【正文】 圖像對其他人進行身份識別。 人臉識別技術(shù)國內(nèi)外現(xiàn)狀人臉識別技術(shù)起源于上個世紀六十年代,1965 年 Chan 和 Bledsoe在Panoramic Research Inc 發(fā)表的學(xué)術(shù)報告[3]揭開了人臉識別技術(shù)研究的序幕。在國內(nèi),關(guān)于人臉識別的研究在上個世紀 90 年代才處于起步階段,直到 2003年后才開始了一個快速發(fā)展的階段。 人臉識別的難點和研究意義人臉識別的研究至今已有四十余年的發(fā)展歷史。但對計算機來說，卻是一個極其復(fù)雜的課題。人臉具有相對穩(wěn)定的特征和結(jié)構(gòu)，這為人臉識別技術(shù)帶來了實現(xiàn)的可能。在人臉識別系統(tǒng)中，人臉的初始表示形式是圖像，但在許多因素的影響下，同一人臉的不同圖像之間卻存在著相當大的變化，例如，人臉隨年齡和表情的變化；發(fā)型、胡須、眼鏡等對人臉的干擾；光照對人臉圖像的影響；成像角度和距離以及成像背景的復(fù)雜性等的影響。如作為一個模式識別的問題，人臉識別被認為是最具挑戰(zhàn)性的問題之一：模式種類數(shù)目龐大，不同類別模式差別微妙，這一點由于數(shù)據(jù)采集過程的噪聲、成像設(shè)備的精度、外界條件的變化以及數(shù)據(jù)缺損而顯得更加突出。人臉識別本質(zhì)上是要賦予計算機區(qū)分不同人類個體的能力，也就是“看”的能力。正是由于人臉識別技術(shù)重要的理論意義和應(yīng)用價值，及其研究中所具有的挑戰(zhàn)性，致使對人臉識別方法的研究越來越成為當前模式識別和人工智能領(lǐng)域的一個研究熱點。因此，對于算法的分類也很難有一個嚴格的標準。 基于局部特征人臉識別基于局部特征的人臉識別指的是人臉上的五官特點，例如一字眉，塌鼻子，丹杏胡，歪嘴巴。而基于局部特征人臉識別就是將這些人臉之中的這種特殊的位置特點的形狀參數(shù)以及類別參數(shù)一起組合成識別特征矢量。這種識別方法不同于上文所寫到的局部特征的是這種方法不再獨立的對人臉面部的局部特征進行檢測，而是把所有的聯(lián)系看作一個整體。 基于混合特征的人臉識別 一直以來，研究人員都對人眼視覺系統(tǒng)進行深入研究，人的視覺系統(tǒng)是一個很優(yōu)秀并且天然的人臉識別系統(tǒng)，人們曾經(jīng)想從人眼視覺系統(tǒng)的原理中獲得一些收獲?；蛘哒f這一類運用了全局特征方法的局部方法應(yīng)該稱之為混合方法。計算機自動人臉識別跨越了模式識別、圖像處理、信息安全、神經(jīng)生理學(xué)、心理學(xué)和認知科學(xué)等諸多研究領(lǐng)域，其難度和研究價值不言而喻。另外，隨著目前人臉識別的逐步應(yīng)用，人臉數(shù)據(jù)庫更大，人臉數(shù)據(jù)的存儲也成為一個不可避免的問題，因此，如何提取更加簡單、有效的特征也是目前人臉識別應(yīng)用的難點。在近十年的時間內(nèi)，LBP 算子已經(jīng)得到不斷的發(fā)展和演化，并廣泛地應(yīng)用于紋理分類[5]、紋理分割[6]、人臉圖像分析等領(lǐng)域。此后，基于 LBP 的人臉識別算法引起許多研究者的極大興趣，并得到了廣泛的關(guān)注。本文主要研究了采用 LBP 進行人臉特征提取，在 LBP 的基礎(chǔ)上，才用了一種LMCP方法，解決了LBP因為沒有考慮到像素值之間的對比度從而丟失了重要的紋理特征這個缺點。 本文組織安排 本文組織安排如下：①第一章：簡要介紹了自動人臉識別的研究背景、現(xiàn)狀和意義，然后概括說明全文的研究工作及各章安排，并指出本文的主要貢獻。③第三章：研究LMCP方法，從LBP算法的缺點入手，先指出原始算子存在的不足。④第四章：將完成的算法用于ORL，Yale B人臉庫中進行實驗，記錄實驗的結(jié)果以及中間結(jié)果進行記錄對比得出相應(yīng)的結(jié)論。