（信号与信息处理专业论文）基于双中心羽化加权wpca的人脸识别算法研究.pdf

摘要 摘要 人脸自动识别技术就是用计算机分析人脸图像，从中提取有效的 识别信息并自动鉴别的一种技术。人脸识别是生物识别技术的一种。 而在个人生物特征中，指纹、虹膜、m n 等人体生物特征的身份验证 方法容易令使用者有受到侵犯的感觉，产生抵触情绪，不适合一般场 合的身份验证。相比之下，最为方便、有效的部位首推人脸，用人脸 特征进行身份验证自然方便，易于为用户接受，且其高度的唯一性使 它的识别吸引了越来越多研究者的注意。 在人脸识别的主流算法中，基于主分量分析( p o ) 的特征脸 ( e i j 筘n f a ) 方法，由于计算简单，概念清晰易于实现，一直受到研 究者的广泛关注。但是传统的主分量分析的方法还是有自己的弊端的。 首先作为一种图像的统计方法，图像中的所有像素都被赋予了同等的 地位，无视不同的特征在识别中所起的作用不同。其次，人脸在人脸 空间的分布近似高斯分布，且普通人脸位于均值附近，而特殊人脸则 位于分布边缘。由此可见，越普通的人脸越难识别。 基于以上考虑，本论文在以下几个方面有所创新： l 、在已有的经典主分量分析算法和加权主分量分析算法的基础之 上，改进并提出了一种新的基于双中心羽化加权的加权主分量分析算 法。对每维特征设定一个双中心羽化函数作为加权函数，并以加权重 建误差最小为目标，计算出加权予空间，根据测试样本点到加权子空 间的距离进行分类。 2 、对提出的基于双中心羽化加权w p c a 人脸识别算法的参数进 行优化，找到在o r l 人脸库中的最佳参数。 北京交通大学硕士学位论文 3 、将本文的算法与已有的单中心羽化加权w p c a 算法以及经典 p c a 算法的识别率进行比较，实验证明本论文提出的算法在o r l 人脸 库以及i i s 人脸库上都取得了比较高的识别率。 4 、对由本所自主采集的i 玲人脸库进行了实验。证明了本人脸库 的可用性，并且找到了人脸库采集中的问题，以待以后的工作中改进。 本论文的不足之处以及今后要做的工作： 本论文在总结了人脸识别的各种主流算法后，将经典的基于主分 量分析的人脸识别算法进行了改进，提出了一种新的算法，并且在实 验中提高了新算法的识别率，证明了新算法的优越性。但是新算法的 参数优化工作做的不充足，在参数选取方面存在一定的弊端，今后的 工作中应着重于对参数的选取方式的研究。同时，算法在应用于更一 般性的人脸库时，识别率有所下降，如何提高算法的鲁棒性也将是今 后的工作重点。 关键词：人脸识别模式识别加权主分量分析双中心羽化加权 l i t h ea u t o m a t i ch u m a nf h c e 咒c o 印“i o ni sat c c h n o l o g yt h 越u s 细g c o m p u t 盱t o 缸a l y t h ch 衄题f a c cj m a g 鼯锄dc x 仃a c t i 呜e 饪e c 虹v e f c a t u r c s 细mt h ch u m a n 蠡i n l a g e s ，也鼬协r e c o g n i z et h e m h 珈咀蛆妇o c g i i i t i o ni s eo ft h eb i o l o g i cf b a t u r 路r 。o o g n j t i t 。c h o l o g i e s ht l i e b i o l o g i cf e a t i l 麟砖删妇t e c h n o l o g y t h ci d c n t i f i c 甜i o nm c t h o db 赫e d 咖 触g e i p d 她i r i s 锄dd n a m a k ct h cu s e 巧f e c lt ob ei m p i n g c d 髓dh a v ca i n i m 瑚f c e l i n 吕s ot l i 龉cm 劬0 d sd on o ta d a p tt o 咖a lo c c 嫡f 栅 f c a t u r 龉b 撇di d t i 6 c 砒i m e t h o di s v c r yc o n v e i l i c n t 锄de 髂i l yb c a c o 叩t e db yt h eu s 郴f a c e c o 则t i i sa 眦a c t i n gm o 他蛆dm o 托 a t l 肋抽璐o ft h er c s c a 托h e r st h e s cy e a 璐 h it h em a i na l g o f i t l l m so f 妇c er c 。