【正文】 應(yīng)用于非平穩(wěn)時(shí)間序列矢量的統(tǒng)計(jì)建模，在語(yǔ)音處理，特別是語(yǔ)音識(shí)別中得到廣泛的應(yīng)用。 (2)另外是一組聯(lián)系每一個(gè)狀態(tài)的概率密度函數(shù)。由于人臉的特定構(gòu)造，在這種抽樣方式下，臉部特征帶的出現(xiàn)將服從于一定的順序，所以該模型可以用一個(gè)從左到右的隱馬爾可夫模型表示，其中狀態(tài)的轉(zhuǎn)移只能按照從左到右的方式進(jìn)行。 識(shí)別通過(guò)一個(gè) Viterbi 識(shí)別器完成，用代表不同人的隱馬爾可夫模型與待識(shí)別圖像匹配，最高匹配者被選出來(lái)。 類(lèi)似于 Eigenface 方法， Fisherface 方法也是采用線(xiàn)性投影技術(shù)將人臉圖像從高維圖像空間轉(zhuǎn)化到低維特征子空間。與 Eigenface 方法不同的是， Fisherface 采用的投影方 14 向幾乎與類(lèi)內(nèi)散布方向垂直，而 Eigenface 方法采用的投影方向是使所有類(lèi)散布最大化。因此可認(rèn)為：對(duì)以均方誤差為準(zhǔn)則的臉部重建來(lái)說(shuō)， PCA 方法是一種最優(yōu)的方法：但從模式分類(lèi)和辨識(shí)的觀點(diǎn)來(lái)看， PCA方法則不一定能夠取得最優(yōu)的結(jié)果。因?yàn)樾〔ò纸獾玫降牟煌l帶包含有不同的人臉信息 ，所以從每一個(gè)小波包中可以提取出不同的面部特征。小波包分解是一種多分辨率分析方法，能夠提供良好的面部紋理描述，所以有利于提取面部特征。而現(xiàn) 在逐步擴(kuò)大到社會(huì)生活的各個(gè)領(lǐng)域，例如在海關(guān)邊檢、物業(yè)管理、網(wǎng)絡(luò)安全、視頻會(huì)議、計(jì)算機(jī)訪問(wèn)控制等方面都有著廣泛的應(yīng)用。由于罪犯數(shù)據(jù)庫(kù)往往很大，如果這項(xiàng)搜索工作由人工完成，不僅效率低，而且容易出錯(cuò)，因?yàn)槿嗽诳戳松习俜四槇D像后，記憶力會(huì)下降，而由計(jì)算機(jī)來(lái)完成則不會(huì)出現(xiàn)此問(wèn)題； (2)身份證、駕駛證以及其他很多證件上都有照片，現(xiàn)在的證件驗(yàn)證 15 一般都是由人進(jìn)行驗(yàn)證，如果利用人臉識(shí)別技術(shù)，這項(xiàng)工作就可以交給機(jī)器完成，從而實(shí)現(xiàn)自動(dòng)化智能管理。如果運(yùn)用人臉識(shí)別技術(shù)，則安全性將大大改善； (3)可以進(jìn)行入口控制。目前比較常用的手段是檢查證件。在保密要求非常嚴(yán)格的部門(mén)除了證件，還可以加上另外一些 生物識(shí)別手段，如指紋識(shí)別、手掌識(shí)別、語(yǔ)音識(shí)別等。當(dāng)前計(jì)算機(jī)系統(tǒng)的安全管理，通常使用字符和數(shù)字組成的密碼口令管理，此口令容易被遺忘或破解，如果使用人臉作為口令則既方便又安全； (4)在視頻監(jiān)控方面，目前，許多銀行、公司、公共場(chǎng)合等處都設(shè)有24 小時(shí)的視頻監(jiān)控。在對(duì)圖像進(jìn)行分析時(shí)，都要用到人臉的檢測(cè)，跟蹤和識(shí)別技術(shù)。