（通信与信息系统专业论文）基于小波变换的pca人脸识别方法研究.pdf

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，独 立进行研究所取得的成果。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科研成果。对本文的研 究作出重要贡献的个人和集体，均已在文中以明确方式标明。本声明 的法律责任由本人承担。 论文作者签名：些圭赴臼期：蛳 关于学位论文使用授权的声明 本人完全了解山东大学有关保留、使用学位论文的规定，同意学 校保留或向国家有关部门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；本人授权山东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、缩印或其他复制手段 保存论文和汇编本学位论文。 ( 保密论文在解密后应遵守此规定) 论文作者签名：导师签名：翼盟日 山东大学硕士学位论文 中文摘要 基于人体生物特征识别技术的个人身份鉴别系统，由于使用了人体本身所固 有的生物特征，是与传统方法完全不同的崭新技术，具有更好的安全性、可靠性 和有效性，越来越受到人们的重视，它开始进入我们社会的各个领域，迎接时代 的挑战。 日常生活中，人们识别周围的人用的最多的生物特征是人脸，人脸是人类视 觉中最为普遍的模式，人脸所反映的视觉信息在人与人的交流、交往中有着重要 的作用和意义。因而人脸识别是一种最容易被接受的身份鉴定方法，成为最有潜 力的身份验证手段之一。 本论文首先介绍了计算机人脸识别技术的研究背景和主要方法，然后提出了 一种基于小波变换的特征脸人脸识别方法。特征脸人脸识别方法是m t u r k 和 a p e n t l a n d 提出的，直到现在，它仍是最流行的人脸识别算法。该方法具有简单 有效的特点，但它对输入的人脸图像的归一化要求较高，其性能容易受到光照和 姿态变化的影响。因此，本论文首先采用改进的直方图均衡化技术对人脸图像进 行预处理，消除了光照强度差异的影响；然后用小波变换的方法提取人脸图像的 相对稳定的低频子带，模糊了人脸表情和姿势的影响，并同时达到了对图像向量 降维的效果；进而用主元分析法( p c a ) 提取特征分量并进行识别。主元分析法根据 人脸图像整体的灰度相关性来提取特征向量，所提取出的特征向量保留了原图像 空间中的主要分类信息，并能在均方误差最小的意义上重建原图像。本算法与传 统的p c a 方法相比，大大降低了运算复杂度，所提取的特征更加反映了人脸之间 的差异，提高了识别率和抗噪声性能，实验结果表明本文所提出的算法是准确有 效的。 关键词：模式识别人脸识别 光照补偿小波变换p c a 山东大学硕士学位论文 h u m a ni d e n t i f i c a t i o ns y s t e mb a s e do nb i o m e t r i c si sat o t a l l y b r a n d - n e wt e c h n i q u e 蛐r e n tf r o mt r a d i t i o n a lm e t h o d sb e c a u s ei ta d o p t s t h ei n h e r e n to r g a n i s m bc h a r a c t e r i s t i c so fh u m a nb o d y m o r ea n dm o r e p e o p l ep a yg r e a ta t t e n t i o nt oi ta si ti ss a f e r 、m o r er e l i a b l ea n de f f e c t i v e i t b e g i n se n t e r i n ge v e r yr e a l mo fo u rs o c i e t ya n dm e e t i n gt h ec h a l l e n g eo fn e w e r a i nd a i l yl i f e ，h u m a n sf a c ei sf r e q u e n t l yu s e dt oi d e n t i f yp e o p l ea r o u n d a n di st h em o s tn o m a lp a t t e r ni no n e sv i s i o n t h ev i s i o ni n f o r m a t i o nt h a t f a c e sr e f l e c tp l a y sa ni m p o r t a n tp a r ti nc o m m u n i c a t i o n sa n dc o n t a c t sa m o n g p e o p l e a s ar e s u l t ，h u m a n bf a c eb e c o m e st h ee a s i e s t a c c e p t a b l e i d e n t i f i c a t i o nm e t h o da n do n eo