（信号与信息处理专业论文）基于弹性束图匹配与隐马尔科夫模型的人脸识别算法研究.pdf

硕士学位论文 摘要 随着现代科学技术的发展，生物特征识别技术在近些年的研究中逐渐成为一 个热点，随之产生的众多的研究成果和产品，被广泛应用在各类信息安全、金融 交易、社会安防、出入境管理、行政、交通、医疗等领域，在社会生活的各个方 面都起到了显著地作用。 到目前为止，生物特征识别技术中较为成熟的技术有人脸、虹膜、指纹、掌 纹、人耳、手形等识别方法，其中人脸识别因其所具有的非接触式、简单快捷等 优势，成为目前生物特征识别领域中研究的主流对象，但是由于人脸图像易受光 照、角度、年龄、环境变化的影响，且人脸图像之间又具有高度的相似性，因此 如何快速准确的进行人脸识别，就成了研究人脸识别技术时必须要考虑和解决的 问题。本文即针对上述问题，对人脸识别技术中较为常用的弹性束图匹配方法和 隐马尔科夫模型方法进行了较为深入的研究，主要的工作和成果有以下几个方 面： 1 全面概述了目前人脸识别领域中使用较为广泛的几种识别方法，对其所采 用的理论依据、具体实现方法进行了分析比较，总结和归纳了这些方法在处理人 脸识别问题时分别所具有的优势和缺陷。单一方法在处理人脸识别问题时总是具 有一定的局限性，提取的单一的人脸特征也易受到环境因素的影响，因此多种方 法或特征的融合，可以避免使用单一方法的缺陷，扩大算法的适用范围，提高抗 干扰性。 2 针对基于弹性柬图匹配的正面人脸识别方法中不同频率的特征值对于人 脸图像识别率影响的差异性问题，提出了一种利用权值分配对小波系数进行优化 的方法，由于变换后得到的小波系数对于人脸图像识别率的影响大小不一，因此 对其进行分类并赋予相应的权值，使得可以提高识别率的小波系数所占的权重更 大，从而显著增强不同人脸弹性图结构之间的差异性，通过算法验证系统的检验， 改进后的方法可以有效提高识别率。 3 通过对基于隐马尔科夫模型的人脸识别系统的研究和分析，采用奇异值作 为特征向量构建隐马尔科夫模型进行人脸识别，由于奇异值向量具有稳定性、位 移不变性、转置不变性、与对应图像亮度成比例变化等特性，因此对于人脸图像 易受到的光照、角度、环境等因素的影响具有一定的鲁棒性，相对于直接采用图 像灰度值和二维离散余弦变换值所做的识别结果，采用奇异值分解的隐马尔科夫 模型人脸识别方法可以得到更高的识别率。 基于弹性束图匹配与隐马尔可夫模型的人脸识别算法研究 关键词：人脸识别；弹性束图匹配；g a b o r 小波；隐马尔科夫模型；奇异值 分解 a b s t r a c t w i t ht h ed e v e l o p m e n to fm o d e r ns c i e n c ea n dt e c h n o l o g y ，t h eb i o m e t r i cf e a t u r e i d e n t i f i c a t i o nt e c h n o l o g yh a sb e e nr e s e a r c h e db ym a n ya c a d e m i c sa n di n s t i t u t e si n r e c e n ty e a r s m e a n w h i l et h ep r o d u c t sr e s e a r c h e da n dd e v e l o p e da r ew i d e l yu s e di n m a n vf i e l d ss u c ha si n f o r m a t i o ns e c u r i t y ，f i n a n c i a lb u s i n e s s ，s o c i a ls e c u r i t y ，i m p o r t a n de x p o r tm a n a g e m e n t ，a d m i n i s t r a t i o n ，t r a f f i ca n dm e d i c a lc a r es y s t e m t h em o s ta p p l i c a b l et e c h n o l o g i e so fb i o m e t r i cf e a t u r ei d e n t i f i c a t i o na r eb a s e d o nf a c e ，i r i s ，f i n g e ra n dp a l mm a r k ，e a ra n dh a n df i g u r e b e c a u s eo ft h ea d v a n t a g e s o fi t su n t o u c h a b l e 。e a s ya n dc o n v e n i e n tc h a r a c t e r , t h ef a c er e c o g n i t i o nt e c h n o l o g y h a sb e c o m et h em a i n s t r e a mo b je c tt o r e s e a r c hi nb i o m e t r i cf e a t u r ei d e n t i f i c a t i o n f i e l d h o w e v e r ，f a c ei m a g e s a r e u s u a l l y a f f e c t e d b yl i g h t ，a n g l e ，a g e a n d e n v i r o n m e n t 。