d 啦i 加，e i 薛n 住删c hi sb 蛳d 咖t h e 枷p l ec c 岫叩嘶e n ta n a l y s i s ( p o qa t t r a i 咖、i d ea n e 确a 1 1t l l e t i m e ，f o ri t ss i m 叫c 柚dc o n v e n i 明t 1 伽l a t i o n 柚dd e 盯c o n c e p t b u tm e 仃 l d i t i o n a lp c a a l g o r i t h mh 髂i t so w nn a w f i 娼ta sas 协t i s d c a lm c t h o do f i n l a g c ，c v e f ) rp i 】【e lo ft h c _ i m a g ei se n “c dw i t hc o o r d i n a 廿v es t a t l i s ，t h e d 谧c r 锄te 丘临o fd i 饪c r n tf c 砒u r e sa r ci 粤吼谢s t x 删，t h cd i s 咖d 伽o f h u m 蛳f a c c j m a g e i s 鹅缸l yg a u 醛d i s t r 曲岫吨，t h e 姗a l f a i s l o c a t c d n e a r b yt l l ea v c e & g cm 啪w h i l et h cs p e c 如df h c ci sl o t e dt h ee d g co ft h e d i s t r i b u t i c a nb cc o n d u d e dt l i a tm o r cn o 姗a lt h cf a c ci s ，m o r c d i 骶f e n tt i l er e c o 鲥t i 伽i s t h e r ca m4i m p r o v 锄e n t si l lt h i sp a p c rb c l o w ： 1 in ee x i s 咖t 州硒o n a lp c a 蛐dw e 蛐t c d - p c aa 1 酬t h mi s m 北京交通大学硕士学位论文 i m p m v e da n dan e wa l 驴棚眦b 弱e d d o u b l e - o 嘲t e rw 硝曲t e d - p ( ai s p m p 0 d d u i i n gt h cp r o 豁0 ff a c e 托班t i o n ，f c a n 眦w b i g h t i n g 壮d p f i n c i p a lc o m p e n ta n a l y s i sa 坞锄b i do b c y e d t l l e t l i e o r y o f w 萌g h t c d - p c 执 2 o p 血1 i z ct h ep a 衄c t c 璐o ft h ed 叫b l c 伽t c rw b i 鲥n gf i l n d 自哑 删如d 岫b 耐p 啦咀咖璐i n 恤o r l 融d 妇 3 c 0 州埔r cn ma l 舯胡mo ft h i s 删睁蛆d 仃a d i t i a lp ( aa n d w e i g h t c d - p c b 哦ht h r d t i c a la n de x p c l i m c n t a l 础m kd 锄s 劬l t et h a t 岫a l 鲥t h m 啪i m p l o v e t h c r 麟弘i t i o n 强t c 4 d oe x p e i i m 咖临蛐血c sf a c cd a t a b 撇w h i c hi s 砌l 鲥c db y h s t i l t l 把o fi n f o m a t i 伽s i c i e n c c ，t h ee x p c 俩曲雌r c s u l 忸d e m s 眦ct h m 曲n s 觚d 砒a b 撇i s v a l i d s 伽e p m b l 伽皓i m cd a 诅b 搿撇a l s o 颤m d t o b e i m p m v c d i n f l l r t l l 盯w 0 i l 【 t 扯a 坞a l s 锄e 凹煳e m s i n t h j sp a p 虹柚ds 锄e w o r ks h o u l db e d o n ei nf l l n h e rw 砒 an c wa l g o r i t h mi s p | _ 0 】p o s c di t h i sp a p 盯b a d t h cm 血 a l 酬t h i n so ff a r e g n i t i o n t h c 币c i i m c n tf 龉u l 协d c m o s 仃a t c dt h e n c wa l g o d t h mi sb c t t c i ：b l l ti n 蹦sp a p 盯t h ew o r ko fp a r a m e t 盯 0 p t i m i z a d 衄i sn o te n 伽g h ht h e 如t l i r cw o r l 【，w es h o u l dd ob 路ti nt h e m c t h o do f l c n m gt h ep a 舢a k 璐m c 卸w h i l e ，：h e nt h cn e wa l 酬t h mi s a p p l i e d 纽m o 聆m a l f 弛d a 蛐岫e ，t h e f e c o 鲥t i 嘶i s l 嘶r 盯t h 蛐w h i c h i si ns t a n d 盯m 咖l b a 踮s oh o wt o i m p r o v ct h e 如h l s 恤e 豁o ft h en e w a 1 9 0 r i t l l l ni s 强i m p o n 卸tp o m to ft h cf u t l i r e w o r k k 卵w 砒_ d s ：f a c c 。