（信号与信息处理专业论文）基于人像认证的门禁系统软件设计.pdf

摘簧 摘要 基于人像认证的门禁系统软件设讣 硕上研究生谷晓燕导帅吴乐南 东南大学信息科学与工程学院 随着人们安拿防范意识的不断提高，近年来i j 禁控制管理系统一直是一个研究热点尤其是人 体生物特征识别式门禁系统更是备受关注。本文采刚传统的1 接触式i c 卡与人体牛物特征相结合的 方式设计门禁系统的管理软件。 本系统的特色在于使用中华人民共和国第二代居民身份证作为非接触式i c 卡，第二代身份证中 存储了个人基本信息和人脸图像信息。也正是因为其中的人脸图像信息，我们可以采用人脸作为生 物特征进行识别，以判断持证人是否为证件的真正主人。 人脸识别其有较好的实时性、非接触性和非强制性等特点。国内外很多学者对人脸识别算法的 实现和改进作了大量的研究例如h m m ( h i d d e nm a r k o vm o d e l ) 和e h m m ( e m b e d d e dh i d d e nm a r k o v m o d e l ) 算法，也取得了很多成果。本文采用基于h m m 和e h m m 的人脸识别算法，主要针对算法实 现中各种参数的设计进行了相关研究，包括对采样窗口尺寸、相邻采样窗口的重叠率、提取d c t 系 数个数、混台高斯分量个数的选择等，并根据仿真结果得出结论。在此基础上实现了该门禁系统中 的人像认证算法。 从应用系统的角度，作为门禁系统，我们需要考虑它的实用功能。本文在该门禁系统中加入了 考勤管理功能。对用于公司等单位的考勤系统，该模块实现了记录出勤情况、设置请销假制度、生 成考勤统计报表等功能，以方便公司财务部门和领导对考勤情况的了解。 针对设计需求，本文采用了m f c o d b c 数据库技术，在v i s u a l c + + 6 0 平台下完成了系统数据库 的开发和用户界而的设计。 最后总结了全文，对基于h m m 和e h m m 的人脸识别系统需要进一步完善的方面与后续工作进行 了探讨。 关键词；门禁系统，人脸识别，人像认证，h m m ，e h m m ，数据库，用户界面，o d b c a b s u l z t a b s t r a c t s o f t w a r ed e s i g no fd o o r - f o r b i d d e ns y s t e mb a s e do nf a c ev e r i f i c a t i o n c a n d i d a t eg ux i a o - y a n s u p e r v i e rw u i j e - n a n s c h o o lo f i n f o r m a t i o ns c i e n c ea n de n g i n e e r i n g ，s o u t h e a s tu n i v e r s i t y w i t ht h ei m p r o v e m e n to fp e o p l e sr e q u i r e m e n tf o rs a f e t y ，d o o r - f o r b i d d e ns y s t e mh a sb e e nah o t r e s e a r c hp o i n tr e c e n ty e a r s ，e s p e c i a l l yt h o s ew i t ha d v a n c e db i o l o g yc h a r a c t e rr e c o g n i t i o nt e c h n o l o g i e s c o m b i n a t i o no f c o n v e n t i o n a lu n t o u c h e di cc a r da n db i o l o g yc h a r a c t e rr e c o g n i t i o ni sa d o p t e di nt h i sp a p e r t od e s i g nt h em a n a g e m e n ts o f t w a r ef o ro u rd