a n dd i f f e r e n tf a c es t r u c t u r e sh a v eh i g hc o m p a r a b i l i t y , s oh o wt o p r o c e s sf a c er e c o g n i t i o nq u i c k l ya n da c c u r a t e l y , i s an e c e s s a r yp r o b l e mt os o l v e w h e nr e s e a r c h i n gt h ef a c er e c o g n i t i o nt e c h n o l o g y t h em a j o rc o n t r i b u t i o n so ft h i s t h e s i sa r es u m m a r i z e da sf o l l o w ： 1 t h i st h e s i ss u m m a r i z e sa l lp o p u l a rm e t h o d si nf a c er e c o g n i t i o nf i e l d ，a n d i n t r o d u c e st h e i rt h e o r ya n a l y s i s ，a p p r o a c h t or e a l i z a t i o na n dr e p r e s e n t a t i o n a l r e s e a r c hc o n t r i b u t i o n ，t h e na n a l y s e st h e i ra d v a n t a g e sa n dd i s a d v a n t a g e s i nf a c e r e c o g n i t i o np r o c e s sb r i e f l y s i n g l em e t h o do rf e a t u r e i sa l w a y sl i m i t e db ys o m e e n v i r o n m e n t a lc o n d i t i o n s ，s ot h ef u s eo fd i f f e r e n tm e t h o d sa n df e a t u r e sc a n a v o i dt h e f l a w sa n de n h a n c et h er o b u s tc h a r a c t e r 2 t h i st h e s i sp r e s e n t san e wm e t h o dw i t ho p t i m i z e dw a v e l e tw e i g h t t ot h e g a b o rw a v e l e tp a r a m e t e r s ，a sas o l u t i o nt ot h ed i v e r s i t yp r o b l e mc a u s e db yd i f f e r e n t i r e q u e n c ye i g e n v e c t o r i ne l a s t i cb u n c hg r a p h i cm a t c h i n g ( e b g m ) a l g o r i t h mo f f r o n t a lf a c er e c o g n i t i o n a c c o r d in gt ot h ev a r i o u si n f l u e n c i n gd e g r e e so f t h ew a v e l e t p a r a m e t e r s ，c l a s s i f yt h e mi n t os e v e r a lp a r t sa n dg i v ee a c hp a r td i f f e r e n tw e i g h t ，s o t h a tt h ed i v e r s i t yo fd i f f e r e n tf a c ei m a g e si se n l a r g e de v i d e n t l y 3 a c c o r d i n gt ot h er e s e a r c ha n da n a l y s i st ot h ef a c er e c o g n i t i o ns y s t e mb a s e d o nh i d d e nm a r k o vm o d e l ，t h i st h e s i sp r e