【正文】 .......................................................................... 28 .......................................................................................... 28 PCA 人臉識別方法的實現過程 ........................................... 29 ............................................................................................... 30 ............................................................................................... 32 第四章 實驗過程顯示及分析 .................................................................... 33 引言 ................................................................................................................... 33 實驗過程 ......................................................................................................... 33 致 謝 ......................................................................................................... 37 參考 文獻 ..................................................................................................... 38 附錄 ............................................................................................................. 39 1 第一章 緒 論 人臉識別研究的目的意義 隨著信息技術及網絡的高速發(fā)展，人們的生活及身份日益數字化，信息的安全性和隱蔽性越來越受到人們的重視，身份識別與認證技術也因此得到了較快的發(fā)展。 人類社會的 發(fā)展進入到 21世紀的今天，社會的發(fā)展促進了人的流動，進而也增加了社會的不穩(wěn)定性，這就使得安全方面的需求成為當今社會尤為重要的問題。可見在現代社會中，身份識別己經成為人們日常生活中經常遇到的一個基本問題。傳統的身份識別方法主要基于身份標識物 (如證件、卡片 )和身份標識知識 (如用戶名、密碼 )來識別身份，這在很長一段時期是非常可靠和方便的識別方法，得到了廣泛的應用。密碼遺失、資料被盜的時間不斷發(fā)生，傳統的安全技術已暴露出重大的缺陷，就會給個人乃至整個社會帶來重大的甚至難以彌補的損失。 于是，近年來人類生物特征越來越廣泛地應用于身份識別，而且生物特征可以更好的進行安全控制，世界各國政府都在大力推進生物識別技術的發(fā)展及應用。相對傳統的身份認證方法而言，生物特征認證技術具有不會因當事人遺忘或他人竊取和偽造而進行錯誤判定，比傳統的身份認證方法更加安 全方便、特征唯一、不易偽造、不可竊取。人臉識別技術基于生理特征進行識別，是最主要的生物特征身份認證技術之一。人臉識別技術和其他的生物識別比起來有以下幾個優(yōu)點 : (1)人臉識別可以在隱蔽的條件下進行，適用于安全監(jiān)控 。目前，普通數碼相機、數 碼攝像機和照掃描儀等攝像設備在普通家庭的日益普及進一步增加了其可用性； (3)人臉識別具有快捷、非接觸的特點，對用戶友好。利用人臉特征進行身份驗證最易被人們接受； (4)存在豐富的現有數據。在各種身份證明材料中，一般也會含有標準的正面人臉照片； (5)具有方便、快捷、強大的事后追蹤能力。 人臉識別技術作為生物識別技術的一種，以其特有的穩(wěn)足性、方便性、唯一性等特點被愈來愈多地應用于除安全問題外的各種身份識別領域。近幾十年以來人臉識別技術有了長足的發(fā)展，并且逐步走向實際應用階段。 目前，各國都加大力度研 究生物識別技術，人臉識別這一最類似人類身份鑒別的方式得到了很多人的關注，很多重要的出入場合都在安裝人臉識別系統。根據預計，生物特征識別技術在 20202020 年的增長率將保持30%左右，在國內這一數字會更高。人臉識別作為一種新興的生物識別技術將占據整個生物特征識別技術 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別技術，人臉識別致力于探索如何使機器能夠自動地根據用戶的人臉圖像來鑒別用戶的身份。雖然人們可以毫不費力地通過臉部圖像來鑒別互相的身份，然而由于成像過程中各種影響因素的變化常常導致同一個人的人臉圖像發(fā)生非常大的變化，因此建立自動系統完成識別任務是非常具有挑戰(zhàn)性 的。因此，人臉識別研究仍然遠遠沒有到達完善的境地，還有非常大的發(fā)展空間。從廣義上來說，人臉識別主要包括人臉檢測、人臉表征、人臉鑒別、表情分析和物理分類五個方面。這一任務主要受光照、噪聲、頭部傾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 )、代數特征 (如矩陣特征矢量 )、固定特征模板、特征臉等 。這一過程的核心是選擇適當的人臉表示 方式與匹配策略 。 (5)物理分類 ((Physical Classification)即對待識別人臉的物理特征進行分類，得出其年齡、性別、種族等相關信息。如果在該人臉數據庫中，則給出所對應的具體的個體信息。 一個典型的自動人臉識別系統如圖 所示 ，分為訓練和識別兩個步驟，兩個步驟都需要檢測和定位人臉、人臉圖像的預處理和特征提取和選擇。 5 圖 (1)人臉的檢測和定位，人臉檢測與人臉定位是相互聯系但又有所區(qū)別的兩個概念。檢測人臉對于簡單背景的同一人的人臉圖片是比較容易實現的，但當人臉的背景變得復雜，或者圖片中的人臉屬于 多個人時，檢測就會變得相對困難。作為人臉識別的基礎，人臉的檢測與定位是人臉識別研究的另一個重要方面。