【正文】 y technology is used in fuzzy LDA to optimize feature extraction, it can get a better class center position estimate with using membership information to describe the distribution information of the sample. The experimental results on Yale and ORL face database show that this algorithm has high recognition rate. Keywords: Face Recognition。 Fuzzy Linear Discriminate Analysis。人類有著與生俱來的自動識別人臉的能力，能在劇烈變化不確定因素影響下快速且準確的識別人臉，同時進行身份匹配和表情判斷。在目前的技術水平下，幾乎全部的身份驗證還依靠傳統(tǒng)的物理驗證方式來完成，主要包括身份證件、鑰匙、密碼等，但這些驗證方式 存在方便性、可靠性和安全性等問題，因而不能適應社會的發(fā)展和需求。而生物特征識別技術的出現(xiàn)很好的解決了這一問題，近年來已經(jīng)逐步成為重要場所必備的安檢手段。 由于人臉識別對識別對象沒有侵犯性，所以到目前為止是一種最有好的生物特征識別技術。人臉識別技術就是通過圖像采集設備捕捉人類的臉部區(qū)域，然后把捕捉到的人臉圖像和人臉數(shù)據(jù)庫中的圖像進行匹配分析，進而完成身份識別的任務。過去的幾十年里，研究者嘗試利用計算機模仿人類識別人臉能力，提出了許多人臉識別的有效算法。人臉識別的評估報告表明多數(shù)人臉識別方法的最佳性能在人臉姿態(tài)，光照，表情和部分遮擋等因素變化時都會發(fā)生很大的退化，人臉識別因此成為圖像處理，模式識別，人工智能和計算視覺等領域最活躍的研究課題之一，也是本文的主要研究探討對象。所謂的生物特征識別技術是指通過對人類固有的特征進行自動的身份鑒別甄選技術。目前，基于這些人類特征，已有相對應的生物識別技術，比如指紋識別、人臉識別、語音識別、虹膜識別、簽名識別、步態(tài)識別等。而基于生物特征識別的身份鑒定系統(tǒng)與傳統(tǒng)的物理性身份鑒定手段相比，具有唯一性、安全性、可靠性、不易丟 失、不易偽造等優(yōu)點，因此正在逐步取代傳統(tǒng)的身份鑒別方法，在信息安全、金融、交通、公共安全等領域得到了廣泛的應用，并且對其識別技術、識別率等要求越來越高。（ 2）非接觸式操作，對識別對象沒有侵犯性，可被大多數(shù)人接受，理論上來說是最友好的生物特征識別技術。（ 4）用戶界面簡單直接，相比較于文字等信息，圖片信息更 容易被人理解，交互性較強。由此可見，人臉識別技術已經(jīng)逐漸成為最有發(fā)展?jié)摿Φ纳锾卣髯R別技術，是當前的熱門研究課題之一。 另外，對于人臉識別技術的研究也帶動了多門相關學科的相互促進和相互發(fā)展。人臉識別技術的相關研究可以極大地促進這些相關學科領域的發(fā)展、創(chuàng)新和成熟，同時這些學科領域的成熟也反過來促進人臉識別技術中問沈陽航空 航天大學 畢業(yè)設計（論文） 3 題的解決和技術的革新。最早在 1888 年， Calton 在《 Nature》上發(fā)表了一篇關于利用人臉進行身份鑒別的文章，對人類自身對面孔的識別能力進行了分析。 1893 年， Bertillon 用一個簡單的語句與數(shù)據(jù)庫中的某張人臉相連接，同時結合指紋分析，提供了一個完整的身份識別系統(tǒng)。 Parke 則用計算機實現(xiàn)了這一方法，生成出質量較高的人臉灰度圖模型。 第二階段為人機交互階段。 Kaya 和 Kobaysshi 則采用統(tǒng)計學方法，利用歐氏距離來表示人臉的面部特征，如嘴唇和鼻子間距，鼻子高度，兩眼間距離等。 Baron將人臉圖像灰度歸一化，再用四個掩模表示人臉，然后分別計算這四個掩模與數(shù)據(jù)庫中每幅標準圖像相互掩模之間的相互關系數(shù)，以此作為判別依據(jù)。 第三階段是真正的自動識別階段。 1996 年，美國軍方組織了一個人臉自動識別系統(tǒng)大賽，勒克菲勒大學的 FaceIt 系統(tǒng)獲得冠軍。 現(xiàn)今，隨著社會需求的提高，人臉識別引起了各個科研機構的重點關注，并將研究成果轉化為實用產(chǎn)品。 國際上很多公司和研究機構如德國 Cognitec S ystem GmbH、美國 Identix Inc、Viisage 及 Neven Vision、韓國三星、日本東芝、麻省理工學院、密西根州立大學、卡耐基梅隆大學、耶魯大學、新澤西理工學院、休斯敦大學等正在對人臉自動識別技術做更加深入的研究。 