【正文】 提高，人臉識(shí)別引起了各個(gè)科研機(jī)構(gòu)的重點(diǎn)關(guān)注，并將研究成果轉(zhuǎn)化為實(shí)用產(chǎn)品。國(guó)際上很多公司和研究機(jī)構(gòu)如德國(guó)Cognitec S ystem GmbH、美國(guó)Identix Inc、Viisage及Neven Vision、韓國(guó)三星、日本東芝、麻省理工學(xué)院、密西根州立大學(xué)、卡耐基梅隆大學(xué)、耶魯大學(xué)、新澤西理工學(xué)院、休斯敦大學(xué)等正在對(duì)人臉自動(dòng)識(shí)別技術(shù)做更加深入的研究。 應(yīng)用和分類隨著人臉識(shí)別技術(shù)的不斷發(fā)展和應(yīng)用領(lǐng)域的拓寬，人臉識(shí)別技術(shù)在多個(gè)領(lǐng)域的發(fā)展前景已經(jīng)逐漸越來(lái)越廣泛。歸納起來(lái)，人臉識(shí)別技術(shù)的應(yīng)用主要分為以下幾類：人臉驗(yàn)證：人臉驗(yàn)證是一種身份驗(yàn)證手段，指利用人臉識(shí)別技術(shù)來(lái)驗(yàn)證某個(gè)人是否確實(shí)是他（她）所聲稱的那個(gè)人。人臉辨別：人臉辨別主要是應(yīng)用人臉識(shí)別技術(shù)來(lái)辨別未知身份人員的真實(shí)身份。視頻監(jiān)視：在視頻監(jiān)視系統(tǒng)中，人臉識(shí)別系統(tǒng)的任務(wù)目標(biāo)是在人群中篩選出特定目標(biāo)并實(shí)行跟蹤監(jiān)控，這是一個(gè)典型的動(dòng)態(tài)匹配過(guò)程。視頻監(jiān)視系統(tǒng)采集的人臉經(jīng)過(guò)相關(guān)處理后與數(shù)據(jù)庫(kù)對(duì)比，若發(fā)現(xiàn)目標(biāo)人物或危險(xiǎn)個(gè)體則發(fā)出警報(bào)，這與人臉辨別有些類似，都是先采集人臉圖像，然后與數(shù)據(jù)庫(kù)中人臉圖像進(jìn)行一對(duì)多的對(duì)比匹配，最終確定待測(cè)人臉的身份歸屬。民用市場(chǎng)有很大的可能成為人臉識(shí)別技術(shù)發(fā)展的最有力的支持。 本文的主要內(nèi)容與安排人臉識(shí)別技術(shù)的算法多種多樣，足夠高的識(shí)別率是最重要的指標(biāo)。先使用特征臉方法（PCA）將人臉圖像的原始數(shù)據(jù)投影到特征臉空間進(jìn)行降維，接下來(lái)使用Fisher臉方法（LDA），從特征空間里提取最具判別能力的低維特征，達(dá)到進(jìn)一步降維的作用，最后引入模糊技術(shù)改進(jìn)原始的線性判別分析方法，能更有效的提取判別能力高的、對(duì)識(shí)別過(guò)程有正面效果的信息，盡量消除因訓(xùn)練圖像中由于光照、姿勢(shì)等變化引起的識(shí)別性能退化。主要介紹了本設(shè)計(jì)的研究背景和立題意義，人臉識(shí)別技術(shù)在國(guó)內(nèi)外的發(fā)展史、發(fā)展現(xiàn)狀，人臉識(shí)別技術(shù)主要的應(yīng)用領(lǐng)域及應(yīng)用分類。由于人臉識(shí)別算法的測(cè)試都是在公開的基準(zhǔn)數(shù)據(jù)庫(kù)上進(jìn)行，所以在前面首先介紹了有關(guān)人臉庫(kù)的基礎(chǔ)知識(shí)，并介紹了幾個(gè)目前學(xué)術(shù)界較流行的測(cè)試用人臉基準(zhǔn)數(shù)據(jù)庫(kù)。第三章，人臉識(shí)別算法介紹及比較。第四章，人臉識(shí)別算法設(shè)計(jì)及仿真。