s e n t sam e t h o dt ob u i l d am o d e lw i t h s i n g u l a rv a l u ed e c o m p o s i t i o n b e c a u s eo ft h es t a b i l i t y ，d i s p l a c e m e n ti m m u t a b i l i t y ， t r a n s p o s i t i o ni m m u t a b i l i t y a n dp r o p o r t i o n a lc h a n g ew i t ht h ei m a g el u m i n a n c e c h a r a c t e r t h i sm o d e lh a sc e r t a i na n t i - ja m m i n gt ot h ec h a n g eo fl i g h t ，a n g l ea n d i i i 基于弹性柬图匹配与隐马尔可犬模型的人脸识别算法研究 e n v i r o n m e n t i nc o m p a r i s o nw i t ht h em o d e lu s i n gg r a yv a l u eo r2 dd i s c r e t ec o s i n e t r a n s f o r md i r e c t l y , t h eh i d d e nm a r k o vm o d e lb a s e do ns i n g u l a rv a l u ec a na c h i e v et o h i g h e rr e c o g n i t i o nr a t e k e y w o r d s ：f a c er e c o g n i t i o n ；e l a s t i cb u n c hg r a p h i cm a t c h i n g ( e b g m ) ；g a b o r w a v e l e t ；h i d d e nm a r k o vm o d e l ；s i n g u l a rv a l u ed e c o m p o s i t i o n i v 硕士学位论文 插图索引 图2 1特征点检测算法流程图6 图3 1人脸识别系统结构图1 5 图3 2w l = 1 ，5 ，1 0 ，1 5 ，2 0 ，2 5 ，3 0 时6 组测试图像的识别率2 5 图3 3w l = 1 0 。w 2 = l 7 时，6 组测试图像的识别率2 6 图4 1隐马尔科夫模型人脸识别训练流程图3 2 图4 2 采用b a u m w e l c h 算法进行参数重估时迭代次数与对数期望的关系 ：；：； 图4 3h m m 模型人脸识别流程图3 4 图4 4五个状态的左右型h m m 模型3 8 图4 5 状态1 抽取的观察向量幅度4 0 图4 6 状态2 抽取的观察向量幅度4 0 v 基于弹性束图匹配与隐马尔可夫模型的人脸识别算法研究 附表索引 表3 1w i = i ，5 ，1 0 ，1 5 ，2 0 ，2 5 ，3 0 时，6 组测试图像的识别率2 4 表3 2w 1 - - i o ，w 2 = i 7 时，6 组测试图像的识别率2 5 表4 1三种i - i m m 人脸识别方法的识别率4 l v i 硕士学位论文 第1 章绪论 1 1 课题的研究背景与意义 进入2 1 世纪以来，随着计算机技术的不断发展，个人身份的数字化和隐蔽 化成为当前网络信息化时代的一大特征。传统的身份鉴定方法如密码、个人识别 码、磁卡或钥匙等提供的安全保障都是极其有限的，其缺点十分明显：磁卡、钥 匙等物品有可能会丢失，密码、识别码等也有可能会被遗忘。而且这些传统的手 段都无法直接明确地证明物品和密码与所持有人之间的从属关系，一旦被人冒 领，就有可能造成严重的损失【1 1 。 随着生物特征识别技术的不断深入和发展，身份鉴定技术出现了质的飞跃。 所谓生物特征识别技术，就是利用人体固有的生理特征，基于统计学原理，采用 计算机技术和传感器技术相结合，来进行个人身份鉴定的技术。 人体本身的生物特征非常丰富，但若要应用于身份鉴定，需要满足以下几个 条件满足以下几个条件：( 1 ) 普遍性，尽管世界上的每一个人千差万别，不尽相 同，但用于身份鉴别的生物特征必须是每个人普遍都具有的；( 2 ) 唯一性，每一 个人所拥有的生物特征都要和别人的不一样，这样才能根据特征将不同的人区分 开来；( 3 ) 可测量性，即生物特征必须能用一定的方法进行测量，并且测量结果 可以用数学方式准确的来表达；( 4 ) 稳定性，即生物特征在人体上可以保持较长 的一段时间不改变【2 】【3 1 。在实际应用中还有其他方面的考虑，如识别速度和精度、 各种复杂环境的适应性等。 