【正文】 成為一個(gè)非常困難的問題，表現(xiàn)在以下方面: ，人臉具有多樣的變化能力，人的臉上分布著五十多塊面部肌肉，這些肌肉的運(yùn)動(dòng)導(dǎo)致不同面部表情的出現(xiàn)，會(huì)造成人臉特征的顯著改變； ，隨著年齡的增長(zhǎng)，皺紋的出現(xiàn)和面部肌肉的松弛使得人臉的結(jié)構(gòu)和紋理都將發(fā)生改變； ，例如改變發(fā)型，蓄留胡須或者佩戴帽子和眼鏡等飾物； ，人臉全部、部分遮掩將會(huì)造成錯(cuò)誤識(shí)別； ，由于光照、視角、攝取角度不同，可能會(huì)造成圖像的灰度畸變、角度旋轉(zhuǎn)等，降低了圖像質(zhì)量，增大了識(shí)別難度。另外人臉識(shí)別還涉及模式識(shí)別、圖像處理、計(jì)算機(jī)視覺、生理學(xué)和心理學(xué)等學(xué)科領(lǐng)域。同時(shí)一個(gè)成功的、具有商用價(jià)值的快速的人臉識(shí)別系統(tǒng)將會(huì)給社會(huì)帶來極大的影響。Bledsoe以人臉特征點(diǎn)的間距、比率等參數(shù)為特征，建成了一個(gè)半自動(dòng)的人臉識(shí)別系統(tǒng)。 第一階段一非自動(dòng)識(shí)別階段:主要研究如何提取人臉識(shí)別所需的特征。這是需要手工干預(yù)的階段。在Bertillon系統(tǒng)中，用了一個(gè)簡(jiǎn)單的語(yǔ)句與數(shù)據(jù)庫(kù)中的某一張臉相聯(lián)系，同時(shí)與指紋識(shí)別相結(jié)合，提供了一個(gè)較強(qiáng)的識(shí)別系統(tǒng)。在此階段，識(shí)別過程全部依賴于操作人員，所以不是一種自動(dòng)識(shí)別的系統(tǒng)。此階段的代表性工作有:Goldstion、Harmon和Lesk等人用幾何特征參數(shù)來表示人臉正面圖像[4]。Kaya和Kobayashi則采用了統(tǒng)計(jì)識(shí)別的方法，用歐氏距離來表示人臉特征[5]，例如嘴和鼻子之間的距離，嘴唇的高度，兩眼之間的距離等。Kanad的系統(tǒng)實(shí)現(xiàn)了快速、實(shí)時(shí)的處理，是一個(gè)很大的進(jìn)步。 第三階段一自動(dòng)識(shí)別階段:這一階段真正實(shí)現(xiàn)了機(jī)器自動(dòng)識(shí)別，產(chǎn)生了眾多人臉識(shí)別方法，出現(xiàn)了多種機(jī)器全自動(dòng)識(shí)別系統(tǒng)。近年來，人臉識(shí)別技術(shù)研究也非?；钴S，除了基于K一L變換的特征臉方法與奇異值特征為代表的代數(shù)特征方法取得了發(fā)展外[8][9]，人工神經(jīng)網(wǎng)絡(luò)[10][11]、隱馬爾可夫模型目前，國(guó)外對(duì)人臉識(shí)別問題的研究比較多，其中比較著名的有MTI、CMU、Cornell和Rockfeller等，MPEG標(biāo)準(zhǔn)組織也已經(jīng)建立了專門的人臉識(shí)別草案小組。截至2005年3月，EIEE/IEE全文數(shù)據(jù)庫(kù)中收錄的關(guān)于“face”的文章8916篇，其中有關(guān)“face recognition”的3280篇，%，并且每年的文獻(xiàn)呈急劇上升趨勢(shì)。國(guó)內(nèi)對(duì)人臉識(shí)別領(lǐng)域的研究起步較國(guó)外晚，但近十年來呈現(xiàn)飛速發(fā)展，據(jù)中國(guó)期刊網(wǎng)統(tǒng)計(jì)，1996年至2005年3月，有關(guān)“人臉”的文獻(xiàn)1467篇，其中人臉識(shí)別領(lǐng)域的文章494篇，并且再近幾年獲得快速增長(zhǎng)，也預(yù)示人臉識(shí)別領(lǐng)域得到快速發(fā)展。 