o o r - f o r b i d d e ns y s t e m t h em a i nc h a r a c t e r i s t i co f o u rs y s t e mi su s i n gt h ec h i n e s es e c o n dg e n e r a t i o ni dc a r da su n t o u c h e di c c a r d p e o p l e sb a s i cp e r s o n a li n f o r m a t i o na n df a c ei m a g eh a v eb e e ns a v e di nt h i sc a r d j u s tb e c a u s eo f t h e p e r s o n a li m a g ei nt h i sc a r d , f a c ei n f o r m a t i o ni su s e da sab i o l o g yc h a r a c t e rt of i n i s ht h er e c o g n r i o na n d v e r i 母i d e n t t r y a sw ek n o w ，b e c a u s ef a c er e c o g n i t i o ni sr e a l t i m e d , u n t o u c h e da n du n f o r c e d , al o to fr e s e a r c h e so n f a c er e c o g n i t i o nh a v eb e e nd o n et om a k es i m p l e ra l g o r i t h m sa n db e t t e rp e r f o r m a n c e s ，s u c ha st h o s e t h m c t i c sb a s e do nh m m ( h i d d e nm a r k o vm o d e l ) a n de h m m ( e m b e d d e dh i d d e nm a r k o vm o d e l ) t h e a l g o r i t h mo ff a c er e c o g n i t i o ni nt h i sp a p e ri sa l s ob a s e do nt h eh m m a n de h m m w em a i n l ys t u d i e dt h e i m p a c to fk i n d so fp a r a m e t e r st or e c o g n i t i o nr e s u l t s ，i n c l u d i n gt h e s i z eo fs a m p l i n gw i n d o w t h e o v e r l a p p i n gr a t i oo f t w os a m p l i n gw i n d o w s ，t h en u m b e r o fd c tc o e f f i c i e n t s ，t h es e l e c t e dn u m b e ro f m i x e d g a u s se l e m e n t s a n ds oo n b a s e do nt h e s er e s e a r c h e sa n ds i m u l a t i o nr e s u l t s ，t h ef a c e v e r i f i c a t i o ni s r e a l i z e di no u rd o o r - f o r b i d d e ns y s t e m c o n s i d e r i n gt h ea c t u a la p p l i c a t i o no ft h e d o o r f o r b i d d e ns y s t e m ，o u rs y s t e mh a sa l s o r e a l i