哪i 硒n ，p a t 把m 他o o g 脚t i o n w b i g h t c dp r 缸c i p l e c 0 m p o n e n t a n a l y s i s ，d o u b l e _ 。咖衙e d i o nw e i 班咖g i v y8 7 9 8 6 2 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。尽本人所知，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，也不包含为获得北京 交通大学或其他教学机构的学位或证书而使用过的材 料。与我一起工作的同志对本研究所做的任何贡献已在 论文中作了明确的说明并表示了谢意。 本人签名：堑塑 日期：碰年互月丛日 关于论文使用授权的说明 本人完全了解北京交通大学有关保留、使用学位论 文的规定，即：学校有权保留送交论文的复印件，允许 论文被查阅和借阅：学校可以公布论文的全部或部分内 容，可以采用影印、缩印或其他复制手段保存论文。论 文中所有创新和成果归北京交通大学计算机与信息技术 学院所有。未经许可，任何单位和个人不得拷贝。版权 所有，违者必究。 本人签名：盟 日期：兰生年上月一日 1 综述 1 1 人脸识别应用背景 随着科学技术的不断发展，整个社会的自动化程度不断提高，各 方面对快速有效的自动身份验证要求日益迫切。人脸识别是生物识别 技术的一种。其它的生物识别技术还有指纹( 硒喈e l p i i n t ) 识别、虹膜 ( i r i s ) 识别、视网膜( r c t i n a ls 啪) 识别、声音( 、b 妣) 识别、掌纹 ( i i a n dv e 妯) 、签名( s i 弘a 抛碥) 和d n a 序列辨识。这些识别方法都 是利用生物测定( b i 响曲葩) 技术来进行身份验证。生物测定技术主 要是根据通过观察、分析和测量人类身体某些特定部位上的生物特征， 如面孔的形状以及各器官的位置、指纹上的特征点、声带的特征频率 等等来提取对应于每一个人独一无二的可测量特征。理想的人体生物 特征应该具有该个人所固有的那些不可复制的唯一性特点。 现代社会快速、有效的身份自动辨别十分重要。随着网络技术的 发展，信息安全也显示出前所未有的重要性。在金融、保安、司法、 网络传输等应用领域，都需要精确的身份鉴定。对个人身份鉴别的需 求可以说无处不在，并且与日俱增。如某人是否有权进入安全区域( 安 全系统) ，是否有权进行特定交易，是否是本国居民，为了安全在公司 计算机网络和因特网上单独设置口令或钥匙进行保护等。 身份鉴别的凭据一般可分为三大类，即特定物品、特定知识、人 身特征；人身特征中最本质的是生物统计学特征，据此进行个人鉴别 是最为可靠的方法，它作为人的内在属性，是最理想的辨别依据。而 在个人生物特征中，指纹、虹膜、d n a 等人体生物特征的身份验证方 北京交通大学硕士学位论文 法容易令使用者有受到侵犯的感觉，产生抵触情绪，不适合一般场合 的身份验证。相比之下，最为方便、有效的部位首推人脸，用人脸特 征进行身份验证自然方便。易于为用户接受，且其高度的唯一性使它 的识别吸引了越来越多研究者的注意。人脸识别因其在公安、验证系 统、档案管理、视频会议、人机交互系统等方面的巨大应用前景而越 来越成为当前模式识别和人工智能领域的一个研究热点。 人脸识别技术的另一项重要应用是人机接口。众所周知，人与人 之间的交流渠道是多种多样的。除由语音和文字构成的自然语言外， 还有手势、表情等身体语言。但是长期以来，在人机交互领域，虽然 人们一直在努力解决着语音识别、文字识别以及自然语言理解这样的 诸多难题，却忽视了将它们与对身体语言的研究有机地结合起来。随 着多媒体时代的来临，将这两种语言交流渠道统一起来，建立一种基 于信息融合的智能化、多媒体人机通讯系统已经成为可能。在这方面， 人脸自动分析与处理技术将大有可为。 1 2 人脸识别技术的发展 利用人脸特征进行身份辨识的研究可以追溯到1 9 世纪。而基于现 代计算机技术，综合模式识别、人工智能和图像处理的机器自动化人 脸识别研究也有四、五十年的历史了。在众多研究者的不懈努力之下， 人脸自动识别无论是在理论研究，还是在实际应用方面都取得了不小 的进展。以下以时间顺序简要回顾一下人脸识别技术的发展历史。 1 2 1 二十世纪七十年代前 最早的关于人脸识别的研究可以追溯到十九世纪末s i rf r 柚d s 2 g a l t c m 发表予n a t i 聃的两篇文章。g a h 伽在人脸侧蕊轮廓图像上做了 一些工作翻。 图l - l 魏龇i sg 8 i t o 硅1 8 2 2 一1 9 l l 真正以计算机为工具进行人脸识别的研究工作开始于二十世纪六 十年代中后期，以b l c d s o c 的工作为开端，以人工提取的基准点及其空 闻关系的几俺特征为基础秘。 