人脸识别方法，和其它的如指纹、虹膜识别方法相比，具有比较明显的技术 优势，主要体现在以下几个方面：( 1 ) 非接触式识别，被识别人的图像信息不需 与人体接触，通过图像采集设备就可以获得；( 2 ) 较为符合人的识别习惯，人脸 信息是人体最直观的身份表征信息；( 3 ) 操作隐蔽，不需要被识别人的主动配合， 因此可应用于监控系统：( 4 ) 人脸识别系统可以记录任何时间所进行的人脸识别 操作的情况，便于事后进行事件回溯和调查；( 5 ) 身份资料的完整性，人脸图像 便于保存，可以在短时间内形成比较完整的查询库；( 6 ) 通过对人脸表情、姿态 的分析，可以获得除被识别人身份之外的其它信息，如被识别人的心理活动也可 以通过对表情、姿态的分析进行推理和判断1 4 1 。 由于人脸识别所具有的以上这些优势，在自动识别系统、金融交易系统、人 机交互系统、身份防伪识别系统、安全验证系统、银行安保系统、自动门禁系统、 基于弹性束图匹配与隐马尔司丈模型的人脸识别算法研冤 派出所户籍档案管理系统、身份证件现场验证系统、出入境管理系统等领域和场 所得到了广泛的应用，很多的产品也已实现了商业化用途，有巨大的应用前景， 发展前途十分广阔。但是，由于人脸图像容易受到表情、光照、姿态、角度、尺 寸、旋转等诸多因素的影响，使得同一个人，在不同的环境下拍摄所得到的人脸 图像不同，有时差别还很大，给识别带来很大难度【5 1 。因此如何消除或降低这些 因素对人脸识别的影响，实现复杂背景环境下的人脸识别，是一个相当有难度的 问题，具有非常强的研究挑战性。 1 2 国内外研究现状与发展趋势 1 2 1 国内外研究现状 人脸识别研究从上世纪六十年代开始发展至今，经过众多研究者们不断的 研究和实践，形成了众多基于不同理论、不同途径的人脸识别方法，其发展历程 大致经过了四个主要阶段。第一阶段是简单背景的人脸识别阶段，主要基于人脸 图像的数学特征；第二阶段是上世纪7 0 年代开始发展起来主要研究多种姿态、表 情变化的复杂背景人脸识别阶段；第三阶段是上世纪9 0 年代末发展的动态跟踪人 脸识别阶段，主要基于动态视频采集图像，并以在实际中得到了部分应用；第四 阶段是近几年发展起来的3 d 人脸识别和基于红外图像的人脸识别阶段，目前还都 处在理论研究阶段，距离形成较为成熟的实用化产品还有相当大的差距【6 j 。 人脸识别技术从起源开始，就一直是国外众多研究机构和大学的研究重点 之一，其研究深度和广度也比国内领先较多。目前国际上很多大学和研究机构都 对人脸识别展开了深入的研究，其中比较著名的研究机构有美国卡耐基梅隆大学 的机器人研究所、法国i n r i a 研究院、美国麻省理工大学多媒体和人工智能实验 室、日本a t r 研究所、美国伊利诺依大学b e c k m a n 研究所、s o u t h c a l i f o r n i a ( u s a ) - b o c h u m ( g e r m a n y ) c y o n d e rm a l s u r g 研究组和微软亚洲研究院 形象计算组( m i c r o s o f tr e s e a r c ha s l i af a c eg r o u p ) 1 7 j 。在人脸识别领域，一 些重要的国际性会议有：国际计算机视觉会议( i c c v ) 、计算机视觉与模式识别 会议( c v p r ) 、计算机图形学大会( s i g g r a p h ) 等h j 。人脸识别方面比较有影响 力的学术杂志有：国际计算机视觉杂志( i j c v ) 、i e e e 模式分析与机器智能( p a m i ) 、 模式识别( p r ) 等1 9 1 。 国际上对人脸识别技术的研究经历了近六十年的发展后，也形成了很多重 要的研究成果。如美国麻省理工学院( m i t ) 由p e n t l a n d 领导的研究小组提出了 特征脸的方法，耶鲁大学( y a l eu n i v e r s i t y ) 由k r i e g m a n 领导的研究小组则提 2 硕十学位论文 出了f is h e r 脸方法，密歇根州立大学( m s u ) 由j a i n 领导的小组在3 d 人脸识别方 法的研究上方面取得了很多的成果。德国r o h r 大学由m a ls b u r g 和w is k o t 等人组成 的小组则提出了基于动态链接机制的弹性束图匹配方法。另外英国、日本、韩国、 新加坡、印度等国家的高校和科研部门也做了大量的相关研究工作。 随着对人脸识别技术研究的不断深入和应用范围的不断推广，国外也出现 了一系列的商用人脸识别系统，主要有：( 1 ) i d e n t i x 公司的f a c e i t ，采用的识 别算法为局部特征分析( l f a ，l o c a lf e a t u r ea n a l y s is ) ；( 2 ) v iis a g e 公司 的f a c e i d ，主要采用e i g e n f a c e 识别算法；( 3 ) c - v i s 公司的f a c e s n a p ，可以在 视频序列中自动定位人脸并提取人脸面部特征，主要采用弹性图匹配与神经网络 识别算法；( 4 ) l a u 公司的h u n t e r ，采用p c a 的识别算法：( 5 ) o m r o n 公司的f a c e k e yf a c er e c o ，主要采用g a b o r t j 、波和弹性图匹配技术。