另一類(lèi)是視頻圖像的實(shí)時(shí)匹配，如銀行、海關(guān)、公共場(chǎng)合的視頻監(jiān)控、公安系統(tǒng)中罪犯的跟蹤識(shí)別等。 人臉識(shí)別問(wèn)題中的難點(diǎn) 人類(lèi)具有很強(qiáng)的人臉識(shí)別能力，嬰兒可以很快學(xué)會(huì)辨認(rèn)其父母的臉。這些困難一方面源于計(jì)算機(jī)本身學(xué)習(xí)能力的局限性，另一方面是源于人臉識(shí)別技術(shù)所具有的復(fù)雜 16 性。但人臉具體形態(tài)的多樣性和所處環(huán)境的復(fù)雜性又造成了識(shí)別的巨大困難。而就目前的研究現(xiàn)狀而言，光照、姿態(tài)、遮擋等干擾因素對(duì)檢測(cè)算法的影響要遠(yuǎn)大于對(duì)識(shí)別算法的影響。即使是目前最好的人臉識(shí)別系統(tǒng)在室外光照條件下，其識(shí)別性 能也會(huì)急劇下降。姿態(tài) :姿態(tài)的變化分為二維平面上的姿態(tài)變化和三維空間上的姿態(tài)變化。故如何提高 2D 人臉數(shù)據(jù)的識(shí)別算法對(duì)姿態(tài)的魯棒性是一項(xiàng)既有現(xiàn)實(shí)意義又有挑戰(zhàn)性的課題 。對(duì)于人臉識(shí)別而言，造成遮擋的原因多種多樣，有可能 的原因包括 :外界景物的遮擋、眼鏡帽子等飾物的遮擋、人臉圖像部分缺失等。 (2)計(jì)算的復(fù)雜性 很多經(jīng)典的識(shí)別問(wèn)題譬如文字識(shí)別只需要處理相對(duì)較少的類(lèi)，而且每個(gè)類(lèi)有大量的訓(xùn)練樣本，但在人臉識(shí)別問(wèn)題中，通常需處理相當(dāng)多的類(lèi)，并且每個(gè)類(lèi)存在很少的訓(xùn)練樣本，識(shí)別算法必須在很少的樣本中提取特征，通過(guò)訓(xùn)練進(jìn)行人臉圖像的匹配。 (3)識(shí)別算法的普適性問(wèn)題 目前人臉識(shí)別中最成功的算法當(dāng)屬基于統(tǒng)計(jì)學(xué)習(xí)理論的算法。 (4)人臉識(shí)別系統(tǒng)的長(zhǎng)期適應(yīng)問(wèn)題 帶來(lái)這一問(wèn)題的主要原因是隨著年齡的變化人臉會(huì)發(fā)生較大的變化，特別是對(duì)于青少 年，年齡對(duì)容貌的影響更大。因此如何解決年齡變化對(duì)識(shí)別算法的影響并提出具有中長(zhǎng)期適應(yīng)性的人臉識(shí)別算法是人臉識(shí)別系統(tǒng)必須解決的問(wèn)題。 人臉識(shí)別的發(fā)展方向 由于人臉識(shí)別領(lǐng)域仍存在上述很多問(wèn)題未徹底解決，因此未來(lái)人臉識(shí)別必然圍繞著現(xiàn)有難點(diǎn)的解決而繼續(xù)發(fā)展。 第二章人臉圖像預(yù)處理 圖像的預(yù)處理是模式識(shí)別過(guò)程的一個(gè)重要步驟。另外，人臉在整幅圖像中的位置和大小又會(huì)因?yàn)榫嚯x遠(yuǎn)近、焦距大小等問(wèn)題變得不確定。 本節(jié)的預(yù)處理工作是在 原始 ORL 人臉庫(kù)上進(jìn)行的。 建立一個(gè)包含人臉圖像的數(shù)據(jù)庫(kù)是做任何人臉識(shí)別系統(tǒng)的開(kāi)發(fā)的前提。