【正文】 測(cè)試圖片與訓(xùn)練庫(kù)中照片逐一比對(duì)，根據(jù)對(duì)比結(jié)果按相似度排列，從而對(duì)照片中的人進(jìn)行準(zhǔn)確身份識(shí)別的中科奧森海量數(shù)據(jù)庫(kù)人臉識(shí)別快速查證系統(tǒng)支持對(duì)數(shù)千萬(wàn)人數(shù)據(jù)庫(kù)進(jìn)行查詢。并能充分利用二代身份證照片資源，幫助公安部門的工作?！叭奔粗髁骰?、標(biāo)準(zhǔn)化、芯片化；“兩合”即多生物特征融合和與RFID的聯(lián)合。人臉識(shí)別是現(xiàn)在備受重視的一項(xiàng)研究，很多專業(yè)人士在這個(gè)領(lǐng)域做出了杰出貢獻(xiàn)，后人應(yīng)該在此基礎(chǔ)上不斷深入的研究，將其推廣到各個(gè)領(lǐng)域。人臉識(shí)別目前是一項(xiàng)極其熱門的生物特征計(jì)算機(jī)技術(shù)研究課題，可以將人臉明暗偵測(cè)，人臉追蹤偵測(cè)，自動(dòng)確定動(dòng)態(tài)曝光補(bǔ)償，自動(dòng)調(diào)整影像的放大；它屬于生物特征識(shí)別技術(shù)的范疇，是對(duì)各種人臉進(jìn)行檢測(cè)并識(shí)別的概稱。 廣義“人臉識(shí)別”研究范圍主要包括以下方面[7]:① 人臉檢測(cè):在不同背景下檢測(cè)出待檢測(cè)區(qū)是否包含人臉，如果包含，則要進(jìn)一步確定他的具體的所在位置。② 人臉的表征:人臉通過(guò)某種表示方式檢測(cè)出來(lái)的特征。③ 人臉的識(shí)別:主要是比較需要識(shí)別的人臉和數(shù)據(jù)庫(kù)中人臉。④ 姿態(tài)分析:主要是分析需要識(shí)別的人臉姿態(tài)信息,并且將其歸類。本文主要研究有姿態(tài)變化人臉的識(shí)別方面。該模塊為是后續(xù)特征提取模塊的基礎(chǔ)，為它提供了高質(zhì)量的圖像。在次模塊中，不同算法效果差異很大。在特征提取過(guò)程中，根據(jù)不同的識(shí)別策略選擇相應(yīng)的識(shí)別特征：基于神經(jīng)網(wǎng)絡(luò)的方法：用歸一化后的灰度圖像來(lái)提取特征值或特征向量作為輸入，網(wǎng)絡(luò)的輸出作為識(shí)別結(jié)果；基于幾何特征的識(shí)別方法：先提取特征點(diǎn)，之后構(gòu)造特征向量；基于模板的匹配方法：主要提取相關(guān)系數(shù)作為識(shí)別特征；基于統(tǒng)計(jì)的識(shí)別方法：利用了圖像的相關(guān)矩陣來(lái)求特征向量，每一個(gè)特征向量；對(duì)應(yīng)一張?zhí)卣髂槨?傳統(tǒng)的人臉識(shí)別系統(tǒng)框圖第三節(jié) 人臉識(shí)別的性能評(píng)價(jià)因?yàn)槿四樧R(shí)別是一項(xiàng)實(shí)用的技術(shù)，所以評(píng)價(jià)人臉識(shí)別算法的好壞[9]也必須從實(shí)用角度出發(fā)。其次，識(shí)別時(shí)間決定一種算法從理論到實(shí)踐的過(guò)渡和跨越，因此它是衡量人臉識(shí)別算法好壞的關(guān)鍵指標(biāo)。下面將對(duì)這些性能指標(biāo)分別進(jìn)行介紹。因?yàn)橛?xùn)練樣本不同的組合產(chǎn)生的鑒別矢量會(huì)對(duì)識(shí)別率產(chǎn)生很大的影響，通常的做法是采用校驗(yàn)法，把已經(jīng)標(biāo)記好的訓(xùn)練樣本集隨機(jī)地分兩部分：其一作為訓(xùn)練集，用來(lái)調(diào)整算法中的參數(shù)；其二作為 “校驗(yàn)集”，用于評(píng)價(jià)推廣的誤差。 識(shí)別時(shí)間 因?yàn)槿四樧R(shí)別技術(shù)是要應(yīng)用到實(shí)際中，所以實(shí)時(shí)性是人臉識(shí)別技術(shù)的一個(gè)重要的性能指標(biāo)。一般情況下，訓(xùn)練時(shí)間相對(duì)來(lái)講不重要（人臉識(shí)別系統(tǒng)的訓(xùn)練為離線訓(xùn)練），但分類識(shí)別所需的時(shí)間標(biāo)志著人臉識(shí)別系統(tǒng)是否具有實(shí)時(shí)性，決定了人臉識(shí)別系統(tǒng)能否應(yīng)用于實(shí)踐。所以人臉投影特征矩陣的維數(shù)和訓(xùn)練集的大小在人臉識(shí)別系統(tǒng)中有特別重要的地位。本文著重研究的是有姿態(tài)變換的人臉圖像識(shí)別方法，于是識(shí)別流程中多了姿態(tài)校正的部分，完整的流程為預(yù)處理、姿態(tài)校正、特征提取和分類。幫助讀者更好的了解人臉識(shí)別系統(tǒng)的操作過(guò)程。其中，制約人臉識(shí)別率提高最重要的因素是姿態(tài)變化。