（信号与信息处理专业论文）人脸识别算法研究.pdf

硕十学位论文 。 摘要 人脸识别是计算机视觉、模式识别和生物识别的研究热点之一，具有很高的 理论和应用价值研究。人脸是人类视觉中最为普遍的模式，它所反映的视觉信息 在人与人的交流和交往中有着极其重要的作用，这一特殊性，使得人脸识别技术 成为最具潜力的身份识别方式，日益受到人们的广泛关注；但同时人脸是由复杂 的三维曲面构成的同一变形体，难以用数学描述，所有的人脸结构具有高度相似 性，人脸图像又容易受年龄、光照、环境等因素的影响，故人脸识别又是一个复 杂和困难的课题。 人脸识别技术涉及范围很广，其中关键的是特征提取和分类方法的选取，本 文以此为重点进行了相关研究，主要内容如下： 1 小波变换具有能够突出问题某些方面特征的特点，把小波变换的思想引 入到人脸原始图像预处理中，对人脸图像进行有效的降维处理 2 与传统基于主分量分析( p 血c i p l ec o m p o n 锄ta n a l y s i s ，p c a ) 方法相比 较，独立分量分析( 1 i l d e p e n d e n tc 0 m p o 北n t 加l a l y s i s ，i c a ) 所提取的特征分类能 力强、相互独立，并且对像素间的高阶统计特性敏感，不易受光照变化等因素的 影响，本文选用l c a 方法作为人脸特征的提取方法。为了减少运算次数，提高 收敛速度，本文采用改进的f 弱t i c a 算法作为i c a 的快速算法。 3 神经网络因其自身优势特点，近年来在人脸识别领域得到了广泛研究和 应用。径向基函数( r a d i a lb 弱i sf u n c t i 伽，r b f ) 神经网络是一类新颖的前向网 络，其在逼近能力、学习速度等方面优于一般网络，具有收敛速度快、较强的适 应性以及很强的非线性映射功能等，在函数逼近、模式识别和分类上得到了广泛 应用。本文为了更好的综合人脸特征进行分类识别，采用改进的r b f 神经网络 作为分类器对所提取的人脸有效特征进行识别。 最后将本文提出的方法在o l 也人脸图像库中进行试验验证取得了良好的实 验效果。 关键词：人脸识别；小波变换；独立分量分析；跏t i c a ；径向基函数( 髓f ) 神经网络 人脸识别算法研究 a b s t r a c t f i a c cr e c 0 弘i t i o ni s0 n e0 f t h ek e yi 豁u e si nc o m p u t e rv i s i o n ，p a t t e mr e c 0 印i t i a n db i o m e t r i 岱f i e l d s ，h 硒v e r yl a r g c a d e m i c 龃dp m c t i c a lv a l u e s i i ld a i l yl i f e ， p e o p l el 【n o w i n ge a c ho t h e ru m o s to fp c r n sf a c c f h c ci st h em o s tf 细i l i 盯m o d e l i nh l i m a nv i s i o n t h ev i s u a li n f 0 皿a t i o n 托n e c t e db yf a c ch 弱i m p o n a n tm e 觚i i n g 锄d i m p 拟b e 铆e 锄p e o p l e si n t e 哟衄u i l i o n 锄di n t e 瑚u 瑚b e c 卸s e0 fi t se x t e n s i v e a n d 印p l i e dr e a h n ，f a c er e c 0 印i t i t e “q u eh 弱9 0 tt h ee x t e n s i v ec o n c e mw i t h s t u d y 锄db e c o m et h em o s tp o t e n t i a lm e t h o do fi d 钮t i t yr c c o g n i t i o n a tt h es 锄et i m e ， i ti sd i f ! f i c i l l tt 0i n l p l e m 锄tf a c cr o c 0 9 n i t i 衄惦i n gc o m p u t e 巧f i r s t h u m 弛f a c ci sa d e f 0 册a b l e0 _ b j e c tc o m p o s c d0 fc o m p l e x3 dc i l e 辄r f a c c s ，w h i c hi sh a r dt ok r e p r c s 姐t e di nf b 加0 fm a t h 锄a t 洒s e c o n d l y ，伍c e s0 fd i 饿r c n tp e r s 0 衄h a v et h e s i m i l 盯蛐n l c t l i ，柚dt h e 伍c ci m a g c sa r cg r c a t l yd e p e n d e n t0 na g e s ，i u 姗i n a t i o n 柚d e n v i m n m e n t 。 