z e dt h e s o f t w a r eo fad a t a b a s em a n a g e m e n ts y s t e mt oc h e c ko nw o r k i n ga t t e n d a n c e t h i sm o d u l ec a np r o v i d ea s m a n yu s e f u la n dc o n v e n i e n to p e r a t i o n st oi m p r o v eo u rm a n a g e m e n t o u rd a t a b a s ei sb a s e do nm f co d b c a n di t sa p p l i c a t i o ns o f t w a r ea n du i n t e r f a c ei sd e v e l o p e d w i t ht h ev i s u a lc + + 6 0 a tl a s t ，s o m ec o n c l u s i o n sa n da d v i c e sa r eg i v e nt of u r t h e ri m p r o v et h i sd o o r - f o r b i d d e ns y s t e mb a s e d f a c er e c o g n i t i o nt e c h n o l o g y k e yw o r d s ：d o o r - f o r b i d d e ns y s t e m ，f a c er e c o g n i t i o n ，f a c ev e r i f i c a t i o n ，h m m ，e h m m ，d a t a b a s e ，u s e r i n t e r f a c e ，o d b c n 一 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 研究生签名 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位 论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人 电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论 文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包 括t u 登) 授权东南大学研究生院办理。 研究生签名：，压釜醢熟导师签名期：冱壁：三! j 筇审绪论 1 1 选题背景及意义 第一章绪论 随着社会的发展和科学技术的进步，人们对工作、生活质量的要求越来越高，办公和家居的自 动化、智能化和更加安全舒适成为人们追求的目标。特别是在“9 1 l ”事件之后人们对安全防范 措施的要求也逐步提高。为了科学地管理特定区域场所的出入权限，及时、准确地舱控被管制区域 的出入情况，辅助工作人员监控异常情况的发生防止各种人为的失误，在企事业单位中建立套 现代化的智能门禁监控管理系统必不可少。该门禁监控系统可根据实际情况扩展其功能，如可将其 配胃为门禁考勤管理系统等。 门禁系统，即出入口管理系统，属公共安伞技术防范( 安防) 范畴。它通过在建筑物内的主要 管理区，出入口、电梯间、主要控制中心机房、贵重物品保管等重要位置的通道口，安装门磁开关、 电控锁、读卡机或生物识别系统等控制装是，进行出入管制，禁止随便出入。自动记录出入人员情 况，还可授权持卡人进出的时段，实现全自动的出入口计算机管理。 大门可根据需要选用带乱序键盘的读卡器，也可同时使用i c 卡及乱序键盘，更灵活方便，可设 定为按密码进入，或非接触i c 卡与密码同时使用进入，以进一步提高可靠性。甚至可以采用先进的 生物识别技术，如指纹识别、虹膜识别、脸部【 别等。 本文选用了非接触式l c 卡和生物识别技术相结合的方法设计门禁管理系统。 本文采用的非接触式i c 卡为现行中华人民共和国第二代居民身份证，证中存储了个人的照片、 身份证号码和其它基本信息，以其作为识别卡，既能提高可靠性、准确性、唯一性、广泛性和防伪 性又免除了重新制卡带来的成本增加。 