應用和分類 隨著人臉識別技術的不斷發(fā)展和應用領域的拓寬，人臉識別技術在多個領域的發(fā)展前景已經(jīng)逐漸越來越廣泛。歸納起來，人臉識別技術的應用主要分為以下幾類： 人臉驗證：人臉驗證是一種身份驗證手段，指利用人臉識別技術來驗證某個人是否確實是他（她）所聲稱的那 個人。 人臉辨別：人臉辨別主要是應用人臉識別技術來辨別未知身份人員的真實身份。 視頻監(jiān)視：在視頻監(jiān)視系統(tǒng)中，人臉識別系統(tǒng)的任務目標是在人群中篩選出特定目標并實行跟蹤監(jiān)控，這是一個典型的動態(tài)匹配過 程。視頻監(jiān)視系統(tǒng)采集的人臉經(jīng)過相關處理后與數(shù)沈陽航空 航天大學 畢業(yè)設計（論文） 5 據(jù)庫對比，若發(fā)現(xiàn)目標人物或危險個體則發(fā)出警報，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)庫中人臉圖像進行一對多的對比匹配，最終確定待測人臉的身份歸屬。民用市場有很大的可能成為人臉識別技術發(fā)展的最有力的支持。 本文的主要內容與安排 人臉識別技術的算法多種多樣，足夠高的識別率是最重要的指標。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行降維，接下來使用 Fisher 臉方法（ LDA），從特征空間里提取最具判別 能力的低維特征，達到進一步降維的作用，最后引入模糊技術改進原始的線性判別分析方法，能更有效的提取判別能力高的、對識別過程有正面效果的信息，盡量消除因訓練圖像中由于光照、姿勢等變化引起的識別性能退化。主要介紹了本設計的研究背景和立題意義，人臉識別技術在國內外的發(fā)展史、發(fā)展現(xiàn)狀，人臉識別技術主要的應用領域及應用分類。由于人臉識別算法的測試都是在公開的基準數(shù)據(jù)庫上進行，所以在前面首先介紹了有關人臉庫的基礎知識，并介紹了幾個目前學術界較流行的測試用人臉 基準數(shù)據(jù)庫。 第三章，人臉識別算法介紹及比較。 第四章，人臉識別算法設計及仿真。應用 Maltab 軟件編寫程序進行人臉識別算法設計的實現(xiàn)，并在 Yale 人臉庫和 ORL 人臉庫中進行實驗仿真，求出識別率，繪制識別率曲線。 最后是對全文工作的總結。任何一個人臉識別系統(tǒng)的設計成形都需要經(jīng)過測試、仿真或實驗過程，在這個測試的過程中就需要用到包含一定數(shù)量人臉圖像的數(shù)據(jù)庫來生成人臉識別系統(tǒng)的訓練集和測試集。按照目前人臉識別技術的水平來看，一個可以應用在任何環(huán)境、在任何可能出現(xiàn)的非正常情況下都能準確無誤進行識別的人臉識別系統(tǒng)是不可能存在的，由此，所有的人臉數(shù)據(jù)庫都會附加一些 約束條件，比如光照強度、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)庫復雜度的高低又影響了對算法性能的評估結果。下面將介紹幾個目前人臉識別實驗測試中常用的典型人臉庫。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 ，左側光照，右側光照，戴眼鏡，不戴眼鏡，高興，面無表情，悲傷，困倦，吃驚，和眨眼等變化。 圖 Yale 人臉庫中的光照變化 圖 給出了 Yale 人臉庫最大的特點，光照變化的示例，這是 Yale 人臉數(shù)據(jù)庫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、左側光照和右側光照三種約束條件下拍攝的，代表了數(shù)據(jù)庫中人臉圖像的光照變化情況。T 人臉庫，是人臉識別領域最流行的測試數(shù)據(jù)庫之一。T 實驗室 創(chuàng)建，包含 40 個不同年齡、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，其深度旋轉和平面旋轉可達 20 度，人臉的尺寸也有最多 10%的變化。 圖 ORL 人臉庫中的圖像變 化 圖 是 ORL 人臉庫中一個志愿者的全部十張圖像。 特征提取 特征提取是計算機視覺和圖像處理中的一個概念。特征提取的結果是把圖像上的點分沈陽航空 航天大學 畢業(yè)設計（論文） 9 為不同的子集，這些子集往往屬于孤立的點、連續(xù)的曲線或者連續(xù)的區(qū)域。是一 種提取有效信息的方法。 日常生活中我們所見到的圖像都是采用像素空間來表征，這種表征方法使圖像看起來精準易懂，但是這種圖像的維度是很高的，如果把這樣的圖像不經(jīng)處理直接拿來計算，工作量是非常大的。