應(yīng)用Maltab軟件編寫程序進(jìn)行人臉識(shí)別算法設(shè)計(jì)的實(shí)現(xiàn)，并在Yale人臉庫(kù)和ORL人臉庫(kù)中進(jìn)行實(shí)驗(yàn)仿真，求出識(shí)別率，繪制識(shí)別率曲線。最后是對(duì)全文工作的總結(jié)。任何一個(gè)人臉識(shí)別系統(tǒng)的設(shè)計(jì)成形都需要經(jīng)過(guò)測(cè)試、仿真或?qū)嶒?yàn)過(guò)程，在這個(gè)測(cè)試的過(guò)程中就需要用到包含一定數(shù)量人臉圖像的數(shù)據(jù)庫(kù)來(lái)生成人臉識(shí)別系統(tǒng)的訓(xùn)練集和測(cè)試集。按照目前人臉識(shí)別技術(shù)的水平來(lái)看，一個(gè)可以應(yīng)用在任何環(huán)境、在任何可能出現(xiàn)的非正常情況下都能準(zhǔn)確無(wú)誤進(jìn)行識(shí)別的人臉識(shí)別系統(tǒng)是不可能存在的，由此，所有的人臉數(shù)據(jù)庫(kù)都會(huì)附加一些約束條件，比如光照強(qiáng)度、光照方向、表情變化、姿態(tài)變化、臉部飾品、人臉尺寸等都受到一定的限制，這些人臉數(shù)據(jù)庫(kù)復(fù)雜度的高低又影響了對(duì)算法性能的評(píng)估結(jié)果。下面將介紹幾個(gè)目前人臉識(shí)別實(shí)驗(yàn)測(cè)試中常用的典型人臉庫(kù)。所有的圖像都在不同的光照和表情下正面拍攝的，主要包括：正面光照，左側(cè)光照，右側(cè)光照，戴眼鏡，不戴眼鏡，高興，面無(wú)表情，悲傷，困倦，吃驚，和眨眼等變化。 Yale人臉庫(kù)中的光照變化，光照變化的示例，這是Yale人臉數(shù)據(jù)庫(kù)中一位志愿者的部分人臉圖像，這三張圖像分別是在正面光照、左側(cè)光照和右側(cè)光照三種約束條件下拍攝的，代表了數(shù)據(jù)庫(kù)中人臉圖像的光照變化情況。T人臉庫(kù)，是人臉識(shí)別領(lǐng)域最流行的測(cè)試數(shù)據(jù)庫(kù)之一。T實(shí)驗(yàn)室創(chuàng)建，包含40個(gè)不同年齡、不同性別和不同種族的人。其中人臉部分表情和細(xì)節(jié)均有變化，例如笑與不笑，眼睛睜著或閉著，戴或不戴眼鏡等；人臉姿態(tài)也有變化，其深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)20度，人臉的尺寸也有最多10%的變化。 ORL人臉庫(kù)中的圖像變化。 特征提取特征提取是計(jì)算機(jī)視覺和圖像處理中的一個(gè)概念。特征提取的結(jié)果是把圖像上的點(diǎn)分為不同的子集，這些子集往往屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域。特征提取是一種數(shù)據(jù)預(yù)處理方法，是指對(duì)某一模式的一組測(cè)量值進(jìn)行變換以突出該模式具有代表性特征的方法。主要針對(duì)高維數(shù)據(jù)的降維處理，通過(guò)提取出一部分特征值較高，最具代表性的優(yōu)秀特征，刪除不相關(guān)特征以達(dá)到降維的目的，最終目的是減少需要處理的數(shù)據(jù)量，簡(jiǎn)化分類器計(jì)算，提高算法的識(shí)別準(zhǔn)確率。幾乎全部的識(shí)別算法都需要先將圖像降維處理，提取出對(duì)識(shí)別有用的高特征值信息投影到低維子空間中，但一定要保證低維子空間包含了圖像中絕大部分的基本特征信息，且易于分類。