ft h em o s tp o t e n t i a lo n e s i nt h i st h e s i s ，w ef i r s ti n t r o d u c e dt h eb a c k g r o u n da n dt h em a i nm e t h o d s o f t h ef a c er e c o g n i t i o na n dt h e np r o p o s e dam e t h o do f e i g e n f a c eb a s e do nt h e w a v e l e tt r a n s f o r mf o rf a c er e c o g n i t i o n e i g e n f a c em e t h o df o rf a c er e c o g n i t i o n r a i s e db ym t u r ka n da p e n t l a n di ss t i l lt h em o s tp o p u l a rf a c er e c o g n i t i o n a l g o r i t h m a l t h o u g hi ti ss i m p l ea n d e f f e c t i v e ，t h em e t h o dd e m a n d sh i g h u n i t a r yt r a n s f o r mo fi m a g e so ft h ef a c ei m p u t e d s oi ti sd e e p l ya f f e c t e db y c h a n g e so fi l l u m i n a t i o na n dp o s t u r e s t h e r e f o r ei nt h i st h e s i s ，w e 丘r 8 t p r e p r o c e s s e dt h ef a c ei m a g e st o e l i m i n a t et h ee f f e c t so fi l l u m i n a t i o n d i f f e r e n c eo ft h e m ，a n dt h e nt h ew a v e l e tt r a n s f o r mw a su s e dt oo b t a i nt h e s t a b l el o wf r e q u e n c ys u b 。b a n do ft h el i n a g ei nr e l a t i v e l yl o wd i m e n s i o n s i n o r d e rt oe l i m i n a t ed i ec o r r e l a t i o n sb e t w e e ne n t i t i e so ft h ei m a g ev e c t o r ，t h e p r i n c i p a lc o m p o n e n ta n a l y s i s ( p c a ) w a su s e d c o m p a r e d w i t ht h e t r a d i t i o n a lp c aa l g o r i t h m ，t h em e t h o dp r o p o s e dh e r es i g n i f i c a n t l yd e c r e a s e s t h ec o m p l e x i t yo ft h ea l g o r i t h ma n dt h ec h a r a c t e r i s t i c se x t r a c t e dc a nh a v ea b e t t e rr e p r e s e n t a t i o no ft h ed i 岱e f e n c e sa m o n g 避r e n tf a c e s ，w h i c hr e s u l t s i nah j i g hr e c o g n i t i o na n dah i g hr o b u s t n e s so ft h ea l g o r i t h m e x p e r i m e n t a l r e s u l t sp r e s e n t e di nt h i st h e s i sv e r i f i e dt h a tt h ep r o p o s e da l g o r i t h mi s a c e u r a t ea n de f f e c t i v e k e yw o r d s ：p a t t e r nr e c o g n i t i o n ；h u m a n f a c e r e c o g n i t i o n ： i l l u m i n a t i o ne q u a l i z e w a v e l e tt r a n s f o r m ；p r i n c i p a lc o m p o n e n ta n a l y s i s 