人臉識別系統(tǒng)的第一步工作就是特征提取，也是關鍵性的一步，特征提取的好壞將直接影響測試結果。 主成分分析 主成分分析 （ Principal Component Analysis， PCA）是 一種統(tǒng)計方法，它對多變量表示 的 數(shù)據(jù)集合尋找盡可能少的正交矢量 來 表征數(shù)據(jù)信息特征。主成分分析，是考察多個變量間相關性 的 一種多元統(tǒng)計方法，研究如何通過少數(shù)主成分來揭示多變量間的內部結構，即從原始變量中 提取出 少數(shù)幾個主成分，使它們盡可能多 的 保留原始變量信息，且彼此間互不相關 。最經(jīng)典的做法是用 F1（選取的第一個 線性組合 ，即第一個綜合指標）的 方差 來表達，即 Var(F1)越大，表示 F1 包含的信息越多。如果第一主成分 還 不足以代表原來 P 個指標的信息，再考慮選取 F2 即選第二個 線性組合 ，為了有效反映 原始 信息，F(xiàn)1 中 已有的信息就不再出現(xiàn)在 F2 中， 即 F1 和 F2 的協(xié)方差為零， 稱 F2 為第二主成分， 以此類推 可以構造出第三、第四， …… ，第 P 個主成分。記? ?12, , , TPX X X X? ， ? ?12, , , Tj j j jnX X X X? ， 1,2, ,jp? 。這樣 jPC 的協(xié)方差 ? ?? ?T T T Tj j j j j jP C P C v X X v v S v?，使用 Lagrange 方法求解等式1Tjjvv? 下 TjjvSv 的極大值，即 ? ??????????11m a xjTjjTjjjTjvvtosu b je ctvvSvvL ? () 其中 j? 是 Lagrange 乘子，使用一般求解方法，可求出最優(yōu)解 ? ? 0jjS I v???,顯然，最優(yōu)解 jv 就是原始數(shù)據(jù)協(xié)方差矩陣的特征向量， j? 是與 jv 相對應的特征值。 線性辨別分析 關于線性鑒別分析 （ LDA） 的研究 可 追溯到 Fisher 在 1936 年發(fā)表的經(jīng)典論文（ Fisher R A. The use of multiple measurements in taxonomic problems），其基本思想是選擇使得 Fisher 準則函數(shù)達到極值的向量作為最佳投影方向，從而使樣本在該方向上投影后，達到最大類間離散度和最小類內離散度。 LDA 采用 Fisher 線性判別函數(shù)而得以實現(xiàn)，最初被用于解決兩類的分類問題。具體點說，就是先給定某個判別函數(shù)，然后利用樣本集確定判別函數(shù)中的未知參數(shù)。它首先假定判定函數(shù) g(x)是 x 的線性函數(shù)，即： ? ? 0wxwxg T ?? () 需用樣本去估計 w 和 ow ，并把未知樣本 x 歸類 到具有最大判別函數(shù)值的類別中去。 為了把兩個類分開，我們可以嘗試把 d 維空間的樣本直接投影到一條直線上，形成一維空間，即把維數(shù)壓縮到一維。但一般情況下，總可以找到某個方向，使得在這個方向的直線上，樣本的投影能分得最開。 假設有 N 個樣本 12, dNx x x R? ，其中前 1N 個樣本屬于類 1? ，后 2N 個樣本屬于類 2? ，把樣本 ix 往方向為 w 的直線上投影，就可以得到： iTi xwy? () 從幾何方面看，要得到 ix 在方向 w 的直線上的投影，需要有 1w? ，而實際上 w的長度并無實際意義，只是對 iy 改變比例而已，重要的是 w 的方向?？捎脴颖揪挡顏矶攘客队爸g的可分性，設 im 是每類的 iN 個 d 維樣本的均值： ?,2,11 ?? ?? ixNm iwxii () 投影之后各類樣本均值： ?,2,111 ??? ?? imwxwNm iTnj jTiii () 可以得到投影后的均值差： ? ?2121 mmwmm T ??? () 只要對 w 給予適當?shù)闹稻涂梢允共钪底兊萌我獯蟆?2212SS? 稱為投影樣本總的類內離散度。顯然，為了使 J 最大，應使兩類均值差越大越好 (各類樣本分布盡量分離開 )，而各類類內離散度越小越好 (各類樣本內布盡量密集 )。引入 bS ， WS 可以將 Fisher 線性判別函數(shù)寫成： ? ? T bT ww S wJw w S w? () 沈陽航空 航天大學 畢業(yè)設計（論文） 13 則基于 Fisher 線性判別函數(shù)的 Fisher 準則即為： ? ? a r g m a x T bopt T ww S wJw w S