【正文】 .......................................................................... 28 .......................................................................................... 28 PCA 人臉識(shí)別方法的實(shí)現(xiàn)過(guò)程 ........................................... 29 ............................................................................................... 30 ............................................................................................... 32 第四章 實(shí)驗(yàn)過(guò)程顯示及分析 .................................................................... 33 引言 ................................................................................................................... 33 實(shí)驗(yàn)過(guò)程 ......................................................................................................... 33 致 謝 ......................................................................................................... 37 參考 文獻(xiàn) ..................................................................................................... 38 附錄 ............................................................................................................. 39 1 第一章 緒 論 人臉識(shí)別研究的目的意義 隨著信息技術(shù)及網(wǎng)絡(luò)的高速發(fā)展，人們的生活及身份日益數(shù)字化，信息的安全性和隱蔽性越來(lái)越受到人們的重視，身份識(shí)別與認(rèn)證技術(shù)也因此得到了較快的發(fā)展。 人類社會(huì)的 發(fā)展進(jìn)入到 21世紀(jì)的今天，社會(huì)的發(fā)展促進(jìn)了人的流動(dòng)，進(jìn)而也增加了社會(huì)的不穩(wěn)定性，這就使得安全方面的需求成為當(dāng)今社會(huì)尤為重要的問(wèn)題?？梢?jiàn)在現(xiàn)代社會(huì)中，身份識(shí)別己經(jīng)成為人們?nèi)粘Ｉ钪薪?jīng)常遇到的一個(gè)基本問(wèn)題。傳統(tǒng)的身份識(shí)別方法主要基于身份標(biāo)識(shí)物 (如證件、卡片 )和身份標(biāo)識(shí)知識(shí) (如用戶名、密碼 )來(lái)識(shí)別身份，這在很長(zhǎng)一段時(shí)期是非常可靠和方便的識(shí)別方法，得到了廣泛的應(yīng)用。密碼遺失、資料被盜的時(shí)間不斷發(fā)生，傳統(tǒng)的安全技術(shù)已暴露出重大的缺陷，就會(huì)給個(gè)人乃至整個(gè)社會(huì)帶來(lái)重大的甚至難以彌補(bǔ)的損失。 于是，近年來(lái)人類生物特征越來(lái)越廣泛地應(yīng)用于身份識(shí)別，而且生物特征可以更好的進(jìn)行安全控制，世界各國(guó)政府都在大力推進(jìn)生物識(shí)別技術(shù)的發(fā)展及應(yīng)用。相對(duì)傳統(tǒng)的身份認(rèn)證方法而言，生物特征認(rèn)證技術(shù)具有不會(huì)因當(dāng)事人遺忘或他人竊取和偽造而進(jìn)行錯(cuò)誤判定，比傳統(tǒng)的身份認(rèn)證方法更加安 全方便、特征唯一、不易偽造、不可竊取。