n i sp a p c rm a i n l ys t i l d yf h c e 甑t 删i 咖强dd 裰m e t h 0 也、砌c h 咖c e p t 锄b c s u 衄a r i z e da sf b l l 0 、s ： w a v e l e t 仃a 邶f 0 皿啪f i l u yd e m o 璐t m t et h cc h a m c t e 塔o ft h et a i 伊tp r o b l e m 觚d i t e n j o y st h eo u t s t 觚d 面哆c a p a b i l i t yo f0 b t a 枷m gc o m p a r a t i v e l yl c 鼹仃a 觚；a n d i n n s i t i v et 0t h ef 配i a le x p r 螂i o n si nt h ef h c cd e t e c t i ht h i sp a p c r h d 印e n d e n tc 0 m p o n e n ta n a l y s i s ( i c 砷i sp r e s e n t e d 笛趾e f l 6 c i e n t f a c ef e a t i l 他e x t r a c t i m e t h o d i c ai s n s i t i v et oh i g h 0 r d e rs t a t i s t i ci nt h ed a t a 龃d 丘i l d s t - n c c 鹳鼢r i l yo r t h o g 伽mb 蹴s ，i th 弱b c t t 盯i d e n t i f ya n d n s t r i l d l i i g l l d i m e n s i o n a l f a c ci m a g cd a t at h 柚p r i n c i p l ec 咖p o n e n ta n a l y s i s 口c a ) ( b n v 锄t i o n a li ( aa 1 9 0 r i t h l 璐，s u c h 弱i l 怕咖戤a 1 9 0 r i t h m ，a 陀t i m e 伽s u m i l l ga n d m e t i n l e sc o n v e r g ed “砸c i l l t l y 础b 衄觚a l g o r i t h mn e e dp c o p l ea d j 惦tl c 鲫m i gs p e c d ht h i sp a p e r ，am o d i f i c df a s t - i c aa l g o r i t h mi sd e v e l o p e d ，w l l i c h m p u t e sf 缸t 盯i n m 趾yi t e r a t i o 地锄da c 蚯c v c sn 圮c 0 仃c s p o n d i n gr e c 0 印i t i e 侬娥0 fi ( aa 1 9 0 f i t h m n e u r a ln e t 、阳f i 【sh a v cb e 锄u s e ds u c c e s s f u l l yf o rf a c c 化c 0 罟面t i o np r o b l c m t h e y a 他l e a m c d 丘d mt h ee x 锄p l ei n l a g e sa n d 陀l y e do nt h et c “q u 髂f 如mm 觚蜘由幛 k a r n i n gt 0 丘n dt h er e l e v 觚tc h m c t e r i s t 豳o ff a c ei m a g c s r b fn c u r a l 咖r l 涵h a v c f a s tl e a m i n ga _ b i l i t y 锄dk 斌a p p x i n l a t i o np r o p c n y m 锄yr 骼e a r c h 伪h a v eu s e d r b fn e t w o r l 【sf o rf a 他c 0 印j t i o ni n 坞s p e nt h a tt h e ya r ef 酤t e rt 0 仃a i nt h 锄o t h 盯 n e u n ln e 撕。