作为身份认证的信息，人自身的生物特征信息更方便快捷且独无二。常用于身份认证的生物 特征信息包括人脸、指纹、掌纹、虹膜、耳廓等等，其中人脸识别具有较好的实时性、非接触性和 非强制性等特点，在近3 0 多年内得到了较快的发展。本文将人脸识别算法用于门禁系统中的身份认 证：用身份证中存储的人脸照片与实时拍摄的持证人图像进行比对识别，以确保持证人即是证件的 真正主人。 t 2 门禁系统概述 在数，技术、网络技术飞速发展的今天，门禁技术得皇u 了迅猛发展门禁系统早己超越了单纯 的门道发钥匙管理，已经逐渐发展成为套完警的出入管理系统，在安防管理中发挥出巨大作用。 门禁系统实现出入口控制，其功能是有效地管理门的开肩和关闭，保证授权人员自由进出限 制未授权人员进入，对暴力强行闯入的行为予以报警：同时对进出人员的标识码、进出时间等进行 记录与储存。 门禁系统能够确保受保护区域的安全，使1 ：实现智能化管理，越来越受到用户的青睐。受控门 的种类也从传统的开关式门、推拉门，扩展到适合公众进 j 的通道式r j 。 门禁系统按照控制进出门的方法主要古卡片读出、密码输入和牛物特征识别系统二天类。 1 ) 卡片读出式门禁系统，是以各类卡片经读出装置判别后决定是台允许进出，依 片的工作方 式分为接触式卡片和感应式卡片。 2 ) 乱序键盘代码输入识别式门禁系统，以输入代码作为进卅凭证。所谓乱序键盘，即指0 9 共 东南大t 顺i 伯沦史 1 0 个数字在显示键盘上的摊州方式不同定，每次使肘时显示数字的位置都不同，以免被人窥视而泄 鳝密码，既方便又爻用。 3 ) 人体生物特征识别式rj 禁系统，通过检验人员生物特缸的方式来识别进m 。存门禁拧制系统 中使用钥匙开门是用“你拥有的东西”，使用密码是用“你知道的东西”，而使用牛物特征是用“你 的一部分”j 。这种 别力式安全性极好，无须携带 片。常用的生物识别技术有指纹识别、虹膜 识别、脸部识别等。 门禁系统按组成方式分为联网式和单门式两大类。 联网式门禁系统包括：感应卡、读卡器、电磁锁、控制器、信号收发器、计算机及系统软件。 单门式门禁系统包括：感应卡、读卡器、电磁锁、控制器和电源箱，比较简单。 1 3 人脸作为生物特征的识别优势d 1 人脸识别与其它生物特征识别如指纹识别、掌形识别和声音识别相比，具有独特的技术优势， 主要体现在以下几个方面： ( 1 ) 非接触式识别。使用者无任何心理障碍，无需被动配合，而其它生物识别方法都需要使用 者的些配合动作。 ( 2 ) 符合人的识别习惯。当记录一个企图登录的人的生物信息时，通过人脸能直观、方便地核 查h 该人身份，符合人的识别习惯。当一个警卫或管理人员，试图判断一个企图登录的人的指纹是 否与已备案的指纹一致时，是非常困难的，而人脸则容易得多。 ( 3 ) 可隐蔽操作，用于监控系统。这一特点使人脸识别技术可用于罪犯监控及网上抓逃等场合， 这是指纹、虹膜、掌纹等其它人体特征识别技术所小能比拟的。 ( 4 ) 具有方便、快捷、强大的事后追踪能力。| r 在事发的同时记录并保存当事人的而像从而 可以确保系统具有强人的事后追踪能力，这是指纹、虹膜等其它牛物特征所不具有的特征。 ( 5 ) 身份资料的完整性。人脸| 墨| 像数据库是目前国家保存最完整的身份资料之。 ( 6 ) 能获得其它识别系统难以获得的一些信息。与传统生物特征识别技术相比，人脸识别具有 简便、准确、经济及扩展性良好等优势，且通过人脸的表情、姿态分析，可以获得其它系统难以获 得的信息。 1 4 人脸识别技术的发展 最早对人脸识别进行研究的是b l e d s o e l 4 j ，他以人脸特征点的间距、比率等参数为特征建立了 一个芈自动的人脸识别系统。经过近4 0 年的发展，人脸识别的研究正逐步走向成熟。现阶段及以后 主流的人脸识别研究主要集中于多姿态、多光照条件的人脸识别方法研究。 g e o r g h i a d e s 等提出的基于光照锥模型的人脸识别方法是近阶段的重要成果之一。他根据未知 光照条件的7 幅同姿态的人脸图像恢复人脸的三维形状和表面反射率的同时构建与光照无关的光 照锥，人脸的识别则通过计算输入图像 q 每个光照锥的距离来完成。