b 1 e d s o c 是最早利用现代计算机技术研究人脸识别的学者之一。他 在1 9 6 4 年提出了一个基于人脸直观特镊的半自动人脸识剔系统。在他 所开发的系统中，是囱人手工来定位人脸图像上的特征点，势强将位 置信息输入到计算机，计算各个特征点之间的距离，通过最近邻法和 其他分类方法来识别人脸。由于该方法是手工进杼的，对于不嗣光照， 尺度变化，头部的转动酃有缀好的稳健性。这也是犁期人们对计算机 人脸识别的尝试。后来人们主要致力于研究自动入脸识别系统，包括 自动特征摄取，自动分类。将一幅人脸图像看成个矩阵，通过传矩 阵交换，可瑷抽取入脸的全局识剐特镬。 k c l l y h l 在b l c d s o c 的框架之上做了改进，但一个明显的进步悬它不 需要人的币预。他的方法利用了人的身体和头部图像。其中脸部的测 北京交通大学硕士学位论文 量量包括头部的宽度、眼睛之间的距离，头顶到眼睛的距离，眼睛到 鼻子的距离，以及眼睛到嘴巴的距离。同样采用了最近邻分类法。 后来很多学者对这一方法进行了发展。包括：y 勋”和 l 【k o b a y a s h i 【5 】，1 q 哪嗍，t p 0 9 9 i 【p ，e g h 璐i f 8 】，r b n m c l l i 【9 】，x j i a m s 卜i i 珊【1 0 】，n i c h o l 硒鼬司) 【i b 0u 【1 1 肄。 1 2 2 二十世纪九十年代前 a 七十年代 七十年代人脸自动检测与识别开始弓l 起不少学者的浓厚兴趣，从 而形成了第一次研究高潮；这一阶段研究的主要方向集中于人脸识别。 无论是正面图像还是侧面图像，基本上都是采用基于面部器官的一些 几何特征，通过标准的模式分类技术，实现人脸识别。 其中，比较有代表性的工作有k d l y 和k a n a d e 的两篇博士论文， 呦d c 设计了一个高速且有一定知识导引的半自动回溯识别系统，创 造性地运用积分投影法从单幅图像上计算出一组脸部特征参数，再利 用模式分类技术与标准人脸相匹配。g o l d s t i 仰、h 锄曲和k s k 用几何 特征参数来表示人脸正面图像，他们采用2 1 维特征向量表示人脸面部 特征，并设计了基于这一特征表示法的识别系统。k 跏血趾和研e e d i n 2 以及h 锄o n 等人的研究工作，对交互式人脸识别方法在理论和实践上 进行了详细论述。 b 八十年代 进入八十年代以后，人脸检测与识别的研究陷入低谷，进展甚微。 直到这时f 曛研究者才开始实验可视描述，利用人脸图像的外观和结构， 作为系统的原始二维输入。总体上八十年代是h 盯的休眠期。 4 其中h a 珊伽咧在1 9 8 1 年运用结构方法用1 7 个几何特征对1 1 2 人 的人脸侧面图像获得了9 0 的识别精度。s 蛔1 h 锄在1 9 8 4 年提出了一 种单隐层的自适应神经网络来进行人脸识别、表情分析和人脸鉴证， 每一个人对应一个网络。该系统需要2 0 0 堋个样本来训练每一个分 类器训练样本存在平移和表情变化，1 6 个人共需1 6 个分类器。对于输 入图像，通过判断哪一个分类器可以得到最大的响应输出，来完成人 脸识别。该系统对人脸鉴证和人脸表情分析也作了进一步的研究。 1 2 3 二十世纪九十年代 九十年代，研究者对f l 盯的研究兴趣又开始上升并且取得较大突 破，提出了多种全自动识剔系统。按时间排序如下： n r k 和p n a n d 【”1 于1 9 9 1 年提出了基于k l 变换的特征脸方法。 纯粹从概率的角度来考虑人脸识别问题。该方法首先使用 k a r h u c 小k o v e ( k l ) 变换来表达和识别人脸，确定了特征脸之后，每一 幅人脸图像都可以表示为一个权值矢量。w b i s h 删在1 9 9 2 年使用该方法 来进行人脸特征编码。而这些权值可以通过计算人脸图像和特征脸的 内积而得到。所谓特征脸就是对应于人脸( 模式) 协方差矩阵的那些 较大特征值的特征向量。由特征脸所张成的子空间在维数上比原模式 空间大大减少，人脸检测和识别工作就在该子空间上进行。n r k 和 p c n 觚d 方法在1 6 个被测试者共2 5 0 0 副图像的人脸图像数据库中的正 确识别率达到了9 6 。该数据库中的人脸图像包括了不同的光照，尺 度，头部方向等。 n a l 【锄u m 【“l 于1 9 9 1 年提出了一种等灰度线的人脸识别方法。该方 法利用等灰度线图来表示人脸图像。即如果把一幅图像的亮度看作为 5 北京交通大学硕士学位论文 一座山的高度，那么等灰度线对应于等高度外形线。虽然等灰度线并 不直接代表人脸的3 维结构，但是却反映了人脸图像的3 维特征。该 方法使用s o b c l 算子和其它后处理方法来获得人脸图像的边缘线，再使 用灰度直方图方法来跟踪等灰度轮廓线。最后使用模板匹配过程来进 行人脸识别。该方法在对不同的人脸图像进行测试时，据称达到了1 的识别精度。 砌l k 嗍于1 9 9 2 年提出了一种可变模板法来检测和描述人脸特征。 该方法用一种参数化的方法来描述所感兴趣的人脸特征。定义了一个 能量函数来连接图像灰度的边缘、峰值和谷底，与模板的属性相对应。 