舾柚d h a v cb c t t e rp e 哟咖觚c ci nv c r i f i c a t i 伽t a s k s ot h er b fn e u r a l n e 柳o r l 略c l 鹤s i f i e ri sd e s i 印c df o rr e c 0 印i t i 0 i li nt h j sp 印e r 硕士学位论文 a tl a s t ，e x p c r i m e n t a lr e s u l t so nt h eo r ld a t a b a a r cs h o w n 卸dd i s c l l s s e d k e y w o r d s ：f a c er e c 0 印i t i o n ；w a v e l e tt r 锄s f o 册；h l d e p e n d e n tc o m p o n e n ta m a l y s i s ( i c ；f a s t - i c a ；r a d i a lb 蠲i s f u n c t i o n 限b f ) n e u r a ln e t w o r k m 人脸识别算法研究 插图索引 图1 1 典型人脸识别原理框图2 图2 1 用于人脸识别的左右型h m m 1 4 图3 1 小波分解示意图1 6 图3 2 独立分量分析模型2 4 图3 3b p 网络的结构2 9 图3 4 反向传播示意图3 0 图3 5s i g m o 函数3 l 图4 1 两层小波分解示意图3 4 图4 2o r l 人脸图像的小波分解3 4 图4 3r b f 分类器结构图3 7 图4 4 原始人脸图像示例4 0 图4 5 各种方法识别率比较4 l 附表索引 表4 1r b f 识别率比较_ 4 l 表4 2 不同人脸识别方法的结果比较，4 l 兰州理工大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本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后果由本人承担。 作者签名：谈灰良 日期：) m 年九卡日 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，即：学校有 权保留并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。本人授权兰州理工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、缩印或扫描等复制手段保存和汇编本学位论文。同 时授权中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据 库，并通过网络向社会公众提供信息服务。 作者签名：甙太良 翩微。加? 日期：硎年月r 日 日期：口孑年月厂日 硕士学位论文 第1 章绪论 1 1 人脸识别研究背景与意义 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 标就是要建立自然和谐的人机交互环境，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，对这些人类表达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 一 种角度对这一问题进行了研究，尤其是人脸识别技术更是引起了越来越多的关 注。 人脸识别技术是对个人身份进行有效识别和鉴定的一种最自然、最直接的手 段【1 3 l ，当今使用的各种利用人体生物特征进行身份识别和鉴定的方法中，人脸 识别以其直接、友好、方便的特点得到了越来越多的重视，同时，由于利用人脸 来进行识别可以将其他方法无法获得的人物表情和心理特征考虑在内，也使人脸 识别具有了其它识别方法无法比拟的有效性、适应性和灵活性。 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 事等领域有着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，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 码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。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，而人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，因此人脸识 别技术被许多研究者称为二十一世纪最有前途的身份验证方法。 。 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、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 人脸识别算法研究 究分析和解决，人脸识别因此也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 2 人脸识别技术问题描述 人脸识别技术问题一般可描述为：给定一个静止或动态人脸图像，利用某种 方法对其进行处理，并和已存储的人脸数据库中图像进行检索和匹配，从而确定 给定图像中的人是不是库里面的特定人( 人脸确认f a 倪a u t h e m i c a t i ) 或者是 判断是库里面的哪个人( 人脸识别f a c cr e c 0 鲥t i 叩) 。其基本识别过程如图1 1 所示。 ， ： 图1 1 典型人脸识别原理框图 如图1 1 所示，人脸识别系统主要由4 个功能模块组成，各模块所发挥的作 用如下： 1 预处理模块z 通过对样本图像或识别图像进行几何归一化、消除噪声和灰度归一化处理， 消除或减小光照强度和方向、成像系统本身性能以及外部环境等因素对待处理图 像质量产生的干扰，使不同图像中人脸大小和亮度尽量统一，以便在相同的条件 下完成训练和识别。 该模块的作用是为后续处理提供高质量的图像 2 特征提取模块： 采用某种策略，对经过预处理后的人脸图像进行分析，从中提取用于识别操 作的特征，将原始的人脸空间中的数据映像到特征空间，其本质是通过从人脸图 像空间到特征子空间的映像，对原始数据进行变换，以得到最能反映分类本质的 特征，从而有效地实现分类识别，所提取特征的稳定性和有效性直接关系到识别 效果的成败 在提取特征的过程中，应根据不同的识别方法选取相应的特征形式： 统计识别方法：归于该类的特征脸方法，是利用图像相关矩阵的特征向量 2 硕十学位论文 构造特征脸； ： 甚于几何特征的识别方法：这一步主要是提取特征点，然后构造特征向量； 模板匹配方法：用相关系数作为特征； 神经网络方法：直接用归一化后的灰度图像提取出特征向量或特征值作为 输入，识别结果就是网络的输出。 3 人脸图像训练模块： 。 对已有人脸图像库中人脸图像进行训练以便得到供识别模块完成判别的参 数。该模块作为人脸识别研究的核心，与所采用的算法关系极大。 4 人脸识别模块： 根据训练所得的参数完成人脸的最后判别，得出判别结果。 本文中，将着重介绍人脸识别技术中的预处理模块、特征提取及分类器设计。 1 3 人脸识别发展历史和研究现状 1 3 1 人脸识别发展历史 人脸识别技术作为一门综合性学科，涉及了当今多个知识领域，如：模式识 别，人工智能、智能控制、机器视觉、数字图像处理、生理学、心理学、神经网 络等等，综合运用了数学、计算机、自动化技术、控制理论以及信息电子技术等 多门类综合知识。 人脸识别的发展已有较长的历史。早在十九世纪，法国一位科学家就使用一 组数字来表示不同的人脸侧面特征，对人脸检测识别来进行研究分析，但人脸识 别技术得到重视并开展广泛的研究则始于上个世纪6 0 年代末，目前可见的最早 的研究文献见b l e d s 以人脸特征点的间距、比率等参数为特征，建立了一个半 自动的人脸识别系统【4 】 早期的人脸识别研究主要分为两类：基于人脸几何特征的识别方法以及利用 模板匹配的方法。前者主要是将人脸图像归一化后，求取特征点之间距离、比率 以及由这些特征点所构成的二维拓扑结构来进行识别；而后者主要是通过计算模 板和图像灰度值的自相关性来进行识别的。1 9 9 3 年，b e n 0 对这两类方法进行了 比较全面的比较，认为基于模板匹配的人脸识别方法要优于基于几何特征的人脸 识别方法【5 l 。 ， 进入二十世纪九十年代，随着社会经济和计算机技术的突飞猛进，社会各个 领域，特别是安防监控领域的对可靠、精确的身份识别方法的需求日益迫切，人 脸识别的课题研究迅速兴起，成为倍受重视的热门学科。 一 总的来说，人脸识别技术的发展可以分为以下四个阶段： 第一阶段：以b e n i l l i 姐、l e n 和p 砌为代表，这一阶段的人脸识别主要 3 人脸识别算法研究 侧重于人的面部特征。该阶段人脸识别过程全部依赖于操作人员，不能形成自动 完成识别的系统i q 7 】。 第二阶段：以g b 地t i o n ，h 狮o n 和k s k 为代表，侧重于用几何特征参数来 表示人脸正面图像，他们采用2 1 维特征矢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 a y a 和k 0 b a y 弱h i 则采用了统计识别的方法，用 欧氏距离来表示人脸特征，如嘴唇与鼻子之间的距离，嘴唇的高度，两眼之间的 距离等。更进一步的，tk 舳a d 设计了一个高速且有一定知识引导的半自动回溯 识别系统，创造性的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，k 柚a d 的系统实现了快速、实时的处理， 是一个很大的进步。总的来说，上述几种方法都需要利用操作员的某些先验知识， 仍然摆脱不了人的干预，需要人的参与，属于人机交互的人脸识别系统【0 l 。 第三阶段：真正实现了人脸的机器自动识别。近十余年来，计算机技术和机 器学习的发展，为人脸模式识别技术的发展提供了基础，出现了多种机器全自动 识别系统1 1 1 l ，出现了大量优秀的研究方法，比如：特征脸( e i g e n f 弛) 的方法1 1 2 1 ， f i s h e r f a c e 的方法【吼，基于奇异值分解( s v d ) 的方法，人脸等密度线匹配的方 法，弹性图匹配( e l 枷cg n p hm a t c h ) 的方法1 1 4 j ，隐马尔可夫( h i d d 钮m a 血0 v m 0 d e l ) 方法【1 5 l ，人工神经网络方法【1 6 1 ，支持向量机( s u p p e r 、，c c l o rm a c h i n 髂) 方法i r 7 】等等。其中主分量分析、线性判别分析、弹性图匹配、局部特征分析、独 立分量分析、支持向量机、神经网络、隐马尔可夫模型等方法获得了较大的发展， 成为了目前人脸识别的主流方法。 