因计算的光照锥中只含有与人 脸类别相关的人脸表面反射率信息和表面法向信息不含有光照信息从而实现了光照不变的人脸 识别。在目前的方法中，该方法对光照变化的鲁棒性最强。 b l a n z 痢v e t t e 一“”等提出的基于三维变形模型的多姿态、多光照条件的人脸识别方法是近阶段的 另一个重要成粜。其丰要贞献在于它在三维形状和纹理统计变形梭型的基础之上采用图形学模拟 的方法对图像采集过程的透视投影和光照模型参数进行了建模，将人脸形状和纹理等内部属性与摄 像机配置、光照等外部参数分离开来，从而更加有利于人脸图像的分析与识别。通过在多姿态、多 光照的c m u - p i e 人脸数据库上测试，获得了8 2 6 的识别率。 2 - 第牟绪沱 特祉腧1 9 1 、f i s h e r 脸 1 0 1 是经典的线性人脸识别方法它们难以描述人胎南于光照、姿态、表情等 变化引起的非线性问题。借鉴支持向帚机中核( k e r n e l ) 概念，c h e n ( ”1 和x u l l “分别在特征脸、f i s h e r 脸的方法中0 i 入核技巧，通过将线1 牛不町分的输入样本非线性映射到个高维空间，使不i 丌j 类样本 在岛缈窄问中线性可分，然后在这高维空间对样本进行线性分析，有效解决了人腧的1 线性问题。 s h a s h u a 0 3 1 提出了一种基r 商图像的人脸识别疗法。该办法能够根据训练集中少鬣小同光照的图 像，合成任意输入图像在任意光照条件下的虚拟图像为实现_ 咒照小变的人脸识别提供了重望的理 论依据。 另外值得一提的是b a s i l 和j a c o b s 【l ”，他们采用球面谐波来表示光照得出的结论就是：凸的朗 伯表由物体在各种光照条件下的图像可用一个低维线性子审问来近似，从而在理论上促进了基于线 性子卒问的人脸识别方法的发展。 最后，隐m a r k o v 模型人脸识挣j 方法是一种基于模型的识别方法，它最初用于语音识别，s a m a r i a ”】 等把一维连续的隐m a r k o v 模型应用到人脸识别。为了更好地利用图像数据的二维结构，n e f i a n ( 1 6 1 定 义了一种嵌入式隐m a r k o v 模型用于人脸识别。 1 5 已商用的人脸识别门禁系统 国内外不少公司迅速将人脸识别科研成果应用到门禁系统中在展近l o 年，市场卜- 也陆续出现 了一些商用人脸识别门禁系统，尽管还不很成熟，但在实用中确实已经起到了一定的作用。下面衙 要介绍国内外一些主要的人脸识别门禁系统“1 1 5 1 国外产品 美国麻萨诸寒州的v i s a g e 公司研制了实时人脸检测、识别系统v i s a g e f a c e t o o l s ，采用多个摄像 机摄取图像，根据运动和肤色特征从输入图像中定位人脸，通过模板匹配方法定位眼睛、嘴巴等部 位，识别过程相当短，已应用于飞机场、车站等公共场所的逃犯追捕、门禁系统控制等方_ 面。 加拿大v i s i o n s p h e r c 公司研制了i t sm e “类门禁”产品，实现了限制登录f ：网的目的。 美园g e n e x 公司推出了多模态的f a c e c a m3 d 产品，2 s 内便可完成身份验证。 德国c o g n i t e c 公司开发了f a c e v a c s s d k 智能门控系统，通过提取人脸多阶高斯导数滤波特征， 采用判别式分析方法来实现人脸识别，己用于悉尼国际机场。 德国c v i s 公司研制了f a c e s n a p 系统，采用弹性图匹配的方法来实现人脸识别，具有数字视频录 像和人脸定位、验证功能，不同的人从不同角度进入监控区域，都可以识别。 b i o t d 公司推出了b i o l d 系统，融合了人脸、语音和唇动3 类特征进行身份验证。 韩国f i r s 公司推出了v i s i o n g a t e 人脸识别系统，具有门禁、考勤、巡史等多种功能，识别率高达 9 9 9 8 。 1 5 2 国内产品 成都银晨网讯科技有限公司与中科院计算机所合作开发了银行安伞i i 】范管理系统、会议代表身 份认证系统面像识别门蔡，面像识别考勤等8 人应川系统，计算机可在0 ，0 5 0 i s “捕获”人脸，并 在ls 内完成识别，诌 别串可达9 6 以上。 