该模板与图像进行动态交互操作，不断调整其参数值，使能量函数的 值最小化，并且到达最佳的匹配值。人脸的特征就可以使用最终的参 数来描述。y u n l e 使用该方法成功地在人脸上提取出眼睛、嘴巴等特征， 并且将该方法用于人脸识别。 洪子泉和杨静宇【1 q 最早( 1 9 9 2 年，1 9 9 4 年) 提出了代数特征抽取 的方法。认为图像的代数特征反映了图像的内在属性，提出了人脸图 像的奇异值特征。 c h 哑g 和h 9 1 7 1 【1 砷于1 9 9 1 年中提出了基于s v d ( 奇异值分解方 法) 的人脸识别方法，针对4 5 个特征向量样本，该方法得到了最佳分 类面和二次分类器。该分类器能够识别4 5 个训练样本，新的测试样本 由1 3 幅照片构成，该方法存在4 2 6 7 的错误率。但有人认为这是由于 训练样本太少所导致的。 m a j 雠a t h 在1 9 9 2 年和高希奇在1 9 9 6 年将小波变换应用在人脸识 别研究中。m a n j 眦a t h 使用对每幅人脸图像使用g a b o r 小波分解，提取 特征点。该方法大大减少了数据存储量，一般情况下，每幅图像需要 3 4 - 3 5 个特征点。使用特征点的拓扑表示信息。对于不同的质心位置进 行补偿，计算两个效用值。一个为拓扑效用值，另一个为相似性效用 值。当达到最小的联合效用值时，则认为人脸识别成功。该方法的识 别精度为9 4 ，并且该方法的识别率与光照的方向有关，所以在可控 光照的场合有较大的应用价值，比如护照和驾驶执照等。 b 姗n i 和p 0 昭“1 ”在1 9 9 3 年使用了一个基于几何特征的人脸识 别器，该识别器在一个较大的由4 7 个被测试者的数据库中测试，其正 确识别率大约为9 0 。然而使用一个极为简单的模板匹配方法在同样 的数据库中却取得了高达1 0 0 的识别率。 i j u 于1 9 9 3 年提出了基于最佳鉴别准则抽取人脸识别方法研究是 人脸识别的主流。 c c 衄o n 于1 9 9 4 年提出了独立成份分析( i c a ) 概念。并且 h 黜耜曲船髓于1 9 9 7 年提出了不同的l c a 算法。 s a m a r i a 【2 1 1 在1 9 9 3 年最早将m o i 用于人脸识别。n 胡觚发展了 s 锄a r i a 的方法，提出了基于2 n d c r 特征提取的方法。在一定程度上 解决了s 锄捌a 的大存储量的缺陷，但识别率提高不大。 s t a r m r 于1 9 9 6 年将隐马尔可夫模型( m m ) 应用与人脸表情识 别。由于h m m 在通常情况下只适用于一维信号处理，而图像却是一 个二维矩阵，直接将h m m 应用于图像处理存在困难。于是使用一个 滑动窗口，该窗口的宽度覆盖了整个图像的宽度，而其高度却很窄， 只有几个像素值。将该窗口由上到下滑动，相邻的窗口之间有重叠， 以避免切割关键性的脸部特征，破坏特征向量的上下文相关信息。人 脸可以垂直地分为5 个区域，如前额、眼睛、鼻子、嘴巴和下颌，因 此人脸可以由一个5 个状态的自左向右h m m 模型来表达。为每一个 人训练m l m 模型，最后用训练好的h m m 来进行人脸识别。该方法 在由3 0 个人构造成的人脸数据库，每个人有不同视角的1 0 幅图像上 7 北京交通大学硕士学位论文 进行了测试。滑动窗口为4 0 4 ，并且有3 个像素的重叠，该系统达到 了9 0 的识别精确度。该方法的优点是稳健性好，对于不同角度的人 脸图像和不同的光照条件，都可以达到满意的识别精度。 l ( a n a d e 吲于1 9 卯年提出了一种使用几何参数的方法来识别人脸。 该系统抽取1 6 个正面人脸几何特征( 随后减少到1 3 个) 。使用的数据 库为每个测试者有一个训练图像和一个测试图像，共有2 0 个被测试者， 正确识别率为4 5 到7 5 之间。 与此同时，基于图像序列的人脸识别技术也得到了发展。 c h d l a 抑a 渊于1 9 9 5 年从图像序列中分割运动目标，结构估计，三 维人脸目标与非刚体运动分析。 b i 吐s c l 脚】和p c n 柚d 于1 9 9 4 年将基于模板的方法用于在图像序列 中寻找头部，利用所谓的人脸系统拓扑学来分析人脸的集合变化，如 平移、旋转、缩放等。 h b m 于1 9 8 1 年和b a 咖于1 9 9 4 年将光流场分析的方法应用于人 脸识别。尽管精确的光流计算仍然是一个未解决的问题，光流场分析 方法受到了人们广泛的重视，可用于观察者偏离运动的检测、运动目 标的分割与检测等。 d 蛐l l 于1 9 9 6 年和彭辉瞄1 以及郭跃飞嘲于1 9 9 r 7 年提出基于l ( l 变换的特征脸方法与以奇异值特征为代表的代数特征方法。 j u d l 、s c h 嘣c l d 、m 删。一跏、y o 、黜h 以e y 、r 弛g a n a t h 等人提出 了人工神经网络的方法。 1 2 4 当前人脸识别发展趋势 2 0 0 0 年左右以来，研究方法从线形子空问( n e 缸s u b s p a c e ) 向非 8 线形子空间( 加n - l j n 雠rs b s p a ) 过渡成为一种趋势。