山东大学硕士学位论文 符号说明 主元分析( p r i n e i p a lc o m p o n e n ta n a l r s i s ) 数据的协方差矩阵 类内离散度矩阵 类间离散度矩阵 各类的先验概率 第i 幅人脸图像 离散度矩阵的第i 个特征值 离散度矩阵的第i 个特征向量 训练样本集中第i 个人的平均图像向量 训练样本集的平均图像向量 特征值的方差贡献率 ) o a 吣 & 瓯 娟 薯 l u 雎 f 山东大学硕士学位论文 1 1 模式识别 第一章概述 11 1 基本概念 模式识别诞生于2 0 世纪2 0 年代，随着4 0 年代计算机的出现，5 0 年代人工 智能的兴起模式识别在6 0 年代迅速发展成一门学科，它所研究的理论和方法在 很多科学和技术领域中得到广泛的重视，推动了人工智能系统的发展，扩大了计 算机应用的可能性。几十年来，模式识别研究取得了大量的成果。在很多方面得 到成功的应用。 什么是模式呢? 广义的说，存在于时间和空间中可观察的事物，如果我们可 以区别他们是否相同或是否相似，都可以称之为模式。但模式所指的并不是事物 本身，而是我们从事物中获得的信息。通常我们把通过对具体的个别事物进行观 测所得到的具有时间和空间分布的信息称为模式，而把模式所属的类别或同一类 中模式的总体称为模式类( 或简称为类) 。有时也把模式类称为横式，而把个别具体 的模式称为样本。 1 1 2 模式识别系统 一般来说与不同的模式识别方法所对应的模式识别系统也是不同的，常用的 基于统计方法的模式识别系统主要由四个部分组成：数据获取、预处理、特征提 取和选择、分类决策，如图1 1 所示。 取和选择、分类决策，如图1 1 所示。 4 图1 1 模式识别系统 山东大学硕士学位论文 下面对这几个部分作些简要说明。 ( 1 ) 数据获取 为了使计算机能够对各种现象进行分类识别，要用计算机可以运算的符号来 表示所研究的对象。通常输入对象的信息有下列3 种类型，即 ( a ) 二维图像如文字、指纹、人脸、地图，照片等。 ( b ) 一维波形如脑电图、心电图、机械震动波、声波等。 ( c ) 物理参量和逻辑值如大、小、是、否等。 通过测量、采样和量化，可以用矩阵或向量来表示二维图像和一维波形，这 就是数据获取的过程。 ( 2 ) 预处理 预处理的目的是去除噪声、增强有用信息，并对输入测量仪器或其他因素所 造成的退化现象进行补偿和复原。 ( 3 ) 特征提取和选择 由图像或波形所获得的数据量是相当大的。例如，一个文字图像可以有几千 个数据，一个心电图波形也可能有几千个数据，一个卫星遥感图像的数据量就更 大。为了有效地实现分类识别，就要对原始数据进行变换，得到最能反映分类本 质的特征，这就是特征抽取和选择的过程。一般我们把原始数据组成的空间叫做 测量空间，把分类识别赖以进行的空间叫做特征空间。通过变换，可把在维数较 高的测量空间中表示的模式变换为在维数较低的特征空间中表示的模式。在特征 空间中的一个模式通常也叫做一个样本，它往往可以表示为一个特征向量，即特 征空间中的一个点。 ( 4 ) 分类决策 分类决策就是在特征空间中用统计方法把对象归为一类。基本做法是在样本 训练集基础上确定某个判决准则，使按这种判决准则对被识别对象进行分类所造 成的错误识别率最小。 1 1 3 模式识别的主要方法 在早期的模式识别研究中，模式的特征被表示为一个数组，它们是对原始数 据进行各种测量所得的结果。这些数据可以解释为矢量空间中点的坐标，如果特 征源自同一一模式的物体，就几何距离而论，其对应点总是很接近的。于是模式识 别问题就变成寻找空间中一些区域的问题，这些区域上的点来源于某个单一模式， 山东大学硕士学位论文 目l 目_ _ l _ - _ l _ i - _ i l li _ _ l _ _ _ _ _ 这就是分类e 由于解决这类问题的方法多数基于贝叶斯决策统计理论，所以称这 类方法为统计模式识别。 应用统计决策理论进行模式识别，必须建立在能正确测薰或抽取模式特征的 基础上，然而统计模式识别方法不能提供对测量或抽取特征的指导。特别是在复 杂模式的情况下，抽取特征是相当困难的。 在6 0 年代后期，这一困难把许多研究者引导到一个不同的方法上，即句法模 式识别。这种方法的基本思想是把一个复杂模式用简单的子模式或基元递归地描 述。例如，汉字可以由笔画描述，这种递归描述与课文中短语通过单词描述十分 相似，由于这一原因，形式语言中的许多方法都可以应用，但句法方法本质上是 一种串行的操作，这一性质给句法方法的应用带来了很大的局限性。 句法模式识别是建立在二值逻辑基础上的，而在人们的日常生活中，普遍存 在着模糊概念，诸如“较冷”、“暖和”、“较重”、“较轻”、“长”、“短”等等都是 一些既有区别又有联系的无确定分界的概念。模糊概念是客观事物本质属性在人 们头脑中的反映，是人类社会长期发展过程中约定俗成的东西，为了描述和分析 自然界中各种模糊事物，近年来又出现了一种基于连续逻辑的模式识别方法一 模糊集识别法。这种方法既有其数学基础( 模糊数学) ，又更接近于人的思维方法。 利用模糊似然推理及模糊方法等技术来实现模式识别是当前智能机器发展的方向 之一。上述三类模式识别方法存在一个共同的问题，即在一般情况下，要实现在 识别结构的同时检测出物体，使特征提取和识别算法同时进行的算法在理论上还 没有什么基础。 