深圳耵诺思科技有限公刮推m 的咖像识别门禁系统，采用德国c o g n i t e c 公司的核心识别算法，采 用m f i 卡+ 人脸识别的l ：l 对比方式，识别时间最快0 1s 。 深圳万方远人科技自限公司推出的v a 4 0 0 立式面像识别门禁考勤系统，识别方式：i c 卡指纹+ 3 尔f 钼夫中硕i 学似论殳 人脸识机蚪1 户容母：8 0 人。 深港产学研数码科技有限公司研发了b i o l e r d 9 0 0 人脸彭5 别门禁系统， = 别方式：i c + 人脸动i 别。 上海银晨钾能识别科技有限公司研制r 人脸识别出入控制系统。采用人脸识别与密码、i d 卡等 作为判决条件已成功应州于人民大会堂“l 六大”会议代表身份认证、并大银行，上海公安局等， 人脸识别时问 l s ，误识率 0 0 1 ，拒认率 ( q ) ( 3 1 5 ) 其中 ( 0 1 ) = i 哆n ：， l f t ( 3 1 6 ) 而对给定兄，产生s 的概率为 p ( s 1 五) = 凡。a q r 。* ( 3 1 7 ) 因此，所求概率为 p ( 0 1 2 ) = e ( o i s ，a ) p ( s l 五) m c f s8 ) = 乞( 0 1 ) 。6 q ：( 0 2 ) c l q r 。b ，( q ) 显而易见，上式的计算蕾卜分惊人，约为2 t n 7 数蕈级，当n = 5 ，t = 1 0 0 时，计算帚达10 ”， 完全不能接受。在此情况下，要求mp ( o i ) 还必须寻求更有效的算法，这就是b a u m 等人提出的 前向一后向算法。 l 、前向算法 定义前向变量为 q ( d = j p ( 0 ；，0 l ，一，0 i ，q ，= p i a ) ， i t t ( 3 1 9 ) 1 5 蓖、南，、孝碗i 学付论殳 那么，存 a 、初始化： 口i ( f ) = 互 ( q ) ， l 蔓i n 其中 b 、递归： q + ( ) = 【q ( ) q 】q ( q + ) ， 1 f t - 1 ，l s n c 、终结：p ( o i a ) = a t ( i ) ( 3 2 0 ) ( 3 2 1 ) ( 3 2 2 ) 屯( 0 ，+ ) = b j - k ； ( 3 2 3 ) 这种算法计算踅大为减少，变为( + i ，一1 ) + n 次乘法和n ( n 一1 x t 1 ) 次加法。同样， n = 5 ，t = l o o 时，只需大约3 0 0 0 次计算( 乘法) 。这种算法是一种典型的格型结构。 2 、后向算法 与前向算法类似，定义后向变量为 届( j ) = p ( q + ，q + 2 ，一，( i i 毋= 谚，五) ， l t t 一1 类似，有 a 、初始化： 屏( f ) = 1 ， l 蔓i n n b 、递归：局( f ) = ：嘞t ( q + 。) 屈“( ) ，t = t - i ，t 一2 ，1 ，1 e ( o i a ) ，所以五作为初值用重估公式，得到旯。这样就避免了初值的选择不当， 变经典的a a 为a 一五一j 。当然，沿幽中虚线，不用重估公式，互也可近似作为模型参数 图3 6 中的训练数据是指工个样本图像分别经过观察向量提取后得到的五个观察向量序列： 0 = 0 ( “，d ( ”，d i ) ， d 【o = 研”，o l “，o g ) 。i ，上 其中，研1 ( 1 f 霉) 为第，个训练样本中第f 个分割块对应的观察向量。 对每个0 一用v n e l b i 算法求其对应的最佳状态序列，然后将属于每个状态p ( 1 i ) 的所有 观察向量聚集在一起。对与每个状态o , 0 i ) 相关的所有观察向量进行k 一均值聚类，然后初步 估计出输出概率口。之后，再进行参数重估。 田3 - 6 一种m 参数估计方法示意圈 然而，v i t e r b i 算法进行的前提是有个h m m ，而尚未初始化的h m m 模犁用在这里会导致很人的 误差，所以，实际应用中我们小用v i t e r b i 算法对观察向量分类，而足将所有观察向景p 均分段。 