第2章 LBP 算子基本原理及應(yīng)用第一節(jié) LBP 算子概述 紋理概述 提起紋理，這個是在圖像中最常用的概念，在物體的表面上因為物理屬性的不同而造成某個特定表面特征的灰度以及顏色信息，這我們稱之為紋理。在人眼里，通常能夠覺察出一幅圖像的紋理，判斷出紋理的存在，但是受到心理感受的影響，以及紋理的表征本來就是一個非常復(fù)雜的過程，所以我們即使能判斷出紋理的存在，但卻不能夠給出一個比較嚴格的定義。 LBP 算子 局部二值模式（LBP）這種紋理描述方式是基于灰度范圍的，一開始最初始的LBP算子被定義為一個類似于九宮格的3乘3的矩陣，位于九宮格中心的像素點作為閾值，而將另外的8個像素點的灰度值跟這個中心像素點進行比較，如果大于中心像素點則被標記為1，然后按照一個固定的位置求的一個整數(shù)，這個整數(shù)稱之為這個九宮格矩陣的LBP值，這個數(shù)值被用于反映這個窗口區(qū)域的紋理信息。除了它此外的8個點依次與中間點比較，比它(也就是15)大的記成1，比它小的記成0，然后我們就得到右面的圖片。到此，我們得到了中間點的LBP值154。用比較正式的公式來定義的話：其中代表3x3鄰域的中心元素，它的像素值為，代表鄰域內(nèi)其他像素的值。所以為了滿足這些需求，產(chǎn)生了最初步的改進，Ojala把LBP算子從3*3區(qū)域更改到了任意的區(qū)域，即將正方形的矩形變成了圓形區(qū)域，而改進后LBP算子從8個領(lǐng)域像素點變?yōu)榭梢栽诎霃綖镽的圓形區(qū)域內(nèi)存在多個像素點了。通過上式可以計算任意個采樣點的坐標，但是計算得到的坐標未必完全是整數(shù)，所以可以通過雙線性插值來得到該采樣點的像素值：LBP 等價模式從LBP的基本算子可以看出，一個算子產(chǎn)生的二進制模式都是不一樣的，以R為半徑內(nèi)有P個點的LBP算子會產(chǎn)生種模式，而當P的值也就是鄰域中的采樣點增加，這個模式也就會以指數(shù)增長，*5鄰域中有8個采樣點也就是有256種，但如果采用的是20個采樣點，那么就是有=1048576種模式，而這個數(shù)值會隨著P的繼續(xù)增大會越來越大，這么多的二值模式對于我們進行紋理提取或者識別，分類以及信息的存儲都是極為不利的。所以我們需要進行降維。Ojala認為，在圖像中，大部分的LBP模式是最多包含兩次從0到1或者1到0進行跳變，所以將此類LBP所對應(yīng)的二進制稱之為統(tǒng)一等價模式。除了這些等價模式類，其他的模式都是歸于另一類，稱之為混合模式類。這些方法大體可以分為兩大類：統(tǒng)計分析法和結(jié)構(gòu)分析法。基本原理是選擇不同的統(tǒng)計量對紋理圖像的統(tǒng)計特征進行提取。結(jié)構(gòu)分析方法是分析紋理圖像的結(jié)構(gòu)，從中獲取結(jié)構(gòu)特征。目前主要用數(shù)學(xué)形態(tài)學(xué)方法處理紋理圖像，適合于規(guī)則和周期性紋理。LBP方法可以認為是隨機方法和統(tǒng)計方法的結(jié)合。每個像素點由一個與之最匹配的局部鄰域的原始紋理形成的碼值來標記。將結(jié)構(gòu)方法和隨機方法相結(jié)合源于這樣一個事實，即分配的微觀結(jié)構(gòu)可以被看作是一種統(tǒng)計布局規(guī)則。LBP為同時分析隨機性紋理和周期的紋理開辟了一條有效的途徑，因此，LBP的方法能夠廣泛地應(yīng)用于各類紋理圖像的識別，并能充分克服傳統(tǒng)的單一采用統(tǒng)計或結(jié)構(gòu)方法的不足。在許多對比實驗中，LBP 算子在計算速度和鑒別力等方面都表現(xiàn)出優(yōu)異的成績。這似乎也符合神經(jīng)學(xué)家在人眼視覺方面的發(fā)現(xiàn)。因此，LBP 算子在模式識別和紋理分析等方面得到了極大的推廣和發(fā)展，從而出現(xiàn)了更多新的基于改進LBP擴展算法。該描述子的主要思想是:首先利用一組多尺度、多方向的Gabor濾波器對原始人臉圖像進行濾波,得到不同尺度和不同方向下的Gabor能量圖像,然后分別對這些圖像進行LBP直方圖特征的提取,最后連接這些LBP特征形成最終的人臉特征。