这些识别系统采用的识 别算法不尽相同，但在实践中都有良好的表现。 2 0 世纪8 0 年代后，国内很多高校和研究机构，如中科院计算所先进人机技 术联合通信实验室、中科院自动化所模式识别国家重点实验室、清华大学人机交 互及媒体集成研究所智能技术与系统国家重点实验室、上海交通大学、南京理工 大学、北京大学、哈尔滨工业大学、北京交通大学等，均在人脸识别方面作了大 量的工作，也取得了很多的进展【1 0 】。在国家层面上，国家也给予了人脸识别技 术很高的关注和期望，已将生物特征识别技术明确地列入了“十二五 发展规划 纲要。 国内已在实际中得到应用的人脸识别系统主要有中科院自动化所研发的 “a u t h e n m e t r i c 中科奥森 近红外人脸识别系统和汉王科技的“汉王人脸通” 人脸识别系统。中科奥森近红外人脸识别系统有机结合了电子标签和射频识别技 术，是为2 0 0 8 年北京奥运会定制的人脸识别快速身份验证系统，可以对所有持票 人进行实名制人脸身份验证，不见如此，该系统还在包括安检系统、出入境管理 系统等安全领域都得到了应用。“汉王人脸通 是世界首创的嵌入式、脱离p c 电脑、双摄像头人脸识别仪器，可以实现人脸的智能识别，目前在门禁、安防、 身份认证等领域也都得到了应用。 1 2 2 人脸识别的应用领域与发展前景 现阶段的中国，社会飞速的在发展，国内人口基数大，人员流动性频繁，如 何对如此庞大的人员群体进行有效的身份认证和管理，是当前社会现实所提出的 一个十分紧迫的问题。人脸识别技术作为生物特征识别技术中最可靠、最有效的 方法，其巨大的研究价值和发展潜力受到了越来越多人的关注。 人脸识别技术具有普遍性和非接触式的双重优点。普遍性是指每个人进行个 3 基于弹性束图匹配与隐马尔可夫模型的人脸识别算法研究 体识别时，所利用的生物特征都是其正面的人脸图像。具体而言，人脸识别是通 过观察比较采集到的人脸图像信息来区分和确认身份的，与之相类似的识别技术 还有语音识别、体形识别、指纹识别、虹膜识别等，但这些识别方法要么不直观， 要么受环境条件所限i l 。 非接触式的特点对于一种识别方法也很重要，这会使该识别方法不会令人感 到反感，并且因为人脸识别具有一定的隐蔽性，也可以防止识别系统被人故意欺 骗。人脸识别完全利用照相机、摄像机等图像采集设备获取人脸图像信息，采集 渠道比较容易，而不同于指纹识别或者虹膜识别，需要利用专业的特征采集设备， 这些比较特殊的采集方式很轻易被人察觉，更有可能被伪装欺骗。 目前已经出现了一些商用的人脸识别软件，主要用于金融、保险、安检等身 份识别领域，如t r u e f a c e 、f a c e i t 、t r s ( t e c h n o l o g yr e c o g n i t i o ns y s t e m ) 等， 这些软件对图像库的大小、图像质量都有较高的要求，而且为了得到较高的识别 率，库中对于每个目标都有多个样本图像，但这些软件对于深度旋转人脸图像的 识别效果都不理想，距离完全社会化普及还相当远，只能应用于一些样本较少的 特定领域i l 引。 人脸识别技术在具有诸多优势的同时，也因为人脸作为一种特殊的人体生物 特征，有其难以通过简单方法直接处理的地方，因此也成为模式识别和人工智能 领域中的一个很难的研究课题之一。 首先，人的脸部结构都具有相似性，不同个体之间的区别并不是很明显，虽 然这种相似性有利于人脸图像的定位，但不利于人脸个体的区分。其次，人脸的 外形并不稳定，通过脸部肌肉动作可以产生很多不同的表情，而如果不同的角度 进行观察的话，人脸出现也会一定的变化，这对于人脸识别效果的稳定性和准确 性也十分的不利。再次，白天和黑夜的光照条件的变化，室内和户外环境因素的 干扰，口罩、墨镜等物品遮挡对图像采集的影响以及年龄等多方面因素也会对人 脸识别的效果产生较大的的影响，如何规避这些外因对于人脸识别速度以及人脸 识别效果的影响，也是人脸识别研究领域中的一个重点【1 3 】。 因此，在人脸识别中，对于人脸外形的变化，应该将其尽量放大作为区分个 体的标准，而外界条件对于人脸识别的影响则应该尽量消除，因为它们代表的是 同一个个体特征，并不具有唯一性。通常称人脸外形的变化为类间变化 ( i n t e r c l a s sd i f f e r e n c e ) ，光照、遮挡等外界条件引起的人脸变化为类内变 化( i n t r a c l a s sd i f f e r e n c e ) 。对于人脸而言，类内变化往往大于类间变化， 从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。正是 基于上述原因，一直到2 1 世纪初，国外才开始出现商用的人脸识别软件，但由 于人脸识别算法的高度复杂性，需要依靠强大的计算机平台，才能进行算法的运 行和处理。 4 硕+ 学位论文 1 3 本文的主要研究工作和内容安排 目前针对人脸识别算法的研究，主要集中在特征提取和相似度匹配两个领 域，采用图像的哪一类特征，并制定相应的相似度匹配准则，直接影响着人脸识 别系统的识别效果。