微软亚洲研究院 f a c eg r o u p 在其研究报告中指出线性子空间分析法( 以特征脸为例) 与 传统方法比较，有着基于事例、特征学习、维数降低和降维线性映射空 间的特点；而非线性子空间分析法则具有更加有效建模和固有特征维发 现的特点。 1 3 本论文的主要研究内容和结构安排 如前所述，与其它基于人体生物特征的鉴别方式相比，由于人脸 鉴别的方式友好，具有采样方便，使用者没有心理负担等许多优点， 加上现代图像通讯的迫切要求，对人脸识别技术的研究具有重要意义。 近几十年中世界的科研工作者进行了不懈的努力和有益的探索，在人 脸识别领域取得了长足的进步，一部分产品已经投入使用。但是总的 来看人脸识别技术还远远未达到成熟，识别率不高和识别过程受到严 格限制成为人脸识别系统发展的主要障碍。 人脸识别作为完全自动的识别人脸的核心部分，占有举足轻重的 地位。高识别率和对光照、表情等外界因素的鲁棒性是人脸识别研究 的重点，当前存在众多的人脸识别算法，各种算法都在不同的角度追 求提高识别率以及消除各种识别过程的限制和影响。 本论文在以下几个方面对人脸识别的算法进行了创新和研究： 第一、在已有的经典主分量分析算法和加权主分量分析算法的基 础之上，改进并提出了一种新的基于双中心羽化加权的加权主分量分 析算法。对每维特征设定一个双中心羽化函数作为加权函数，并以加 权重建误差最小为目标，计算出加权子空间，根据测试样本点到加权 子空间的距离进行分类。 9 北京交通大学硕士学位论文 第二、对提出的基于双中心羽化加权w p c a 人脸识别算法的参数 进行优化，找到在o r l 人脸库中的最佳参数。 第三、将本文的算法与已有的单中心羽化加权w p c a 算法以及经 典p c a 算法的识别率进行比较，实验证明本论文提出的算法在0 r l 入脸库以及i i s 人脸库上都取得了比较高的识别率。 第三、对由本所自主采集的s 人脸库进行了实验，证明了本人 脸库的可用性，并且找到了人脸库采集中的问题，以待以后的工作中 改进。 全书共分五章，安排如下： 第一章综述，讨论了人脸识别的应用背景，按照时间顺序回顾了 人脸识别技术的发展历史。说明了本文的研究内容和结构安排。 第二章基本理论和知识梗概，介绍了人脸识别的研究内容，所涉 及的一些关键技术，k l 变换，贝叶斯决策理论，最近邻法分类器理论 等，然后系统介绍了当前人脸识别和人脸检测领域的一些经典算法。 第三章首先介绍了主分量分析( p c a ) 算法以及其在人脸识别研 究中的应用，然后概述了基于p c a 算法的一些改进算法在人脸识别中 的应用，从而引出并且详细阐述了基于双中心羽化加权的加权主分量 分析( w c i g h t e d p c a ) 算法的原理。 第四章为实验及结果分析，介绍了本论文实验的实验环境，实验 方案设计，并对实验结果进行了系统分析，在理论和实验上证明了本 论文所提出算法的优越性，并且找到了算法的不足，对今后的工作提 出了建议。最后详细介绍了本论文所设计的基于双中心羽化加权 w p c a 人脸识别系统的算法流程，系统功能。 第五章结束语，总结本论文的工作，讨论算法的创新性，对算法 和实验的不足之处做总结，对今后的工作提出了建议和想法。 基本理论和知识梗概 2 基本理论和知识梗概 第一章中说明了本论文的研究内容是人脸识羽算法豹研究，为此， 本章首先对当前人验识别的一些纂本理论、研究现状和典型算法傲了 论述。 本辈分为五节，第一节介绍人脸识别的研究内容，第纛节介缨人 脸识箍| 相关的一些基本理论，第三节是入脸识别技术的经典算法戳及 所涉及的知识梗概，第四节是人脸检测技术的经典算法以及所涉及的 知识授概，第五节是本章小结。 2 1 人脸识别的研究内容 人验浃别的研究巍骞涉及模式识潮、图像处理、生理学、，洛理学、 认知科学等多种学科，与基于其他生物特征的身份鉴别方法以及计算 机人机感知交互领域部有密切联系。一个完攘的人脸识别系统应完成 下列任务1 1 l ： a 对于任意图像，确定其中是否存在人脸。若有人脸存在，确定 人脸的数目以及各自的位置大小。 b 。根据人验确定人豹身份。 c 对面部表情进行描述( 微荚，惊讶等等) 。 d 澍每一张人脸进行描述，根据已给描述查找相应人脸。 其中的a 隽人黢梭溯的内容曲，c 秘d 是人脸谖掰与理解豹内容。 如图2 一l 所示，人脸自动识别过程包括两个主要环节，首先是人脸检测 和定位，即从输入图像中找到人脸及人脸存在的位置，并将人脸从背 北京交通大学硕士学位论文 景中分割出来， 一一 然后是对归一化的人脸图像进行特征提取与识别。 一一_ 人脸的检测 与定位 验嘲枨厮代 表人的身份 r _ 1 l 一一j 图2 _ 1 人脸识别系统构成 从人脸识别技术所依据的理论来讲，人脸检测和人脸识别都是模 式识别闯题。人脸检测是把所有的人脸作为一个模式，而非人脸作为 另外一个模式，人脸检测的过程就是人脸模式与非人脸模式区分开来。 人脸识别是把每一个人的脸作为一个模式来对待，不同人的脸属予不 同的模式类，人脸识别的过程是将属于不同人的脸归于各自的模式。 也就是说，人脸检测强调的是人脸的之间的共性，而入脸识剐则要强 调不同人脸之间的差异，二者同属模式聚类问题。 2 2 基本理论 2 2 1 k l 变换 k l 变换又称h ( i t c l l i l 培变换，特征向量变换或主分量方法。