幾何歸一化主要是指將人臉圖像進行一定的處理變?yōu)橄袼?大小統一且人臉關鍵位置一致的圖片。 （ 3)特征提取和選擇，對人臉進行識別主要依據人臉的特征，也就是說依據不同個體之間有較大差異而對同一個體則比較穩(wěn)定的度量。除此之外還有 DCT, Gabor變換、分數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 )之間的距離關系，以及通過訓練學習求得的局部特征。在比較之前需確定相似性尺度，常用的是歐氏距離函數和基于貝葉斯準則的概率尺度。另一種是身份證實，只需要判斷識別對象是否是數據庫中個體的一員。因為之前的預處理步驟與圖像處理的工作是相通的，而之后的識別步驟與一般的模式識別問題是一致的。根據圖像來源途徑的不同，可以分為動態(tài)和靜態(tài)的人臉識別 。根據圖像的顏色特點，可以分為彩色圖像和灰度圖像的人臉識別。 根據對人臉圖像不同的特征提取方式，我們大致可以人臉識別方法分成 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別結果取決于特征定位算法的準確性，而且要求圖像的像素較高，因此要近距離拍攝圖片。 常用的人臉識別方法 對人臉識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別方法；二是基于人臉圖像整體特征的識別方法。進一步地可以用幾何形狀擬合人臉器官，從而以幾何參數作為描述人臉的特征。同時，人臉器官分割的精確度也對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別性能。這些方法中有的側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；有的則側重于分類，如最佳鑒別向量集法、貝葉斯法和神經網絡法；而有的則側重于人臉圖像重構，如特征臉法和線性子空間法。 基于幾何特征的人臉識別方法 基于幾何特征的人臉識別方法主要源于人臉識別的初期研究階段。對于不同人來說，臉上的各個器官，如眼睛、鼻子、嘴巴以及整個臉部的輪廓具有不同的形狀、大小、相對位置和分布情況。如果要獲得一個準確、穩(wěn)定和可靠的識別結果，就要求這些被選出的幾何特征參數包含足夠豐富的辨識人臉的信息，且能反映不同人臉之間的差別。具體來說，這些幾何參數一般包括人臉上兩個指定特征點之間的歐式距離、邊緣曲率、角度等等。 當這些幾何特征參數提取出來后，就可以采用最小距離 (歐式距離 )分類器，將待識別人臉特征向量與數據庫中人臉特征矢量進行比較，取距離最近者作為識別結果。 (2)臉部幾何特征在人臉辨識中的有效性問題，即臉部幾何特征能夠提供多少可供識別的信息量。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的數目來提高人臉識別率是不太現實的。因此，基于少量人臉幾何特征進行大規(guī)模人臉辨識的可靠性是不容樂觀的。 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構，人臉 圖像在主分量上的投影過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看是最優(yōu)的，從分類角度來看卻不是最優(yōu)的。 KL 變換是圖像壓縮的一種最優(yōu)正交變換，人們將它應用 于特征提取，形成了子空間法模式識別的基礎。高維的圖像空間經過 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，與較大特征值對應的一些正交基 (也稱主分量 )能夠表達人臉的大體形狀，而具體細節(jié)需要那些小特征值對應的特征向量 (也稱次 10 分量 )來加以補充描述，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，實際用于人臉識別取得了很好的效果，一般庫德大小為 100 幅左右，識別率在 70％ 100％之間不等，這主要取決于人臉庫圖像的質量。選擇訓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，但這是圖像統計方法，而不是人臉統計方法。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別率急劇下降。改進 的一個思路是針對干擾所在，對輸入圖像作規(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進行匹配得到一些好的效果。 神經網絡方法 人工神經網絡是一種以大量的處理單元 (神經元 )為節(jié)點，處理單 元之間實現加權值互連的拓撲結構。處理單元之間的互連則是軸突、樹突這些信息傳遞路徑的簡化。 人工神經元通常采用非線性的作用函數，當大量神經元連接成一個網絡并動態(tài)運行時，則構成了一個非線性動力學系統。但總的來說，由于人類對自身思維機理認識的不足，所以對人工神經元作了極度的簡化 ，這種模擬表現為極其膚淺和簡單。多層感知機由幾層全互連的非線性神經組成。訓練過程就是調整權值的過程，最常用的算法就是 BP法則。因為隱層節(jié)點的數目 L 通常要遠遠小于輸入層和輸出層的節(jié)點數目，從而多層感知機將高維德輸入數據變換到一個低維子空間中，同時保留了原始數據中 最重要的信息。主元分析法的方差是由大到小排列的，而多層感知機的方差是均勻分布到每個隱層神經元上。還有的文獻采用了二進制圖像的等密度區(qū)域或多個局部面部特征作為不同多層感知機的輸入層。顯然，訓練這樣大的一個網絡將花費很長時間，需要的存儲量 12 也會很高。一般來說， BP 算法的收斂速度非常緩慢，學習過程可能需要對整個訓練集進行上千次反復迭代運算，這是神經網絡實際應用的一個問題。 彈性匹配圖臉部識別方法 在利用圖匹配進行識別的方法中，一個目標 (如一個人臉圖像 )可 以采用一張圖 (Graph)來表示。物體內部的空間關系則可以用節(jié)點之間的幾何距離表示。Gabor特征在網格節(jié)點上提供了一個多尺度邊緣強度。同樣的，對于一個待識別的人臉圖像也可以定義一個網格 G 及網格上的特征矢量。 在彈性圖匹配方法中，將人臉圖像庫中的圖像和待識別圖像都用特征矢量圖表示。在尋找最佳匹配方法時，希望能夠同時維持特征數值接近和局部幾何關系。這主要歸功于兩個原因： (1)用 Gabor變換可提取圖像的局部多分辨率特征； (2)在計算距離或者能量函數時，使用 了變形匹配方法。 13 隱馬爾可夫模型的識別方法 隱馬爾可夫模型 (Hidden Markov Model)一般