。 第四阶段：当前鲁棒的人脸识别技术研究。近几年针对影响人脸识别的一些 主要因素，例如光照、姿态、表情、年龄、遮挡、低分辨率等提出了很多解决方 案。热点研究是综合运用多种方法来完善人脸识别技术，使之得到现实应用，利 用两种或几种有效方法结合起来运用到人脸识别上，在识别准确率、识别速度和 鲁棒性得到提高和改善。 1 3 2 国内外人脸识别研究现状 国外对于人脸识别的研究起步较早，到现在为止，已经有多所大学或研究机 构研制一些较好的人脸识别原型系统。已经有商用的人脸识别系统，如：德国的 c i o 星面t ，美国的e y e m a t i c 和b m e n t i 】【投入了实际应用。此外，d c sa g 公司的b i o i d 系统，通过数字摄像头和麦克风，采集一个人的面貌、声音以及嘴唇运动等三种 生物特征，利用生物特征融合技术，在一秒钟内快速完成身份识别，可以满足更 高的安全性要求。最主要的美国国防部发起的f e 玎( f a r e c o n 鲥t i 佃 做h 加l o g y ) 和f r ：呱f a r e 0 0 班i 曲nv c n d o rt e s t ) 人脸识别测试活动，也大大 推动了人脸识别技术的应用和研究。 4 硕士学位论文 由美国国防部资助的f e 砌t 项目无疑是人脸识别研究领域中的一个至关 重要的事件。f e i 岍项目的目标是要开发能够为安全、情报和执法部门使用的 自动人脸识别技术。该项目包括三部分内容：资助若干项人脸识别研究、创建 f e r e t 人脸图像数据库、组织f e 砌玎人脸识别性能评测。该项目分别于1 9 9 4 年，1 9 9 5 年和1 9 9 6 年组织了3 次人脸识别评测，几种最知名的人脸识别算法都 参加了测试，极大的促进了这些算法的改进和实用化。该测试的另一个重要贡献 是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识 别问题逐渐成为热点的研究方向。f e 砌玎9 6 人脸识别算法评估表明：主流的人 脸识别技术对光照、姿态等由于非理想采集条件或者用户不配合造成的变化鲁棒 性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，f e r e t 项目 之后，涌现了若干人脸识别商业系统，美国国防部有关部门进一步组织了针对人 脸识别商业系统的评测一f a c er e c 0 鲥t i 佃v c n d o r 豫t ( m ) ，至今已经举办 了两次：f r ：2 0 0 0 以及踟2 0 0 2 测试。这两次测试一方面对知名的人脸识 别系统进行了性能比较，聊2 0 0 2 测试就表明：目前的人脸识别商业系统的 性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人 脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力【墙1 引一 国内对于人脸识别的研究起步较晚，始于上个世纪的8 0 年代，近二十年的 研究中，也取得了一系列的研究成果。 国内自上世纪9 0 年代以来，在国家自然科学基金和8 6 3 计划等资助下，清 华大学( 电子系、自动化系和计算机系) 、哈尔滨工业大学计算机系、中科院( 计 算所、自动化所) 、南京理工大学、上海交通大学等很多单位展开了人脸识别技 术研究，北京工业大学( 信号与信息处理研究室) 也在人脸检测方面取得了较好的 研究成果，其和澳大利亚的新南威尔士大学联合提出的人脸检测技术己被国际 即e g 一7 接受作为标准。为了推动人脸识别研究的发展，国内已经举行过数届生 物识别学术会议，中国科学院自动化研究所也发起成立了一个中国生物认证产业 联盟。据国际生物识别产业协会估计，我国生物识别技术的软件和硬件市场，有 望在1 0 年内达到每年2 0 亿美元的规模。但是，目前国内的研究水平仍低于国际 水平，许多核心技术被国外大公司掌握。因此，研究开发具有自主知识产权的人 脸识别技术是一个新的挑战。 一 - 特别是，二十一世纪是信息化、网络化的世纪，生物认证技术将以其独特的 优势，在许多方面都有很大的潜在应用，是一个非常重要的研究课题。 1 4 人脸识别应用前景 如今，随着计算机处理与人工智能技术的飞速发展，自动人脸识别技术成为 越来越重要的研究课题，并且具有广泛的应用前景，其应用领域主要表现在以下 5 人脸识别算法研究 几个方面： 公共安全：公安刑侦追逃、罪犯识别、边防安全检查； 信息安全：计算机和网络的登录、文件的加密和解密； 政府职能：电子政务、户籍管理、社会福利和保险； 商业企业：电子商务、电子货币和支付、考勤； 场所进出：军事机要部门、金融机构的门禁控制和进出管理： 证件鉴别：身份证、护照、学历证明的真伪鉴别； 家庭娱乐：真实感游戏、虚拟现实、智能玩具。 从应用角度看，人脸识别可应用于自动门禁系统、身份证件的鉴别、银行 阁r 】取款机、家庭安全、公安刑侦追逃以及罪犯识别等领域。