【正文】 ...............................29圖 413 基于核最大間距準則的算法框圖 ...........................................................................30圖 414 主分量數(shù)對識別性能的影響 ...................................................................................31圖 415 主分量數(shù)對識別時間的影響 ...................................................................................31圖 415 x=5 時識別率與降維關(guān)系圖 ..................................................................................33圖 416 x=7 時識別率與降維關(guān)系圖 ..................................................................................34李亞龍： 基于核化 MMC 的人臉識別系統(tǒng)IV表格清單表 41 x=5 時識別率與降維關(guān)系表 ....................................................................................32表 42 x=7 時識別率與降維關(guān)系表 ....................................................................................33表 43 KMMC，KPCA 兩種方法所達最佳的識別率 .......................................................34安徽工程大學(xué)畢業(yè)設(shè)計（論文）引 言人臉識別是生物特征識別技術(shù)的一種，生物特征識別是根據(jù)生物體自身特征利用計算機進行身份識別的一種技術(shù)。常用的生物特征有，DNA、虹膜、指紋、掌紋、語音、人臉等。人臉識別是計算機視覺和模式識別領(lǐng)域中的一個難題，它涉及到信號處理、圖像處理、模式識別、神經(jīng)網(wǎng)絡(luò)、認知科學(xué)、心理學(xué)和生理學(xué)等諸多學(xué)科，在過去的十多年中受到研究人員的廣泛重視，研究也越來越深入，但是由于人臉識不同于一般的目標識別，其難度極大，人臉識別技術(shù)還不夠完善，應(yīng)用工作還處于嘗試階段。目前尚沒有很好的描述人臉的三維模型。論文對目前比較流行的降維算法進行了介紹，主要從兩方面出發(fā)：1）線性化算法、比如 PCA。在這些基礎(chǔ)上，學(xué)習(xí)和研究了基于核化最大間距準則算法，并通過實驗仿真驗證了算法的正確性和有效性，實驗表明比經(jīng)典算法 PCA、KPCA 和 MMC 有更高的識別率。李亞龍： 基于核化 MMC 的人臉識別系統(tǒng)第 1 章 緒論 人臉識別的研究意義近幾年來，隨著計算機網(wǎng)絡(luò)技術(shù)的高速發(fā)展和信息化進程的日益加快，信息安全和公共安全越來越顯示出其前所未有的重要性，成為了許多信息系統(tǒng)要首先考慮的問題。在公安部門、海關(guān)部門、視頻會議、小區(qū)和銀行監(jiān)控等領(lǐng)域有著很高的應(yīng)用價值。 人臉識別的研究現(xiàn)狀人臉識別最早可以追溯到十九世紀八十年代年 ，但人臉識別的真正研究起始于??1二十世紀六十年代末 ，Bledsoe 等人以人臉特征點的間距、比率等參數(shù)為特征，建成??2了一個半自動化的人臉識別系統(tǒng)，但因受到技術(shù)條件限制發(fā)展緩慢。