【正文】 臉識別技術(shù)在用戶不配合下魯棒性差和采集條件不理想的問題。Shashua等人基于上圖像的人臉圖像識別與繪制技術(shù)。Georghiades等人基于光照錘模型的多姿態(tài)，多光照條件人臉識別方法。二、多姿態(tài)人臉識別現(xiàn)狀從姿態(tài)角度來看，人臉識別被分為正面人臉識別和多姿態(tài)人臉識別，其中正面的人臉識別研究開始的較早，研究水平較高，并且取得了很大的結(jié)果，但是有姿態(tài)變換的人臉圖像識別研究雖已有涉及，有學(xué)者發(fā)表過一些相關(guān)論文，但仍然存在很多問題沒有解決，目前人臉識別技術(shù)沒有得到足夠推廣的一個重要原因就在于此。其中最為明顯的是基于灰度匹配的主成分分析算法。因此，考慮到人臉姿態(tài)的多樣性對人臉識別造成的困難以及多姿態(tài)人臉識別研究的必要性，研究人員必須加強(qiáng)對人臉識別中多姿態(tài)問題的解決。有學(xué)者提出了3D模型的重建算法，以此來解決目前當(dāng)人臉圖像的姿態(tài)變化和光線變化時，人臉識別系統(tǒng)識別率容易受到影響的問題。因?yàn)楣饩€和姿態(tài)變化不會對人臉的 3D 模型造成影響，所以它可以在提高現(xiàn)有識別系統(tǒng)的識別率上做出很大貢獻(xiàn)。 國內(nèi)從二十世紀(jì)九十年代開始研究人臉識別技術(shù)。他們首先用偽逆矩陣代替逆矩陣、在類內(nèi)散布矩陣中添加奇異值擾動，然后討論了類內(nèi)散布矩陣的求解空間，逐漸完善其求解算法。以上算法在很大程度上推動了國內(nèi)人臉識別技術(shù)的飛快發(fā)展。此外還有 Lades 等人采用的利用彈性匹配技術(shù)[3]對不同姿態(tài)人臉進(jìn)行識別的方法，由于人臉圖像通常缺乏足夠的紋理信息，無法滿足此方法需要的準(zhǔn)確定位特征的要求。很明顯，這種方法會使得訓(xùn)練集的數(shù)據(jù)量極其龐大，很難在實(shí)際應(yīng)用中推廣。研究應(yīng)用PCA的特征提取方法，和K最近鄰分類器。第三節(jié) 人臉識別的應(yīng)用前景目前流行的很多身份驗(yàn)證手段，如眼睛虹膜、指紋等身份驗(yàn)證需要與目標(biāo)相近或者接觸這樣較高的數(shù)據(jù)采集要求。目前生物識別技術(shù)已廣泛用于政府、軍隊(duì)、銀行、福利、電子商務(wù)、安全防務(wù)等領(lǐng)域。在民事和經(jīng)濟(jì)領(lǐng)域，社會保險人的身份驗(yàn)證，各類銀行卡、信用卡、儲蓄卡的身份驗(yàn)證方面，人臉識別均具有重要的應(yīng)用價值。，由此可見人臉圖像識別具有廣闊的應(yīng)用前景。人臉識別的發(fā)展趨勢如下[6]：① 近紅外解決人臉識別光照難題人臉識別系統(tǒng)的性能受很多外部環(huán)境的制約，如年齡變化、姿勢變化、表情變化、光照變化、配飾變化等的影響，其中光照變化對人臉識別的影響最為關(guān)鍵，因此制約人臉識別技術(shù)普及的關(guān)鍵技術(shù)瓶頸即是人臉識別對外部光照環(huán)境的適應(yīng)力和控制力。② 人臉識別與視頻監(jiān)控的無縫對接中科院自動化所的科學(xué)家和廣大工程技術(shù)人員開創(chuàng)了基于可見光下的中遠(yuǎn)距離人臉識別算法的公共安防智能報警平臺，可同時檢測、跟蹤和識別多路攝像頭監(jiān)控范圍內(nèi)的多個人臉，并與數(shù)據(jù)庫中人員的面部信息進(jìn)行比對，實(shí)時對來往人員身份的排查，一旦發(fā)現(xiàn)可疑分子，后臺會自動報警，并指導(dǎo)安保人員極早采取防范措施。③ 人臉識別與身份證管理的無縫對接通過將測試圖片與訓(xùn)練庫中照片逐一比對，根據(jù)對比結(jié)果按相似度排列，從而對照片中的人進(jìn)行準(zhǔn)確身份識別的中科奧森海量數(shù)據(jù)庫人臉識別快速查證系統(tǒng)支持對數(shù)千萬人數(shù)據(jù)庫進(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?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，將其推廣到各個領(lǐng)域。