下面，本文將介紹一種典型的特征提取方法，該方法是目前人臉識(shí)別算法中最常見，同時(shí)具有最重要地位的特征提取方法，并得到了廣泛的應(yīng)用和發(fā)展。作為應(yīng)用十分廣泛的特征提取方法之一，已在模式識(shí)別、信號(hào)處理、數(shù)字圖像處理等領(lǐng)域得到了廣泛的應(yīng)用，主成分分析法的基本思想是設(shè)法將原來(lái)眾多（比如P個(gè)）具有一定相關(guān)性指標(biāo)，重新組合成一組新的互不相關(guān)的指標(biāo)來(lái)代替原來(lái)的指標(biāo)。通常數(shù)學(xué)上的處理方法就是將原來(lái)P個(gè)指標(biāo)作線性組合，作為新的綜合指標(biāo)。因此在所有線性組合中選取的F1應(yīng)該是方差最大的一個(gè)，稱F1為第一主成分。設(shè)矩陣表示一個(gè)由P個(gè)記錄組成的數(shù)據(jù)集合，每個(gè)記錄有n個(gè)屬性，即矩陣的元素表示第i條記錄在第j個(gè)屬性上的取值，則X的協(xié)方差矩陣為?？啥x如下的線性組合： () 其中是的矩陣，且，就是主成分。這樣可以利用矩陣的奇異值分解(Singular Value Deposition, SVD)求出S的特征值和特征向量。在Fisher思想的基礎(chǔ)上，Wilks和Duda分別提出了鑒別矢量集概念，即尋找一組鑒別矢量構(gòu)造子空間，以原始樣本在該子空間的投影矢量作為鑒別特征來(lái)用于識(shí)別。我們一般直接利用樣本集設(shè)計(jì)分類器，來(lái)把兩類分開。線性判別函數(shù)是一種較簡(jiǎn)單的判別函數(shù)。本文主要研究Fisher線性判別函數(shù)如何確定。當(dāng)把d維空間里的若干緊湊的集群投影到一條任意的直線上，結(jié)果可能是幾類樣本混在一起而變得無(wú)法識(shí)別。現(xiàn)在的問(wèn)題是如何找到這條最優(yōu)的、最易于分類的投影線。我們希望落在直線上的類的樣本和類的樣本投影能很好的分開而不是混在一起。事實(shí)上，為使投影數(shù)據(jù)獲得較好的分離，只要求這兩個(gè)均值差比每類的標(biāo)準(zhǔn)差較大即可，即： ()其中，對(duì)于屬于一類的投影樣本的類內(nèi)離散度： ()把作為所有樣本的方差估計(jì)。而Fisher線性判別函數(shù)被定義為這樣的一個(gè)函數(shù)，它能使判決函數(shù)： ()達(dá)到最大。為把J表示為w的顯函數(shù)形式，定義樣本類內(nèi)離散度矩陣和總類內(nèi)離散度矩陣如下： () ()由于： () ()因此： ()由此： ()矩陣稱為總類內(nèi)離散度矩陣，是對(duì)稱的半正定的，當(dāng)nd時(shí)它通常是非奇異的。為求得最優(yōu)鑒別向量，將J對(duì)w微分即得： ()需： ()設(shè)，不難看出，使J達(dá)到極大的向量w必須滿足： ()很顯然這是一個(gè)求解廣義特征值的問(wèn)題，若非奇異，則可得到一個(gè)一般特征值問(wèn)題： ()我們把的特征向量稱為Fisher鑒別向量。 分類器設(shè)計(jì)分類器的設(shè)計(jì)是人臉識(shí)別系統(tǒng)設(shè)計(jì)過(guò)程中的一個(gè)重要環(huán)節(jié)。一般情況下最常用的辨析與分類方法都是借助于模式識(shí)別和機(jī)器學(xué)習(xí)。本文的工作重心是圖像的特征提取算法，因此分類方法選用了最基礎(chǔ)最常用的距離分類法。樣本間距離有多種計(jì)算方法，在各種計(jì)算方法中，歐氏距離是最常見的距離分類方法：歐氏距離又被稱為范式，廣泛應(yīng)用于向量間距離度量，定義如下： ()式()中，表示輸入特征矢量x的第i個(gè)分量，表示參考特征矢量r的第i個(gè)分量，k表示特征矢量維數(shù)。