下面介紹一些常用的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。 ORL人臉數(shù)據(jù)庫(kù)包含了英國(guó)劍橋大學(xué)從 1992到 1994年間在實(shí)驗(yàn)室 采集到的人臉圖像數(shù)據(jù)，由 40 人、每人 10幅、共 400 幅圖像組成。其中， 35 人為男性， 5 人為女性。人臉姿態(tài)也有相當(dāng)程度的變化，深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá) 200，人臉的尺度也有多達(dá) 10%的變化。其最新的人臉庫(kù)包括 14051幅灰 度圖像，其中每人 8 張圖像，兩張正臉， 3張從右到左不同側(cè)面角度的圖像，有些人還提供了更多不同視角和不同表情的照片。 Yale人臉庫(kù)包含 15個(gè)人的 165幅圖像，每人 11 幅圖像。由于 Yale人臉庫(kù)中原始圖像包含較多的背景，所以對(duì)原始圖像進(jìn)行了預(yù)處理，剪裁出只包含人臉的圖像，并且尺寸歸一化為 92*1120。 圖像的幾何歸一化 圖像的幾何歸一化也可以稱(chēng)為圖像的標(biāo)準(zhǔn)化，主要是指各幅人臉圖像中，人臉的關(guān)鍵部位在圖像中的相對(duì)位置是否都一樣。因此，需要對(duì)輸入的人臉圖像進(jìn)行校正，使得不 同情況下的人臉圖像統(tǒng)一到同樣大小，并且人臉的關(guān)鍵部位也盡量保持一致。 圖像的旋轉(zhuǎn)就是把原始圖像中的人臉圖像進(jìn)行平面內(nèi)的旋轉(zhuǎn)處理，主要目的是使人臉雙眼的連線(xiàn)位置保持在水平。圖像的縮放就是把原始圖像中包含的人臉縮放到統(tǒng)一大小，依據(jù)是人眼的坐標(biāo)。 縮放圖像的方法主要有兩種 :一是直接用灰度插值的方法來(lái)縮小原圖像，二是用小波變換進(jìn)行圖像的分解。其中最近鄰法簡(jiǎn)單但是失真較多。 通過(guò)以上的操作，所有的人臉圖像都校正成同一大小，兩眼的連線(xiàn)也保持水平，實(shí)現(xiàn)了人臉圖像的標(biāo)準(zhǔn)化。實(shí)驗(yàn)結(jié)果也表明經(jīng)過(guò)幾何歸一化處理后，識(shí)別率有了相對(duì)程度的提高?；叶戎狈綀D的橫坐標(biāo)表示灰度級(jí)，縱坐標(biāo)則表示該灰度級(jí)出現(xiàn)的頻率，整個(gè)直方圖反映了圖像的每一個(gè)灰度級(jí)和其出現(xiàn)的頻率之間的統(tǒng)計(jì)關(guān)系，因此從直方圖可以看出圖像最基本的統(tǒng)計(jì)特征，即圖像的概貌，如圖 ： 21 (a)原始圖像 （ b） 直方圖均衡化后的圖像 圖 均衡化原理 : 八位灰度 (unit8類(lèi) )圖像有 256個(gè)灰度級(jí)，但原圖像經(jīng)過(guò)數(shù)字化后，實(shí)際灰度范圍往往沒(méi)有占滿(mǎn) 0255的全部灰度級(jí)，而是集中在某幾個(gè)“收集箱”，一個(gè)收集箱僅僅是亮度標(biāo)度范圍的一小部分。圖片直方圖均衡化效果對(duì)比如圖 所示 : 22 （ c）圖像均衡化前對(duì)應(yīng)的直 （ d）圖像均衡化后對(duì)應(yīng)的直方圖 圖 圖像均衡化前后對(duì)應(yīng)的直方圖示意圖 23 對(duì)于 unit8 類(lèi)圖像， L=256， G=L1，則灰度級(jí) rk 出現(xiàn)的頻數(shù)為 : ? ? ? ? nnhp nrr kkk ?? (21) 其中， k=1,2,... , L， h??rk 表表 k 級(jí)像素?cái)?shù)， n 表示像素總數(shù)。 