模式识别作为一个学科领域已存在3 0 多年了，虽然已经建立起了丰富的理论 并且还在进一步发展，然而，要使现代机器具有类似人的进行复杂模式识别能力 的目标还相差甚远，根本的问题在于搞清楚我们入本身是怎样进行模式归纳、学 习与识别的。这一问题如不取得突破性进展，那么我们只能在特定领域的应用中 使机器完成相当有限的工作，更深一步的工作就必然会遇到巨大困难。近年来， 许多学者正在从事于“神经元网络”的研究，目的是使机器具有模拟人处理信息 的功能，解决当前人工智能与模式识别领域所遇到的若干问题。人工神经网络所 表现出的类似人的学习、归纳与分类的能力，以及并行分布式处理结构，有可能 同时完成特征提取和识别。传统的模式识别方法所面临的一个突出问题是在模式 识别过程中如何利用这种并行分布式处理方式来解决不确定性问题。神经网络理 山东大学硕士学位论文 论的诞生和发展己促使计算机视觉与模式识别处于一个新的迅速发展阶段。 在模式识别领域中，图像识别是一个非常重要的方面，下面介绍一下有关图 像处理与识别的一些问题。 1 2 图像、图像处理与图像识另i j 通常人眼所看到的客观存在的世界称之为景象。当我们从某一点观察某一景 象时，物体所发出的光线( 可以是发光物体本身辐射的光，也可以是物体受光源照 射后反射或透射的光) 进入人眼，在人眼的视网膜上成像。视网膜成像是一神自然 的物理现象，直到人类文明发展到一定时候人们才意识到它的存在，并设法用各 种方法把它记录下来。这种记录下来的各种形式的“像”就是通常所说的图像， 它包括各类图片，照片、绘图、文稿、x 光胶片等等。这些图像都是人们对客观 景象、事物，以及人们的思维、想象的一种描述和记录，是人类用来表达和传递 信息的一种重要的手段。由于图像与人类生活关系非常密切，小到家庭生活，大 到生产、医疗、艺术、文教、军事、航天都离不开图像，因而对图像处理提出了 越来越高的要求。正是由于这种迫切的实际需要，给图像处理技术的发展提供了 巨大的动力，促进了这门年轻学科突飞猛进的发展。在研究图像时，首先要对获 得的图像信息进行预处理消除干扰和噪音，做几何和彩色校正等，这样可提高信 噪比。有时由于信息微弱无法辨识，需要进行增强。增强的作用，在于提供一个 满足一定要求的图像，或对图像进行变换，以便人机分析，并且为了从图像中找 到需要识别的特征，必须对图像进行分割，也就是进行定位和分离，以分出不同 的特征。为了给观察者以清晰的图像，还要对图像进行改善，即迸行复原处理。 它是把已经退化了的图像加以重建或恢复的过程，以便改进图像的保真度。在实 际处理中，由于图像信息量非常大，存储和传送时还要对图像信息进行压缩。总 之，图像处理包括图像描述、图像编码、图像增强、图像压缩、图像复原和图像 分割等。对图像处理环节来说，输入是图像，输出也是图像，也就是处理后的图 像。图像识别是对处理后的图像进行分类，确定类别名称，它可在分割的基础上 选择需要提取的特征，并对某些参数进行测量，再提取这些特征，最后根据测量 结果作一分类。为了更好地识别图像，还要对整个图像进行描述和做结构上的分 析，以便对图像的主要信息进行一个解释和理解，并通过许多对象相互间的结构 关系加深对图像理解，以更好地帮助识瓤。所以图像识别是在上述分割后的每个 山东大学硕士学位论文 部分中，提取它的特征，便于图像进行分类，并对整个图像做结构上的分析。因 而对图像识别环节来说，输入是图像，输出是类别和图像的结构分析，而结构分 析的结果则是对图像作描述，以得到对图像重要信息的一种理解和解释。上述的 图像处理和图像识别可如图1 2 表示。 ( a ) 图像处理 图像输入厂 图像输出 刊图像识别( 预处理、特征抽取、分类、分析等) 卜_ ( b ) 图像识别 图1 2图像处理和识别示意图 1 3 人脸识别技术的发展及现状 1 3 1 生物特征识别技术 简单地说，人体生物特征识别技术就是使用人体本身所固有的物理特征( 如 指纹、虹膜、脸部、掌纹等) 及行为特征( 如签名、声音、步态等) ，通过图像 处理和模式识别的方法来鉴别个人身份的技术。 从理论上说，任何人体的物理或行为特征只要满足以下条件都可以用来作为 识别个人身份的途径。 1 ) 普遍性：即每个人都应该具有这一特征。 2 ) 唯一性；即每个人在这一特征上有不同的表现。 3 ) 永久性：即这一特征不会随着年龄的增长、时间的改变而改变。 4 ) 采集性：即这一特征应该是容易测量的。 但实际上，它还应该考虑以下几个方面的条件： 1 ) 性能：即识别能达到的精度，以及要达到这种精度所需的设备，工作或环 境因素对识别精度的影响。 2 ) 可接受性：即人们是否接受这种生物识别方式。 3 ) 安全性：即通过这种特征进行识别应该是安全的，不会因为技术上或其它 的原因而被轻易欺骗。 8 山东大学硕士学位论文 因此，基于对以上各个方面的综合考虑，现在人体生物识黜技术的研究主要 针对人体的指纹、掌纹、虹膜、脸部、书写、声音等物理或行为特征来进行。 由于生物特征识别技术使用人体唯一的、可靠的和稳定的生物特征来鉴别人 的身份，这种方法将在现代社会中起到越来越重要的作用，具有美好的发展前景。 不过，目前人体生物特征识别技术仍处于发展阶段，还有很多工作等待人们去探 索。 