人脸识别中特征提取技术研究

上海交通大学 博士学位论文 人脸识别中特征提取技术研究 姓名：周大可 申请学位级别：博士 专业：模式识别与智能系统 指导教师：杨新 20051001 摘要 人脸识别是模式识别、图象处理和人工智能领域塌具挑战性的研究方向之一。广义上 人脸识别包括三个主要技术环节，即预处理、人脸特征提取和分类器设计。人脸特征提取又 称为人脸表述，是在低维特征空间内对原高维空间的人脸模式进行描述、建模，目的是提取 出有利于分类的低维特征。特征提取是人脸识别的关键环节，有效的人脸特征提取方法不仅 有助于简化后续的分类器设计，而且能够提高识别率。但是由于人脸模式的复杂性和多变性， 在视角、光照和表情等条件变化下人脸图象的类内离散度远大于类问离散度，导致很难有效 地提取分类特征。因此，人脸特征提取也是人脸识别的主要难点所在，注重鲁棒性同时兼顾 效率的人脸特征提取技术直是研究的热点。 本文主要针对人脸特征提取技术进行研究，研究的重点是基于整体的人脸表述方法，日 的是进一步提高人脸特征提取和识别算法的鲁棒性及有效性。为此，首先介绍了现有的人脸 表述方法：随后，结合人J | 盒模式的特点，探讨了儿种非监督的人脸表述方法：最后，研究了 基于判别分析的监督方法在人脸表述中的应用。 具体来说，本文的主要创新性成果有： ( 1 ) 提出了结合人脸全局信，自、和局部( 器官) 信息的人脸组合特征提取方法，并研究 了儿种相似性度量。r 绸台特征的分类性能。该方法在D c T 整体特征的錾础上， 增强了脸制重要器官( 眼和鼻) 的信息，能够有效地描述人脸模式。实验结果表 明，该方法优于传统的P c A 和D c l l 方法，并H 划分类度量相剥不敏感。此外， 相比于P c A 方法，绷合特征方法具有更好的计算性能。为了快速有效地定能脸 部器官，提出丁一种丛于儿俐投影和模扳匹配相结合的人脸特征点定位算法。该 方法综合了投影法和模板匹配法的优点既有较高的定位精度和汁算速度，同叫 对光照、视角的变化有很好的鲁棒性。 ( 2 ) 提出了丛于函数替代的非线性独立元分析法( F R f c A ) 。该方法通过定义非线性 映射将样本从输入空间映射到低维空间，然后在此空俐内进行l c A 变换。在采用 同样核函数的情况r ，该算法提取的特征与K l c A 算法提取的特征有者相近的分 类性能，但本文方法可任意选川核函数，不需要其满足M e r c y 条件。 ( 3 ) 研究了基于局部灰度分析的人脸表述方法。在局域二值模式( L o c a IB i n a r vP a t t e m 1 ，B P ) 表述符基 i i | ；上，结合人脸圈象的特点，提出了一种牡于多分辨率I L B P ( i m p r o v e d L B P ，l L B P ) 直方图的人脸表述方法。与常用的基于G a b o r 小波的方 法相比，本文方法识别率相当且计算量较小。 ( 4 ) 结合人脸模式的特点，系统地研究了基于判别分析的人脸特征提取方法。在此基 础上，提出了两种改进的L D A 算法，即直接加权L D A ( D w L D A ) 和改进L D A ( I L D A ) 。D w L D A 的基本思想是使用不损失重要判别信息的方法来降维，同叫 在传统的F i s h e r 准则中引入加权函数得到与分类率直接相关的改进准则，能够有 效地处理小样本问题及传统的F i s h e r 准则在多类情况下非最优问题。I L D A 是 D w L D A 的增强版本，主要是利用同时对角化技术来提高算法的泛化性能。提出 了两种基于核的判别分析算法，即基于Q R 分解的核判别分析( Q R K D A ) 和基 于核的改进判别分析( K I D A ) 。Q R K D A 能够较好地解决( K D A 中) 伪类内离 散度矩阵奇异性的问题，并目其计算量较小；K l D A 可以香作足1 L D A 基于核方 法的扣；广形式，它不仅能有效的处理伪类内离散艘矩阵奇异性的问题，I 叮且通过 在高维隐特征窄问I ；| 引入加权函数重构F j s h e r 准则，j M 奸的解决了K D A 方法中 的F i s h e r 准则在多类情况下非最优问题。 关键词：人脸识肌特征提取；离散余弦变换：主元分析法；独立元分析法：线性判别分析 法；梭方法 A b s t r a c t F a c er e c o g n i t i o ni so n eo ft h em o s tc h a l l e n g i n gp r o b l e m si nt h en e l d so fp a n e mr e c o g n i t i o n ， i m a g ep r o c e s s i n ga n da r t m c j a l I n t e 川g e n c e G e n e r a y F a c er e c o g n i t i o nc O n t a i n st h r e em a i ns t e p s ， e f a c ei m a g ep r e p m c e s s i n g ，f e a t u r ee x t r a c t i o na n dc l a