另外，据f e 砌汀 的邢【v 1 2 0 0 2 报道，最新的一种应用形式是、抛t i 出n s tt a s k 【捌，它是确认和辨认两 种技术的综合，其过程是，对未知身份的人脸图像，系统首先从整个数据库中检 索出一个与之最相似的图像集合( 全部数据的一个子集) ，如果最高的相似度超过 某个阈值，则在这个图像集合中进行身份的验证，给出该人的身份。 1 5 本文研究工作 近年来，已有若干国内外科研机构、院校实验室以及众多研究学者对人脸识 别技术的各个层次进行了广泛的研究，取得了较好的研究成果，可以说人脸识别 技术已经进入实用阶段，但仍然不能得到广泛应用，其中一个重要原因就是训练 速度、识别速度以及识别效果不能同时满足实时要求，因此如何在不影响识别率 的情况下，提高训练、识别速度和识别效果稳定性，成为本领域的研究热点，本 文在这一方向做了一点工作。 。 本文主要工作有以下三个方面： 1 把小波变换的思想引入到人脸原始图像预处理中，利用小波变换的特性 对人脸图像进行有效的降维处理。将人脸原始图像经过小波变换后，其低频子带 部分保留了绝大部分信息和能量，同时，在图像的敏感位置小波变换后生成的特 征矢量模相对较小。， 2 特征提取过程中，基于主成分分析( p f i n c i p a lc c 胁p o n e n ta n a l y s i s ，p c a ) 的特征脸方法是比较有效的一种方法，但基于p c a 方法所提取的特征只是人脸 图像的二阶统计特性的，考虑的只是人脸图像中的协方差信息，然而人脸图像的 许多重要信息还包含在高阶统计特性之中，若采用独立成分分析( i l l d e p e n d c n t c c 粕p o n e n ta n a l y s i s ，i c a ) 进行人脸图像的特征提取，不仅能提取人脸图像的高 阶统计特性，而且提取出来的各分量互不相关，统计相互独立。为了提高效率本 文采用改进的i c a 算法一t - i c a 算法来对人脸图像进行有效的特征提取与 选择。 6 硕士学位论文 3 分类器的设计对人脸识别效果有着举足轻重的作用，神经网络因其自身 具有较强的自适应性、空间描述紧凑性、较快的识别速率和良好的分类识别能力 在分类识别方面得到了很大运用，径向基函数( r a d i a lb 筋i sf u n c t i o n ，r b f ) 神经 网络是以函数逼近理论为基础而构造的一类新颖的前向网络，其结构与一般前向 网络相同，只是网络隐层神经元的非线性作用过程与一般的网络不同。r b f 网 络在逼近能力、学习速度等方面优于一般的神经网络，具有很强的非线性映射功 能，因此我们选取其作为我们的分类器。 本论文组织结构如下： 第1 章绪论部分主要介绍一下人脸识别的研究内容、背景及意义、国内外 研究现状和热点、归纳一下人脸识别的应用前景。 第2 章人脸识别常用方法概述，根据人脸识别发展历史，主要介绍了几种 主要的常用人脸特征提取和识别方法，简单说明了一下各种方法的优缺点。 第3 章分三节分别介绍小波分析原理、独立分量分析理论和神经网络理论 与构造的基本知识及常用算法。 第4 章主要介绍基于小波变换、f a s t i c a 和r b f 神经网络的人脸识别方 法，详细描述了小波变换在人脸图像预处理上的应用，在特征参数提取过程中 f 弱t i c i a 参数选取、迭代算法及运用疆神经网络的构造识别器的设计和参数 选择，并通过实验验证了本方法的有效性、可靠性。 总结部分对前面工作的进行总结分析，找到工作中的不足之处，指出下一步 工作改进的目标，展望今后的研究方向。 7 人脸识别算法研究 第2 章人脸识别方法综述 人脸识别主要依据那些在不同个体之间存在较大差异而对于同一个人则比 较稳定的特征来进行有效识别，具体的特征形式随识别方法的不同而不同。对于 静止人脸图像的特征提取和识别的各种方法机理各不相同，主要可分为四大类： 第一类是基于几何特征的识别方法，早期大多研究是从侧面人脸图像中提取特 征，现在基本采用正面人脸的轮廓信息；第二类是基于相关匹配的方法，包括各 种模板匹配法，主要是利用计算模板和图像灰度的自相关性来实现识别功能；第 三类为基于统计的识别方法，包括特征脸方法和隐马尔科夫方法；第四类为基于 联系机制的方法，包括一般的神经网络方法和弹性图匹配方法。下面分别具体介 绍这些方法 2 1 基于几何特征的人脸识别方法 基于几何特征的人脸识别方法是通过利用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提取人脸面部主要器官( 如眼睛、鼻子和嘴巴等) 的局部形状特征、脸型总体特征以及五官在脸上分布的几何结构特征，将人脸各 部分用一组几何特征矢量表示。几何特征矢量不仅要必须具有一定的独特性，能 够反映不同人脸之间的差别，同时还必须具有一定的弹性。提取特征时往往要用 到人脸结构的一些先验知识，所选择的几何特征应该满足如下要求： 1 所选几何特征的估计要尽可能简单； 2 所选几何特征对光照的依赖应尽可能小： 3 所选几何特征对人脸的表情变化应不太敏感； 二 4 所选几何特征信息应足够用来表示人脸，识别人脸 在这种基于几何特征的识别方法中，识别总体归结为特征矢量之间的匹配。 距离矢量是测量两个特征矢量之间相似性的一种很好的度量，基于欧氏距离的判 决是最常用的方法。 