【正文】 因其廣闊的發(fā)展前景和重要的理論研究價(jià)值，受到國內(nèi)外眾多研究 3 機(jī)構(gòu)的廣泛重視。中國雖然對人臉識別領(lǐng)域的研究起步較晚，但也取得了不錯(cuò)的成果。 在國內(nèi)人臉識別研究始于 20世紀(jì) 80年代，雖然起步相比國外晚，但發(fā)展很快。國家“十一五 ”科技發(fā)展規(guī)劃也將人臉識別技術(shù)的研究與發(fā)展列入其中，明確的指出：“要在生物特征識別技術(shù)領(lǐng)域縮小與世界先進(jìn)水平的差距，開展生物特征識別技術(shù)研究，開發(fā)高安全性、低誤報(bào)率的出入識別新產(chǎn)品。 2022年，由中科院計(jì)算機(jī)所等單位承擔(dān)的國家 863計(jì)劃之一的面像檢測與識別技術(shù)順利通過專家鑒定，該系統(tǒng)只需 1/10秒或 1/20秒 就可自動(dòng)檢測到人臉。在由清華大學(xué)蘇光大教授主持的二代身份證識別系統(tǒng)，通過二代身份證內(nèi)只有 12K大小的圖像作為入臉的數(shù)據(jù)庫，獲得了較好的識別率和識別速度，并且在距離攝像頭 2米左右便可檢測出人臉并進(jìn)行識別，為我國人臉識別技術(shù)的研究奠定了堅(jiān)實(shí)的基礎(chǔ)。雖然國內(nèi)企業(yè)進(jìn)入人臉識別領(lǐng)域的時(shí)間較晚，但也發(fā)展迅速，目前已有諸多產(chǎn)品投入市場，在公共安全領(lǐng)域發(fā)揮著重要作用，其中具有代表性的產(chǎn)品有中科院計(jì)算所的 GodEye、奧森科技的奧森人臉識別系統(tǒng)等。 人臉識別的主要難點(diǎn)，包括光照、姿態(tài)、表情變化問題，遮擋、采集設(shè)備、樣本缺乏所引起的問題，識別算法的泛化能力及自適應(yīng)學(xué)習(xí)問題等，并指出這些問題往往是組合出現(xiàn)的。 目前一種常見的方法是利用小波變換 (Wavelet Transform)的時(shí)頻局域特性將光照、表情等變化區(qū)分在不同頻段，從中提取出魯棒性較強(qiáng)的低頻系數(shù)作為人臉特征進(jìn)行識別。由 Candes和 Donoho等人提出的曲波變換 (Curvelet Transform)在尺度和位移參量的基礎(chǔ)上增加了一個(gè)方向參量，使之具有更好的方向辨識能力和曲線稀疏表達(dá)能力，為解決人臉特征選擇與提取提供了新思路。 同時(shí) 當(dāng)前社會上 社會治安 案件頻繁出現(xiàn) 并 不斷發(fā)生，鑒于此種原因，防盜門開始走進(jìn)千家萬戶，給家庭帶來安寧；然而，隨著社會的發(fā)展，技術(shù)的進(jìn)步，生活節(jié)奏的加速，消費(fèi)水平的提高，人們對于家居 的期望也越來越高，對便捷的要求也越來越迫切，基于傳統(tǒng)的純粹機(jī)械設(shè)計(jì)的防盜門，除了堅(jiān)固耐用外，很難快速滿足這些新興的需求：便捷，開門記錄等功能。 5 人臉識別產(chǎn)品已廣泛應(yīng)用于金融、司法、軍隊(duì)、公安、邊檢、政府、航天、電力、工廠、教育、醫(yī)療及眾多企事業(yè)單位等領(lǐng)域。 企業(yè)、住宅安全和管理。 電子護(hù) 照及身份證。 公安、司法和刑偵。 自助服務(wù)。如計(jì)算機(jī)登錄、電子政務(wù)和電子商務(wù)。而當(dāng)前，交易或者審批的授權(quán)都是靠密碼來實(shí)現(xiàn)，如果密碼被盜，就無法保證安全。 現(xiàn)有人臉圖像集簡介 由于人臉檢測問題最初來 自人臉識別問題，長期以來，研究人員雖然提出了大量的人臉檢測方法，但在說明各自檢測方法的性能時(shí)，往往使用不同的人臉測試集，因此，這就使得各種人臉檢測方法的優(yōu)劣評價(jià)缺乏一個(gè)統(tǒng)一的平臺。 