k l 变换是图像压缩中一种最优正交变换，人们将它用于统计特征提取， 从而形成了予空间法模式识别的基础。 一般而言，这一方法的目的是寻找任意统计分布的数据集合之主 要分量的子集。相应的基向量组满足正交性且由它定义的子空间最优 地考虑了数据的相关性。将原始数据集合变换到主分量空间使单一数 据样本的互相关性伽r c l a t i ) 降低到最低点。 基本理论和知识梗概 设x j ：，一1 ，s 是是n 维向量的数据集合，m 是其均值向量： 川! 守x i s 钉 差别向量d j 是： ( 2 - 1 ) d 算j 一肌 ( 2 。：z ) 协方差矩阵是： q t ；扣j 求出其从大到小排列的特征值九及满足下列条件的特征向量“。 “j “t 一6 ，工- ：。2 i ) 有了特征向量集合，任何数据x 可以投影到特征空间( 以特征向 量为基向量) 中的表示： ) ，。- h ：g m x ) 一( ) ，。，) ，：，y ，) r ( 2 5 ) 相反地，任何数据x 可以表示成如下的线性组合形式： 算。m + 荟y t h t ( 2 - 6 ) 如果用a 代表以特征向量为列向量构成的矩阵，则a 7 定义了一 个线性变换： ys 一7 扛一胁) ( 2 7 ) z - j ，l + 由( a 是正交矩阵) b 8 ) 变换后的协方差矩阵为： 北京交通大学硕士学位论文 铲代“卜二】 仔9 ， 去对应于若干较小特征值的特征向量来给y 降维。例如，丢弃底下n m 而x 仍可通过主一b 7 多来近似。近似的均方差为： 脚。黔 ( 2 小) 上述方法是图象数据压缩的数学基础之一，通常被称为p i ：i n d p a l q 咖p o n e ta n a l y s i s 或陆h 吼e n l o c v e ( k - l ) 变换。 q 一朋7 ( 维) ，其中一一瓴，d ，)( 2 1 2 ) 考虑删7 圆s 维) 的特征向量u 爿7 爿吩一雎u 上式两边左乘a 得到 一7 彳吒一口f 爿吒 可见a u 就是t 见1 7 的特征向量。 1 4 ( 2 - 1 3 ) ( 2 1 4 ) 基本理论和知识梗概 由于通常s n ，这种方法将求高阶矩阵的特征向量转化为求较低 阶矩阵的特征向量的过程在图象数据分析中是很实用的。 k - l 变换是图象分析与模式识别中的重要工具，用于特征抽取， 降低特征数据的维数。 2 2 2 基于最小错误率和最小风险的贝叶斯决策 在模式分类问题中，人们往往希望尽量减少分类的错误。从这样 的要求出发，利用概率论中的贝叶斯公式，就能得出使错误率为最小 的分类规则，称之为基于最小错误率的贝叶斯决策渊。 以两类问题为例，若p b i q ) 是类鸭的类条件概率密度，p 仁i 鸭) 是类的类条件概率密度，状态先验概率为爿i q x i 一1 2 ，利用贝叶 斯公式 p hi 石) 。掣坐盘盟 善p b i 哪) p h ) ( 2 1 5 ) 得到的条件概率p ( 咄l x ) 称为状态的后验概率。因此贝叶斯公式实 质上是通过观察x 把状态的先验概率如) 转化为状态的后验概率 p ( q i x ) ，如图2 1 2 ，图2 3 所示。 北京交通大学硕士学位论文 图2 2 类条件概率密度 图2 - 3 后验概率 基于最小错误率的贝叶斯规则为：如果爿ql x ) 州l 善) ，则把 】【归于类q ，反之，如果硝q i x ) cp ( 吐l 善) ，则把x 归于类。 在考虑错判带来的损失时，我们希望损失最小。如果在采取每一 个决策或行动时，都使其条件风险最小，则对所有的x 做出决策时， 其期望风险也必然最小。这样的决策就是最小风险贝叶斯决策。 最小风险贝叶斯决策为 如果尺( l z ) 一f m 恕r 缸；i 茗) ，则q 基本理论和知识梗概 2 2 3 近邻法原理及其决策规则 近邻法的基本思想是以全部训练样本作为“代表点”，计算测试样 本与这些代表点”，即所有样本的距离，并以最近邻者的类别作为决策 的方法。最初的近邻法是由c 帆盯和h a n 于1 9 6 8 年提出的，随后得到 理论上深入的分析与研究，是非参数法中最重要的方法之一哪】。 a 最近邻法决策规则 将与测试样本最近邻样本的类别作为决策的方法称为最近邻法。 对一个c 类别问蹶，每类有m 个样本，i = 1 ，c ，则第j 类皑的判 别函数 毋伍) - 哗，忙一矸1 ，m ( 2 1 6 ) 其中x i k 表示是商类的第k 个样本。以上式为判别函数的决策规则 为： 如果占，伍) - 卿既伍l f k ，c ，( 2 1 7 ) 则决策z 帆。 由此可见最近邻法在原理上最直观，方法上也十分简单，只要对 所有样本( 共一啊) 进行n 次距离运算，然后以最小距离者的类别 作决策。 在以上两式中用0 表示距离，这是个象征性的表示，可以采 用任何一种相似性的度量，一般以欧氏距离为相似性度量。 b k 近邻法决策规则 最近邻法可以扩展成找测试样本的k 个最近样本作决策依据的方 法。其基本规则是，在所有n 个样本中找到与测试样本的k 个最近邻 1 7 北京交通大学硕士学位论文 者，其中各类别所占个数表示成七j ，i 一1 ，c ，则决策规划是： 如果七，伍) 一m ，伍l f 一1 ，c ( 2 1 8 ) 则决策x q 。 