自動(dòng)人臉識(shí)別技術(shù)(AFR)就是利用計(jì)算機(jī)技術(shù)，根據(jù)數(shù)據(jù)庫(kù)的人臉圖像，分析提取出有效的識(shí)別信息，用來“辨認(rèn)”身份的技術(shù)。人臉識(shí)別的研究范圍廣義上來講大致包括以下五個(gè)方面的內(nèi)容。這一任務(wù)主要受到光照、噪聲、面部?jī)A斜以及各種各樣遮擋的影響。通常的表示方法包括幾何特征(如歐氏距離、曲率、角度)、代數(shù)特征(如矩陣特征向量)、固定特征模板等。這一過程的核心是選擇適當(dāng)?shù)娜四槺碚鞣绞脚c匹配策略。(Physical Classification):即對(duì)待識(shí)別人臉的生理特征進(jìn)行分析，得出其年齡、性別等相關(guān)信息，或者從幾幅相關(guān)的圖像推導(dǎo)出希望得到的人臉圖像，如從父母圖像推導(dǎo)出孩子的臉部圖像和基于年齡增長(zhǎng)的人臉圖像估算等。(Face Verification/Authentication):即是回答“是不是某人?(Am I whom I claim I am?)”的問題。(Face Identification/Recognition):即是回答“是誰(shuí)?(Who am I?)”的問題。它是個(gè)“一對(duì)多”的多類模式分類問題，通常所說的人臉識(shí)別即指此類問題，這也是本文的主要研究?jī)?nèi)容。這表明在視覺處理過程中，神經(jīng)元并不是隨便的、不可靠的把視覺圖像的光照強(qiáng)度投射到感覺中樞，它們可以檢測(cè)模式單元，區(qū)分物體的深度，排除無關(guān)的變化因素，并組成一個(gè)令人感興趣的層次結(jié)構(gòu)。 。若存在明顯的局部特征，整體特征將不起作用； 。但在側(cè)面人臉識(shí)別中，鼻子對(duì)特征點(diǎn)的匹配很有作用。低頻信息代表了整體的描述，高頻信息包含了局部的細(xì)節(jié)。有實(shí)驗(yàn)表明，從人臉底部打光會(huì)導(dǎo)致識(shí)別困難； 。性別的人臉識(shí)別的難易程度不同，這可能因?yàn)椴煌愋偷娜四槇D像具有不同的特征； 。 人臉識(shí)別是一種復(fù)雜的信息處理任務(wù)，它的研究涉及計(jì)算機(jī)技術(shù)、心理學(xué)和神經(jīng)生理學(xué)。但除少數(shù)文獻(xiàn)外[24]，機(jī)器識(shí)別人臉的研究還是獨(dú)立于心理學(xué)和神經(jīng)生理學(xué)的研究的。一個(gè)完整的自動(dòng)人臉識(shí)別系統(tǒng)還包括人臉檢測(cè)定位和數(shù)據(jù)庫(kù)的組織等模塊，如圖11。下面分別介紹這兩個(gè)環(huán)節(jié)。在某些可以控制拍攝條件的場(chǎng)合，如警察拍罪犯照片時(shí)將人臉限定在標(biāo)尺內(nèi)，此時(shí)人臉的定位很簡(jiǎn)單。在另一些情況下，人臉在圖像中的位置預(yù)先是未知的，比如在復(fù)雜背景下拍攝的照片，這時(shí)人臉的檢測(cè)與定位將受以下因素的影響: 、角度、不固定尺寸以及光照的影響； 、眼鏡、胡須以及人臉的表情變化等； 。前者是指根據(jù)人臉定位結(jié)果將圖像中的人臉變化到同一位置和大小；后者是指對(duì)圖像進(jìn)行光照補(bǔ)償?shù)忍幚?，以克服光照變化的影響，光照補(bǔ)償能夠一定程度的克服光照變化的影響而提高識(shí)別率。這個(gè)過程是一對(duì)多或者一對(duì)一的匹配過程，前者是確定輸入圖像為圖像庫(kù)中的哪一個(gè)人(即人臉識(shí)別)，后者是驗(yàn)證輸入圖像的人的身份是否屬實(shí)(即人臉驗(yàn)證)。在許多特定場(chǎng)合下人臉的檢測(cè)與定位相對(duì)比較容易，因此“特征提取與人臉識(shí)別環(huán)節(jié)”得到了更廣泛和深入的研究。本文主要研究人臉的特征提取與分類識(shí)別的問題。文獻(xiàn)[25][26]對(duì)近十年來人臉識(shí)別領(lǐng)域取得的成果進(jìn)行了總結(jié)。