S s i n e rd e s j g n F a c ef e a t u r ee x t m c I i o n ，a l s o r e f e r r e dt oa sf a c er e p r e s e n t a t i o n ，i sak e ys t e pf o rf a c er e c o g n i t i o n T h eg o a Ij st om o d e lo r r e p r e s e n Ih i g hd i m e n s i o nf a c ep a I t e r n si nl o wd i m e n s i o nf e a t u r es p a c es oa st oe x t r a c tf a c ef e a t u r e w i t hd i s c r i m i n a n tp o w e rf o rc l a s s m c a t i o n E f k c t i v ef a c er e p r e s e n t a t i o nm e t h o d sw 川r e d o u n dn o t o n I yI os i m p I i f ys u b s e q u e n tc l a s s i n e b u ta I s ot oj m p r o V er e c o g n j t j o nr a t e H o w e V e Ls i n c ef a c e p a n e r n sa r ec o mp l i c a t e da n dm L l l l i f o r m ，t h ew i t h j n c l a s ss c a n e r so ff a c ei m a g e sa r ef a rl a r g e rt h a n t h eb e t w e e n c I a s ss c a t t e r su n d e rv a o u sc o n d i t j o n s ，s u c ha sc h a n g i n g 川u m i n a t i o n ，p o s ea n df a c i a l e x P r e s s i o n ，r e s u l “n g t h a ti ti s v e r y d i f f jc L 小t 。r e p r e s e n tt 、a c e e f k c I i V e l y T h e r e f o r e ，f a c e r e p r e s e n t a t i o ni sa I s oa st h ep r i m a r yd i 币c L “t yi nf a c er e c o g n i t j o n A sf a ra sf a c er e c o g n j t i o ni s c o n c e m e d ，f a c er e p r e s e n t a t i o nm e t h o d sw i t hr o bL l s l n e s sa n de m c i e n c ya r eh o I s p o t si n r e c e n t s “l d i e s T st h e s i ss t u d i e do nf a c er e p r e s e n t a t i o np r o b l e I ni nf a c er e c o g n j t j o n ，a n dt h ef o c u s e sa r et h e 1 1 0 | i s t i cb a s e dm e 1 0 d s O u g o a Ii s t on J n h e r 油p r o V e 1 e 呻b u s t n e s sa n de f f i c j e n c yo ft 、a c e 心p r e s e n t a t j o na l g o t h m s I nt h i st h e s i s ，e x i s t i n gn l e t h o d sf o rf a c er e p r e s e n t a t j o na r en r s t l y r e V j e w e dW et h c nd i s c u s s e ds e V e r a I n o n s L l p e r V i s e d b a s e df a c e r e p r e s e n I a l i o n m e I h o d sb y c o n s i d e n gc h a r a c t e r i s I i c so ft 、a c ep a n e r n sF i n a 】1 y s “p e r V i s e d m e t h o d s L l s i ”g d j s cr I m i n a l l t a n a l y s i sa r es t u d i e d S p e c i n c a l ly t h em a i nc o n t r i b u