基于几何特征的识别方法具有如下优点【2 1 1 ： 1 符合人类识别人脸的机理，易于理解； 2 对每幅图像只需存储一个特征矢量，存储量小； 3 对光照变化不太敏感。 但这种方法同样也存在如下问题： 1 从图像中抽取稳定的几何特征比较困难，特别是特征受到遮挡时； 2 对强烈的表情变化和姿态变化的鲁棒性能较差； 3 一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特 8 硕七学位论文 征，造成部分信息丢失，该方法比较适合于人脸图像粗分类。 因此，在研究和应用上基于几何特征的人脸识别方法通常需要和其他算法结 合才能收到比较好的效果 2 2 基于模板匹配的人脸识别方法 模板匹配法是一种经典的模式识别方法，这种方法大多是采用归一化互相关， 来直接计算两幅图像之间的匹配程度。但由于这种方法要求两幅图像上的目标对 象要有相同的尺度、取向和光照条件，所以在实验和应用中首先要对图像进行预 处理做尺度归一化和灰度归一化的工作。 ， s a l 【a i 等人使用眼睛、鼻子、嘴和人脸轮廓等子模板建模，用以检测照片中 的正面人脸【捌。每一个子模板按照线分割定义，利用基于最大梯度变化的方法提 取输入图像的线，然后与子模板匹配。计算子图像和轮廓模板之间的相互关系用 以检测人脸的候选区域，完成用其他子模板在候选区域的匹配。 ， 。c i a w 等人提出了一种基于正面人脸的形状模板( 也就是人脸的外形) 定位 的方法1 2 3 1 。用s o b c l 滤波器提取边缘信息，将边缘信息组织在一起，根据几个约束 条件去搜索人脸模板，在头部轮廓定位以后，用相同的过程以不同的尺度重复定 位眼睛、眼眉和嘴唇等特征。- 。 g o v i i l d a m j u 等人提出基于两个阶段的人脸检测方法【2 4 1 。人脸模型根据边缘 定义的特征构成，这些特征描述了正面人脸的左边、发际和右边的曲线。但要求 人脸必须是垂直的、无遮挡的和正面的。 。 m i 等人提出了用于人脸检测的层次模板匹配方法【2 5 1 。在第一阶段，为了 处理旋转图像，输入图像从2 0 。2 0 0 旋转，每次旋转5 0 。多分辨率图像层次形成 和边缘提取使用i 却l a c i 衄操作符。人脸模板通过六个人脸成分产生的边缘信息 组成：两个眼眉、两只眼睛、一个鼻子和一张嘴。最后，应用启发式确定人脸的存 在。实验结果表明在图像含有单个人脸要比图像中含有多个人脸的检测结果好。 梁路宏等人使用了直接的平均脸模板匹配方法【冽。这种方法考虑到眼睛在人 类辨识人脸过程中的特殊作用，使用双眼模板对人脸图像首先进行粗筛选，然后 使用不同长宽比的人脸模板再进行相关匹配，最后使用马赛克规则进行验证。 周激流等人提出了一种全新的人脸脸部轮廓提取算法，即运用先验模板及交 替补偿机制的方法提取脸部轮廓【2 7 1 。实验证明，该方法提出的特征提取算法高效 且鲁棒性能好 t 5 。 p o g 咖和b m n e m 在研究中专门比较了基于几何特征的人脸识别方法和基于 模板匹配的人脸识别方法，并得出结论：基于几何特征的人脸识别方法具有识别 速度快和内存要求小的优点，但在识别率上模板匹配要优于基于几何特征的识别 方法i 刎。增加几何特征对于基于几何特征的人脸识别方法只能轻微地提高识别 9 人脸识别算法研究 率，因为要提高几何特征的提取质量本身就十分困难，而且随着图像质量的下降 和人脸遮挡的引入，基于几何特征的人脸识别效果还会大幅下降。总之，从各个 方面比较来讲模板匹配法效果要优于几何特征法。 2 3 特征脸方法 特征脸方法是由1 、l r k 和p e n t l a n d 提出的目前最流行的人脸识别算法之一 具有简单有效的特点1 2 9 j 。特征脸方法是基于k l 变换的人脸识别方法，k l 变换 是图像压缩的一种最优正交变换。高维的图像空间经过l ( l 变换后得到一组新的 正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人 脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢 量，这就是特征脸方法的基本思想，这种方法需要较多的训练样本，而且完全是 基于图像灰度的统计特性的。 在传统特征脸方法的基础上，研究者注意到特征值大的特征向量( 即特征脸) 并不一定是分类性能最好的方向，而且对k l 变换而言，外在因素带来的图像差 异和人脸本身带来的差异是无法区分的，特征脸在很大程度上反映了光照等因素 的差异。实验表明，特征脸方法随着光照、角度和人脸尺寸等一些因素的引入， 识别率将会急剧下降，因此特征脸方法还存在着理论的缺陷。近年来，许多研究 者在基本特征脸方法研究基础上，发展提出了多种对特征脸的改进方法，如双子 空间法、相形歧义分析方法、f i s h 盯脸方法等，其中f i s h e r 脸方法又称为线性判 别分析方法( u 鹏缸d i s c r i m i n 觚ta m a l y s i s ，u ) a ) ，它选择以类内散布正交的矢量 作为特征脸空间，从而能压制图像之间的与识别信息无关的差异，对光照及人脸 表情变化都不太敏感，在研究和运用中取得了不错的识别效果和稳定性。 