本文在歐氏距離分類的基礎(chǔ)上，應(yīng)用最近鄰分類器對(duì)人臉特征矢量進(jìn)行分類識(shí)別，即定義待測(cè)樣本與距離其最近的訓(xùn)練樣本是屬于同一類別的。這些算法涉及到的學(xué)科領(lǐng)域非常廣泛，包括模式識(shí)別、圖像處理、計(jì)算機(jī)視覺、人工智能、統(tǒng)計(jì)學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、小波分析、子空間理論和流形學(xué)習(xí)等眾多學(xué)科。本文中提到的主成分分析、線性判別分析和模糊線性判別分析算法主要應(yīng)用的是子空間分析方法，子空間分析方法的思想是以一定的特征提取的性能目標(biāo)為準(zhǔn)則，將人臉圖像從原始的圖像空間投影到一個(gè)低維的子空間中，不但降低了算法的計(jì)算量，而且保持了人臉圖像在低維空間中的可分性和獨(dú)立性?；谧涌臻g分析方法的人臉識(shí)別算法主要有主成分分析，線性辨別分析，獨(dú)立成分分析和非負(fù)矩陣因子等，其中基于PCA的特征臉法在對(duì)高維圖像進(jìn)行降維處理方面取得了很大的成效，并在特征提取的過(guò)程中依然保持了數(shù)據(jù)原有的可分性，是子空間分析方法中的首選算法。 基于PCA的特征臉?biāo)惴ㄖ鞒煞莘治觯≒CA）方法是模式識(shí)別領(lǐng)域里一種占有非常重要地位的特征提取方法。由于它保留了原向量在其協(xié)方差矩陣最大特征值對(duì)應(yīng)的特征向量方向上的投影——主分量，所以被稱為主成分分析。這是因?yàn)橥ㄟ^(guò)PCA方法對(duì)原始人臉數(shù)據(jù)提取出來(lái)的特征向量投影到新的低維子空間后仍然是人臉的形狀，因此它被稱為“特征臉”，它保留了人臉圖像的基本信息而去除了無(wú)用信息，簡(jiǎn)化了計(jì)算。如果每幅圖像的大小為，PCA方法首先將其按列方式拉伸為一個(gè)維的列向量來(lái)表示。設(shè)M幅圖像構(gòu)成訓(xùn)練集，記為，則訓(xùn)練數(shù)據(jù)的協(xié)方差矩陣為： ()其中為均值向量： ()令： ()則： ()顯然，C的維數(shù)為。為了解決這個(gè)問(wèn)題，下面給出一種更加有效的計(jì)算方法。根據(jù)奇異值分解原理，矩陣B和C的特征值是相等的，通過(guò)求解B的特征值和特征向量來(lái)獲得C的特征向量。特征臉定義如下： ()其中是第特征向量。通過(guò)()式即可將訓(xùn)練集中的圖像投影到特征空間中： ()一幅圖像投影完，可形成一個(gè)向量，其中，這個(gè)向量就是原始圖像在特征空間中的表示，每個(gè)分量都代表對(duì)應(yīng)的特征臉在表征這幅圖像中的重要度。按照式()計(jì)算新圖像和訓(xùn)練集中圖像的距離： ()其中。給訓(xùn)練集設(shè)定一個(gè)閾值，若存在使得成立，則可以繼續(xù)判斷圖像隸屬于訓(xùn)練集中哪個(gè)人，若所有的都大于，則判定圖像不屬于人臉庫(kù)中任何一人。換言之，就是尋找一個(gè)投影空間，使得訓(xùn)練圖像投影到該空間后類間散度和類內(nèi)散度比值最大。如果是非奇異的，那么LDA算法準(zhǔn)則函數(shù)為： ()其中是與和的前p個(gè)最大廣義特征值對(duì)應(yīng)的廣義特征向量，即有： ()廣義特征值個(gè)數(shù)最多c1個(gè)，其中c是訓(xùn)練集中類別數(shù)。如果最小，說(shuō)明測(cè)試圖像x和訓(xùn)練圖像最相近，可認(rèn)為圖像x和同屬一人。