié)，如不同圖片的背景差異等。特征向量重要性呈現(xiàn)指數(shù)下降，前面的部分成分已經(jīng)可以表示絕大部分信息，由此可知，只選用前面幾個(gè)重要的特征向量就可以來(lái)構(gòu)建特征空間。（2）、降維如果有大小為P=n*m的圖片，那么在原始空間表示需要一個(gè) N 維矢量（其中N=n*m），但如果通過(guò)公式(41)把它降維后，只需要一個(gè) r*1 維的向量就可以了。令 （42）稱為隨機(jī)變量X與Y的相關(guān)系數(shù)。廣而言之，如果有一組基組成的空間，那么可以得到在空間W上Xi坐標(biāo)為 （41）PCA的作用及其統(tǒng)計(jì)特征[11]利用PCA算法處理原始數(shù)據(jù)，一般在三個(gè)方面發(fā)生作用：降維、去除相關(guān)性、概率估計(jì)。第二節(jié) PCA算法介紹一、PCA的理論基礎(chǔ)投影設(shè)d維的樣本x1，x2，…,xn以及一個(gè)d維基w，那么標(biāo)量：是相當(dāng)于Xi在基上的坐標(biāo)值。將特征值按從大到小排序，選取前N個(gè)較大的特征值對(duì)應(yīng)的特征向量，這N個(gè)特征向量就構(gòu)成了原始圖像的又一表征矩陣。而主成分分析算法可以只概括信息的重要部分，而忽略對(duì)識(shí)別沒(méi)太大影響的部分。如果有一項(xiàng)指標(biāo)，不同個(gè)體的取值其實(shí)相差不大，那么該指標(biāo)就不是優(yōu)秀的指標(biāo)，是不合格的，也是沒(méi)有意義的。新的子空間具有怎么樣的形式不重要，重要的是將測(cè)試圖像和訓(xùn)練集圖像投影到它上面，然后利用各種距離度量對(duì)圖像的投影記錄判斷相似度來(lái)確認(rèn)是否處于同一類中。第四章 基于PCA的人臉識(shí)別方法第一節(jié) 問(wèn)題描述在Matlab中，一幅圖像可以由矩陣（或者可以說(shuō)一個(gè)矢量）來(lái)表示，這個(gè)矢量是由像素值組成的。本文使用了正弦變換的方法來(lái)虛擬有姿態(tài)變化的人臉圖像，根據(jù)人眼感知到的旋轉(zhuǎn)人臉圖像的視覺(jué)效果，利用兩個(gè)半臉的同時(shí)但不同尺度（一邊壓縮，一邊擴(kuò)張）的變換來(lái)虛擬多姿態(tài)人臉圖像。將具有不同姿態(tài)的測(cè)試圖像校正為正面人臉圖像，與傳統(tǒng)的人臉識(shí)別方法相比，可有效的提高識(shí)別率。針對(duì)實(shí)際應(yīng)用中人臉識(shí)別受到姿態(tài)變化影響較大且有時(shí)只能獲取少量人臉訓(xùn)練樣本的情況，有學(xué)者提出了基于姿態(tài)校正的人臉識(shí)別思想。在實(shí)際操作中，有時(shí)我們無(wú)法獲得足夠多的各角度的人臉樣本，或者說(shuō)只能得到少量的正面樣本，此時(shí)可以考慮采用對(duì)測(cè)試樣本進(jìn)行姿態(tài)校正的策略。 標(biāo)示人臉中軸線的校正圖 存儲(chǔ)校正后人臉中軸線兩邊的像素差由圖示可以看出第12張圖片為最佳校正圖。 人臉向左偏轉(zhuǎn)校正圖 標(biāo)示人臉中軸線的校正圖 存儲(chǔ)校正后人臉中軸線兩邊的像素差由圖示可以看出第10張圖片為最佳校正圖。將此圖片保存，留作后續(xù)人臉識(shí)別使用。三、實(shí)驗(yàn)結(jié)果在ORL人臉圖像庫(kù)中選擇衣服有旋轉(zhuǎn)角度的圖片，以正弦變換校正算法對(duì)圖像進(jìn)行從1到15度的不同角度的校正，并將校正結(jié)果以3行5列的形式全部顯示出來(lái)。)| x = 1,2......, m。由于新圖像 S’在網(wǎng)格點(diǎn)( x , y 39。)