LGBP描述子的計算過程主要包括:Gabor濾波和基本LBP特征提取。根據(jù)設(shè)置不同的參數(shù),Gabor濾波器可以在不同尺度、不同方向上提取圖像局部特征。公式中ω表示頻域中濾波器之間的間距因子。對40幅Gabor能量圖像分別進行LBP特征的提取,最后將所有的LBP特征連接起來就得到最終的LGBP特征向量。,我們可以看出LBP算子在灰度范圍內(nèi)是單調(diào)不變的,這使得它能適應(yīng)不同的光照變化,Tan等人將LBP模式在一次進行擴展,將LBP模式擴展為三值的編碼,提出了 LTP (Local Ternary Pattern局部三值模式)模式。LTP的計算方法是將與中心像素的像素差值在之內(nèi)的鄰域像素量化為0,除此之外大于amp。的量化為1,此時對X)被擴展成了三值形式,如公式所示:由此,二值的LBP算子由三值的LTP算子所代替,式中/是自定義的一個閾值。,將閾值/設(shè)置為5: LTP算子的編碼過程雖然在使用LTP模式進行人臉識別時我們使用的是三值編碼,但是統(tǒng)一模式在此同樣適用。 LTP算子分解過程第4節(jié) 小結(jié) 本章首先從紋理分析的角度對基本的 LBP 算子做了簡要的介紹；其次，介紹了最開始的LBP改良 LBP 等價模式和圓形的LBP算子；最后介紹 LBP 近年來較新的兩種改良LGBP以及LTP算法。第3章 LMCP方法第1節(jié) LBP方法的缺點LBP方法只考慮了中心像素點與鄰居像素點之間的大小關(guān)系，而沒有考慮到它們之間的對比度，因此會出現(xiàn)圖2 所示的情況。 相同LBP值卻不同局部紋理第2節(jié) 獲取LMCP特征LBP 沒有考慮像素之間對比度的原因是：在光照變化較為強烈時，對比度值會產(chǎn)生嚴重的非線性扭曲，而像素值之間的大小關(guān)系是不容易受光照變化影響的。對局部區(qū)域像素值對比度分層的思想是：求得局部區(qū)域內(nèi)像素值對比度的最大值和最小值，將最大值和最小值之間的差值分成若干個等級，那么可以將中心像素與鄰居像素之間的對比度值對應(yīng)到某個等級上去，這個等級就是此對比度值對應(yīng)的層次。針對每一個對比度層次，可以考察中心點周圍有多少個鄰居點的對比度值落入了該層次，以獲取每個層次的LMCP特征：將每個層次得到的 級聯(lián)在一起構(gòu)成了 ：通過示例詳細說明了L = 4 時，求得 的過程。 有256 種取值可能，然而，經(jīng)過大量不同光照下人臉圖像的統(tǒng)計，發(fā)現(xiàn)占據(jù)90%出現(xiàn)次數(shù)以上的 值大概在40 個左右。并且這種統(tǒng)計降維的方法可以在每個已有的訓(xùn)練樣本集上進行。因此在測量特征距離時，層次越高的 特征之間的距離應(yīng)該被賦予更高的權(quán)重。使用下述公式計算兩幅人臉圖像的特征距離D ：其中d() 表示直方圖H 和H′ 在第i 層上的ChiSquare距離：第4節(jié) 圖像與處理對圖像進行光照歸一化預(yù)處理的目的是將光照變化對圖片的影響控制在一定的范圍之內(nèi)，這是非常重要的，否則在光照變化較為劇烈的情況下，對對比度值進行分層會受到光照的強烈干擾。圖 經(jīng)過了預(yù)處理后得到的圖像第四章 實驗與結(jié)果分析第一節(jié) 引言本章節(jié)將會對上文所提出的基于LMCP的人臉識別算法進行實驗測試，目的在于證明此算法相對于原始LBP算法的性能提升。第2節(jié) 人臉庫隨著越來越多的人臉識別算法被人們提出,對人臉識別算法性能的評價與測試工作也逐漸成為了人們關(guān)注的重點。①Yale人臉庫Yale人臉庫是由美國耶魯大學(xué)創(chuàng)立的。11幅人臉圖片包含著顯著地光照變化與姿態(tài)變化(遮擋)。②FERET入臉庫FERET[^人臉庫是目前最大的人臉數(shù)據(jù)庫,是由美國國防部高級研究項目屬于美國陸軍研究實驗室共同建立的。