2)基于多姿態(tài)/表情的人臉識別階段：這是人臉識別研究的發(fā)展階段，它從二十世紀七十年代開始末，但到九十年代年代初才被人們真正關(guān)注并進行專門研究，并得到較快發(fā)展。4)三維人臉識別階段：為了獲得更多的特征信息，直接就利用二維人臉圖像來合成三維人臉模型進行識別，也成為該領(lǐng)域的一個主要研究方向，現(xiàn)有研究將兩維圖像重構(gòu)三維圖像，這也是一個研究方向。近幾年來，國內(nèi)外學(xué)者對人臉識別技術(shù)做了大量研究。綜合有關(guān)文獻，目前的人臉識別方法主要集中在以下幾個方面: 基于幾何特征的人臉識別，基于子空間的人臉識別，基于彈性圖匹配的人臉識別，基于神經(jīng)網(wǎng)絡(luò)方面的人臉識別，基于模板匹配方面的人臉識別方法，基于隱馬爾可夫方面的人臉識別方法以及基于貝葉斯網(wǎng)路的人臉識別算法。安徽工程大學(xué)畢業(yè)設(shè)計（論文） 人臉識別的應(yīng)用隨著人臉識別技術(shù)的發(fā)展以及人臉識別技術(shù)應(yīng)用范圍空間的不斷拓寬，人臉識別技術(shù)在各個領(lǐng)域上的應(yīng)用空間己經(jīng)越來越廣泛，歸納起來，人臉識別技術(shù)的應(yīng)用大體上可以分為以下幾類:在許多場合，證件驗證是檢驗?zāi)硞€人身份的一種常用手段，而身份證、駕駛執(zhí)照以及其他很多證件上都有照片，那么這項工作就可以交給機器完成，用以實現(xiàn)自動化智能管理。在許多銀行、公司、公共場所等處都裝有視頻監(jiān)視系統(tǒng)。入口控制的范圍比較廣泛，它可能是設(shè)在需要的地方進行安全檢查，也可能是計算機系統(tǒng)或情報系統(tǒng)的入口控制。以上所說的應(yīng)用基本又可以分為兩類:靜態(tài)(非視頻 )匹配和動態(tài)(視頻)匹配。很顯然，在嫌疑犯照片的拍攝過程中，一般來說可以控制照相的背景、光照的條件、攝像機的分辨率以及攝像機與被拍照人之間的距離、角度等等，獲得到多幅人臉正面圖像和側(cè)面圖像。公眾場合監(jiān)控也就是典型的動態(tài)匹配應(yīng)用。這方面應(yīng)用的難點是需要實時處理。這一任務(wù)主要受到光照、噪聲、面部傾斜度以及各種各樣遮擋等方面的影響。通常的表示法主要有幾何特征(如歐氏距離、曲率、角度)、代數(shù)特征(如矩陣特征矢量)、固定特征模板、統(tǒng)計特征等。此過程通常也被稱為人臉識別。5．生理分類：通過分析待識別人臉的生理特征，得出其年齡、性別等相關(guān)信息。同時人臉識別的技術(shù)難度，很大程度上就是取決于用于識別的圖像來源和李亞龍： 基于核化 MMC 的人臉識別系統(tǒng)質(zhì)量。而進入實際應(yīng)用的人臉識別系統(tǒng)如：銀行的 ATM 自動提款機，各種證件的檢驗以及車場、倉庫的管理等都上屬于受控背景的一類。一個狹義的人臉自動識別系統(tǒng)通常包括三個主要技術(shù)環(huán)節(jié)，如圖 所示：人臉檢測與定位 特征提取和選擇分類器設(shè)計分類決策對比圖 11 人臉自動識別系統(tǒng)的主要技術(shù)環(huán)節(jié)首先是人臉的檢測以及定位。普通證件照片上的頭部占據(jù)了照片中央的大部分地方，定位也較容易。然后是特征提取。比如對圖像進行去噪工作，對圖像進行增等等。然后利用有效手段，提取出有效特征。在人臉數(shù)據(jù)庫里預(yù)先存放了己知的人臉圖像或有關(guān)的特征值，決策分類的目的就是將待識別的圖像或特征與庫中的進行匹配。前者主要是用靜態(tài)圖像，同時對這些圖像進行識別；后者則是用攝像機的時間圖像序列來進行識別。人臉檢測作為人臉識別中的一項關(guān)鍵技術(shù)，近年來也成為模式識別與計算機視覺領(lǐng)域內(nèi)一項比較活躍的課題。因此，就需要找到解決這些問題的方法，并且能使用高級手段對復(fù)雜背景下的圖像能檢測出人臉，并且進行精確定位。