| x = 1,2......, m。 ()由()式可得，當(dāng)y 在圖像左右兩個(gè)區(qū)間的位置，實(shí)施不同的角度變換，會(huì)得到不同程度的縮放效果。=y+sinαyn2 y≥n2ysinαyn2 yn2 = (1 + sign ( y ? n / 2) * sin ( α ))( y ? n / 2) + n/ 2 ()α 為需要的旋轉(zhuǎn)角度值，sign( )表示符號(hào)函數(shù)。設(shè)原始圖像S，大小為mn，平面上對(duì)應(yīng)的網(wǎng)格點(diǎn)為{( x , y ) | x = 1, 2......, m。這樣一個(gè)側(cè)面人臉便姿態(tài)校正了一定角度，進(jìn)而可以變換成為正面人臉。但是正面人臉，是兩邊對(duì)稱的。 假設(shè)所給的識(shí)別樣本是一張為m n的側(cè)面人臉圖像，記做S，即這張人臉圖像本身有一定方向的偏轉(zhuǎn)。二、基于ST的姿態(tài)校正算法姿態(tài)校正模塊作為具有姿態(tài)校正效果的人臉識(shí)別框架中最核心的部分，研究其算法是非常重要，也是非常必要的。具體方法是：訓(xùn)練樣本在特征提取之前先進(jìn)行預(yù)處理，接著將結(jié)果傳入到分類器。一、姿態(tài)校正的人臉識(shí)別框架從具體的人臉識(shí)別流程出發(fā)，人臉識(shí)別系統(tǒng)分為人臉檢測(cè)、預(yù)處理、特征提取、人臉?lè)诸愃膫€(gè)部分。如果想提高識(shí)別的正確率，可以從提高兩者的一致性下手。第三節(jié) 姿態(tài)校正研究在實(shí)際應(yīng)用中的人臉識(shí)別系統(tǒng)中，往往不可能得到大量的訓(xùn)練樣本，只能獲得一些正面姿態(tài)圖像，但測(cè)試樣本往往會(huì)帶有各角度的姿態(tài)。在通常的人臉識(shí)別系統(tǒng)中，往往不能得到大量的多姿態(tài)人臉訓(xùn)練樣本，而只能獲得少量的正面樣本，但是測(cè)試樣本常常是帶有各角度的姿態(tài)圖像。文獻(xiàn)概括了針對(duì)姿態(tài)人臉的三維模型方法[11]。這樣工作量太大，有時(shí)候是不可能辦到的。第二節(jié) 多姿態(tài)人臉識(shí)別策略多視圖的多姿態(tài)人臉識(shí)別最常用的方法就是收集各個(gè)人臉的不同姿態(tài)、多個(gè)數(shù)目的視圖作為訓(xùn)練樣本，識(shí)別時(shí)把傳入的人臉圖像與訓(xùn)練庫(kù)中全部的多視圖進(jìn)行對(duì)比，得出人臉識(shí)別的最終結(jié)果。本文研究的姿態(tài)校正人臉識(shí)別策略是基于正弦變換的。在現(xiàn)階段，很有必要來(lái)對(duì)多姿態(tài)人臉識(shí)別策略進(jìn)行具體方法的實(shí)現(xiàn)。如果人臉姿態(tài)變化較大，那么識(shí)別率就會(huì)急劇降低，有時(shí)候甚至根本無(wú)法識(shí)別。第三章 多姿態(tài)人臉識(shí)別的研究第一節(jié) 引言人臉識(shí)別技術(shù)經(jīng)常遇到樣本維數(shù)過(guò)高、類別數(shù)太大、訓(xùn)練樣本較少，還有姿態(tài)、光照、表情等影響的問(wèn)題。本文還介紹了人臉識(shí)別的研究范圍，和人臉識(shí)別系統(tǒng)的功能模塊，以及人臉識(shí)別系統(tǒng)的性能評(píng)價(jià)。第四節(jié) 本章小結(jié) 本章主要介紹了完整的人臉識(shí)別流程和人臉識(shí)別系統(tǒng)，一般的人臉識(shí)別流程包括預(yù)處理、特征提取、和分類過(guò)程。 