(③MIT人臉庫MIT人連數(shù)據(jù)庫是由美國麻省理工學(xué)院媒體實驗室所建立。人臉圖片間主要是在光照,姿態(tài),和采集距離遠近方面存在著明顯的差異。庫中圖片是從68名志愿者中提取的。⑤CAS_PEAL人臉庫CAS_PEAL人連數(shù)據(jù)庫是由中國科學(xué)院計算技術(shù)研究所負責建立的大規(guī)模的,從不同角度獲得的人臉數(shù)據(jù)庫,同時也是國內(nèi)較為全面,標準的人連數(shù)據(jù)庫之一。人臉庫圖片主要分為表情變化,光照變化,事物變化,和姿態(tài)變化等四種變化,同時還在距離,背景上加以區(qū)分,可以有效的對人臉識別算法進行評價與測試。人臉庫中主要包含了 40人的共400張人臉圖片。還有其它很多人臉庫,如歐洲的M2TVSDB以及XM2TVSDB多模型人臉數(shù)據(jù)庫、日本ATR數(shù)據(jù)庫等,具體參考。第三節(jié) 實驗環(huán)境,步驟及參數(shù)設(shè)置 實驗環(huán)境本文實驗是在PC機上進行，系統(tǒng)為Windows7 SP1，中央處理器為 Inter Core i52430M，4G內(nèi)存。本文實驗主要在ORL人臉庫以及Yale人臉庫進行，其中ORL人臉庫的變換比較小，比較適合反映在穩(wěn)定外部條件下的算法性能，而Yale人臉庫則是包含顯著光照變化以及姿態(tài)變化，所以比較適合測試在實際應(yīng)用狀態(tài)下的人臉識別算法性能。大量的實驗顯示，所提出的LMCP 方法在L = 4 的情況下，得到的結(jié)果最為滿意。所以本文所有的實驗結(jié)果都同時和 進行對比。然后實驗分成3個子實驗，實驗1用set1當作訓(xùn)練樣本，實驗2以set3當作訓(xùn)練樣本，實驗3以每個人光照比較好的一張圖片當作訓(xùn)練樣本。 第一組實驗中編號s21志愿者的訓(xùn)練樣本表 4 ORL 人臉庫（2張訓(xùn)練圖片，8張測試圖片）（%）方法識別率 第二組實驗中編號s21志愿者的訓(xùn)練樣本表 5 ORL 人臉庫（4張訓(xùn)練圖片，6張測試圖片）（%）方法識別率第5節(jié) 結(jié)果與分析傳統(tǒng)的LBP方法只考慮了局部像素點與周邊鄰近像素點之間灰度值的大小關(guān)系，而忽略掉了對比度值。針對這個缺點，提出了一種LMCP方法，在進行光照歸一化操作后，將人臉圖像的光照情況控制在一定范圍內(nèi)，然后將局部像素與周圍像素之間的對比度值映射到一個對比度層次，從而增加局部紋理特征的描述能力。實驗數(shù)據(jù)充分驗證了提出的LMCP方法的有效性。論文的寫作是一個長期的過程，需要不斷的進行精心的修改，不斷地去研究各方面的文獻，認真總結(jié)。在這次畢業(yè)論文的寫作的過程中，我擁有了無數(shù)難忘的感動和收獲。我將這一困難告訴了指導(dǎo)老師，在老師的細心的指導(dǎo)下，終于使我了解了應(yīng)該怎么樣利用網(wǎng)上的浩瀚的資源找到自己需要的關(guān)于人臉識別方面的資源，找了大概40篇左右相關(guān)的論文，認真的閱讀，總結(jié)筆記，為自己的論文打好基礎(chǔ)。在搜集資料后，我在電腦中都進行分類的整理，然后針對自己不同部分的寫作內(nèi)容進行歸納和總結(jié)。然后及時拿給老師進行溝通，聽取老師的意見后再進行相關(guān)的修改。 4月初，資料已經(jīng)查找完畢了，程序也已經(jīng)調(diào)試完畢，我開始著手論文初稿的寫作。 寫作畢業(yè)論文是我們每個大學(xué)生必須經(jīng)歷的一段過程，也是我們畢業(yè)前的一段寶貴的回憶。任何事情都是這樣子，需要我們腳踏實地的去做，一步一個腳印的完成，認真嚴謹，有了好的態(tài)度才能做好一件事情，一開始都覺得畢業(yè)論文是一個很困難的任務(wù)，大家都難免會有一點畏懼之情，但是經(jīng)過長時間的努力和積累，經(jīng)