在实现人脸识别的过程中，需要考虑以下两方面的问题：1 在识别系统对实时性要求较高的情况下，如何降低计算的复杂度，提高识别的速 度；2 若系统对于识别精度要求较高，如何改进算法使得相似度匹配的准确性提 高。本文也基于这两方面的考虑，通过对弹性图匹配算法和隐马尔科夫模型的研 究和学习，主要做了以下两方面的工作： 1 针对基于弹性图匹配的正面人脸识别方法中不同频率的特征值对于人脸 图像识别率影响的差异性问题，设计了一种利用权值分配对小波系数进行优化的 方法，依据经小波变换后得到的小波系数对于人脸图像识别率的影响大小，对其 进行了分类，并赋予相应的权值，使得可以提高识别率的小波系数对识别率的影 响更大，可以降低识别率的小波系数对识别率的影响更小，从而显著增强不同人 脸间的差异性，提高识别的效率。 2 通过对基于隐马尔科夫模型的人脸识别系统的研究和分析，采用奇异值作 为特征向量构建人脸模型，由于奇异值具有稳定性、位移不变性、转置不变性、 与对应图像亮度成比例变化等数学几何特性，因此对于人脸图像易受到的光照、 角度、环境等影响具有一定的抗干扰性，相对于直接采用图像灰度值所做的识别 结果，采用奇异值分解的隐马尔科夫模型人脸识别方法可以得到更高的识别率。 本论文组织结构如下： 第l 章主要介绍了人脸识别技术的研究背景及意义，并归纳总结了人脸识别 技术的国内外研究现状并分析了发展趋势，最后说明了本论文的主要研究工作和 内容安排。 第2 章介绍了目前应用较为广泛的各类人脸识别方法，对其原理进行了简要 介绍并分析了各个方法的优缺点。 第3 章设计了一种利用对小波系数的权值分配，实现对弹性束图匹配算法的 优化的方法。 第4 章设计了一种利用奇异值作为特征向量构建隐马尔科夫模型，实现人脸 识别的方法。 最后对论文进行了总结归纳，并提出了对今后工作的进一步展望。 5 基于弹性束图匹配与隐马尔可夫模型的人脸识别算法研究 2 1 引言 第2 章人脸识别方法综述 近些年来人们通过对人脸图像数学、几何等各方面的分析，衍生出了很多种 人脸识别的方法，具体可以分为以下几类：基于几何特征的方法，弹性图匹配法， 神经网络方法，基于子空间学习的方法，基于隐马尔科夫模型的方法等。这些方 法涉及到了计算机视觉、模式识别、图像处理、人工智能、小波分析等众多学科。 2 2 基于几何特征的方法 早期的人脸识别主要是通过比较人脸的几何特征进行识别的，人脸由眼睛、 鼻子等器官组成，各个部分之间的区别非常明显，正是由于这些部分在形状、结 构、大小上的不一致，才使得每张人脸之间互有差异，也正是基于这种差异性， 利用人脸各部分之间的相关性，用几何方法描述它们之间的关系，也就成为了一 种表示人脸结构的方法。 基于几何特征的人脸识别方法通过考察人脸面部各器官之间的几何关系，先 提取人脸面部主要器官的特征构成一组特征矢量，这组特征矢量就代表了这个进 行识别的人脸，特征矢量之间的匹配结果就是人脸图像的识别结果，根据一定的 判别准则设计分类器对特征矢量进行分层聚类，最终达到识别的目的【l4 。这种 方法要求选取的几何特征向量能够代表人脸图像的特征信息，不同人脸之间的差 异可以被显著地反映出来，同时又要具有一定的可伸缩性，利用数学方法可以消 除时间跨度、光照等的影响。人脸上的几何特征一般包括指定两点间的欧氏距离、 曲率、角度等。根据人脸拓扑结构的先验知识，比较每个特征点在不同的空间的 投影，就可以得出人脸各器官之间的几何位置关系。 选取人脸图像上的特征点，一般根据人脸的面部比例，将人脸从上到下抽取 眉毛眼睛窗、眼睛窗、鼻子窗和嘴巴窗四个窗口，在这四个窗口进行独立的运算， 检测特征点，算法流程如图2 1 所示 黼羞茎h 磁蔷邑h 臼黼缘掌 图2 1 特征点检测算法流程图 基于几何特征的算法虽然计算比较简单，但也有其固有的缺陷，能否准确地 提取人脸图像上的几何特征，直接影响着人脸图像的识别结果。要获得准确的几 6 硕十学位论文 何特征，就需要精确地寻找到能够明显表征人脸特点的特征点，并计算这些特征 点之间的距离，但在实际应用中，由于人脸表情、姿态的变化，特征点的提取无 法稳健地进行，特征点的定位极有可能会出现偏差，计算到的特征点之间的距离 也就是有误差的。所以当获取的人脸图像由于头部偏移造成与真实人脸情况不一 致时，几何特征方法的成功率就会大大降低【l 引。 2 3 弹性图匹配法 弹性图匹配方法的基本思想是选取人脸上一些具有明显特征的点，以这些特 征点作为基准点构建一个叫做弹性图的人脸模板。在这个人脸模板中，每个特征 点中都存储着一串具有代表性的特征矢量，去除一些冗余节点后，形成一个稀疏 的人脸描述结构，这些特征点和特征矢量就构成了弹性图的拓扑结构，最后通过 测试样本和特征样本的弹性匹配来完成识别【l 。弹性模型匹配方法有很多，例 如：用矩形网格节点对人脸图像进行分割，每个节点的特征矢量用该节点处的经 多尺度g a b o r d 、波滤波后得到的小波系数描述，以这些节点为基准点构成二维人 脸拓扑图，最后比较两个图像中各节点位置和节点之间几何距离的相似性进行人 脸识别。 弹性图匹配法是一种很有效的人脸识别方法，众多的研究者基于弹性图理论 也对弹性束图匹配法做了很多的改进。