t j o n so f t h j sI h e s j sa r ea sf 0 1 l o w s ( 1 )T h ef a c i a lc o m b i n e df e a t u r em e t h o d ，d e v e df r o mf a c i a Ig 】o b a la n d1 0 c a lj n f o r m a t i o n e x t r a c t e db yD C T ，i sp r e s e n I e df o rf a c er e p r e s e n t a t i o n A n da l s o ，i t sc 】a s s i n c a t i o n a b 川t yi s s t u d i e db ys e v e r a Is i m i l a r i t ym e a s u r e sT h eD C Tb a s e df a c i a 】c o m b i n e d f e a I u r e ，e n c o m p a s s i n gac o a r s ef a c i a l9 1 0 b a Id e s cr i p I i o na u g m e n t e db ya d d i t i o n a l f o c a l f e a t u r e sd e t a i l s ( e y e sa n dn o s e ) ，c a nr e p r e s e n tf h c er o b u s t I yw “hI o w e rc o m p u a t i o n a I c o m p I e x j I yE x p e “m e n t ss h o wt h ep r o p o s e dm e t h o d i sn o to n l yi n s e n s v et o s i m j l a r i l ym e a s u r e s ，b u ta l s os u p e r i o rt ot h e 订a d i t i o n a lm e t h o d s ，s u c ha st h eP C A b a s e d - a n dD C Tb a S e d - m e t h o d s I nO r d e rt od e t e c tf a c i a lf e a t u r e se b c t i v e l y ，an o v e l m e t h o di sa l s o p r e s e n t e d B yc o m b i n i n gt w ow e l l k n o w nt e c h n o l o g i e s ，n a m e l y ， J n t e g r a lP r o j e c t i o nF u n c t i o na n dM o d e lM a t c h i n g ，t h ep r o p o s e dm e t h o dc a n l o c a t 。 f k j a lf e a t u r e sa c c u r a t e l ya n dq u i c k l y M o r e o V e r ，i ti sn o ts e n s i t i v et ov a r i a t i o n so f i I l u m i n a t i o n ，p o s ea n df a c i a le x p r e s s i o n ( 2 ) An o n l j n e a ri n d e p e n d e n tc o m p o n c n ta n a l y s i s ( I c A ) ，c a l l e d 如n c t i o nr e p l a c e m e n tb a S e d c A ( F R - I C A ) i sp r o p o s e dt of k er e p r e s e n t a t i o n I nt h ep r o p o s e dm e t h o d ，1 1 i g h d i m e n s i o ns a m p I e sj nt h ej 1 1 p u ts p a c ea wn r s tp r o j e c t e di n t oaI o w e rd i m e n s j o ns p a c e b yf u n c t i o nr e p l a c e m e n tT h et r a d j t i o n a l I C Aj st h e np e r f o r m e di nt h el o w e rd i m e n s i o n s p a c et o “n di n d e p e n d e n tc o m P o n e n l s r h cF R - I C Ab a s e dr e a t u r e sh a V e s i m i I a r c I a s s i n c a t i o nD o w e ra st h eK 1 C