k 近邻一般采用k 为奇数，跟投票表决一样，避免因两种票数相 等而难以决策。 2 3 人脸识别典型算法 人脸识别算法众多，当前的主流算法有：1 、基于几何特征的方法； 2 、基于k l 变换的特征脸识别方法；3 、形状和灰度分离的可变模型； 4 、基于小波特征的弹性匹配方法；5 、人工神经网络方法。 2 3 1 基于几何特征的方法 几何特征是人脸自动识别最早采用的方法。人脸由眼睛、鼻子、 嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各 种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结 构关系的几何描述，可以作为人脸识别的重要特征。 开始时，人们用几何特征描述与识别人脸侧面轮廓( p m f i l c ) ，首 先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于 识别的特征度量如距离、角度等，如图2 - 4 为h a 舢采用的显著点网。 j i a 等阁由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有 新意的方法。 1 8 基本理论和知识梗概 图2 4 几何特征识别侧面人脸轮廓 图2 - 5 几何特征法识别正面人脸 y h i n e p l l 等提出的可变模板法可以视为几何特征法的一种改进，它 可以给出器官形状更为精细的描述。其基本思想是：设计一个参数可 调的器官模型( 可变形模板，如图2 5 所示) ，定义一个以器官( 如人 眼) 灰度图像峰，谷图、边缘图和模型参数为变量的能量函数，通过模 型与图像进行交互，不断调整模型参数，使能量函数最小化，此时的 模型参数即作为该器官的几何特征。可变模板方法的思想是好的，但 1 9 北京交通大学硕士学位论文 存在两个问题，一是能量函数中各种代价因素的加权系数只能由经验 确定，难以推广；二是匹配( 能量函数优化) 过程十分耗时，而且有 可能陷入局部极小，难以实际应用。 评述：在各种人脸识别方法中，定位眼睛往往是人脸识别的第一 步。在人脸图像清晰端正的时候，眼睛的提取是比较容易的，但是如 果图像模糊，或噪声很多，则需要利用更多的信息，使眼睛的定位变 得很复杂。同时，由于人脸并非刚体，实际情况中部件的轮廓可能模 糊不清，也增加了双眼定位的复杂度。另外用抛物线、椭圆或者直线 作为模型不能很好的表达变化多端的人脸部件。而人脸识别还受到不 能在模型中表达的表情的影响，这种影响可能导致描述同一个人的不 同人脸时，模型参数相差很大而失去识别意义。但是，在正确提取部 件以及表情变化微小的前提下，几何特征法依然是有效的，如对标准 身份证照的应用。 2 3 2 基于k l 变换的特雒脸识别方法 高维图像空间经过k l 变换后得到一组正交基，通过保留部分正 交基生成低维人脸空间。将子空间的正交基按照图像阵列排列，这些 正交基呈现人脸的形状，因此这些正交基也被称作特征脸，这种人脸 识别方法也叫特征脸方法【m 。 由训练得到特征脸后，将待识别人脸投影到特征子空间，用一系 列特征脸的线性加权和来表示待识别人脸，即得到一投影系数响亮， 这时候人脸识别问题，已转化为低维空间的坐标系数矢量分类问题。 k l 变换的生成矩阵可以是训练样本集的总体散布矩阵，也可以是 训练样本集的类间散布矩阵。类问散布矩阵采用同一人的数张图像的 2 0 基本理论和知识梗概 平均来进行训练，在一定程度上消除了光线的干扰，计算量降低，但 识澍率不会下降。霪2 - 6 为p e n n 鞠d 褥餮的特征脸。 图2 - 6 凯栅a n d 得到的特征脸 识剐时胃采用主分爨作正交基的主分量方法( p c a ) ，也胃采用 次分量作最交基的次分爨方法。与较大特征值对应的正交基( 也称主 分量) 可用来表达人脸的大体形状，岛小特征值对应的特征向纛( 也 称次分量) 可用来描述具体细节。用次分量作为芷交基的原因燕所有 人脸的大体形状和结构相似，真正用来区别不同人脸的信息是那然用 次分量表达豹寒颏成分。 特征狳瓣一种改进方法是f i s h c r 殷方法。f i s h c f 翔别准尉悬：当 把d 维空间的样本投影列条直线上彤成一维空间时，不同类样本尽 可能远，同类样本尽可能避。研究发魂，特征脸很大程度上反欢了光 照等的差菇，丽丘s h 盯脸撩箧制图像之间的与识别信息无关的差异。 另外一种改进是p r m ( p r o b a l i s t i cr e 蹈。曲1 9m 硼e l s ) 模型p 2 1 ，在 p r m 中采用贝叶斯分类器。利用最大箍验概率进程分类，其类条终概 率密度的方麓参数用类海散布矩阵来估计，采用马氏距离的判剐准剡， 特征脸和6 s h c r 脸均可以肴成是p r m 的特殊情况。 评述：从压缭能量的角度来看，￥文变换是最优的，它不仅使得从 n 维空间降到m 维空闻前后的均方误差最小，而鼹变换后的低维空间 有很好的人脸表达能力。但是，选择训练样本的散布矩阵作为k l 变换 的生成矩箨也有一些闻题。作为一秘图像的统计方法，图像中豹赝有 北京交通大学硕士学位论文 像素被赋予了同等的地位，外在因素带