下面簡單介紹一下國內(nèi)外已有的部分人臉圖像集 [4]： (1)MIT圖像集 (美國，麻省理工學(xué)院 )：包括 16人，每個(gè)人有不同光照、不同尺 寸、不同角度的 27張照片。該集中，同一個(gè)人的照片有不同表情，光照，姿態(tài)和年齡的變化。 6 (4)Yale圖像集 (美國，耶魯大學(xué) )： 15人，每人 11張照片，共 165張。 (5)ORL圖像集 (英國，劍橋大學(xué) )： 40人，每人 10張照片，包括表情變化，微小姿態(tài)變化， 20％以內(nèi)的尺度 變化。 CMU PIE人臉庫建立于 2022年 11月，它包括來自 68個(gè)人的 40000張照片，其中包括了每個(gè)人的 13種姿態(tài)條件， 43種光照條件和 4種表情下的照片，現(xiàn)有的多姿態(tài)人臉識別的文獻(xiàn)基本上都是在 CMU PIE人臉庫上測試的。 Sung和 Poggio提出了兩個(gè)人臉檢測測試集，第一 個(gè)集中包含了 71個(gè)人的 301個(gè)正視或近似正視人臉圖像，這些圖像各自的光照條件均不相同。而用的最廣泛的測試集是由 Rowley等人提出來的 CMU測試圖像集，包括 130幅圖像共 507個(gè)人臉，除此之外還有 CMU側(cè)面人臉圖像集，共 280幅圖像。 人臉識別 技術(shù) 相關(guān) 人臉識別的技術(shù)特點(diǎn) 傳統(tǒng)的人臉識別技術(shù)主要是 基于可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有 30 多年的研發(fā)歷史。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。 迅速發(fā)展起來的一種解決方案是基于主動(dòng)近紅外圖像的多光源人臉識別技術(shù)。這項(xiàng)技術(shù)在近兩三年發(fā)展迅速，使人臉識別技術(shù)逐漸走向?qū)嵱没?。 人臉識別研究的技術(shù) 過程 人臉識別系統(tǒng)主要包括四個(gè)組成部分，分別為：人臉圖像采集及檢測、人臉圖像預(yù)處理、人臉圖像特征提取以及匹配與識別。當(dāng)用戶在采集設(shè)備的拍攝范圍內(nèi)時(shí)，采集設(shè)備會自動(dòng)搜索并拍攝用戶的人臉圖像。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結(jié)構(gòu)特征及 Haar 特征等。 主流的人臉檢測方法基于以上特征采用 Adaboost 學(xué)習(xí)算法， Adaboost 算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強(qiáng)的分類方法。 （ 2）人臉圖像預(yù)處理 人臉圖像預(yù)處理：對于 人臉的圖像預(yù)處理是基于人臉檢測結(jié)果，對圖像進(jìn)行 8 處理并最終服務(wù)于特征提取的過程。對于人臉圖像而言，其預(yù)處理過程主要包括人臉圖像的光線補(bǔ)償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。 人臉特征提取就是針對人臉的某些特征進(jìn)行的 。人臉特征提取的方法歸納起來分為兩大類：一種是基于知識的表征方法；另外一種是基于代數(shù)特征或統(tǒng)計(jì)學(xué)習(xí)的表征方法。人臉由眼睛、鼻子、嘴、下巴等局部構(gòu)成，對這些局部和它們之間結(jié)構(gòu)關(guān)系的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。 （ 4）人臉圖像匹配與識別 人臉圖像匹配與識別：提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫中存儲的特征模板進(jìn)行搜索匹配，通過設(shè)定一個(gè)閾值，當(dāng)相似度超過這一閾值，則把匹配得到的結(jié)果輸出。