本文在深入研究國(guó)內(nèi)外人臉識(shí)別技術(shù)的發(fā)展和研究成果的同時(shí)，將已有的不同的分類方法做一個(gè)比較，目的是希望能從不同角度認(rèn)識(shí)人臉識(shí)別問題，在較全面的了解各種方法優(yōu)缺點(diǎn)的基礎(chǔ)上，給本文的人臉識(shí)別方法提供研究方向。由于實(shí)際情況的要求，對(duì)人臉正面模式的研究最多，這也是本文的研究?jī)?nèi)容。靜態(tài)人臉識(shí)別，即人臉來源為穩(wěn)定的二維圖像如照片。在頭部運(yùn)動(dòng)和表情變化狀態(tài)下的人臉識(shí)別都可以看作動(dòng)態(tài)人臉識(shí)別，如視頻監(jiān)視中的人臉識(shí)別。本文的研究也是基于靜止圖像的。這是人臉識(shí)別技術(shù)發(fā)展中，應(yīng)用最早的方法。所構(gòu)造的幾何特征既要清晰區(qū)分不同對(duì)象人臉的差異，又要對(duì)光照背景條件不敏感，常規(guī)的幾何特征量很難滿足這些要求?；谀０迤ヅ涞姆椒?，主要是利用計(jì)算模板和圖像灰度的自相關(guān)性來實(shí)現(xiàn)識(shí)別功能。Berto在[27]中將基于幾何模型的人臉識(shí)別方法和模板匹配進(jìn)行了全面比較后，得出結(jié)論:前者具有識(shí)別速度快和內(nèi)存要求小的優(yōu)點(diǎn)，但在識(shí)別率上后者要優(yōu)于前者?？傊?，認(rèn)為模板匹配法要優(yōu)于幾何特征法。該方法包括特征臉法(Eigenface)、神經(jīng)網(wǎng)絡(luò)方法(NN)、隱馬爾可夫模型方法(HMM)和支持向量機(jī)(SVM)等方法。所以該方法，從原理上更為先進(jìn)合理，實(shí)驗(yàn)中也表現(xiàn)出更好的識(shí)別效果。該方法在上文中已有闡述，它將人臉用一個(gè)幾何特征矢量表示，用模式識(shí)別中層次聚類的思想設(shè)計(jì)分類器達(dá)到識(shí)別目的。由于人面部的模式千變?nèi)f化，即使是同一個(gè)人的面部圖像，由于時(shí)間、光照、攝影機(jī)角度等不同，也很難用一個(gè)統(tǒng)一的模式來表達(dá)，造成了特征提取的困難。而且在表情分析方面，人臉的幾何特征仍然是最有力的判據(jù)。該方法在實(shí)際應(yīng)用中取得了一定的成功[28]。所以，也說明了這種方法對(duì)表情的描述不夠充分，難以用于表情分析。這種方法的優(yōu)勢(shì)在于保存了人臉圖像中的紋理信息及細(xì)微的形狀信息，同時(shí)避免了較為復(fù)雜的特征提取工作。與前兩種識(shí)別方法相比，基于連接機(jī)制的識(shí)別法具有以下明顯不同:信息處理方式是并行而非串行。但由于原始灰度圖像數(shù)據(jù)量十分龐大，因此神經(jīng)元數(shù)目通常很多，訓(xùn)練時(shí)間很長(zhǎng)。神經(jīng)網(wǎng)絡(luò)雖然有較強(qiáng)的歸納能力，但當(dāng)樣本數(shù)目大量增加時(shí)，其性能可能會(huì)嚴(yán)重下降。此分類方法即符合人臉識(shí)別技術(shù)發(fā)展的歷史，又將人臉特征提取與分類識(shí)別有機(jī)的結(jié)合在一起。圖12列出了主要的人臉特征與綜合方法。目前，靜止圖像的人臉識(shí)別方法主要是基于樣本通過統(tǒng)計(jì)學(xué)習(xí)識(shí)別人臉的方法，主要研究方向有:基于代數(shù)特征的識(shí)別方法，包括特征臉(Eigenface)方法[8]和隱馬爾可夫模型(HMM)方法[31]；基于連接機(jī)制的識(shí)別方法，包括一般的神經(jīng)網(wǎng)絡(luò)方法和彈性圖匹配(Elastic Graph Matching)方法[32]，以及以上方法的一些綜合方法。因?yàn)榛谡w的人臉識(shí)別不僅保留了人臉部件的拓?fù)潢P(guān)系，而且也保留了各部件本身的信息。