人臉識(shí)別技術(shù)基于生理特征進(jìn)行識(shí)別，是最主要的生物特征身份認(rèn)證技術(shù)之一。人臉識(shí)別技術(shù)和其他的生物識(shí)別比起來(lái)有以下幾個(gè)優(yōu)點(diǎn) : (1)人臉識(shí)別可以在隱蔽的條件下進(jìn)行，適用于安全監(jiān)控 。目前，普通數(shù)碼相機(jī)、數(shù) 碼攝像機(jī)和照掃描儀等攝像設(shè)備在普通家庭的日益普及進(jìn)一步增加了其可用性； (3)人臉識(shí)別具有快捷、非接觸的特點(diǎn)，對(duì)用戶友好。利用人臉特征進(jìn)行身份驗(yàn)證最易被人們接受； (4)存在豐富的現(xiàn)有數(shù)據(jù)。在各種身份證明材料中，一般也會(huì)含有標(biāo)準(zhǔn)的正面人臉照片； (5)具有方便、快捷、強(qiáng)大的事后追蹤能力。 人臉識(shí)別技術(shù)作為生物識(shí)別技術(shù)的一種，以其特有的穩(wěn)足性、方便性、唯一性等特點(diǎn)被愈來(lái)愈多地應(yīng)用于除安全問(wèn)題外的各種身份識(shí)別領(lǐng)域。近幾十年以來(lái)人臉識(shí)別技術(shù)有了長(zhǎng)足的發(fā)展，并且逐步走向?qū)嶋H應(yīng)用階段。 目前，各國(guó)都加大力度研 究生物識(shí)別技術(shù)，人臉識(shí)別這一最類似人類身份鑒別的方式得到了很多人的關(guān)注，很多重要的出入場(chǎng)合都在安裝人臉識(shí)別系統(tǒng)。根據(jù)預(yù)計(jì)，生物特征識(shí)別技術(shù)在 20202020 年的增長(zhǎng)率將保持30%左右，在國(guó)內(nèi)這一數(shù)字會(huì)更高。人臉識(shí)別作為一種新興的生物識(shí)別技術(shù)將占據(jù)整個(gè)生物特征識(shí)別技術(shù) 15%20%左右的份額。作為一種最直接、最自然、最容易被人接受的生物特征識(shí)別技術(shù)，人臉識(shí)別致力于探索如何使機(jī)器能夠自動(dòng)地根據(jù)用戶的人臉圖像來(lái)鑒別用戶的身份。雖然人們可以毫不費(fèi)力地通過(guò)臉部圖像來(lái)鑒別互相的身份，然而由于成像過(guò)程中各種影響因素的變化常常導(dǎo)致同一個(gè)人的人臉圖像發(fā)生非常大的變化，因此建立自動(dòng)系統(tǒng)完成識(shí)別任務(wù)是非常具有挑戰(zhàn)性 的。因此，人臉識(shí)別研究仍然遠(yuǎn)遠(yuǎn)沒(méi)有到達(dá)完善的境地，還有非常大的發(fā)展空間。從廣義上來(lái)說(shuō)，人臉識(shí)別主要包括人臉檢測(cè)、人臉表征、人臉鑒別、表情分析和物理分類五個(gè)方面。這一任務(wù)主要受光照、噪聲、頭部?jī)A斜度以及各種遮擋的影響 。通常的表示方法有幾何特征 (如歐氏距離、曲率、角度等 )、代數(shù)特征 (如矩陣特征矢量 )、固定特征模板、特征臉等 。這一過(guò)程的核心是選擇適當(dāng)?shù)娜四槺硎?方式與匹配策略 。 (5)物理分類 ((Physical Classification)即對(duì)待識(shí)別人臉的物理特征進(jìn)行分類，得出其年齡、性別、種族等相關(guān)信息。如果在該人臉數(shù)據(jù)庫(kù)中，則給出所對(duì)應(yīng)的具體的個(gè)體信息。 一個(gè)典型的自動(dòng)人臉識(shí)別系統(tǒng)如圖 所示 ，分為訓(xùn)練和識(shí)別兩個(gè)步驟，兩個(gè)步驟都需要檢測(cè)和定位人臉、人臉圖像的預(yù)處理和特征提取和選擇。 5 圖 (1)人臉的檢測(cè)和定位，人臉檢測(cè)與人臉定位是相互聯(lián)系但又有所區(qū)別的兩個(gè)概念。檢測(cè)人臉對(duì)于簡(jiǎn)單背景的同一人的人臉圖片是比較容易實(shí)現(xiàn)的，但當(dāng)人臉的背景變得復(fù)雜，或者圖片中的人臉屬于 多個(gè)人時(shí)，檢測(cè)就會(huì)變得相對(duì)困難。作為人臉識(shí)別的基礎(chǔ)，人臉的檢測(cè)與定位是人臉識(shí)別研究的另一個(gè)重要方面。幾何歸一化主要是指將人臉圖像進(jìn)行一定的處理變?yōu)橄袼?大小統(tǒng)一且人臉關(guān)鍵位置一致的圖片。 （ 3)特征提取和選擇，對(duì)人臉進(jìn)行識(shí)別主要依據(jù)人臉的特征，也就是說(shuō)依據(jù)不同個(gè)體之間有較大差異而對(duì)同一個(gè)體則比較穩(wěn)定的度量。