平均分段过程如网3 7 所示。即将每个人脸陶像的所有观察向量从卜到下进行平均分段，每个图 像平均分成n ( 状态数) 段，将所有图像对应状态上的观察向昔聚成一类，这样也完成了分类的过 程。在每一个状态所对盹的类中利用k 均值聚类求出嚣混合高斯模型，从而初始化输出概牢b 。 当然，如果红f 均分段并初步估计m h m m 模型参数厉，利用此时的h m m 模型对每个样本图像用 v i t e r b i 算法 l 次分类，蓐新估计h m m 模型参数也就是说，用两次仞步估计所得到的h m m 模型参 数再参与模型重估，结果会更好，但是初始化模型的时间就会变长。 2 l 一 尔由j 、学硕i 警竹论卫 一十机老 簟= 十状杏 簟三 t - 状毒 第西十机毒 第五十袄寿 3 3 3 比例因子问题 圈3 7 模拟平均分段过程 在前向一后向算法和b a r o n w e l c h 算法中，都有磁( d 和f l , ( i ) 的递归计算，因为所有量都小于i ， 因此，q ( f ) ( 随着t 的增加) 和屈( f ) ( 随着f 的减少) 都迅速趋向于零，为了解决这种下溢( u n d e r n o w ) 问题，必须采取增加比例因子( s c a l i n g ) 的方法，对有关算法加以修正，处理过程【2 7 3 1 为 l 、对a 的处理 q ( d = 互岛( d ，) 1 s i s n 双d = 是= 警，k 逸 ( f ) - ( 3 4 6 ) ( 3 4 7 ) in 砒( ，) = i z ( 慨i t ( q + 。) ，1 j n ，t = l ，如，r 一1 ( 3 4 8 ) l i = 1j 1 s j s n ，t = l ，2 ，t - 1 ( 3 4 9 ) 2 、对口的处理 屏( d = 1 ， 1 f s n 屏( o = i ， 1 蔓i n 万( d ：莹q 6 j ( q ) 反。( ，) i s i s n ，：丁一l ，丁一2 ，l 3 = 1 ( 3 5 0 ) ( 3 5 1 ) ( 3 5 2 ) 玎( o = 屈( f ) 中，+ l ， l f s n ，f = t - i ，t 一2 ，1( 3 5 3 ) 3 、常用计算公式的处理 对口和口作了上述处理之后，为了保持原有公式计算结果不变，必须在常用计算公式中作相应 处理，以消去比例因子的影响。 ( 1 ) 概率尸( d i 丑) 的计算公式 由a 的处理过程易推出： 一2 2 + 中， )( +岱 l i ( +一口 。一 ， ) ( +口 l i )(件 口 第= _ 辛旌于蹲m a a o v 模型的人脸静 刖 而 因此 即 或 z ( f ) = 口，( o m m 2 m ( 3 5 4 ) nnl m ，= 五f ( ，) = l 吐( f ) qi b j ( d ，) = a , ( j ) e 中：中，- ( 3 5 5 ) ，l1 = 1lj ，lj；l q ( ，) = m 。巾：西 t l p ( 0 1 2 ) = 吩( ) = m m 2 巾 j = l r i g p ( o i a ) = l g m ， i - i ( 2 ) 重估公式 由口的处理易知 跏) = 苏 因此，重估公式( 多个训练序列) 时，( 3 4 0 ) 、( 3 4 1 ) 和( 3 4 2 ) 式变为 ( 疆 1 i s n rt l 一 2 2 6 ：m ( d 嘞t ( 哦；) 彪：( ) m ，。 口 = j 型j 宴1 i = i 一， 1 f ，jsn 西( f ) 屏“( ) k li = 1 西“( ，) 屏“( j ) i 胪1 等l 一，l s ，1 k - m 西“( ，) “( ，) ，= l 担l 4 、v i t e r b i 算法的处理 在原来的v i t e r b i 算法( 3 2 8 h 3 3 5 ) 式c | l 加入对数化处理即可，即定义 4 ( 0 = m a xi g p ( q q 2 ，吼，c l , = 9 ，o ；，q ，qi i , q 2 月t d 那么，初始化( 3 2 9 ) 式变为 点( f ) = l g n - , + i g b , ( o i ) ， l f n 2 3 一 ( 3 5 7 a ) ( 3 5 7 b ) 0 5 s ) ( 3 6 0 ) ( 3 6 1 ) ( 3 6 2 ) r 3 6 3 ) 钟 )o i 口 。