人臉識別目前是一項(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，人臉追蹤偵測，自動確定動態(tài)曝光補(bǔ)償，自動調(diào)整影像的放大；它屬于生物特征識別技術(shù)的范疇，是對各種人臉進(jìn)行檢測并識別的概稱。 廣義“人臉識別”研究范圍主要包括以下方面[7]:① 人臉檢測:在不同背景下檢測出待檢測區(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:人臉通過某種表示方式檢測出來的特征。③ 人臉的識別:主要是比較需要識別的人臉和數(shù)據(jù)庫中人臉。④ 姿態(tài)分析:主要是分析需要識別的人臉姿態(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。在特征提取過程中，根據(jù)不同的識別策略選擇相應(yīng)的識別特征：基于神經(jīng)網(wǎng)絡(luò)的方法：用歸一化后的灰度圖像來提取特征值或特征向量作為輸入，網(wǎng)絡(luò)的輸出作為識別結(jié)果；基于幾何特征的識別方法：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)作為識別特征；基于統(tǒng)計(jì)的識別方法：利用了圖像的相關(guān)矩陣來求特征向量，每一個特征向量；對應(yīng)一張?zhí)卣髂槨?傳統(tǒng)的人臉識別系統(tǒng)框圖第三節(jié) 人臉識別的性能評價因?yàn)槿四樧R別是一項(xiàng)實(shí)用的技術(shù)，所以評價人臉識別算法的好壞[9]也必須從實(shí)用角度出發(fā)。其次，識別時間決定一種算法從理論到實(shí)踐的過渡和跨越，因此它是衡量人臉識別算法好壞的關(guān)鍵指標(biāo)。下面將對這些性能指標(biāo)分別進(jìn)行介紹。因?yàn)橛?xùn)練樣本不同的組合產(chǎn)生的鑒別矢量會對識別率產(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，用來調(diào)整算法中的參數(shù)；其二作為 “校驗(yàn)集”，用于評價推廣的誤差。 識別時間 因?yàn)槿四樧R別技術(shù)是要應(yīng)用到實(shí)際中，所以實(shí)時性是人臉識別技術(shù)的一個重要的性能指標(biāo)。一般情況下，訓(xùn)練時間相對來講不重要（人臉識別系統(tǒng)的訓(xùn)練為離線訓(xùn)練），但分類識別所需的時間標(biāo)志著人臉識別系統(tǒng)是否具有實(shí)時性，決定了人臉識別系統(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)變換的人臉圖像識別方法，于是識別流程中多了姿態(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別系統(tǒng)的操作過程。其中，制約人臉識別率提高最重要的因素是姿態(tài)變化。本文針對只能獲取少量訓(xùn)練樣本的情況下，用正弦變換方法對測試集校正處理，用PCA算法來進(jìn)行特征的提取，并且使用K最近鄰分類器，來對多姿態(tài)人臉識別全面的研究。現(xiàn)實(shí)中，識別精度降低主要因?yàn)闇y試人臉圖像姿態(tài)變化對它的影響。該方法相較于傳統(tǒng)的人臉識別系統(tǒng)的優(yōu)勢是它加入姿態(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)對多姿態(tài)人臉識別的問題有一些作用，但是整體來說仍然存在很大的不足：它需要將多視圖為基本條件，需要對每個人臉從多個視角都進(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)練和測試樣本中取得不錯的效果。三維的方法對于解決姿態(tài)問題是最有效的方法，但是由于三維圖像的獲取比較困難，獲取時間長，在獲取過程中對用戶的干擾比較大，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，耗時多，因此在識別應(yīng)用中暫時沒能得到推廣。