對(duì)于基于整個(gè)人臉的識(shí)別而言，由于把整個(gè)人臉圖像作為模式，那么光照、視角以及人臉尺寸會(huì)對(duì)人臉識(shí)別有很大的影響，因此如何能夠有效的去掉這些干擾就尤為關(guān)鍵。但是NN方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，降維就顯得尤為重要。除此之外，由于人臉處在高維空間，如一幅不大的100x100的圖像為10000維，這樣神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)將很龐大，因此實(shí)際訓(xùn)練網(wǎng)絡(luò)的參數(shù)繁多，實(shí)現(xiàn)起來很困難。鑒于以上考慮，本文未對(duì)此方法進(jìn)行重點(diǎn)研究。從對(duì)人臉識(shí)別方法的分析中可以看出，每種方法各有其優(yōu)缺點(diǎn)，因此一些學(xué)者傾向于將多種方法綜合起來，或同時(shí)利用不同種類的特征，圖12為人臉圖像可以提取的特征以及可能的特征綜合方法。 人臉識(shí)別是近年來研究的熱點(diǎn)，各國(guó)研究人員提出了各種新的識(shí)別算法，為測(cè)試和比較各種識(shí)別技術(shù)的優(yōu)缺點(diǎn)及其識(shí)別率的高低，世界各研究機(jī)構(gòu)都建立了各自的人臉測(cè)試和測(cè)評(píng)數(shù)據(jù)庫(kù)，下面介紹一些著名的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。每個(gè)對(duì)象10幅圖像共計(jì)400幅灰度圖像組成，圖像尺寸為92xlZl，圖像背景為黑色。該庫(kù)是目前使用最廣泛的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，它含有大量的比較結(jié)果。訓(xùn)練集對(duì)光源有一定的約束。3. Yale耶魯人臉庫(kù) 該數(shù)據(jù)庫(kù)包括15人每個(gè)人11幅正視圖，每幅圖像具有不同的面部表情、有或者無眼鏡，這些圖像在不同光照條件下拍攝。4. 歐洲M2VTS多模型數(shù)據(jù)庫(kù) 該庫(kù)是用來作為多模型輸入的通路控制實(shí)驗(yàn)，它包括37個(gè)人的序列人臉圖像。該庫(kù)主要用于測(cè)試多模式身份識(shí)別。該數(shù)據(jù)庫(kù)中不包含戴眼鏡的照片，拍攝條件也有一定的限制。1996年6月，該數(shù)據(jù)庫(kù)己存儲(chǔ)了1199個(gè)人的14126幅圖像，而且逐年增加。FERTE數(shù)據(jù)庫(kù)的最大缺點(diǎn)是非美研究機(jī)構(gòu)的獲取不便。不同的人臉數(shù)據(jù)庫(kù)，圖像的質(zhì)量和內(nèi)容也是不同的，為了客觀的、全面的測(cè)試人臉識(shí)別方法的性能，考慮不同因素對(duì)識(shí)別方法的影響，本文的人臉識(shí)別方法主要應(yīng)用了ORL、Manchester、Yale和部分FERET人臉數(shù)據(jù)庫(kù)進(jìn)行測(cè)試。在分析人臉識(shí)別方法理論基礎(chǔ)的同時(shí)，針對(duì)其中的特征提取與分類識(shí)別的關(guān)鍵環(huán)節(jié)進(jìn)行了改進(jìn)，提高了識(shí)別性能?；谥鞣至糠治?Pr1neipal Components Analysis，PCA)的人臉識(shí)別方法是首次將人臉看作一個(gè)整體，特征提取由手工定義到利用統(tǒng)計(jì)學(xué)習(xí)自動(dòng)獲取特征，是人臉識(shí)別方法上的一個(gè)重要轉(zhuǎn)變。特征臉法是將整個(gè)人臉的圖像區(qū)域看作一隨機(jī)向量，通過CPA獲取正交向量基的方法。