1 3 ，2 人脸识别研究动机及应用价值 高性能、高智能和高可用性被普遍认为是当前计算科学发展的主要方向，而 智能人机接口技术要研究的正是如何提高计算设备的智能性和可用性问题，其目 标就是要建立和谐自然的人机交互环境，使用户可以方便、自然地利用人类所熟 知的方式使用计算机。这其中一个基础性环节就是要使计算机能够准确无误地感 知包括自然语言、手势语言、面部语言在内的不同的人类表达方式。从2 0 世纪7 0 年代起，对这些人类语言方式的机器理解研究，就成为国际上重要的研究课题， 即所谓智能人机接口技术研究。在我们日常的交往中，人脸无疑传达着丰富而细 腻的情感和心理信息，因此，以人脸识别为代表的面部感知计算从8 0 年代末开始 也逐渐成为热门的研究方向之一，大量的国内外研究人员近3 0 年来从各种角度对 这一问题进行了研究，尤其是人脸识别更是引起了越来越多的关注。 人脸识别被重视的另一个重要原因是其在经济、安全、社会保障、犯罪、军 事等领域有巨大的潜在的应用价值，尤其在需要对用户身份进行验证或识别的场 合，如银行、海关、重要安全部门的身份验证，驾照、护照、身份证等证件的核 对，自动门禁、安全监控、罪犯搜捕等领域，自动人脸识别技术都具有广泛的应 用价值。以身份验证为例，传统的p i n 加个人密码的安全机制存在诸多弊端，如 密码难记忆且易遗忘、可能被黑客攻破、密码可能被盗窃和破译等，尤其是为了 便于记忆，人们通常以自己的生日和姓名等为密码，密码的安全性受到严重威胁。 另外，在敲击密码的过程中，别有用心的人很容易窃取密码，如采用摄像机可以 录下用户所输入的密码。据统计，a t m 网络每年的交易额为1 0 0 亿美元左右，世界 范围的a t m 机的错误接受率大约为3 0 ，估计每年损失2 9 8 亿美元。由于上述原 因，人们期待着能有一种低成本、安全和方便的身份识别方式，而入脸识别技术 因其无需用户过多参与和非接触式的数据采集方式、对用户无任何损害和便于隐 藏等优点而普遍为人们所看好，被称为2 l 世纪最有前途的身份验证方法。 9 山东大学硕士学位论文 另外，人脸识别的研究还涉及心理学、生理学、人工智能、模式识别、计算 机视觉、图像分析与处理等多个学科领域，更是模式识别、人工智能和计算机视 觉的典型案例之一。对这一问题的研究和解决，有助于对其他对象识别问题的研 究分析和解决，人脸识别也因此成为这些基础研究领域的重要课题之一，具有重 要的理论研究和实际应用价值。 1 3 3 国内外研究现状 近3 0 年来，人脸自动识别的研究取得了很大的进展，从工程索引( e i ) 上检 索到的相关文献已达数千篇，包括i e e et p m a i 在内的重要国际期刊也有专栏甚至 专刊报道人脸识别的最新研究进展，同时还出现了专门的国际学术会议，如人脸 手势识别国际学术会议。 人脸识别领域内最著名的国际研究机构包括：美国麻省理工学院媒体实验室 ( m i tm e d i al a b ) 及人工智能实验室( a il a b ) 、南加州大学( u s c ) 、c m u 卡内 基一梅隆机器人研究及交互系统实验室、马里兰大学( u m d ) 等。另外，一些国家 或地区也有不少研究机构在人脸识别领域进行了大量的研究工作。 9 0 年代中后期以来，国内的许多研究机构在自然科学基金、8 6 3 计划、攀登 计划等资助下，开始了对人脸识别的研究。其中主要包括清华大学计算机系、自 动化系、电子系以及哈尔滨工业大学、南京理工大学信息学院、中科院自动化所、 上海交通大学图像处理与模式识别研究所、中山大学数学系等，他们在人脸识别 研究领域都进行了许多很有意义的尝试，积累了丰富的经验。 高文教授领导的计算所哈工大入脸识别研究小组2 0 0 0 年5 月与专门从事入 脸识别商业系统开发和销售的四川成都银晨网讯科技有限公司全面合作，在北京 成立了i c t y c n c 人脸识别联合实验室，专门研究和开发商业人脸识别系统。实验 室在实时人脸检测与跟踪、人脸识别、人脸确认等方面进行了大量卓有成效的研 究，并开发了一套具有良好鲁棒性的实时人脸检测系统；提出了一种新的基于s f s 的人脸识别方法，并基于该技术开发了一套实时人脸识别确认系统，目前已通过 系统测试，并进入产品开发阶段。另外，实验室对“特征脸”人脸识别技术进行 了很多改进和扩充，尝试了基于人工神经网络、支持向量机、线性判别分析、基 于g 脚的双子空间人脸识别方法等，研究了基于g a b o r 小波变换和弹性图匹配的 人脸识别技术以及基于统计模型的人脸识别方法等。 1 0 山东大学硕士学位论文 1 3 4 人脸识别系统 人脸自动识别系统包括两个主要技术环节如图1 3 所示：首先是人脸的检测和 定位，即从输入图像中找出人脸和人脸存在的位置，并将人脸从背景中分割出来， 然后对归一化的人脸图像进行特征提取与识别。 堕攀匿，坚匿粤 图1 3 人脸自动识别系统的构成 这两个环节的独立性很强。由于在很多特定情况下人脸检测与定位的工作比 较简单，因此“特征提取与识别”环节得到了更为广泛深入的研究。而近几年来 随着人们越来越关心各种复杂情形下的人脸自动识别系统，人脸检测与定位才得 到了较多的重视。评价一个人脸自动识别系统的标准，一个是误识率，即将某个 人错误识别为他人，另一个是虚警率，即将他人识别为这个人。