本文針對(duì)只能獲取少量訓(xùn)練樣本的情況下，用正弦變換方法對(duì)測(cè)試集校正處理，用PCA算法來(lái)進(jìn)行特征的提取，并且使用K最近鄰分類器，來(lái)對(duì)多姿態(tài)人臉識(shí)別全面的研究?，F(xiàn)實(shí)中，識(shí)別精度降低主要因?yàn)闇y(cè)試人臉圖像姿態(tài)變化對(duì)它的影響。該方法相較于傳統(tǒng)的人臉識(shí)別系統(tǒng)的優(yōu)勢(shì)是它加入姿態(tài)校正前端處理，最后將多姿態(tài)樣本校正成為正面人臉圖像。這種方法確實(shí)對(duì)多姿態(tài)人臉識(shí)別的問(wèn)題有一些作用，但是整體來(lái)說(shuō)仍然存在很大的不足：它需要將多視圖為基本條件，需要對(duì)每個(gè)人臉從多個(gè)視角都進(jìn)行取證。Daniel[10]提出的點(diǎn)分布模型，只要準(zhǔn)確的將人臉的關(guān)鍵輪廓點(diǎn)進(jìn)行定位，可以通過(guò)調(diào)整人臉的參數(shù)改變?nèi)四樀淖藨B(tài)，這種方法可以在姿態(tài)相近的訓(xùn)練和測(cè)試樣本中取得不錯(cuò)的效果。三維的方法對(duì)于解決姿態(tài)問(wèn)題是最有效的方法，但是由于三維圖像的獲取比較困難，獲取時(shí)間長(zhǎng)，在獲取過(guò)程中對(duì)用戶的干擾比較大，且三維數(shù)據(jù)計(jì)算復(fù)雜度遠(yuǎn)高于二維數(shù)據(jù)，計(jì)算量大，耗時(shí)多，因此在識(shí)別應(yīng)用中暫時(shí)沒(méi)能得到推廣。針對(duì)訓(xùn)練樣本數(shù)量有限的情況下，本論文分析研究了一種小樣本訓(xùn)練方法的姿態(tài)校正方法。對(duì)人臉識(shí)別系統(tǒng)的識(shí)別率起直接作用的就是測(cè)試樣本與訓(xùn)練樣本的一致性。為了提高訓(xùn)練樣本和測(cè)試樣本的一致性，我們采取姿態(tài)校正的方法來(lái)將ORL庫(kù)中的所有人臉圖像均進(jìn)行了人臉校正。圖 為本文顯示了姿態(tài)校正的人臉識(shí)別框架。測(cè)試階段，需要先檢查到待測(cè)人臉，然后進(jìn)行同樣的預(yù)處理，接著進(jìn)入姿態(tài)校正模塊，利用離線的姿態(tài)校正和特征提取后，再傳入到分類器，就可以獲得最匹配的樣本，最后將識(shí)別信息輸出[12]。本文所說(shuō)的姿態(tài)校正是基于二維圖像的正弦變換[13]的，其重要特征是可以快速的姿態(tài)校正，這大大提高了人臉識(shí)別的實(shí)效性和可操作性。這時(shí)的圖像可以看出一側(cè)被壓縮，而另一側(cè)被放大了。因此，以人臉圖像的中心為軸線，右邊列坐標(biāo)取正，左邊圖像列坐標(biāo)取負(fù)，這樣就可以依據(jù)正負(fù)不同的列坐標(biāo)來(lái)實(shí)施不同的尺度旋轉(zhuǎn)，這樣就能拉伸一邊的同時(shí)壓縮另一邊。值得注意的是原始列坐標(biāo)設(shè)置的都是整數(shù)，但變化后不一定是整數(shù)，可以通過(guò)插值運(yùn)算，便可求得此圖像上各個(gè)像素點(diǎn)所對(duì)應(yīng)的灰度值。 y = 1, 2......, n}，經(jīng)過(guò)正弦變換后，網(wǎng)格點(diǎn)的 y 值為： y 39。()式的變形為： ()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。)| x = 1,2......, m。由于新圖像 S’在網(wǎng)格點(diǎn)( x , y 39。)| x = 1,2......, m。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)。將此圖片保存，留作后續(xù)人臉識(shí)別使用。 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。 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。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。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。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。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。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。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。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。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。