針對訓(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。對人臉識別系統(tǒng)的識別率起直接作用的就是測試樣本與訓(xùn)練樣本的一致性。為了提高訓(xùn)練樣本和測試樣本的一致性，我們采取姿態(tài)校正的方法來將ORL庫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)校正的人臉識別框架。測試階段，需要先檢查到待測人臉，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，最后將識別信息輸出[12]。本文所說的姿態(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別的實(shí)效性和可操作性。這時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)來實(shí)施不同的尺度旋轉(zhuǎn)，這樣就能拉伸一邊的同時壓縮另一邊。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)，可以通過插值運(yùn)算，便可求得此圖像上各個像素點(diǎn)所對應(yīng)的灰度值。 y = 1, 2......, n}，經(jīng)過正弦變換后，網(wǎng)格點(diǎn)的 y 值為： y 39。()式的變形為： y39。圖像新的網(wǎng)格點(diǎn)是由{( x , y 39。 y = 1,2......, n}組成的。)的灰度值和原圖像S在 ( x , y )點(diǎn)的相同，所以由 S’ 作插值計(jì)算就可以得到圖像在網(wǎng)格點(diǎn){( x , y 39。 y = 1,2......, n}的值，它就是姿態(tài)校正后的圖像。并手動確定人臉中軸線，然后比較旋轉(zhuǎn)后圖片人臉中軸線兩邊的像素點(diǎn)差值，判斷哪一個旋轉(zhuǎn)后的圖片差值最小，就認(rèn)為此角度旋轉(zhuǎn)效果最好，校正后的人臉最接近正面人臉。以下4張圖分別展示了所選取的ORL庫人臉右偏原圖，和手動標(biāo)示出中軸線的原圖；進(jìn)行左偏姿態(tài)校正后的人臉圖像；標(biāo)示出人臉中軸線的校正效果圖；以及存儲在pix_diff中的人臉中軸線兩邊圖像像素差值。以下4張圖分別展示了所選取的ORL庫人臉左偏原圖，和手動標(biāo)示出中軸線的原圖；進(jìn)行左偏姿態(tài)校正后的人臉圖像；標(biāo)示出人臉中軸線的校正效果圖；以及存儲在pix_diff中的人臉中軸線兩邊圖像像素差值。第四節(jié) 本章小結(jié)本章討論了針對多姿態(tài)人臉識別的策略和方法，本文使用簡單的平面內(nèi)姿態(tài)校正來解決姿態(tài)問題對人臉識別系統(tǒng)的影響，提高系統(tǒng)的可操作性和實(shí)效性。由于本文所選用的人臉庫是ORL人臉庫，里面包含各種姿勢，表情的人臉，有些人沒有正面樣本，只有側(cè)面樣本，所以在識別的時候，本文將ORL庫中的所有圖片都進(jìn)行了校正，然后再進(jìn)行人臉識別。本章分析研究了將基于正弦變換的人臉姿態(tài)校正模塊加到普通的人臉識別框架中的算法。校正后的圖像并沒有改變原圖像中的紋理信息。這種方法不需要復(fù)雜的3D人臉重建，而且它是直接從原始圖像上映射紋理，保留了全部的紋理信息，所以能快速的校正得到正面的人臉圖像。如一幅 N*N（本實(shí)驗(yàn)中為56*46）像素的圖像，無論是訓(xùn)練集還是測試集中的圖像，他們都對應(yīng)于 N2維空間中的唯一點(diǎn)。判定一個度量指標(biāo)的優(yōu)秀不僅要求它真實(shí)可靠，還必須能夠最大限度的體現(xiàn)出個體間的差異。本實(shí)驗(yàn)所用的ORL人臉庫，絕大部分人臉的背景區(qū)域差別很小，表達(dá)圖像時，這些維度的投影對區(qū)分不同人臉身份的“貢獻(xiàn)”不大，可以認(rèn)為這些投影是圖像表達(dá)的冗余信息。PCA 算法是通過去除了原始數(shù)據(jù)的相關(guān)性，達(dá)到了降低維數(shù)的效果。