但是人類視覺系統(tǒng)可以認識的圖像如何能讓計算機系統(tǒng)也能識別呢? 其中的關(guān)鍵就在于找到目標的特征。這樣，計算機也就擁有了認識或者識別圖像的本論了。圖像特征就是指圖像的原始特征或?qū)傩?。圖像特征提取工作的結(jié)果就給出了某一具體的圖像中與其他圖像相區(qū)別的特征。人臉識別在進行人臉識別匹配時，不僅要考慮各種因素所導(dǎo)致的人臉微笑變形，而且在容忍變形的時候，同時還不能損害到人臉識別的有效性。由于每種識別方法各有優(yōu)缺點，多種方法有效綜合將是以后研究的一個趨勢，如何融合其他生物特征的鑒別系統(tǒng)以提高識別效率也是熱點研究方向。在這個基礎(chǔ)上，學(xué)習(xí)和研究了兩種算法：即基于路徑相似度的判別保局算法以及基于核判別保局最大化邊界算法。第 2 章: 對目前存在的人臉識別技術(shù)進行概述，主要從基于幾何特征的人臉識別，基于子空間的人臉識別，基于彈性圖匹配的人臉識別，基于神經(jīng)網(wǎng)絡(luò)的人臉識別，基于模板匹配的人臉識別方法，基于隱馬爾可夫的人臉識別方法以及基于貝葉斯網(wǎng)路的人臉識別算法等方面出發(fā)。第 4 章: 學(xué)習(xí)和研究了基于核間距最大準則算法，分別從算法的思想和實驗結(jié)果來進行說明。目前，人臉識別主要有以下幾類：基于幾何特征的方法、基于彈性圖方面匹配的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于模板匹配的方法、基于隱馬爾可夫方法、基于貝葉斯方法和基于子空間的方法。在這種基于幾何特征的識別中，識別算法總體歸為特征矢量之間的匹配問題，基于在歐氏距離的判決方法是最常用的識別方法。Roeder 等 對基于幾何特征人臉識別方法的準確性和正確性進行了??4研究，對人臉特征定義了 12 個測量值來進行聚類分析。Yuile 和 Jain 等7利用可變形模板模型來提取眼睛和嘴巴的輪廓進行人臉識別。用圖來描述人臉，圖的頂點表示人臉的局部特征，邊則表示面部特征之間的拓撲鏈接關(guān)系 。它是一種以識別目標的局部特征點之間拓撲結(jié)構(gòu)為對象的局部特征匹配方法。目標識別就是測試樣本與訓(xùn)練樣本的彈性匹配的過程，也就是通過匹配代價函數(shù)的隨機優(yōu)化過程來完成。他們采用每個基準點存儲一串具有代表性的特征矢量，大大減少了系統(tǒng)的存儲量和計算量。Gurdin 等 人也采用分級結(jié)構(gòu)的彈性圖，通過用消減一些冗余節(jié)點從而形成稀疏的人??14臉描述結(jié)構(gòu)。 基于神經(jīng)網(wǎng)絡(luò)的人臉識別基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法就是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和分類能力對人臉執(zhí)行特征提取、分類與識別。最早將人工神經(jīng)網(wǎng)絡(luò)技術(shù)用于人臉識別的是 Kohenen 。然而這種網(wǎng)絡(luò)的識別效果并不是很理想。Lin 等 人提出了基9于概率決策機制的人工神經(jīng)網(wǎng)絡(luò)方法，并應(yīng)用于人臉檢測、眼睛定位以及人臉識別。Joo等 人提出了一種多步驟方法，首先通過主成分分析 (PCA)方法進行降維，然后采用 ??20RBF 神經(jīng)網(wǎng)絡(luò)進行分類識別?？梢詫⑷四樂譃檠劬δ０?、嘴巴模板、鼻子模板以及眉毛、下巴模板等。如果用彈性模板方法提取特征可以顯示出其獨到的優(yōu)越性。??21Poggio 等人對基于幾何特征的人臉識別方法和基于模板匹配的人臉識別方法進行了比較，并從實驗結(jié)果得到：基于幾何特征的人臉識別方法在識別速度上比較快，存儲空間也比較小，但是在識別率并不高。按照 HMM 的思想，用來表征人臉的特征量構(gòu)成了一個觀測序列，觀測序列被認為是由若干個狀態(tài)產(chǎn)生的，狀態(tài)處于隱層，是不可觀測的 。