Ab a s e dt 、e a t u r e s w h j l e 1 es a m ek e m e lf L I n c t i o ni s L I s e df o rI h e 【w om e I h o d s H o w c v c r t h ck c r n e If h n c t i o nu s e df o rt h ef o r m e rc a nb ea d i s c r e t j o n a lt u n c t j o n ，w h j c hi sn o tc o n s t r a i n e db yt h eM e r c yc o n d i t i o n ( 3 )T h ef a c er e p r e s e n I a t i o nm e t h 。d sL J s i n gI o c a lg r a yV a I u cd j s b u t i o na r es t u d i e d B a s e d o nL o c a IB i n a r yP a t t e r n ( L B P ) o p c r a f o ra n ds o n l epr i o r jk n o w l e d g eo ff a c ei 】1 1 a g e f 1 1 e m p r o v e dL B P ( JL B P ) h i s t o g r a mi si n t r o d u c e dt of a c er e p r e s e l l t a t i o l lC o m p a r e dI ot 1 1 e w d I ”l s e dG a b o rw a v e l e t sb a s e dm e t h o d o L l rm e t l l o dh a ss 而i l a rc I a s s j n c a t i o np o w e r a n dI o w e rc o m p u t a t i o n a lc o m p l e x i t y ( 4 )A R c rs t u d y i n gl j n e a rd i s c “m i n a n ta n a I y s i s ( L D A ) a n dc o n s j d er I n gc h a r a c I e s I i c so r f h c ep a t t e r n s t w on o v e IL D Am e t h o d s ，n a m e ly - d i r e c tw e j g l l t e d L D A ( D w L D A ) a n d m p r o V e d L D A ( I - L D A ) a r ep r e s e n t e df o r i a c er e p r e s e n t a t i o n T h eD W L D Ac a n e 仟e c t i v e l yd e a lw i t hI h et w op r o b I e m sj nt r a d t i o n a lL D Ab a s e dm e t h o d s ：j ) I h es m a I s a m p I es i z ep m b l e m ，a n di i ) t h e F i s h e rc r i I e r i o ni sn o n o p t i m a lw i t l lr e s p e c tt o c l a s s i n c a t i o nr a t eT h ek e yt ot h i sm e t h o dj st oa p p l yt h et e c h n i q u et h a tc a nr c s e r V e s s j g n i f i c a n ld i s cr j m i n a t o 叫i n f o n n a t o nf o rd i m e n s i o nr e d u c t j o na n dm e a n w h i l eu t i l i z ea m o d i n e dF s h e rc r i t e o nt h a ti sm o r ed i r e c t l yr e l a t et oc l a s s i n c a t i o nr a t e1 、h e D Ai s a ne x t e n s i o no ft h eD W L D A ，w h i c h e m p l o y s s i m u l I a n e o u s d j a g o n a l i z a t i o n t e c h n 0 1 0 9 yf o g o o dg e n e r a l i z a t i o n W ea l s op r o p o s e dt w on o V e lk e r n e ld i s cr i m i n a n t a 1 1 a l y s l s( K D A ) f o rf a c e r e p r e s