尤其人臉圖像由于受到環(huán)境條件的影響較大，其表觀都會(huì)發(fā)生不同程度的變化。KeunChang Kwak等提出模糊線性判別（FLDA）方法，引入模糊技術(shù)改進(jìn)了原始的LDA線性判別分析方法，F(xiàn)LDA方法能更加有效的提取對(duì)識(shí)別有用的信息。記訓(xùn)練集，共包含c個(gè)人的N幅臉部圖像。根據(jù)模糊集約束，隸屬度要滿足如下兩個(gè)條件： ()K近鄰方法計(jì)算隸屬度過(guò)程如下：首先計(jì)算訓(xùn)練集中任意兩個(gè)樣本間距離，然后記錄每個(gè)樣本附近與該樣本最鄰近的k個(gè)樣本的類別信息，最后可根據(jù)式()計(jì)算第j個(gè)樣本屬于第i類的隸屬度： ()其中，是第j個(gè)樣本k個(gè)最鄰近點(diǎn)中屬于第i類的樣本個(gè)數(shù)。得到樣本隸屬度后，就可以計(jì)算模糊線性判別分析的投影矩陣了，利用最優(yōu)投影矩陣將訓(xùn)練樣本投影至子空間中，可以得到人臉在Fisher準(zhǔn)則下的最優(yōu)表示。4 基于PCA和FLDA的人臉識(shí)別 基于PCA+FLDA的人臉識(shí)別算法綜合第三章提到的三種人臉識(shí)別算法，不難發(fā)現(xiàn)，F(xiàn)LDA算法具有最好的分類效果，但FLDA算法存在兩個(gè)不可避免的問(wèn)題：第一是由于人臉圖像的高維數(shù)產(chǎn)生的計(jì)算復(fù)雜問(wèn)題；第二是奇異。具體步驟如下：1) 應(yīng)用主成分分析（PCA）方法對(duì)人臉空間進(jìn)行特征提取（同時(shí)降維）后投影到特征臉空間。需要注意的是，第一步PCA對(duì)人臉空間降維過(guò)程中，特征臉空間的維數(shù)要謹(jǐn)慎選擇，維數(shù)選擇得當(dāng)則可以解決奇異的問(wèn)題，同時(shí)保證降維后的特征臉空間盡可能保留了原始圖像空間的線性可分性。由此可見，PCA+FLDA的人臉識(shí)別算法是一種比較優(yōu)秀的算法，它既包含了PCA算法能在均方誤差最小情況下對(duì)原始圖像進(jìn)行降維重構(gòu)的優(yōu)點(diǎn)，又包含了FLDA算法優(yōu)秀的分類識(shí)別能力。整體算法結(jié)構(gòu)圖如下圖所示：顯示識(shí)別結(jié)果訓(xùn)練圖像測(cè)試圖像隨機(jī)讀取圖像PCA特征提取FLDA線性分類歐氏距離分類 PCA+FLDA算法結(jié)構(gòu)圖 實(shí)驗(yàn)仿真由于圖像的本質(zhì)就是由若干像素點(diǎn)排列成點(diǎn)陣，因此圖像處理可以等同于矩陣計(jì)算。實(shí)驗(yàn)時(shí)在人臉數(shù)據(jù)庫(kù)中隨機(jī)抽取訓(xùn)練集樣本與測(cè)試集樣本，并在同等條件下進(jìn)行多次重復(fù)實(shí)驗(yàn)，最后計(jì)算識(shí)別率并繪制曲線圖。Yale人臉庫(kù)主要特點(diǎn)是光照的變化明顯。剩下的每人5張，共計(jì)75張圖像為測(cè)試樣本； （3）利用主成分分析方法（PCA）對(duì)人臉圖像進(jìn)行降維處理，提取特征信息，投影到子空間生成特征臉空間，： +07的特征臉（4）在經(jīng)過(guò)PCA方法降維處理后的特征臉空間上應(yīng)用奇異值分解（SVD）和FLDA算法計(jì)算出新的最優(yōu)投影矩陣。隨機(jī)抽取測(cè)試集待測(cè)人臉圖像如下圖所示： 測(cè)試集第7張人臉圖像： （6）相同條件下重復(fù)實(shí)驗(yàn)50次，求出PCA+FLDA算法下的平均識(shí)別率和方差，繪制識(shí)別率曲線圖。 ORL人臉庫(kù)ORL人臉庫(kù)又被稱為ATam