HMM 的訓(xùn)練就是要為每一個人確定出一組經(jīng)過優(yōu)化了的 HMM 參數(shù)和模型。 基于貝葉斯網(wǎng)絡(luò)的人臉識別Moghaddam 等建立了一套完整的人臉統(tǒng)計模型，即建立出了兩種概率模型 ：??21在第一種模型中，所用的人臉圖像是在以特征臉為基的空間(為方便起見，簡稱為人臉空間) 中的概率由一個高維高斯分布估計，而該人臉空間的補空間中說的概率也由一個高維高斯分布估計，最終的概率是由以上兩個概率密度函數(shù)的乘積來確定。但是這個模型是假設(shè)了人臉圖像的分布都是簡單的單峰的分布。在第二種模型中 ， 他 們 使 用 一 個 混 合 高 斯 分 布 模 型 (MixtureofGaussians) ， 并 使 用 EM(Expectation Maximazation)算法用來進行參數(shù)估計，并取得了一定的效果。由于貝葉斯相似度的計算涉及到了復(fù)雜的非線性計算，Moghaddam 等人又提出了一種線性的快速計算方法。目前貝葉斯算法的主要問題存在于類間差異的訓(xùn)練圖像較難選取和識別算法的效率不是很高，這在使用大型人臉圖像庫的時候就尤為突出。然而這些非線性算法是建立在梯度下降法或貪心啟發(fā)式法的基礎(chǔ)上的，受到局部極小化的限制；又由于沒有很好地理解它們在統(tǒng)計上的行為，人們在利用這些算法時還經(jīng)常會遇到過度擬合的問題，這些不足都限制了上述非線性算法的發(fā)展。核方法通過非線性嵌入映射，能將許多線性算法優(yōu)美地非線性泛化，從而能夠高效地分析圖像空間中的非線性關(guān)系，而這種高效率原先只有線性算法才能夠達到。人臉識別作為模式識別的一個研究方向,因其在安全驗證系統(tǒng)、智能人機接口、視頻會議等方面有著巨大的應(yīng)用前景成為當前的一個研究熱點。但是,PCA 法只考慮了圖像數(shù)據(jù)中的二階統(tǒng)計信息,未能利用數(shù)據(jù)中的高階統(tǒng)計信息,忽略了多個像素間的非線性相關(guān)性。實際上，人臉圖像中的表情、光照、姿態(tài)和阻擋物的變化都是及其復(fù)雜而且是非線性的。隨著非線性的核方法技術(shù)在支持向量機(Support Vector Machine, SVM) 上的廣泛和成功的應(yīng)用，非線性子空間方法便受到廣泛關(guān)注。在計算上并不需要明確計算此非線性變換，只需要通過一個內(nèi)積核函數(shù)用來計算在隱性特征空間中兩兩向量之間的內(nèi)積即可以了。安徽工程大學(xué)畢業(yè)設(shè)計（論文）Yang 等人將 KPCA 和 Eigenface、ICA 進行了比較，結(jié)果表明 KPCA 算法能更有地效描述人臉的復(fù)雜變化，具有一定的優(yōu)越性。這是因為待識別圖像矢量的維數(shù)較高，而在實際問題中難以找到或根本不可能找到足夠多的訓(xùn)練樣本來保證類內(nèi)散布矩陣的可逆性。本文主要采用 KPCA 來提取人臉圖像的特征，然后基于這些特征通過利用 MMC方法來實現(xiàn)人臉的識別，并且取得了很好地效果。李亞龍： 基于核化 MMC 的人臉識別系統(tǒng)第 3 章 數(shù)據(jù)降維算法概述在當今世界上，人們越來越多的接觸到高維數(shù)據(jù)，這些數(shù)據(jù)的特點是：高數(shù)據(jù)量、高維數(shù)、高數(shù)據(jù)增長率和非結(jié)構(gòu)化。降維就是將高維數(shù)據(jù) 根據(jù)一定的目標和準則尋找一個變換：??12,.DnXxR?? \* MERGEFORMAT (31):df?把原始數(shù)據(jù) X 變換為低維子空間 中的點 y,其中 dD。非監(jiān)督學(xué)習(xí)輸入的只有數(shù)據(jù)，通過特定的準則來實現(xiàn)數(shù)據(jù)降維，比如主成分分析 PCA 以最小化重建誤差