e n t a t i o n e Q Rd e c o m p o s i t i o n b a s e dk e r n e d i s c n m i n a n ta n a l y s i s ( Q R _ K D A ) a n dk e m e Ib a S e di m p r o v e dd i s c r i m i n a n ta n a l y s i s ( K I D A ) T h ef o r m e rc a ne f r e c t i V e l yd e a lw i l ht h es i n g u l a r i t yp r o b l e mi nc l a s s i c a lK D A w i t hl o w e rc o m p u t a t i o n a lc o m p l e x i 吼w h i l et l e1 a n e ri sak e m e lb a s e de x t e n s i o no f t h e I L D A ，w h i c hc a l ld e a lw i t hn o to n l yt h es i n g u l a r i t yp m b l e mb u ta l s ot h ep r o b l e mt h a t t h eF i s h e rc r i t e r j o ni sn o n o o t i m a K e y w o r d s ：F a c eR e c o g n j t i o n ；F e a l u r eE x t r a c “o n ；D i s c r e t eC o s n eT r a n s f o n n ( D c T ) ；Pr i n c i p a l C o m p o n e n tA n a l y s i s ( P C A ) ；l n d e p e n d e n tC o m p o n e n tA n a l y s i s ( 1 c A ) ；L i n e a r D j s c “m i n a n t A n a l y s i s ( L D A ) ；K e r n e lM e t h o d V 一 上海交通大学 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 1 独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本 ，论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本 j 文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名 问z 弓 日期：哪j ，年，2 月7 日 上海交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定， 同意学校保留并向国家有关部I 、J 或机构送交论文的复印件和电子版， 允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫 揣等复制手段保存和汇编本学位论文。 保密口，在年解密后适用本授权书。 本学位论文属于 不保密口。 ( 请在以上方框内打“”) 学位论文作者签名： 日期： 吖年儿月7 日 嗽：彩 、遵tc 亍7 圪p 1 1 引言 第一章绪论 人脸自动识别技术就是利用计算机分析人脸图象，从中提取有效的识别信息，用来辨认 身份的一门技术，其较一般的表述为：给定一场景的静止或视频图象，利用训算机里存储的 人脸数据库，确定场景中的一个或多个人【。9 9 5 ，o “9 1 ”7 ，4 2 0 0 0 ，“。2 0 0 0 ，2 2 0 0 ”。 人脸自动识别研究涉及模式识别、图象处理、人工智能、认知科学、数字信号处理、计 算机等诸多学科。人脸识别系统应该能够处理脸部图象的变化，但是阳于人脸识别本质上是 三维二忙刚体在二维平面投影的匹配问题，同一人脸在不同的视角、光照和表情条件下其图象 之间差别很大“”9 ”。因此，人舱自动识别也是模式识别、图象处理和人工智能领域最具 挑战性的工作之一。 人舱i = 只别技术应用背景十分广泛，较早和主要的应用是法律执行部门，尤其是嫌疑犯照 片的认证，以及身份证、驾驶证及护照等证件的骑证识别；商用及民用包括银行信用卡用户 的骀证，仓库、停车场和住宅小区管理等：其它应用还包括俯控系统、视频会议、智能人机 接L _ _ | 等方而。 从广义上讲，人脸自动识别的研究内容至少包括以下几个方面：人脸检测( F a c e D e t e c t i o l l ) ，即从场景图象l l l 检测、定位人腧，并将人腧从背景图象- 离出来：特征提取 ( F e a t u r eE x t r a c t i o n ) ，即剥人脸模式进行描述、建模，用特征向量来表述人脸图象；人脸匹 配( F a c eM a t c n g ) ，即设计分类器，将待识别人腧图象的特征向量与已响人腧图象的特征 向量进行匹配，进而得到判别信息。