m = 一历 。己。h 、南人1 7 硕i 学位论疋 递归运算( 3 3 1 ) 式变为 4 ( 0 2 m 。a ；，x 4 一l ( ，) + i g q 】+ l g 【6 ，( q ) 】 终结( 3 3 3 ) 式变为 i gp m a x d r ( i ) ( 3 6 4 ) ( 3 6 5 ) 这样，得到的是p 的对数值而不是p 。应该指出，实际r 为了避免计舅出的概率值p ( o l 五) 太小， 而总是采刚i g p ( o i 五) 。事实上，单个概率值与通常意义上的概率有些区别，在具体应用中，单个 的p ( o l 五) 的值总是很小。因此单个p ( o i 五) 数值本身并无多大意义，通常在应用中只是几个 p ( o i 五) 的相对大小才是有用的。 3 3 4 多个观察值序列训练 实际中，训练一个h m m ，经常是用到不止一个观察值序列，那么，对于工个观祭值序列训练 h m m 时，要对b a u m w e l c h 算法的重估公式( 3 4 0 ) 、( 3 4 1 ) 和( 3 4 2 ) 女n 以修正。设个观察值序列为 0 “，= l ，2 ，l ，其中0 。= 科“，o 少，硝，假设各个观察值序列独立，此时， p ( o i 五) = r 1 p ( o 五) ( 3 6 6 ) ，t 由于重估公式是以不同事件的频率为基础，因此，对工个训练序列，重估公式修正为 元= 耐o ( f ) 屏o ( f ) p ( d ( ”i 五) ， l i n ( 3 6 7 ) i = 1 ，z - i 一 艺彰，) ( f ) q 屯( 戗：) 剧x _ ，) 尸( o o 且) 嘞= 上u 三l - 再广一，l - 董- h m m 横 型( 1 个) 田4 - 1 0 用于本系统的e i n 人像认证算法的训练蹩模和检测认证沆程冒 一3 8 第四中犟f 嵌入式隐m a r k o v 模掣的人像认证 4 4 1e h m m 训练模块的实现 e h m m 模型训练的目的就是利用组训练样本确定经过优化了的e h m m 参数丑= ( 兀，a ，人) 。 e h m m 模型的训练流程如图4 - 1 l 所示。 l 观察向* 序州 之多 i 确定e h m m 原型 之多 i 图象均匀分割 之多 j 模型参数初妁化 之多 ”。 l 双掣嵌g v i t e r b i 分害j j 之多 霞估模型参数 n 圈4 - 1 1e 聃m 模型训练泷程 训练过程描述如下： 1 ) 预处理 包括几何尺寸归一化，灰度均衡等，形成训练图像。 2 ) 构造观察向量序列 首先，按照4 3 2 节描述的方法分割人脸图像( l 个训练样本) ：然后，对分割得到的每个子图 像块做d c t ，榭到与原始子图像块像素矩阵相例大小的d c t 系数矩阵，取其左上角的系数( 即子 i 呈i 像块的d c t 主系数) ：最后，将得到的d c t 丰系数矩阵经过矩阵变形生成丰 l 应的向量，这样每个 子图像块就对应一个观察向量，将每个样本的所有子图像块对应的观察向量组合生成观察向罨序列。 从嘶，每幅人脸罔像就可以由个观察向量序列准确地表示。 3 ) 确定e h m m 原型 即设定e h m m 的超状态数和每一个超状态中嵌入干h m m 的状态数。本文超状态数取5 。子状 态数取( 3 ，6 ，6 ，6 ，3 ) ，共2 4 个子状态。同时设定每个子状态的p d f 由3 个分量的混合高斯p d f 加权组成。 4 ) 图像均匀分割 根据模型中超状态数从上向下把图像均匀分成块，与超状态序列相对应：然后根据每个超状 态内嵌入的子h m m 的状态数从左到右均匀分割图像为块，分别与予状态相对应。 将l 个训练样本图像都进行这样的均匀分割，然后将所有样本分割后生成的图像块放任- 一起， 以子状态序号为索引，将对应十每个子状奋的所有罔像块提取m 来构造成个观察向量序列的集合。 一3 9 东南大节硕i 学竹沦殳 从