这两者之间是存 在矛盾的，所以在实际问题中往往需要某种折衷。如在安全性要求较高的计算机 登录系统中，必须要求虚警率尽可能低，而误识率可以高一些，这样只是增加合 法用户的登录时闻，并不会降低计算机系统的安全性。这一点同样适用于特征提 取与识别环节，但是对人脸的检测与定位，我们一般要求误识率要尽可能低，因 为这样才可以保证所要识别的人不会在这一步丢失。 常用的人脸识别实验库以美国军方的f e r e t 库最为权威，它包括多人种、多 年龄段、各种表情变化、光照变化和姿态变化的图像，图像的数量和实验人数也 非常多，可以充分地验证人脸识别算法。另外如m i t 、o r l 等人脸库也可以用来验 证算法在某些方面的能力。 1 3 5 人脸检测与定位方法介绍 人脸检测的基本思想是用知识或统计的方法对人脸建模，比较所有可能的待 检测区域与人脸模型的匹配度，从而得到可能存在人脸的区域。其方法大致可以 分为基于统计和基于知识两类，前者将人脸图像视为一个高维向量，从而将人脸 检测问题转化为高维空间中分布信号的检测问题：而后者则利用人的知识建立若 干规则，从而将人脸检测问题转化为假设验证问题。 1 基于统计的人脸检测方法 ( 1 ) 事例学习 山东大学硕士学位论文 将人脸检测视为区分非人脸样本与人脸样本的两类模式分类问题，通过对人 脸样本集和非人脸样本集进行学习以产生分类器。目前国际上采用较多的是人工 神经网络分类器 ( 2 ) 子空间方法 p e n t l a n d 等人将k - l 变换引入了人脸检测，在人脸识剐中利用的是主元子空 间( 特征脸) ，而人脸检测利用的是次元子空间( 特征脸空间的补空间) ，用待检测 区域在次元子空间上的投影能量，也即待检测区域到特征脸子空间的距离作为检 测统计量，距离越小，表观越像人脸。子空间方法的特点是简便易行，但由于没 有利用反例样本信息，对与人脸类似的物体辨别能力不足。 ( 3 ) 空间匹配滤波器方法包括各种模板匹配方法、合成辨别函数方法等。 2 ，基于知识建模的人脸检测方法 ( 1 ) 器官分布规则 虽然人脸在外观上变化很大，但遵循一些几乎是普遍适应的规则，检测图像 中是否有人脸，即是测试该图像中是否存在满足这些规则的图像块。这种方法一 般有两种思路：一种是“从上到下”，其中最为简单有效的是y a n g 等人提出的 m o s a i c 方法，它给出了基于人脸区域灰度分布的规则，依据这些规则对图像从粗 分辨率到高分辨率进行筛选，以样本满足这些规则的程度作为检测的判据。另一 种思路则是“从下至上”，先直接检测几个器官可能分布的位置，然后将这些位 置点分别组合，用器官分布的几何关系准则进行筛选，找到可能存在的人脸。 ( 2 ) 轮廓规则 人脸的轮廓可以简单地看成一个近似椭圆，而人脸检测可以通过椭圆检测来 完成。g o y i n d a r a j u 提出认知模型方法，将人脸建模为两条直线( 左右两侧面颊) 和上下两个弧( 头部和下巴) ，通过修正h o u g h 变换来检测直线和弧。 ( 3 ) 颜色和纹理规则 同民族人的面部肤色在颜色空间中的分布相对比较集中，颜色信息在一定程 度上可以将人脸同大部分背景区分开来。l e e 等设计了肤色模型表征人脸颜色t 利 用感光模型进行复杂背景下人脸及器官的检测与分割。d a i 利用了s g l d ( 空阍灰度 共生矩阵) 纹理图信息作为特征进行低分辨率的人脸检测。 ( 4 ) 运动规则 通常相对背景入总是在运动的，利用运动信息可以筒单有效地将人从任意复 山东大学硕士学位论文 杂背景中分割出来。其中包括利用眨眼和说话等方法的活体人脸检测方法。 ( 5 ) 对称性 人脸具有一定的轴对称性，各器官也具有一定的对称性。z a b m d s h k y 提出连续 对称性检测方法，检测一个圆形区域的对称性，从而确定是否是人脸；r i e s f i e l d 提出广义对称变换方法检测局部对称性强的点来进行人脸器官的定位。在进行人 脸器官定位时都取得了较好的效果。 1 3 6 常用人脸识别方法简介 目前国内外研究人脸识别的方法层出不穷，根据人脸表征方式的不同，常用 的方法总体可分为以下三种：基于几何特征的识别方法、基于统计特征的识别方 法和基于连接机制的识别方法。 ( 1 ) 基于几何特征的人脸正面图像识别方法 该方法是通过人脸面部拓扑结构几何关系的先验知识，利 用基于结构的方法在知识的层次上提取人脸面部主要器官特 征，将人脸用一组几何特征矢量表示，识别归结为特征矢量之 间的匹配，基于欧氏距离的判决是最常用的识别方法。侧影识 别是最早的基于几何特征的人脸识别方法，主要是从人脸侧面图1 4 懊蟛识别 轮廓线上提取特征点入手，如图1 4 。一般将侧影简化为轮廓曲线，从中抽取若干 基准点，用这些点之间的几何特征来进行识别。 由于侧面照片约束很多，所以对 侧面人脸的研究已不多。正面人脸识别第一步是合适的归一化，使之不依赖于图 像中人脸位置的尺度和旋转变化。识别所采用的几何特征是以人脸器官的形状和 几何关系为基础的特征矢量，其分量通常包括人脸指定两点间的欧氏距离、曲率 和角度等。 基于几何特征的识别方法具有存储量小和对光照不敏感等优点。这种方法同 样存在一些问题：( 1 从图像中抽取稳定的特征比较困难； 对强烈表情变化和 姿态变化鲁棒性较差： 造成部分信息丢失，适合于粗分类。 ( 2 ) 基于统计的人脸正面自动识别方法 包括特征脸方法和隐马尔科夫模型两种方法。统计的识别方法将入脸用代数 特征矢量来表示。代数特征是由h o n g 等首先提出的，由图像本身的灰度分布决定， 它描述了图像的内存信息，它是通过对图像灰度进行各种代数变换和矩阵分解提 出的。将人脸看作一个二维的灰度变化的模板，从整体上捕捉和描述入脸的特征， 山东大学硕士学位论文 所运用的主要是一些标准的数据统计技巧，运算比较复杂。 特征脸方法是从主元分析( p c a ) 导出的一种人脸识别和描述技术。p c a 实 质上是k l 展开的网络递推实现。k l 变换是图像压缩技术中的一种晟优正交变 换，人们将它用于统计特征提取，从而形成子空间法模式识别的基础。若将k - l 交换用于人脸识别，则需假设人脸处于低维线性空间，由高维图像空间k l 变换 后，可得到一组新的正交基，由此可以通过保留部分正交基获得正交k - l 基底。 如将子空间对应特征值较大的基底按照图像阵列排列，则可以看出这些正交基呈 现出人脸的形状，因此这些正交基也称为特征脸，这种人脸的识别方法也叫特征 脸方法。实验表明，特征脸方法存在如下特点：首先，由于作为一种图像的统计 方法，图像中所有的像素都被赋予了同等的地位，可是角度、光照和表情等干扰 会使识别率下降；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，而特殊人脸则位于边缘分布，可见，越普通的人脸越难分类，特征脸 方法的本质是抓住了人群的统计特征，反映了特定人脸库的统计特征，但不具有 广泛性和代表性。而利用f i s h e r 判据的方法是一种较好的改进方法，另一种成功 的改进方法是将人脸进行差异分类，即分为脸间差异和脸内差异，其中脸内差异 属于同一个人脸的各种变形，而脸问差异表示不同人脸的本质差异，而实际人脸 图的差异则为两者之和。 隐马尔可夫模型( h 吼m ) 是用于描述信号统计特征的一组统计模型。h m m 使用马尔可夫链来模拟信号统计特征的变化，而这种变化是间接的通过观察序列 来描述的，因此，隐马尔可夫过程是一个双重的随机过程。其中之一是马尔可夫 链，这是基本随机过程，它描述状态的转移；另一个随机过程描述状态和观测值 之间的统计对应关系。在h m m 中，节点表示状态，有向边表示状态之间的转移， 一个状态可以有特征空间中的任意特征，对同一个特征，不同状态表现出这一特 征的概率不同。由于i - i m m 是一个统计模型，对于同一特征序列，可能会对应许 多状态序列，特征序列与状态序列之间的对应关系是非常正确的。 ( 3 ) 基于连接机制的方法 包括一般的神经网络方法( n n ) 和弹性图匹配方法l a ) 。基于神经网络的 方法是最近几年比较活跃的一个研究方向。应用神经网络进行人脸的特征提取和 分类器的设计，有比较成熟的人脸特征提取算法一自适应主分量神经网络算法。 研究人员还应用传统方法和神经网络设计了组合分类器，在识别效果的准确率、 山东大学硕士学位论文 _ - | _ _ 一i - _ _ _ _ _ - - _ _ _ _ - _ - _ _ - - - _ _ - _ _ _ _ _ _ _ _ - _ _ _ _ _ _ - _ _ - _ _ - - - - - _ _ - - _ _ _ - 容错性和鲁棒性等方面取得了一定的进展。神经网络方法在人脸识别上比其他类 别的方法有独到的优势，它避免了复杂的特征提取工作，可以通过学习的过程获 得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。但应用该方法神 经元数目多、训练时间长。 弹性图匹配方法是一种基于动态链按结构的方法。该方法在三维空间中定义 了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表 人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的 信息。拓扑图的顶点采用了小波交换特征。它对于光纤、尺寸和角度具有一定的 不变性，如图1 5 和图1 6 所示。另外，弹性图匹配能够容忍表情的变化，并在一 定程度上能够容忍视角的变化。而这也是弹性图匹配方法优于特征脸方法的原因。 图1 5 定义在人脸上的二维拓扑图 图1 6 表达人脸特征的二维向量场 还有一点改进是：向人脸库中加入新的人脸时，运用特征脸方法，可能因为 不能保证已有的特征脸的通用性，有可能需要重新计算特征脸，因为不能保证已 有的特征脸的通用性，而对于弹性图匹配的方法，则并不需要改变已有的数据， 直接加入新的模板数据即可。当然弹性图匹配方法也存在一个明显的缺点：就是 需要更大的计算复杂度和存储空间。 1 3 7 人脸识别主要商业系统简介 9 0 年代中后期以来，一些商业性的人脸识别系统开始进入市场。