于特征提取与人舱匹配这两个环节的联系l H 刘紧密 目前，人脸识别各利- 算法的检验大都是在已分离了背景的人脸数据库上进行的。因此，通常 意义上的人脸识别只包括人脸特征提取与分类器设计两个主要环节0 0 32 “o o ”。 人腧特征提取义称为人脸表述，是在低维特征空问内刘原高维人脸模式进行描述、建模 的过程，目的是提取H 有利于分类的低维特征。特征提取是人脸识别和人脸检测的关键环节， 有效的特征提取方法不仅响助于简化后续帕分类器榆测器设训，m 且能够提高识别率榆测 率。虽然人胎识别和人舱检测中的特征提取方法描述的剥象都是人脸模式，但是两者也有很 大的不同。人脸检测n J 以看作是一个似类问题( 人舱月E 人腧) ，凶此它的特征提取器提取的 应该是人腧类特响的特征，关注的是人脸的韭性【“9 2 ”。人脸识别则是一个多类问题，其 第一章绪论 特征提取器提取的应该是每个人脸特有的特征，即关注的是人脸之问的差异性8 一”2 ， 。“o ”】。因此，人脸识别中的特征提取更为困难，具体表现在：人脸的结构大体相同，所不 同的是一些细节上的差异；人脸是非刚体，存在表情变化；人脸随年龄增长而变化；发型、 眼镜等装饰对人脸造成遮挡；人脸图象受光照、成像角度、成像距离等影响；此外人脸特征 提取技术研究也与认知科学发展紧密相关，对人的识别过程的更多理解将有助于人脸特征提 取器的设计【“9 7 ，o “，2 “8 0 2 0 0 ”。本文研究的是人脸识别中的特征提取，以下简称为人脸 特征提取。 分类器设计是人脸识别的另一重要环节。在人脸识别中，使用虽多的是最近邻分类器和 支持向量机，其它的还有贝I P r 斯分类器和神经网络分类器等。 由于人脸模式的复杂性和多变性，人脸特征提取是人脸识别的关键环节和主要难点所 在。随着模式识别、认知科学和计算机视觉理论的不断发展，众多学者对其进行了深入的研 究，提出了很多思路和算法，但仍然存在很多问题。如何结合当前的现状系统地研究这些问 题，从而进步提高人脸特征提取算法的鲁棒性、有效性是本文的研究| 二| 的。 r 面的 容是这样安排的。首先介绍了课题的研究背景和意义；然后介绍了常用的人脸 数据库及本文所H j 帕人胎数据库；最后给出本文的详细研究内容以及后续章节的安排。 1 2 研究背景和意义 图琢识刖需要提取有效的特征，常用l 一特征i U 以概括为形状特征、狄度特征、频域特征 3 种。形状特钲是3 种特征t + l 最直观的特征，但址它和扶度特征 样，容易受到光照、视角 等变化的影响。频域特征虽然相剥较稳定，但1 1 为低层次特征，不易直接用1 ：匹配和识别“ 9 9 I - “ 2 0 0 0 k l 。 特征提取的目的是在优化某种准则的基础上求出高维模式的低维特征，以用卜后续的分 类。撮然，那怨的准则应该与分类错误率直接相关。但是分类的错误概车很难直接估训，凼 此，实际应用中通常使用简单的、容易训算的准则，如类别司分性准则和捕进准则。类别司 分性准则丰要是通过训算特征空间中类别问的距离( 如F i s l l e r 准则) 、概率分布( 如散度准 则) 和相关信息( 如最小信息熵准则) 来衡量类别的兀J 分性。描述准则则是试图在特征空间 中保留原始模式的某利I J 蓠性，如最大方差扯则( P c A ) 等。基于类别可分性准则的力法在学 习过程I - 需要使用样本的类别信息，也称为监管的特征提取方法；而基于揣述准则的方法通 常是非监督的特征提取力法9 9 8 4 2 0 0 0 2 ”o 。8 2 0 0 4 】。 人脸特征提取是人脸识别的关键环节和难点所在。设计人脸特征提取器时虽然可以使用 上述的一些基本原则，但特征提取技术本质上是一门实验科学，依赖于具体问题和具体领域。 “丑小鸭定理表明，不存在与问题无关的“优越”的特征提取方法【“9 ”】。因此，有必 要对人脸特征提取问题进行专门的研究。 人脸特征提取技术起源于人脸识别的研究。上个世纪六七十年代，随着模式识别、人工 智能理论的不断进展，人脸特征提取与识别开始引起了许多研究者的强烈兴趣。这个阶段主 流的特征提取方法是基于几何特征的方法，即用人脸几何特征来描述人脸模型，研究重点是 如何鲁棒的、快速的提取人脸几何特征I “”9 “。但是人脸儿何特征表述的是主要人脸部件 之间关系，实际上更适用于人脸检测任务。进入上世纪九十年代，由于各方面对人脸识别系 统的迫嘲需求，人脸特征提取与识别的研究重新变得非常热门。这个时j | J = | ，随着咀“特征脸”、 “F j s h e r 脸”等基于整体的方法的提出，涌现了一些实用系统，如F a c e i t ，T r 【J e F a c e ，v i s o n i c s 等。这类方法考虑了人脸的整体属性且保留了人脸部件问的拓扑关系，包含更多的有利于识 别的细节信息m 9 9 5 o “。9J J ”事件以后，由于安全、j 琏控等方面的迫切需要，人脸特 征提取与识别研究得到了更多的重视。国际上有许多研究组在从事人脸识别技术的硼究，近 几年来发表了大量相关论文。其中，8 0 以上论文的主要创新点集中在人脸特征提取环：竹。 目前人脸特征提取主要的方法是基于整体的方法，例究的个焦点是，在复杂情况r ( 光 ! i 、 视角和表情变化) 如何确效地、稳健地提取有利于识州的特征I “” 2 。o ”。 