人臉圖像的預(yù)處理 是人臉識(shí)別過(guò)程中非常重要的一個(gè)步驟，本章系統(tǒng)地介紹了預(yù)處理的各個(gè)步驟以及相應(yīng)的預(yù)處理方法。在人臉圖像的灰度歸一化過(guò)程中，采用直方圖均衡化技術(shù)進(jìn)行灰度歸一化處理，部分消除了光照的影響，得到標(biāo)準(zhǔn)的人臉圖像后，就可以進(jìn)行圖像的特征提取和人臉識(shí)別工作了。其基本思想是提取出高維數(shù)據(jù)空間中的主元，即主要特征，把數(shù)據(jù)放在一個(gè)低維的特征空間里進(jìn)行處理，同時(shí)保持原始數(shù)據(jù)的絕大部分信息，從而對(duì)高維數(shù)據(jù)空間進(jìn)行降維，解決了維數(shù)過(guò)高的問(wèn)題。 PCA 人臉識(shí)別方法原理 將 PCA 方法用于人臉識(shí)別，其實(shí)是假設(shè)所有的人臉都處于一個(gè)低維 24 線(xiàn)性空間，而且不同的人臉在這個(gè)空間中具有可分性。完整的 PCA人臉識(shí)別算法步驟包括 : (l)人臉圖像的預(yù)處理。 (3)把訓(xùn)練圖像和測(cè)試圖像分別投影到特征子空間上。 其中，第一步人臉圖像的預(yù)處理在第二章詳細(xì)介紹過(guò)，下面將介紹利用 PCA 進(jìn)行人臉識(shí)別的流程。當(dāng)識(shí)別對(duì)象是波形或數(shù)字圖像時(shí)，可以計(jì)算出來(lái)，當(dāng)識(shí)別對(duì)象是實(shí)物 或某種過(guò)程時(shí)，這些特征可以用儀表或傳感器測(cè)量出來(lái)，這樣計(jì)算或測(cè)量出來(lái)的特征叫原始特征。映射后的特征稱(chēng)為二次特征，它們通常是原始特征的某種線(xiàn)性組合。映射通常需要遵循兩個(gè)準(zhǔn)則 : (1)特征空間必須保留測(cè)量空間中的主要分類(lèi)信息； (2)特征空間的維數(shù)必須遠(yuǎn)遠(yuǎn)低于測(cè)量空間的維數(shù)。以部分新的分量表示原矢量的均方誤差最小 。下面我們對(duì) KL 變換作一個(gè)簡(jiǎn)單的介紹。 設(shè)隨機(jī)向量的總體自相關(guān)矩陣為 : ? ?XXES T? (38) 將 (32)式帶入上式可得 : ? ? ? ??????? TTTTT XXEEXXES ????????? (39) 為了使向量 ? 的各個(gè)分量互不相關(guān)，必須滿(mǎn)足下列關(guān)系 : 26 ? ?XXE T { ,0 kjkjJ ??? ? (310) 寫(xiě)成矩陣的形式為 : ??n?????001?? (311) 則： ?? TS ?? (312) 將上式兩邊同時(shí)右乘 ? ，則 ?????? ?? ? TS (313) 其中是 ? 正交矩陣，即 IT ??? (314) 那么 : ??? jjjS ? （ j=1,2,3...,n） (315) 可以看出， ?j 是 X的自相關(guān)矩陣 S的特征值， ?j 是對(duì)應(yīng)的特征向量。 