除此之外還有 DCT, Gabor變換、分?jǐn)?shù)階傅里葉變換等都是基于人臉的整體特征提取，還有基于人臉局部特征的提取方法，如利用顯著器官 (眼鏡、眉毛、耳朵、嘴 巴等 )之間的距離關(guān)系，以及通過(guò)訓(xùn)練學(xué)習(xí)求得的局部特征。在比較之前需確定相似性尺度，常用的是歐氏距離函數(shù)和基于貝葉斯準(zhǔn)則的概率尺度。另一種是身份證實(shí)，只需要判斷識(shí)別對(duì)象是否是數(shù)據(jù)庫(kù)中個(gè)體的一員。因?yàn)橹暗念A(yù)處理步驟與圖像處理的工作是相通的，而之后的識(shí)別步驟與一般的模式識(shí)別問(wèn)題是一致的。根據(jù)圖像來(lái)源途徑的不同，可以分為動(dòng)態(tài)和靜態(tài)的人臉識(shí)別 。根據(jù)圖像的顏色特點(diǎn)，可以分為彩色圖像和灰度圖像的人臉識(shí)別。 根據(jù)對(duì)人臉圖像不同的特征提取方式，我們大致可以人臉識(shí)別方法分成 兩種 :一是基于局部特征分析的研究方法 ?；诰植刻卣鞣治龅姆椒ㄗR(shí)別結(jié)果取決于特征定位算法的準(zhǔn)確性，而且要求圖像的像素較高，因此要近距離拍攝圖片。 常用的人臉識(shí)別方法 對(duì)人臉識(shí)別方法的研究主要有兩大方向：一是基于人臉圖像局部特征的識(shí)別方法；二是基于人臉圖像整體特征的識(shí)別方法。進(jìn)一步地可以用幾何形狀擬合人臉器官，從而以幾何參數(shù)作為描述人臉的特征。同時(shí)，人臉器官分割的精確度也對(duì)人臉特征的提取有一定的影響?；谌四槇D像整體特征的人臉識(shí)別方法由于不需要精確提取人臉圖像中部件的具體信息 ，而且可以充分利用到人臉圖像本身具有的灰度信息，因此可獲得更好的識(shí)別性能。這些方法中有的側(cè)重于表述人臉圖像的特征提取，如彈性圖匹配法和傅立葉不變特征法；有的則側(cè)重于分類，如最佳鑒別向量集法、貝葉斯法和神經(jīng)網(wǎng)絡(luò)法；而有的則側(cè)重于人臉圖像重構(gòu)，如特征臉?lè)ê途€性子空間法。 基于幾何特征的人臉識(shí)別方法 基于幾何特征的人臉識(shí)別方法主要源于人臉識(shí)別的初期研究階段。對(duì)于不同人來(lái)說(shuō)，臉上的各個(gè)器官，如眼睛、鼻子、嘴巴以及整個(gè)臉部的輪廓具有不同的形狀、大小、相對(duì)位置和分布情況。如果要獲得一個(gè)準(zhǔn)確、穩(wěn)定和可靠的識(shí)別結(jié)果，就要求這些被選出的幾何特征參數(shù)包含足夠豐富的辨識(shí)人臉的信息，且能反映不同人臉之間的差別。具體來(lái)說(shuō)，這些幾何參數(shù)一般包括人臉上兩個(gè)指定特征點(diǎn)之間的歐式距離、邊緣曲率、角度等等。 當(dāng)這些幾何特征參數(shù)提取出來(lái)后，就可以采用最小距離 (歐式距離 )分類器，將待識(shí)別人臉特征向量與數(shù)據(jù)庫(kù)中人臉特征矢量進(jìn)行比較，取距離最近者作為識(shí)別結(jié)果。 (2)臉部幾何特征在人臉辨識(shí)中的有效性問(wèn)題，即臉部幾何特征能夠提供多少可供識(shí)別的信息量。例如眼睛顯得比較小、鼻子顯得比較寬，以及皮膚的紋理、顏色上的差異等等。所以僅靠增加臉上幾何參數(shù)的數(shù)目來(lái)提高人臉識(shí)別率是不太現(xiàn)實(shí)的。因此，基于少量人臉幾何特征進(jìn)行大規(guī)模人臉辨識(shí)的可靠性是不容樂(lè)觀的。 KL變換是圖像壓縮中的一種最優(yōu) 正交變換。KL 變換用于人臉識(shí)別的前提是人臉圖像處于低維空間，并且不同人臉是線性可分的。人臉圖像在前面的特征矢量上的投影有較大的能量，稱為主分量 。稱為次分量。由于人臉圖像具有相似的形狀和結(jié)構(gòu)，人臉 圖像在主分量上的投影過(guò)多地反映了光照變化，因此有人提出舍棄人臉圖像在前 3 個(gè)特征矢量上的投影，而用人臉圖像在其余特征矢量上的投影作為描述人臉圖像的特征。但 KL 變換只是從壓縮角度來(lái)看是最優(yōu)的，從分類角度來(lái)看卻不是最優(yōu)的。 KL 變換是圖像壓縮的一種最優(yōu)正交變換，人們將它應(yīng)用 于特征提取，形成了子空間法模式識(shí)別的基礎(chǔ)。高維的圖像空間經(jīng)過(guò) KL 變換后得到一組新的正交基，保留其中重要的正交基從而形成了低維的人臉空間。