h i s 等人从传统特征脸方法基础上提出了自身特征脸的概念，使用这种技 术并结合人脸颜色信息，通过实验验证了该方法可以有效地从动态图像序列中识 别出指定的人脸图像1 3 0 l 。 由于以主分量分析( p c a ) 方法为基础的传统特征脸方法没有利用人脸的几 何拓扑特征，为此b e f t 等将p c a 方法与人脸拓扑关系结合起来提出耵，c a ( t 0 p o l o g i c a lp r i i i d p a lc o m p o n e n ta n a l y s i s ) 方法，识别率和稳定性较单一的 p c a 类方法有所提高p 。 m o g l l a d d 锄等将人脸图像差异分为同一人脸的脸内差异和不同人脸间的脸 间差异，其中脸内差异属于同一个人脸图像的各种可能变形，而脸间差异则表示 不同人的本质差异，而实际研究中人脸图像的差异为两者之和p 2 j 。通过分析人脸 图像差异图，如果脸内差异比脸间差异大，则认为两副人脸图像属于同一个人的 可能性大，反之属于不同人的可能性大。这种算法在人脸识别测试中取得了良好 的识别效果，其综合识别能力要优于其它任何参加测试的算法，尤其是在克服光 1 0 硕士学位论文 照变化对识别的影响方面。 此外，由于p c a 特征提取方法所提取的特征只是基于人脸图像的二阶统计 特性，使得分解出来的各分量相互正交，既互不相关；然而人脸图像的许多重要 信息还包含在高阶统计特性之中，若用独立分量分析( i c a ) 方法进行特征提取， 使得分解出来的各分量不仅互不相关，而且是统计相互独立的，该方法还把信号 的高阶统计特性考虑在内，针对这一问题，& i n l e n 提出了基于独立分量分析 ( i c a ) 的人脸识别方法，并通过实验验证了该方法效果比较好【3 3 3 4 j 。 2 4 基于神经网络的人脸识别方法 神经网络在人脸识别研究应用中有很长的历史。早期用于人脸识别的神经网 络主要是k 0 h e n 自联想映射神经网络，用于人脸的“回忆”。所谓“回忆一 是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用k 曲o n e n 网络恢 复出原来完整的人脸。 c 0 t 仃c u 等人使用级联b p 神经网络进行人脸识别，通过实验验证该方法对 部分受损的人像、光照有所变化的人像，个人识别能力效果较好【3 5 j 。 i n t r a t o r 等人用一个无监督监督( b c m b p ) 混合神经网络进行人脸识别【刈。 其输入是原始图像的梯度图像，以此可以去除光照的变化。无监督学习的目的是 寻找类的特征，有监督学习的目的是减少训练样本被错分的比例。这种网络比单 一运用b p 网络提取的特征更明显、识别率更高，通过实验得到如果用几个网络 同时运算，求其平均，识别效果还会提高的结论。 i a m a n c c 和g i l 髓等人用一个自组织特征映射( s o m ) 神经网络与卷积神 经网络结合的系统对一个有4 0 0 幅人脸图像、人均1 0 幅的人脸图像数据库进行 了识别研究【3 7 1 。其中s o m 网络的作用是将图像样本量化到降维的拓扑空间，它 保证了原空间中相邻的输入点在输出空间中仍保持相邻。卷积网络用以实现相邻 像素之间的相关性变换，从而在一定程度上实现了图像平移、旋转、尺度和局部 变形的不变性。 l i n 和k u n g 将神经网络方法和统计方法结合在一起，提出了一种基于概率 决策的神经网络( p r o b a b i l i s t i cd e c i s i o nb 弱c dn e u r a ln e t 、) i r o r k ，p d b n n ) 用于识 别人脸，该方法主要思想是采用虚拟样本( 正反例) 进行强化和反强化学习， 从而得到较理想的概率估计结果，并采用模块化的网络结构加快网络的学习过 程。这种网络结构继承了决策神经网络( d b n n ) 的结构，并加入概率变化。每 个子网对应一个人，这种网络结构不仅有利于训练和提高识别效果，而且有利于 硬件实现应用。 在其它研究和应用中用于人脸识别的其他神经网络还有：用h o p f i e l d 网络 进行低分辨率的人脸联想和识别；将r b f 与树型分类器结合起来进行人脸识别 人脸识别算法研究 的混合分类器模型，该方法是基于r b f 神经网络具有逼近性好，空间描述紧凑和 训练速度快等特点但某单一神经网络也有一定的局限性，现在出现了多模态的 神经网络，如t d n n + r b f 等，即由两种类型的神经网络组合共同来完成人脸 识别任务。 通常利用神经网络进行人脸识别需要考虑两方面的因素： 1 选择人脸图像的哪些参数作为神经网络的输入； 2 选择何种神经网络。 神经网络的输入策略有两种： 第一类是将提取到的特征向量作为输入向量。这些特征向量可以是由几何特 征提取的特征向量，也可以是全局特征提取的，如k l 、p c a 、i c i a 、w t 等变换 后得到的特征向量。 第二类是将人脸图像像素直接输入神经网络。输入可以是全局人脸图像，也 可以是经过定位的局部人脸组分图像。 第一种输入策略可以有效的控制神