目前，主要 商业系统包括： v i s i o n i c s 公司的f a c e i t 人脸识别系统，该系统基于r o c k e f e l l e r 大学开发 的局部特征分析( i 属a ) 算法； l a ut e c h 公司的人脸识别，确认系统，采用m i t 技术； m l r o s 公司的t r u e f a c e 及e t r u e 身份验证系统，其核心技术为神经网络； 山东大学硕士学位论文 c - s 公司的人脸识别，确认系统； b a n q u e t e e 公司的身份验证系统； v l s a g eg a l l e r y 8 身份认证系统，基于m i t 媒体实验室的e i g e n f a c e 技术； p l e t t a ce l e c t r o n i c sf a c e 、後c s 出入控制系统： 台湾的b i o i d 系统，它基于入脸、唇动和语音三者信息融合的b i o m e t r i c s 系统。 这些系统在很多地方得到了应用，但在实用过程中也发现，只有训练集人脸 罄像的采集条件与测试集人脸图像的采集条件基本一致时才能具有良好的识别性 能，否则，其性能将急剧下降，尤其是光照变化、姿态变化、黑框眼镜、帽子、 夸张的表情、胡须和长发等对其性能的影响更大。 到目前为止，尽管能够满足人们需求的理想系统尚未出现，但通过对人脸识 别问题施加一定的限制，已有的技术已经能够在一定的条件下取得较高的识别性 能。研究表明，一个实用的人脸识别系统的成败，其关键不仅仅在于识别算法， 更在于如何解决实用过程中可能遇到的问题，如光照、姿态、饰物、表情、毛发 ( 头发和胡须) 、不同摄像机参数变化、活性判别( 真实人脸与照片的辨别) 和老 化等问题，对这些问题从实用环境分析的角度出发，进行系统的有针对性的研究， 有助于加深对现有人脸识别技术的理解，更重要的是，可以解决实际问题，加快 人脸识别技术的实用化进程。从某种意义上讲，对这些问题的专门研究比提出新 的人脸识别算法更重要。我们相信，在未来的几年内，人脸识别技术将会获得更 大的发展。 1 4 本文的研究内容 特征脸方法是从主元分析( p c a ) 导出的一种人脸识别和描述技术。尽管它本 身还存在着一定的缺陷，但由于其具有简单、快速和易行的特点，并且从整体上 反映了人脸图像的灰度相关性。因此，围绕p c a 人脸识别的改进方法不断出现a 本文针对主元分析法存在的易受光照影响等缺点，首先采用直方图均衡化技 术对人脸图像进行预处理，使人脸图像具有了统一的均值和方差，部分地消除了 光照差异的影响，修正了图像的直方图。针对传统直方图均衡化技术存在灰度变 化范围小和图像层次感低等缺点，本文从图像相邻像素一般灰度相关这一事实出 发，将灰度概率分布和空间相关性结合在一起，运用了一种改进算法，很好地解 山东大学硕士学位论文 决了存在的问题。小波技术在信号处理与图像处理中得到了广泛地应用，小波分 解应用于人脸识别影响识别率的有三个关键因素：小波基的选取、小波分解层数 的确定、小波予图的确定。本文通过大量仿真实验，得出了有一定指导性的结论， 并应用于后续识别：用d a u b ( 2 ) , b 波对光照补偿后的人脸图像做一层小波变换， 分析了小波分解后的各个子带图像，由于低频子带图像是原图像的低维逼近，包 含了原始图像的主要描述信息，因此在后面的实验中取小波分解后的相对稳定的 低频子带图像作为特征。运用小波对图像进行处理，模糊了人脸表情和姿势的影 响，并同时达到了对图像向量降维的效果。文中用o r l 人脸库中的人脸做实验， 图像大小为1 1 2 9 2 。人脸图像经过一层小波分解以后，尺寸变为原来的1 4 ，为 5 6 4 6 。 对人脸图像处理以后，运用基于奇异值分解的主元分析法提取特征向量并进 行识别。如果用2 0 幅人脸图像进行训练，奇异值分解方法将( 5 6 4 6 ) ( 5 6 x4 6 ) 矩阵特征值求解问题转化为求2 0 x2 0 矩阵的特征值而间接得到。所以说，奇异值 分解方法大大降低了运算的复杂度。主元分析法根据人脸图像整体的灰度相关性 来提取特征向量，所提取出的特征向量保留了原图像空间中的主要分类信息，并 能在均方误差最小的意义上重建原图像。本算法与传统的p c 渔方法相比，大大降 低了运算复杂度，所提取的特征更加反映了人脸之间的差异。 训练过程 识别过程 1 7 基于小波变换的p c a 人脸识别系统 而竺吨 一决一一类一 匡一 一 回 圆 _ ， 橱 留 练一 识一 一 待一 山东大学硕士学位论文 第二章人脸图像的预处理 运用p c i a 方法进行人脸特征提取和识别受光照等外部因素影响较大，本章针 对这一问题，用改进的直方图均衡化方法和小波分解的方法对人脸图像进行了预 处理，很大程度上消除了光照影响，并降低了运算复杂度，节约了时间。 2 1 引言 图像在采集过程中，由于受光线等外部环境因素、摄像头和采集卡噪声等内 部因素的影响以及在实际处理中需要突出感兴趣的信息，采集到的人脸图像并不 能满足识别的要求，因此对输入图像的预处理是图像识别中非常重要的一步。预 处理的目的是去除噪声和增强有用的信息，并对输入测量仪器或其他因素所造成 的退化现象进行补偿和复原。 由于我们是采用基于k - l 变换的特征脸方法来进行特征抽取和识别的，因此 对输入图像的预处理尤为重要。k - l 变换作为一种图像的统计方法，图像中所有 的像素被赋予了同等的地位，同一人脸在不同的光照角度和强度下的差异反映到 特征空间里会有较大的差异。因此角度、光照、尺寸和表情等干扰会导致识别率 的急剧下降。比如