之后把訓(xùn)練集和測試集的圖像投影到行的表示空間，那么任何一張圖片都是新的表示空間的一個點(diǎn)，與測試圖像點(diǎn)最近的一個或多個點(diǎn)所代表的那張人臉圖像就與測試圖像是同一類的。如果進(jìn)行投影的結(jié)果。下面分別進(jìn)行介紹：（1）、去除原始數(shù)據(jù)相關(guān)性根據(jù)概率學(xué)，隨機(jī)變量X與Y的協(xié)方差為，記作CovX,Y。則X與Y是相關(guān)的，則X與Y是不相關(guān)的。我們可以通過計(jì)算方差的大小來判定特征向量是否重要。特征臉中的任意一個單位向量都可以表示一個特征臉。奇異值分解（SVD）設(shè)A是秩為r的m*n（mn）維矩陣，則存在一個對角陣和兩個正交矩陣使得： （43）其中， ,且 。其中為的非零特征值，分別是對應(yīng)于的特征向量。在求出特征向量后需要將其單位化。下面對 KL 變換作一個簡單的描述: 如果X為n維的隨機(jī)變量，n代表n個空間基向量的和，那么： (48)其中： 是基向量，是加權(quán)系數(shù)，X還可以表示成矩陣相乘形式: (49)選取正交向量作為基向量，即 (410)則系數(shù)向量為： (411)KL變換的本質(zhì)是新建坐標(biāo)系，沿特征矢量對齊的方向?qū)⒁粋€物體的主軸做旋轉(zhuǎn)變換，初始數(shù)據(jù)向量的各個分量之間相關(guān)性由此解除，然后去掉所有帶有很少“能量”的坐標(biāo)系來降低特征空間的維數(shù) [14]。圖像信息的次要分量代表了圖像的高頻成分，描述了圖像的具體細(xì)節(jié)，而細(xì)節(jié)部分往往不能被人們感知，保留它們對人們的視覺感知沒有特殊效果，根據(jù)主成分的排序去除其中次要的分量后不影響視覺效果，但是數(shù)據(jù)已得到很大的壓縮。三、模式識別例如本文所使用的一系列圖像，每幅圖像像素大小為N*N，即每幅圖片都可以表示為一個N2維的列向量。訓(xùn)練集是200幅不同的人臉圖像，人臉結(jié)構(gòu)具有很大的相似性（ORL人臉庫中收集了40個人的圖像，其中每人10張圖片，選取前5張作為訓(xùn)練集，后5張作為測試集），PCA方法的實(shí)質(zhì)是尋找測試樣本和訓(xùn)練樣本圖像中相似的維度。測試人臉如果屬于訓(xùn)練集中的某一人，則會在主成分中找到對應(yīng)的“模式”。第四節(jié) 本章小結(jié)本章主要詳細(xì)介紹了PCA特征提取方法的一些原理，概念等。PCA方法的實(shí)質(zhì)是尋找測試樣本和訓(xùn)練樣本圖像中相似的維度。PCA在某些方面來說是分離數(shù)據(jù)的最佳的方向，但是對于一個非線性的數(shù)據(jù)來說，很難做出好的線性分類，這種情況下，可以考慮核PCA的方法，即核主成分分析方法（KPCA）[14]。第五章 人臉識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)第一節(jié) 仿真實(shí)驗(yàn)流程圖 仿真流程圖① 確定訓(xùn)練樣本和測試樣本；② 通過PCA變換矩陣實(shí)現(xiàn)降維的效果；③ 投影到降維子空間生成相對應(yīng)的坐標(biāo)；④ 通過最鄰近距離分類法實(shí)施識別。首先對該庫做一個簡單的介紹：① ORL人臉庫從40個人處采集每人10幅，所以人臉圖像共計(jì)400幅② 這個數(shù)據(jù)庫較為規(guī)范，背景單一，基本上圖像的光照和強(qiáng)度都差不多。 實(shí)驗(yàn)中我們將每個人的前5張圖片作為測試集，后5張圖片作為訓(xùn)練集，每次隨機(jī)選取測試集中的一張圖片與訓(xùn)練集圖片進(jìn)行對比識別，并識別結(jié)果。每次我們從200張人臉圖像中選取一張作為測試人臉，其余200張人臉圖像構(gòu)成訓(xùn)練集，那么測試圖像可表示為1*2576的行向量，訓(xùn)練集可表示為200*2576的矩陣。PCA算法就是找到能夠最好地說明圖像在圖像空間中的分布情況的主成分，這些主成分所張成的空間構(gòu)成了新的原始圖像表示空間。二、計(jì)算KL變換的生成矩陣訓(xùn)練集的協(xié)方差矩陣[16]為： (51)A=?1,?2,…,?M,?i=ximx， mx是平均人臉，M為訓(xùn)練人臉數(shù)，協(xié)方差矩陣C