這一過程又分為兩類：一類是確認(rèn)，是一對一進(jìn)行圖像比較的過程，另一類是辨認(rèn)，是一對多進(jìn)行圖像匹配對比的過程。 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 9 第 2 章 離散余弦變換 的基本理論 研究 DCT 的初期發(fā)展 快速算法 第一代 DCT 及其應(yīng)用主要表現(xiàn)在快速算法進(jìn)步和減小塊虛像上是面向波形或過程的 [5]，如一個(gè) 8 8 圖像子塊直接 DCT 需要 8192 次乘和 3584 次加操作，在 MPEG1 解碼時(shí)，計(jì)算 IDCT 的時(shí)間占總時(shí)間的 %。目前集成電路的發(fā)展，一次乘與一次加的耗時(shí)幾乎相等，運(yùn)用 DCT 的正交性、對稱性，包括一些碟形算法等，進(jìn)行一個(gè) 8 8 圖像塊的 DCT 需要時(shí)間降為原來的 (1/5～ 1/3) [6]。在傳統(tǒng)的 2D DCT 圖像壓縮編碼中，依據(jù)信號的自然屬性和視覺特性（ HVS）將 DCT 后的系數(shù)按 Zigzag 掃描，取前若干較大的低頻系數(shù)作為特征分量，用零代替后面高頻系數(shù)的截短 DCT 編碼，也能重建滿意的 圖像。 塊效應(yīng)消除 傳統(tǒng)的塊 DCT、量化和編碼的方法需改進(jìn)，是因?yàn)樗桩a(chǎn)生塊虛像 這是由于對低頻系數(shù)的量化導(dǎo)致相鄰塊之間的強(qiáng)度不連續(xù)，尤其是在低比特率時(shí)。實(shí)驗(yàn)證明，量化后的各塊之間斜率均方誤差（ MSDS）較量化前大，因此綜合使水平、垂直和對角方向上的 MSDS 為最小，可有效地減小或去除塊虛像，也可對每個(gè) DCT 塊所形成的大小為原圖像 1/64 的DC 圖像中，采用 Sobel 梯度算子把原圖像所有邊緣塊劃分成 3 類，采用不同的處理方法。且通過Sobel 算子或塊方差的大小檢測圖像塊是否為邊緣和紋理塊，進(jìn)而采用 DPCM 或奇異值分解（ SVD）編碼，對于 DPCM 獲得的冗余用 Rice 編碼較為簡單，而 SVD以稍高的編解碼復(fù)雜性換取恢復(fù)的圖像質(zhì)量高。此外，根據(jù)網(wǎng)絡(luò)、緩沖器傳輸能力自適應(yīng)調(diào)整 DCT 系數(shù)的 量化步長達(dá)到控制變長編碼碼率的傳輸速度也有實(shí)際意義。 第二代 DCT 編碼的進(jìn)展 第二代 DCT 編碼體現(xiàn)出以下幾個(gè)特征： 從內(nèi)容上強(qiáng)調(diào)人眼視覺特性（ HVS）的充分利用，力圖用物體的紋理和形狀結(jié)構(gòu)或輪廓等特征信息來描述對象；其次DCT 系數(shù)應(yīng)不僅為壓縮與恢復(fù)原圖像所專用，還可實(shí)現(xiàn)其他功能即 DCT 本身發(fā)生實(shí)質(zhì)性躍變。 進(jìn)入第二代 DCT 以后，面對 SPIHT 成功應(yīng)用，針對區(qū)域的 DCT 及其運(yùn)動(dòng)補(bǔ)償、 DCT 與其他變換編碼的結(jié)合 ， 塊虛像消除以及利用 DCT 域進(jìn)行信息隱藏等等的研究相當(dāng)活躍 ,一些更高的壓縮標(biāo)準(zhǔn) MPEG (+/++)等相繼推出。至于整型 DCT 首先通過計(jì)算 DCT 浮點(diǎn)變換的整數(shù)可逆矩陣分解，從而得到可 以整數(shù)實(shí)現(xiàn)的可逆矩陣變換，然后再利用得到的分解矩陣依次對圖像樣本進(jìn)行變換，最后將變換得到的系數(shù)用多種高效編碼方法進(jìn)行編碼?；?（ 近）無損的 區(qū)域 DCT 編碼將是最有潛力的編碼形式，是第三代 DCT 編碼的基本要求。 M1； v=0， 1， 2， 分析離散余弦變換的定義可知 :當(dāng)頻域變換因子較大時(shí) ， DCT 系數(shù) Y(u， v)的值較小。