如l a d e s 等人首先提出了弹性图匹配算法， 首先对人脸用弹性网格进行分割，用g a b o r 滤波器对每个网格节点上像素信息进 行滤波，得到的g a b o r d 、波系数构成表征人脸特征的特征矢量，最后比较两个图 像中各节点位置和节点之间几何距离的相似性进行人脸识别【1 7 】。德国鲁尔大学 的w is k o t 等人则提出了基于弹性束图的匹配算法，该算法并不以网格化后的所有 网格节点作为特征点，而是选取了弹性网格中特征较为明显的部分特征点，放弃 了其它不重要的特征点所包含的人脸信息【l 引。把匹配的主要对象，放在了能够 明显表示人脸的差异性，蕴含人脸信息较为丰富的特征点上，构造了更符合人脸 特征的拓扑图。 弹性图匹配方法是一种基于小波局部统计特征的方法，由于g a b o r t b 波对图 像的处理和人眼对图像观察的方式有一定的相似性，因此弹性图匹配的方法在一 定程度上可以容忍光线、表情、姿态的变化，而且弹性匹配中的人脸模型还考虑 了人脸图像中的一些局部的细节，并保留了人脸的空间分布信息，而且在一定程 度上这种可变形的匹配方式可以容忍人脸图像从三维空间投影到一维空间所引 起的图像变形和信息失真【l9 1 。这些优点使得弹性图匹配方法在人脸识别领域中 被广泛地使用，但该方法的计算量较大，因此目前对于弹性图匹配方法的改进， 也都主要集中在这一方面。 7 基于弹性柬图匹配与隐马尔可大模型的人脸识别算法研究 2 4 神经网络方法 神经网络方法在因其强大的学习和分类能力，在人脸识别领域中也有了广泛 的应用，主要用于对人脸进行特征提取与识别。 p a u l 最早将神经网络技术引入人脸识别领域对人脸的几何特征进行提取，通 过快速学习，可以在很短时间内提取到特征向量bo 。后来i n t r a t o r 等提出了一 种由监督神经网络和非监督神经网络组成的混合型神经网络来进行人脸识别，其 中非监督神经网络用于特征提取，而监督神经网络用于分类犯。l e e 等用模糊神 经网络对特征点之间的几何距离进行分类判别，和一般的直接计算器官间欧氏距 离的方法相比，识别率有了很大的提高【2 2 l 。l a w r e n c e 等采用的是卷积神经网络 方法，人脸图像相邻像素之间是具有统计相关关系的，而且对图像进行卷积运算 是一种线性运算，因此像素之间的统计相关性也得到了保留，这对于人脸识别是 相当有利的【2 3 1 。因此该方法相对于单纯的神经网络方法，识别效果有了很大的 提高。v a l e n t i n 等人采用的是自相关神经网络的方法，将人脸图像中的五十个主 元映射到五维空间中，再构造一个多层感知器进行判别分类，这种方法的缺点在 于处理一些简单的测试图像时效果较好，但在处理有噪声干扰的复杂背景入脸图 像时，由于映射时丢失了大量的有用信息，因此对于复杂图像的处理则有些困难 1 2 4 1 o 神经网络方法因为具有强大的自我学习和自我完善的能力，所以在人脸检测 和人脸识别的各个领域都得到了较好的应用。实际上，一些线性自学习、线性压 缩的神经网络的本质也是主成分分析法，只不过神经网络提取的特征是映射到各 个网络空间的所有主元的加权和，因此，在特征提取方面，神经网络方法的优势 并不突出。但是，在很多情况下，直接找到描述人脸图像特点的特征分量比较困 难，比较特征向量的方法也不是在任何情况下都适用的，但神经网络却可以利用 强大的自学习功能，反复学习自然而然的形成对人脸特征的分类匹配，因此神经 网络方法的主要优势体现在特征提取后对特征的分类识别过程中。 神经网络方法用于人脸识别也有其固有的缺陷，一般情况下，用神经网络进 行人脸识别时，并不是将人脸图像作为一个矩阵处理，而是将人脸图像转化为一 个一维矢量，因此输入矢量的长度过长。神经网络的建立，首先要确定网络参数 的初始值，如果网络初始值设置不当，训练参数可能无法收敛或者不会收敛到全 局最优解，但具体如何设置，目前还没有特别有效的方法，一般是根据经验或对 已有的网络进行升级。 8 硕+ 学位论文 2 5 基于子空间学习的方法 人们通过对人脸图像的研究发现，正面的人脸图像具有一个很明显的特点， 就是人脸图像的对称性，人脸图像的相邻像素之间具有较强的统计相关性，说明 人脸图像像素之间是非紧致的，纹理信息集中在一些特定的区域，其它区域的人 脸特征较少，处理时可以将这些冗余信息除去。因此可以先对人脸图像做降维化 处理，将真正体现人脸差异性有关的信息压缩到一个低维子空间中，消除冗余信 息。基于子空间方法就是基于这样的考虑，首先对人脸图像进行线性或非线性的 空间变换，把高维的图像信号压缩到一个低维的子空间中，这样人脸特征的关键 性信息在低维子空间的相比高维空间更加集中，特征向量的维数也大大降低了， 计算更加简单快速【2 5 1 。子空间分析方法按照空间变换方式不同可以分为线性变 换和非线性变换，按照变换后的子空间种类可以划分为主成分分析( p c a ) 、奇异 值分解( s v d ) 、线性鉴别分析( l d a ) 、独立主元分析( i c a ) 和非负矩阵因子( n m f ) 等。 2 5 1 主成分分析法( p c a ) p c a ( p r i n c i p l ec o m p o n e n ta n a l y s i s ) 方法最早由s i r o v i c h 和k i r b y 在人脸 识别领域中提出，并证明p c a 方法可以使均方误差最小，其主要作用是为了对人 脸图像中的高维向量作降维处理。 