通過(guò)以上討論，我們可以通過(guò)下列步驟求出 KL展開(kāi)式的系數(shù) : (1)求出 X 的自相關(guān)矩陣 ? ?XXES T? ，由于沒(méi)有類(lèi)別信息的樣本集的均值向量 ? 常常 沒(méi)有意義，所以也可以把數(shù)據(jù)的協(xié)方差矩陣作為 KL坐標(biāo)系的產(chǎn)生矩陣，這里 ? 是總體均值向量。 特征值的選擇 我們通過(guò) KL變換得到了 m個(gè)特 征向量，雖然 m遠(yuǎn)遠(yuǎn)小于 n，但通常m 還是很大。下面 27 討論幾種不同的特征值選擇方法。該方法在 L 值比較大的時(shí)候，特征向量就比較多，計(jì)算速度慢，不利于分類(lèi)，達(dá)不到降維的效果。其中 k 為訓(xùn)練圖像的類(lèi)別數(shù)。 F的值通常取 。 首先，需要對(duì)圖像之間的相似性進(jìn)行度 量。 (3) Covariance 距離 (余弦?jiàn)A角距離 ) 向量 X 與 Y之間的角度相似性定義為它們之間夾角的余弦，即： ? ? YX YXYXD ?? , (319) (4) Minkowsky 距離 ? ? ? ? ppii yxYXD1, ?????? ?? ? (320) 當(dāng) P=2 時(shí)，明氏距離等于歐式距離，所以一般我們?nèi)?P2。經(jīng)典的 PCA 人臉識(shí)別方法中，使用的是基于歐氏距離的最近鄰分類(lèi)器，其分類(lèi)過(guò)程我們將在下節(jié)詳細(xì)講解。特征臉?lè)椒ㄓ?jì)算簡(jiǎn)單，概念清晰，易于實(shí)現(xiàn)且效果良好。對(duì)訓(xùn)練集進(jìn)行主元分析，得到一組特征向量，即低維子空間的標(biāo)準(zhǔn)正交基。因此我們稱(chēng)這些特征向量為特征臉 (Eigenface)。這樣，原來(lái)的人臉圖像識(shí)別問(wèn)題就可以轉(zhuǎn)化為根據(jù)子空間中的訓(xùn)練樣本點(diǎn)進(jìn)行模式分類(lèi)的問(wèn)題。 圖 (第一個(gè)為平均臉，其余為特征臉 ) 經(jīng)典 PCA人臉識(shí)別方法的實(shí)現(xiàn)過(guò)程 完整的 PCA 人臉識(shí)別算法包括以下兩個(gè)過(guò)程 : 一、訓(xùn)練過(guò)程，步驟如下 : (1)獲取人臉庫(kù)中的人臉圖像，并進(jìn)行相關(guān)的預(yù)處理，建立訓(xùn)練集； (2)對(duì)訓(xùn)練集中的圖像進(jìn)行主成份分析，得到特征臉，形成特征子空間； (3)把訓(xùn)練集中的圖像投影到特征子空間，保存相應(yīng)的特征向量。 PCA 人臉識(shí)別算法流程圖如圖 : 30 圖 PCA 人臉識(shí)別算法流程圖 訓(xùn)練過(guò)程 （ 1)建立訓(xùn)練集 首先，對(duì)輸入的人臉進(jìn)行圖像預(yù)處理，包括幾何歸一化、灰度歸一化等，盡量去除尺度大小、光線(xiàn)明暗等因素給識(shí)別過(guò)程帶來(lái)的不利影響。然后，將選擇作為訓(xùn)練集的每一個(gè)二維人臉圖像數(shù)據(jù)轉(zhuǎn)化成一維向量，一般是將各行像素首尾相接產(chǎn)生一組一維向量。若訓(xùn)練集中一共有 a個(gè)人，每人有 b張不同的人臉圖像，則訓(xùn)練集中人臉圖像的總數(shù)為 m= ba? ，整個(gè)訓(xùn)練集可記作 ? ?xxx n, 21 ? ，其中每一個(gè)向量 Rx qpi ?? 對(duì)應(yīng)一幅人臉 31 圖