即左上角區(qū)域的少量系數(shù)是能量的集中體現(xiàn)。 離散余弦變換的逆變換定義 [9]為 : ]2 )12(c os []2 )12(c os [)()()()( 1010 N vyM uxvauavuYyxX NvMu ?? ??? ?? ???? ， () 其中： x=0， 1， 2， N1。首先 ， 輸入 ORL 人臉庫中的一幅人臉圖像 ， 首先 將此 112 92 的人臉圖像 縮放為 112 96 的圖像 ，利用排列矩陣的方式分割為 一系列 共 168 個(gè) 互不覆蓋的 8 8 子塊。 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 12 最后提取每個(gè)量化系數(shù)矩陣的第一個(gè)系數(shù) (DCT 之后的直流系數(shù) )， 組成一個(gè) 168 1 的向量作為識別特征矩陣。圖 1(a)為 ORL 人臉庫中的第一個(gè)人的第一幅原始人臉圖像。比較圖 1(a)與圖 1(b)可以看出兩幅圖像存在差異 ， 但是差異 細(xì)微。由圖可以看出 ， 低頻信息體現(xiàn)了人臉圖像的輪廓信息 ， 可以作為一種識別特征 。 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 13 第 3 章 KL 變換和 PCA 的基本理論研究 簡介 主成分分析 (Principal Components Analysis。它從圖像整體代數(shù)特征出發(fā)，基于圖像的總體信息進(jìn)行分類識別。 Turk和 Pentland進(jìn)一步提出了“特征臉” (Eigface)這個(gè)概念。將 PCA方法用于人臉識別，其實(shí)是假設(shè)所有的人臉都處于一個(gè)低維線形空間， 而且不同的人臉在這個(gè)空間中具有可分性。 通過 KL變換得到高維人臉空間的投影矩陣，人臉圖像都可以由這些矩陣的線性組合來表示，正是因?yàn)檫@些矩陣呈現(xiàn)人臉的形狀，所以將這種人臉識別稱為特征臉 (Eigenface)方法 [10]。若 x(n)中有相關(guān)成分，通過去除其相關(guān)性則可達(dá)到數(shù)據(jù)壓縮的 目的。 一個(gè)寬平穩(wěn)的實(shí)隨機(jī) 向量 TNxxx )]1(,),1(),0([x ( n ) ?? ?，其協(xié)方差矩陣 xC 定義為： ??????????????????1,10,11,00,0}))({(NNNNTxxCCCCxxxEC??????? () 式中 E{顯然，矩陣 xC 體現(xiàn)了信號向量 x 的各分量之間的 青島 理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 14 相關(guān)性。 KL 變換的思路是尋求正交矩陣 A，使得 A 對 x 的變換 y 的協(xié)方差陣 xC 為對角矩陣，其步驟如下 : 先由 ? 的 N 階多項(xiàng)式 0?? xCI? ， 求矩陣 xC 的特征值 110 , ?N??? ? ，以及N 個(gè)特征向量 110 , ?NAAA ? 。由歸一化的向量成 110 , ?NAAA ? 就構(gòu)成歸一化正交矩陣 A，即 TNAAAA ],[ 110 ?? ? () 最后由 yAx 實(shí)現(xiàn)對信號 x 的 KL 變換。 KL 變換原理 假設(shè) X 為 n 維的隨機(jī)變量， X 可以用 n 個(gè)基向量的加權(quán)和來表示 : ??? ni iiaX 1 ? () 式中 : 1a 為加權(quán)系數(shù)， 1? 為基向量，此式也可以用矩陣的形式表示 : Tnn aaaX ))(( 2121 ?? ???? () 其中 )( 21 n????? ? ， Tnaaa )( 21 ??? 。 我們希望向量 ? 的各個(gè)向量間互不相關(guān)。設(shè)隨即向量的總體自相關(guān)矩陣為