3．?dāng)?shù)據(jù)存儲(chǔ)量 在人臉識(shí)別系統(tǒng)中，如果人臉特征庫(kù)需要花銷太多的存儲(chǔ)空間，那么將會(huì)給整個(gè)系統(tǒng)造成太大的負(fù)擔(dān)。人臉識(shí)別系統(tǒng)的時(shí)間主要包括兩方面的時(shí)間：一是訓(xùn)練階段的時(shí)間——人臉識(shí)別系統(tǒng)生成鑒別矢量集所需要的時(shí)間；另一個(gè)是分類識(shí)別階段，測(cè)試樣本投影到鑒別矢量集張成的低維子空間，得到的投影系數(shù)以及分類決策確定的測(cè)試樣本類別的時(shí)間總和。如果某種識(shí)別算法對(duì)新的測(cè)試樣本，即使它對(duì)訓(xùn)練樣本的分類性能不是很好，但它能夠有不錯(cuò)的分類效果，也應(yīng)該接受它。 識(shí)別率 識(shí)別率是指在測(cè)試過(guò)程中，正確識(shí)別的人臉圖像數(shù)目與人臉圖像總數(shù)的比值。最后，考察算法識(shí)別性能的一個(gè)重要指標(biāo)人臉識(shí)別算法對(duì)物理存儲(chǔ)空間的要求。首先，人臉識(shí)別本身是一種分類技術(shù)，所以衡量人臉識(shí)別算法的首要性能指標(biāo)是識(shí)別率。該圖只給出了人臉檢測(cè)和人臉識(shí)別兩個(gè)部分。④ 人臉識(shí)別模塊：根據(jù)上一個(gè)模塊判別測(cè)試圖像是否屬于人臉庫(kù)里對(duì)應(yīng)特定的人臉。③ 特征提取模塊：處理訓(xùn)練集和測(cè)試集的人臉圖像，得到最能反映人臉本質(zhì)的特征，從而方便分類，這樣可以使原始的人臉空間數(shù)據(jù)映射到新特征空間，識(shí)別效果最主要衡量標(biāo)準(zhǔn)是提取特征的穩(wěn)定性和有效性。② 人臉圖像訓(xùn)練模塊：對(duì)識(shí)別人臉圖像進(jìn)行集中訓(xùn)練從而得到供識(shí)別模塊所需判別的參數(shù)。第二節(jié) 人臉識(shí)別系統(tǒng)人臉識(shí)別系統(tǒng)主要由以下4個(gè)模塊組成[8]：① 預(yù)處理模塊：此模塊要幾何歸一化，需要識(shí)別圖像，并將噪聲刪除，將方向和光照強(qiáng)度消除或減小、識(shí)別系統(tǒng)本身以及系統(tǒng)外部環(huán)境等因素產(chǎn)生的噪聲干擾，使不同的識(shí)別圖像中將要處理的人臉亮度和大小做到盡量統(tǒng)一，這樣可以使他在相同條件下進(jìn)行識(shí)別。⑤ 生理分類:主要是借助人臉識(shí)別從而推斷其生理特征,比如性別、年齡等。選擇合適的人臉表征方式和匹配方法是人臉識(shí)別的關(guān)鍵。一般的表示方法有代數(shù)和幾何特征、特征臉等。影響人臉檢測(cè)的因素最主要的有面部旋轉(zhuǎn)的角度、傾斜的角度、光照的強(qiáng)度、噪聲污染以及各種遮擋物等。通常，我們提到的人臉識(shí)別主要是指通過(guò)人臉特征進(jìn)行身份的核實(shí)匹配、身份的確認(rèn)或者身份的查找技術(shù)。第二章 人臉識(shí)別技術(shù)概述第一節(jié) 人臉識(shí)別的研究范圍人臉識(shí)別屬于生物特征識(shí)別技術(shù)的范疇，特指通過(guò)分析比較人臉視覺(jué)特征的信息進(jìn)行身份識(shí)別的計(jì)算機(jī)技術(shù)[7]。