主成分分析法是模式识别领域中常用的一种特征提取方法，该方法的核心思 想是k a u h u n e n - l o e v e 变换( k - l 变换) ，通过该交换保留高维数据空间的主要特 征信息即主分量，消除可能包含噪声的次要分量，再对主成分进行线性组合来重 构原始样本：使重构样本和原样本之间的误差最小【2 6 1 。 p c a 方法主要有以下几个特点：( 1 ) 压缩功能，将高维图像压缩至低维线性 空间，降低了计算复杂度，提高了计算效率；( 2 ) 由于人脸样本的分布近似正态 分布，方差大的维可能包含了大量的人脸特征信息，保留方差大的维，去掉方差 小的维，可以提高识别准确率；( 3 ) 因为每幅图像中的直流分量都已经被除去， 剩余的可变分量也被缩放成单位向量，因此两幅图像在特征空间中的投影之间 距离越短，这两幅图像的相关性也就越大，在识别时将人脸图像投影到特征空间， 离投影距离最近的特征向量所代表的图像就是与测试图像最接近的图像。 特征脸算法( e ig e n f a c e s ) 是一种典型的基于p c a 的算法，该方法将人脸图 像看成随机向量，进行向量分解后通过k l 变换得到正交基，保留含有大部分人 脸特征信息的主成分，去掉其它无关信息，得到低维的人脸向量空间。识别的时 9 基于弹性束图匹配与隐马尔可大模型的人脸识别算法研究 候计算向量空间中对应点之间的欧氏距离即 2 7 】。 2 5 2 奇异值分解法( s v d ) 奇异值分解法( s i n g u l a rv a l u ed e c o m p o s i t i o n ) 是一种代数特征提取方法， 奇异值向量具有较好的稳定性、转置不变性、旋转不变性、位移不变性及镜像变 换不变性等重要特性，因此也被广泛应用在人脸识别领域【2 引。 2 5 3 线性鉴别分析法( l d a ) 由于特征脸方法有部分局限性，只能表示人脸信息，但并不能准确的区分和 鉴别人脸，因此众多的研究者考虑采用其他线性空间代替特征脸空间来表示人脸 特征信息。其中，线性鉴别分析法( l i n e a rd i s c r i m i n a t ea n a l y s i s ，l d a ) 采 用了类别归属信息，选择类内散布正交的矢量作为特征脸空间，从而增强了人脸 图像之间的差异性，同时减小了同一人脸由于光照、角度、表情和姿态的变化的 影响，因此可以获得比特征脸方法更高的识别率。 线性鉴别分析法也称f is h e r 脸方法，该方法将人脸图像投影到以训练样本的 类内和类间散度矩阵为基础构造的最优矩阵空间，经k - l 变换后得到相应的一组 特征向量。一般假设由于人脸图像之间的差异，不同类别在模式空间内是线性可 分的，因此f is h e r 脸能够更好地反映不同人脸之间的差异1 2 9 。f is h e r 脸方法实 质上就是将人脸图像由多维空间映射到一维空间，使得特征向量之间的关系变为 一维线性的关系，但是该方法忽略了光照、角度、表情、姿态等引起的类内变化。 基于线性鉴别分析法的人脸识别，就是把待识别人脸图像投影到最优l d t 空间中， 再计算和比较其与训练过的图像单元之间的的欧式距离，得到最终识别的结果。 在实际应用中，l d a 所遇到的主要问题是小样本问题，由于训练样本不足， 所以一般类内离散矩阵是奇异的，其解决方法大致分为两类，一种是规整化方法， 对奇异的类内散度阵加一个小的扰动阵使其可逆；或是广义逆方法，用类内散度 阵的广义逆取代逆矩阵，但这两种方法的计算量都比较大，在实际应用中使用较 少。近些年的方法多是采用降维技术来处理，虽然在类内散度矩阵的零空间的同 时，会损失一部分的判别信息，但这种方法可以简化识别过程，减少计算量1 3 0 1 。 2 5 4 独立主元分析( 1c a ) i c a ( i 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 ) 的基本思想是通过线性非正交变 换把训练样本表示为多个统计变量的线性组合。该方法与p c a 方法相比，不仅分 l o 硕士学位论文 析了模式的二阶统计信息，还分析了高阶统计信息，其变换后的统计信息是独立 非正交的，而p c a 只考虑了模式的二阶统计量，变换后的统计信息相互无关。人 脸中的许多重要信息都集中在人脸图像的纹理部分，这些信息在频域上都属于高 频分量，即隐含在图像像素的高阶统计关系中，使用i c a 可以更好地表现人脸的 局部特征。 b a r t l e t t 等最早将i c a 方法引入人脸识别中，对人脸图像首先进行了线性非 正交分解，去除直流分量，剩余信号分为二阶统计信号和高阶统计信号【3 l 】。用 i c a 算法进行人脸识别，需要要将人脸图像通过线性非正交变换将图像分解为多 个独立的统计变量的线性组合。i c a 算法进行识别之前，首先要用p c a 算法对图像 进行预处理，将图像中的二阶统计相关信息滤除，提取出含有大部分人脸信息的 高阶统计信息并进行降维处理，然后用i c a 算法求出一组独立的鉴别矢量集，扩 张成i c a 的人