国山人脸汉别研究始于7 0 年代末，主要有叶唪 院自动化所、中科院汁算所、清华大学、 南京理工大学、哈尔滨工业大学等币位。初期工作仪限于人脸儿何特征的提取与识别。经过 儿十年的研究和努力，取得了微大进展。F i 前，国内对于人脸特0 E 提取及识别理沧和方法的 研究水平已经达到或接近围际水平，但人脸识别应斤J 产品的开发研制却相对滞后l ”“。 本文研究的是人脸特征提取问题，研究的意义主要体现在以H L 个力面： 其一，人脸特征提嫩技术是人脸识圳的关键技术，卣接影响识别系统的性能。 其二，人脸识别在安全监控、视频会议、智能人机接口等方面有着广泛的应用前景。 其三，本文虽然针对的是人脸识别中的特征提取问题，但文中的一些思路和方法也可以 推广应用于其它同标识川问题。 1 3 人脸数据库 人脸识别系统的研究和开发需蟹建立人聆图象数据库，砒识别系统阿陛能利人腧数捌 库的设计密切相关。开发一个在任意环境条件下都能够适用的人脸识别系统是非常困难的 因此几乎所有的人脸识别技术研究都是在一定的人脸数据库上进行。 1 3 1 人脸识别常用人脸数据库 自上世纪9 0 年代以来，研究人员针对不同的情况，建立了多个用于人脸识别研究的人 脸数据库。最常见的有以下几种： F E R E T 人脸数据库 F E R E T 人脸数据库是目前J H ：界上最大的人脸数据库，它是美国困防部为了促进人脸识 别技术的研究和实用化，发起入脸识别技术( F a c er e c o g n i t i o nt e c h n o l o g y ，F E R E T ) 工程而建 立的f ”。F E R E T 人脸库包括一个通用的人脸库及一整套测试标准。该数据库中人脸图 象具有不同 由视角( 姿态) 、光照和表情的变化，目前每两年一度的人脸识别竞赛主要就是 采用F E R E T 人脸库作为评测标准。与其他人脸数据库不同的是该数据库中每个人的人脸 H 募不仅包括视角、表情和光照的变化，l 缸且还包括时问问隔的变化，最长的时问间隔达= 年之久。F E R E T 人脸库包括数丁人的几万幅人盼图象，而且还在不断的扩充。由于F E R E T 人腧库中包含军人的照片，删b 美以外的吲家很难获得。 o R L ( o v e t l lR e s c a r c hL a b o r a t o r y ) 人脸数据库 O R L 人聆数韦噼库是当前人聆识别列f 究小使用的彘多的人腧数据库之，可以从可联网 上免费获得( h 郇：w w w L l kr e a s c a r c ha t tc o m ，f a c e d a l b a s e 1 1 I l n I ) 。该数据库4 0 个人的4 0 0 幅 人腧图象构成，图象的分辨率为9 2 1 1 2 ，2 5 6 灰度级。人腧图象的而部表情和钏节均：向很 大的变化，如笑，不笑，蹄U R 闭恨，带眼睛不带恨睛等；人脾的姿态视角出有很大的变化， 其深度旋转和平面旋转最大达2 0 度：人脸尺度也响最多l O 的变化。 圈豳圈圆圈 囵囵囵圈 图1 1O R L 人脸数挢 库中部分人脸图魏 h g1 1S o m e t a c e l m a g c s l n m e 0 R L f a c ed a t a b a s e Y a | e 人脸数据库 Y a l e 人脸数据库也是人脸识别研究中常用的数据库，可以从互联网上免费获得 ( h 郇：c V c y a l ee d u p r o j e c t s y a l e f a c e s ) 。Y a l e 人脸库主要是针对光照和表情变化的研究而建立 的。图象分辨率为1 6 0 1 2 l ，2 5 6 灰度级。图象包括光照、表情和细节的变化，但视角和 尺度没有变化。Y a I e 人脸库容量较小，只包括1 1 人共1 6 5 幅人脸图象。 鱼鱼J 图l2Y a l e 人脸数据库中湖i 分人腧图象 Po g I2S o J n ef a c cl m a g e s 】1 1m eY 口J eI n c e ( 蛔l a j a s o A R 人脸数据库 A R 人脸数据库是普渡大学机器人视觉研究中心的A 】e i x 教授和B c n a v e n i c 教授建立， 它【旦是人脸识别研究中使用的较多的人脸数据库”1 。A R 数据库包含12 6 人( 7 0 男性， 5 6 女性) 的4 0 0 0 多幅人脸图象，图象为2 4 位彩包图，分辨率7 6 8 5 7 6 ，R A w 格式。A R 人脸库中的图象全部是正面人脸图象，并具备表情、光j c 和遮挡等变化。表情变化午遮挡是 A R 人脸库的主要特点，因而该人脸库不仅可以用于人脸识别，而且可用于表情识别研究。 其它常用的人脸数据库还有麻省理工的MJ T 人脸库、欧洲的M 2 v 【 s 人脸库和英国曼 彻斯特大学的U M I s T 人脸库等。 1 3 2 本文采用的人脸数据库 本文主受研究的是人腧识别中的特征提取问题，目的是在视角和光照变化情况下进一步 提高正确识别率，吲此我们使用o R L 和Y a I e 人腧数据库。需要指出的是，刘于Y a l e 人脸库 第一章绪论 中的图象，我们按照文献 B r u n l 9 9 3 的方法对其进行几何归一化和直方图均衡化预处理。