第四節(jié) 本章小結(jié) 本章簡(jiǎn)述了人臉識(shí)別的概念，主要介紹了人臉識(shí)別的發(fā)展歷程，分別介紹了人臉識(shí)別的發(fā)展現(xiàn)狀和多姿態(tài)人臉識(shí)別的現(xiàn)狀，因?yàn)楸疚难芯康闹攸c(diǎn)是有姿態(tài)變化的圖像在人臉識(shí)別中所遇到的問(wèn)題，并分析目前較好的解決姿態(tài)問(wèn)題的算法，還介紹了一些在人臉識(shí)別發(fā)展過(guò)程中起過(guò)很大作用的優(yōu)秀算法，展現(xiàn)了前人對(duì)人臉識(shí)別領(lǐng)域研究的智慧的結(jié)晶，比較各個(gè)算法的優(yōu)缺點(diǎn)，以及適用范圍，發(fā)現(xiàn)并分析了人臉識(shí)別的難點(diǎn)，以及解決人臉識(shí)別中一些問(wèn)題的方法，最后介紹了人臉識(shí)別的應(yīng)用領(lǐng)域，人臉識(shí)別技術(shù)在理論和應(yīng)用上有一定的發(fā)展，各類圖像處理技術(shù)、計(jì)算機(jī)技術(shù)等其他學(xué)科技術(shù)也取得重大發(fā)展，這無(wú)疑給人臉識(shí)別技術(shù)研究帶來(lái)空前發(fā)展機(jī)會(huì)。④ 人臉識(shí)別技術(shù)趨勢(shì) “三化兩合”巨大的市場(chǎng)需求拉動(dòng)了人臉識(shí)別技術(shù)和產(chǎn)業(yè)的快速發(fā)展，隨著應(yīng)用技術(shù)的不斷發(fā)展，人臉識(shí)別技術(shù)及產(chǎn)業(yè)呈現(xiàn)出“三化兩合”趨勢(shì)。它可以用來(lái)追捕罪犯，管理常住人口，特殊人口等。人臉識(shí)別與視頻監(jiān)控的無(wú)縫對(duì)接，極大的拓展人臉識(shí)別技術(shù)的應(yīng)用空間，極大的提升了傳統(tǒng)視頻監(jiān)控的預(yù)警功能和智能化程度。最近由我國(guó)中科院自動(dòng)化所主導(dǎo)提出的基于主動(dòng)近紅外圖像的人臉識(shí)別技術(shù)，迅速發(fā)展起來(lái)，并且在紅外圖像對(duì)可見(jiàn)光圖像混合識(shí)別的研究同樣取得了突破進(jìn)展，使其可以和可見(jiàn)光人臉數(shù)據(jù)兼容，也真正使人臉識(shí)別技術(shù)更加實(shí)用化。 人臉識(shí)別的應(yīng)用應(yīng)用優(yōu)點(diǎn)存在問(wèn)題信用卡、汽車(chē)駕照、護(hù)照以及個(gè)人身份驗(yàn)證等圖像攝取可控圖像分割可控圖像質(zhì)量好需要建立龐大的數(shù)據(jù)庫(kù)嫌疑犯照片匹配圖像質(zhì)量不統(tǒng)一多幅圖像可用潛在的巨大圖像庫(kù)互聯(lián)網(wǎng)應(yīng)用視頻信息價(jià)值高，多人參與存在虛假銀行/儲(chǔ)蓄安全監(jiān)控效果好圖像分割不可控圖像質(zhì)量較差人群監(jiān)測(cè)圖像質(zhì)量高可利用攝像圖像圖像分割自由圖像質(zhì)量低、實(shí)時(shí)性雖然人臉識(shí)別發(fā)展迅速也取得了豐碩成果，但仍然暴露出它的很多亟待解決的問(wèn)題，例如人臉的非剛性屬性，圖像背景復(fù)雜，人臉的角度變化，環(huán)境的光照強(qiáng)度，和可能出現(xiàn)的遮擋物等，都是人臉識(shí)別技術(shù)要取得長(zhǎng)足發(fā)展所需要面臨的問(wèn)題。在生活?yuàn)蕵?lè)等領(lǐng)域，人臉識(shí)別也具有相當(dāng)大的潛力，比如能夠識(shí)別主人身份的門(mén)禁免鑰匙系統(tǒng)、智能玩具家政機(jī)器人等[5]。如電子護(hù)照及身份證，國(guó)際民航組織已確定，118個(gè)成員國(guó)家和地區(qū)，從2010年起，必須使用機(jī)讀護(hù)照，人臉識(shí)別技術(shù)是首先