選擇那些正交基形成的子空間則有不同的考慮，與較大特征值對(duì)應(yīng)的一些正交基 (也稱主分量 )能夠表達(dá)人臉的大體形狀，而具體細(xì)節(jié)需要那些小特征值對(duì)應(yīng)的特征向量 (也稱次 10 分量 )來(lái)加以補(bǔ)充描述，因此低頻成分用主分量表示 ，高頻分量用次分量表示。 KL 變換在 90 年代初受到了很大的重視，實(shí)際用于人臉識(shí)別取得了很好的效果，一般庫(kù)德大小為 100 幅左右，識(shí)別率在 70％ 100％之間不等，這主要取決于人臉庫(kù)圖像的質(zhì)量。選擇訓(xùn)練樣本的散布矩陣作為 KL 變換的生成矩陣，其最大特征向量反映了該樣本集合的最大分布 的方向，但這是圖像統(tǒng)計(jì)方法，而不是人臉統(tǒng)計(jì)方法。研究表明，特征連的方法隨著光線、角度以及人臉的尺寸的引入而識(shí)別率急劇下降。改進(jìn) 的一個(gè)思路是針對(duì)干擾所在，對(duì)輸入圖像作規(guī)范化處理，包括輸入圖像的均值方差歸一化，人臉尺寸歸一化。將局部特征向量加權(quán)進(jìn)行匹配得到一些好的效果。 神經(jīng)網(wǎng)絡(luò)方法 人工神經(jīng)網(wǎng)絡(luò)是一種以大量的處理單元 (神經(jīng)元 )為節(jié)點(diǎn)，處理單 元之間實(shí)現(xiàn)加權(quán)值互連的拓?fù)浣Y(jié)構(gòu)。處理單元之間的互連則是軸突、樹(shù)突這些信息傳遞路徑的簡(jiǎn)化。 人工神經(jīng)元通常采用非線性的作用函數(shù)，當(dāng)大量神經(jīng)元連接成一個(gè)網(wǎng)絡(luò)并動(dòng)態(tài)運(yùn)行時(shí)，則構(gòu)成了一個(gè)非線性動(dòng)力學(xué)系統(tǒng)。但總的來(lái)說(shuō)，由于人類對(duì)自身思維機(jī)理認(rèn)識(shí)的不足，所以對(duì)人工神經(jīng)元作了極度的簡(jiǎn)化 ，這種模擬表現(xiàn)為極其膚淺和簡(jiǎn)單。多層感知機(jī)由幾層全互連的非線性神經(jīng)組成。訓(xùn)練過(guò)程就是調(diào)整權(quán)值的過(guò)程，最常用的算法就是 BP法則。因?yàn)殡[層節(jié)點(diǎn)的數(shù)目 L 通常要遠(yuǎn)遠(yuǎn)小于輸入層和輸出層的節(jié)點(diǎn)數(shù)目，從而多層感知機(jī)將高維德輸入數(shù)據(jù)變換到一個(gè)低維子空間中，同時(shí)保留了原始數(shù)據(jù)中 最重要的信息。主元分析法的方差是由大到小排列的，而多層感知機(jī)的方差是均勻分布到每個(gè)隱層神經(jīng)元上。還有的文獻(xiàn)采用了二進(jìn)制圖像的等密度區(qū)域或多個(gè)局部面部特征作為不同多層感知機(jī)的輸入層。顯然，訓(xùn)練這樣大的一個(gè)網(wǎng)絡(luò)將花費(fèi)很長(zhǎng)時(shí)間，需要的存儲(chǔ)量 12 也會(huì)很高。一般來(lái)說(shuō)， BP 算法的收斂速度非常緩慢，學(xué)習(xí)過(guò)程可能需要對(duì)整個(gè)訓(xùn)練集進(jìn)行上千次反復(fù)迭代運(yùn)算，這是神經(jīng)網(wǎng)絡(luò)實(shí)際應(yīng)用的一個(gè)問(wèn)題。 彈性匹配圖臉部識(shí)別方法 在利用圖匹配進(jìn)行識(shí)別的方法中，一個(gè)目標(biāo) (如一個(gè)人臉圖像 )可 以采用一張圖 (Graph)來(lái)表示。物體內(nèi)部的空間關(guān)系則可以用節(jié)點(diǎn)之間的幾何距離表示。Gabor特征在網(wǎng)格節(jié)點(diǎn)上提供了一個(gè)多尺度邊緣強(qiáng)度。同樣的，對(duì)于一個(gè)待識(shí)別的人臉圖像也可以定義一個(gè)網(wǎng)格 G 及網(wǎng)格上的特征矢量。 在彈性圖匹配方法中，將人臉圖像庫(kù)中的圖像和待識(shí)別圖像都用特征矢量圖表示。在尋找最佳匹配方法時(shí)，希望能夠同時(shí)維持特征數(shù)值接近和局部幾何關(guān)系。這主要?dú)w功于兩個(gè)原因： (1)用 Gabor變換可提取圖像的局部多分辨率特征； (2)在計(jì)算距離或者能量函數(shù)時(shí)，使用 了變形匹配方法。 13 隱馬爾可夫模型的識(shí)別方法 隱馬爾可夫模型 (Hidden Markov Model)一般