图 1 3 是预处理后的Y a l e 人脸库中部分图象。 圈凰F 铤譬譬 图13 归一化后Y d l e 人舱数据库中部分人脸圈蒙 H gl 3S O m en o r m a l l z c df a c ei m a g c si ni h cY a l er a c ed a t a b a s c 1 4 本文研究内容和安排 本文丰要针剥人脆特征提取问题进行研究，研究的重点是基于整体旧人腧特征提取方 法，目的是进一步提高人腧特征提取算法的鲁棒性及有效性。沦文围绕基于非监督的人胎特 征提取力法和基十临督的人脸特征提取方法硼大部分展丌，j 叟工件如下： ( 1 ) 系统地总结了常用的人脸特征提取和识别力法，并介绍了H 前技术发展的趋势。 ( 2 ) 提了结台八脸全局信息和局部器官信心的人脸组合特秆提取 法，并硎究了门， 种距离度量r 组合特征的分类性能。采用I ) ( ：T 变换蚓州提取八脸的箍体信息和腧 部重要器亓信息( 哏和鼻) 来描述八腧模式，具响更好的售棒性。实验结祟表明， 组合特征力浊具柏较好的汁算性能，并且对于分类度量不敏感，是一利t 柏效的人 脸表谜方法。为了快速有效地定位脸部器官，提出了一种基十儿何投影和模板匹 配斗H 结合的人脸特征点定位算法。该力浊综合了投影法和模板匹配法的优点，既 柏较高的定位精度和计算迎度，剐时剥光照、视角的变化有很好的鲁棒性。 ( 3 ) 提出了基于函数李年代的非线性独市7 L 分析浊。该方法通过定义非线性映刺将样本 从输入空问H 兜射到低维空问，然后在此空间内进行I C A 变换。在采用同样核酮数 的情况下，该算法提取的特征与K I c A 算法提取的特征有若相似的分类性能，但 本文力法可t F 意选用核函数，不需萤其满足M e r c y 条件。 ( 4 ) 研究了基二：r 局部扶度分析的人脸表述方法。在局域二值模式( L o c a I b i n a r yp a n er 1 1 ， L B P ) 描述符基础上，结合人脸图象的特点，提出了一种基于多分辨率l L B P ( j m p r o v e d L B P ，l L B P ) 直方图的人脸表述方法。与常用的基于G a b o r 小波的方 法相比，本文方法识别率相当且计算量较小。 ( 5 )系统地研究了判别分析法在人脸特征提取中的应用，并结合人脸模式的特点，提 出了两种改进的L D A 算法，即直接加权L D A ( D w L D A ) 和改进L D A ( I L D A ) 。 D w _ L D A 的基本思想是使用不损失重要判别信息的方法来降维，同时在传统的 F i s h e r 准则中引入加权函数得到与分类率直接相关的改进准则，能够有效地处理 小样本问题及传统的F i s h e r 准则在多类情况下非晟优问题。I L D A 是D w _ L D A 的 增强版本，主要是利用同时对角化技术来提高算法的泛化性能。提出了两种基于 核的判别分析算法，即基于Q R 分解的核判别分析( O R K D A ) 和基于核的改进 判别分析( K I D A ) 。0 R K D A 能够较好地解决( K D A 中) 伪类内离散度矩阵奇 异性的问题，并且其计算量较小；K l D A 可以石作是I L D A 基于核方法的推广形 式，它不仅能有澉地处理伪类内离散度矩阵奇异性的问题，而且通过在高维隐特 征空问内引入加权函数重构F j s h e r 准则，很好的解决了K D A 方法中的F i s h e r 准 则在多类情况F 非最优问题。 F 面的内容是这样安排的： 第一章介绍了课题的研究背景和意义以及本文的研究内容。 笫二章综述了常用的人脸特征提般和识别方法，并简要介绍了目前技术发展的趋势。 第三章i j f 究了基于D c7 0 人脸表述方法。提出刚人脸的全局信息和局部器官信息描述 人脸模式的绷台特征方法，并研究比较了儿种距离发蕈下绸合特征的分类性能。 第p q 章探讨了基于独立冗分析的人聆特征提取力法，提出了基于函数错代的非线性独立 冗分析法。 第五章研究了基于局部灰度分布分析的人脸表述方法，将L B P 用于人腧表述，提出基 于多分辨率I L B P 真方图的人脸表述方法。 第六章研究了基于判别分析的人脸特征提取方法。提出了一系列基于L D A 的新力法， 包括D _ L D A 和I L D A 吼及它们基于核的非线性推广方法。 第七章别整个论文的研究和工作进行了总结，并指出了进一步的研究方阳。 第二章人脸特征提取与识别方法综述 2 1 引言 第二章人脸特征提取与识别方法综述 人脸特征提取又称人脸表述，是对人脸进行特征建模( 精细建模) 的过程，目的是提取 出原高维人脸模式的低维特征，以用于后续的分类任务。由于人脸模式的复杂性和多变性， 在光照、视角和表情等因素变化的情况下，通常人脸模式的类内离散度远远大于类问离散度， 导致很难有效地提取分类特征。因此，人脸特征提取是人脸识别的主要难点所在，也是影响 人脸识别准确率的关键技术环节用2 0 0 0 ；西”2 0 0 3 1 。 人脸特征提取过程在木质上比识别( 分类) 过程更具有启发式的特性。从人自身的识别 机理来看，很难从表面上将特征提取过程与识别过程截然分丌，往