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。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。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)。令 （42）稱為隨機(jī)變量X與Y的相關(guān)系數(shù)。（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。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。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。 （44）呈降序排列。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。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)。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。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。 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。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。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。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。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?，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。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]。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。 ORL人臉庫(kù)中前十幅人臉圖片 校正后的人臉庫(kù)中前十幅人臉圖片實(shí)驗(yàn)所用的ORL人臉庫(kù)每張46*56的圖片可以看成是一個(gè)2576維的向量，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。歸一化后的圖像是1*2576維矢量，可視為2576維空間中的一個(gè)點(diǎn)，可以通過(guò) KL 變換將圖像用一個(gè)低維子空間來(lái)描述。原始人臉圖像由張成新空間的正交基線性組合而成。根據(jù)K L變換原理，由大矩陣的部分較大且非零特征值的特征向量構(gòu)成了新的原始空間。計(jì)算出CA的非零特征值（降序排列，1=rM）及其對(duì)應(yīng)的特征向量后，可以得到新的特征子空間：投影后，可以得到計(jì)算訓(xùn)練集或測(cè)試集中人臉圖像在特征空間U中的坐標(biāo)： (52)第三節(jié) 特征向量的選取盡管求得的協(xié)方差矩陣已經(jīng)在很大程度上降低了維度，但是通常情況下，矩陣維度仍然很大，對(duì)于處理速度和識(shí)別效果兩方面的要求來(lái)說(shuō)，大部分新的子空間坐標(biāo)成分仍對(duì)識(shí)別貢獻(xiàn)很小；另外，創(chuàng)建子空間所用的特征向量的數(shù)目與特征空間投影的計(jì)算速度有直接關(guān)系，在識(shí)別過(guò)程中沒(méi)必要保留所有的特征向量。而投影的方差即為原始數(shù)據(jù)向某特征向量投影時(shí)對(duì)應(yīng)于該特征向量的特征值。這樣既能提高運(yùn)算速度，也不會(huì)影響識(shí)別效果。第四節(jié) 人臉識(shí)別分類器是整個(gè)人臉識(shí)別系統(tǒng)中最重要的一步，不同的分類方法適用于不同的環(huán)境，我們需要合理的選擇分類算法。圖像被投影到子空間后，通常有兩種方法對(duì)相似性進(jìn)行判別：可以計(jì)算在投影子空間中圖像間的距離。本文中測(cè)量測(cè)試圖片與其余200張圖片在投影子空間的距離，然后選取距離最小的圖片作為識(shí)別結(jié)果。本文選用的是三階近鄰分類算法。每次從由每個(gè)人前5張圖片組成的200張測(cè)試集中選取一張作為測(cè)試圖片，由每人的后5張圖片構(gòu)成的200張訓(xùn)練集。訓(xùn)練之后構(gòu)成200*200的特征矩陣，我們選取占90%“能量”的主成分，這個(gè)由主成分構(gòu)成的圖像子空間，任何一幅人臉圖像都可以向其投影得到一組投影值，這組投影值代表了該圖像在子空間中的位置，由距離度量標(biāo)準(zhǔn)我們可以確定圖片的接近程度。KNN方法存在一些缺點(diǎn)[