圖21 FERET人臉庫(kù)中提取的特征臉示例利用這些向量基的線性組合可以描述、表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉的識(shí)別與合成。PAC至今仍是傳統(tǒng)的人臉特征提取方法。人臉圖像原始特征的數(shù)量很大，或者說樣本處于一個(gè)高維空間中，通過映射(或變換)的方法可以用低維空間來表示樣本，這個(gè)過程稱為特征提取。因此研究如何將高維數(shù)據(jù)空間壓縮到低維特征空間以便有效的識(shí)別分類便成為一個(gè)重要的課題。映射后的特征稱為二次特征，它們是原始特征的某種組合(通常是線性組合)。在科學(xué)研究的眾多研究領(lǐng)域，一個(gè)普遍存在的問題是如何從采集的數(shù)據(jù)中獲取信息。在諸如數(shù)據(jù)分析、信號(hào)處理、神經(jīng)網(wǎng)絡(luò)等應(yīng)用領(lǐng)域，找到多維數(shù)據(jù)的一個(gè)恰當(dāng)?shù)拿枋鍪墙?jīng)常會(huì)遇到的問題。在多維信號(hào)處理中，為了便于研究，通常把采集得到的數(shù)據(jù)(如一系列人臉圖像)看作多維隨機(jī)信號(hào)的一系列樣本值，以便于將隨機(jī)矢量的數(shù)值統(tǒng)計(jì)方法[36][37]應(yīng)用到原數(shù)據(jù)。假設(shè)所有分量都是零均值的，即有E{x}=0，如果不滿足此條件，通過減去其均值可以很容易獲得。假設(shè)這里T是一個(gè)線性變換，于是y中的每個(gè)分量都是原數(shù)據(jù)所有分量的線性組合: (22)對(duì)應(yīng)每個(gè)yi的一組系數(shù)wij,j=1，2，…，n稱為一個(gè)基向量，式(22)寫出矩陣形式為: Y=Wx (23)所以多維數(shù)據(jù)的線性變換就是按照一定的準(zhǔn)則尋找一系列的加權(quán)系數(shù)瑪組成線性變換矩陣砰中的各個(gè)基向量(碎的行向量)，而這m個(gè)基向量構(gòu)成一個(gè)新的坐標(biāo)系。要求變換后的數(shù)據(jù)夕在最大程度上體現(xiàn)原數(shù)據(jù)間隱含的實(shí)質(zhì)結(jié)構(gòu)，并且y的各個(gè)分量盡可能的代表產(chǎn)生原數(shù)據(jù)的系統(tǒng)本身的物理機(jī)制。而這種統(tǒng)計(jì)特性因算法中的基本準(zhǔn)則不同而不同，可能是一階、二階的，如相關(guān)系數(shù)、協(xié)方差等；也可能是高階的，如互信息、非高斯性等，這樣隨之產(chǎn)生了不同的線性變換技術(shù)，如主分量分析(PCA)、奇異值分解(SVD)、投影法(Projection Pursuit)等[38]。主分量分析的目的是在數(shù)據(jù)空間中找到一組向量以盡可能的解釋數(shù)據(jù)的方差，最終將數(shù)據(jù)從原來的n維空間降到m維(nm)，降維后仍保存了數(shù)據(jù)中的主要信息。假設(shè)原始向量特征維數(shù)為n，即xi=(xi1，xi2，…，xni)T，i=1，2，…，N，要求構(gòu)造N個(gè)新的特征yl，y2，…，yn，并使它們滿足以下的條件:，即 (24) b. 各個(gè)新變量之間是不相關(guān)的，即相關(guān)系數(shù)為零: (25) c. wi使yi的能量達(dá)到極大，i=1，2，…，N 可以證明滿足條件的城為樣本的協(xié)方差矩陣Sx=E{XXT}，對(duì)應(yīng)于λi特征值的正交規(guī)范化的特征向量ui，滿足以上條件的新特征y1，y2，…，yn分別稱為樣本點(diǎn)的第1，2，…，N個(gè)主分量。由于yi也是零均值，每個(gè)特征的方差數(shù)值E{yi2}在一定意義下反映了它所包含的能量即信息量。利用W?對(duì)信號(hào)進(jìn)行近似恢復(fù)，得到x?=W?W? Tx。重構(gòu)信號(hào)的均方誤差為E{||xx?||2}。在很多情況下，有效的降維會(huì)使得在最大程度保持原信號(hào)中所蘊(yùn)