（模式识别与智能系统专业论文）人脸快速检测和特征抽取方法的研究.pdf

博士论文 人脸快速检铡和特征抽取方法的研究 摘要 人脸检测和特征抽取是模式识别领域中的两个重要研究方向，其中的理论和技术 不但是人脸识别研究的基础，而且也是解决很多目标检测和模式识别问题的关键，比 如说，车辆检测、行人检测、字符识别、其它的生物特征识别等，并且这两个方向的 研究对于模式识别和机器视觉学科的发展也具有较大的推动作用，所以人脸检测和特 征抽取方法的研究具有很高的商业和学术价值。本文首先对主流的人脸快速检测方法 进行了研究，提出了几种可以提高检测性能的算法和技术，然后对当前主要的特征抽 取方法做了更深入的研究，提出了多种更加有效的特征抽取方法。 基于a d a b o o s t 和c a s c a d e 算法的入脸快速检测方法当前最为流行，本文针对训 练过程中使用大量h a a r - l i k e 特征所造成的时间和空间浪费问题，提出了使用局部正 交的w a l s h 特征来替代h a a r - l i k e 特征，通过实验证明使用较少的w a l s h 特征就可以 得到较好的人脸检测效果。本文分析了传统c a s c a d e 算法和n e s t i n gc a s c a d e 算法的缺 陷，提出了同时具备自主和继承特性的增强型c a s c a d e 算法，实验表明增强型c a s c a d e 算法比其它c a s c a d e 算法对于人脸检测而言更加有效。另外，本文分析了r e a l a d a b o o s t 算法在区间划分方面存在的问题，提出了基于模糊区间权重统计直方图的 扩展型r e a la d a b o o s t 算法，在m i t - c b c l 库上的实验证明了算法的有效性。在 m i t _ 屺m u 正面人脸测试集和c m u 侧面人脸测试集上的实验结果也表明，使用提出 的相关算法训练得到的人脸检测器具有较高的检测率，优于当前的一些主流方法。 最大拒绝分类器方法( m r c ) 是在f i s h e r 鉴别分析基础上发展起来的一种较新 的分类方法，融合a d a b o o s t 算法的m r c b o o s t i n g 方法在一定程度上提高了分类性 能。本文针对i v l r c 和m r c - b o o s f i n g 中存在的一些问题，提出自适应最大拒绝鉴别 分析( a d 幽衄旺i a ) ，并给出了正交投影矢量集的求解方法，设计了适合于人脸检测 的自适应权重调节方法和分类方法。在m i t - c b c l 和f e r e t 库上的实验结果表明， a d a m r d a 优于m r c 和m r c b o o s t i n g 算法。另外，本文还结合r e a l a d a b o o s t 算法 和a d a m r d a 算法的各自优点，提出了一种基于a d a b o o s t + a d a m r d a 算法的快速人 脸检测方法，在m i t + c m u 测试集上取得较好的检测效果。 主分量分析( p c a ) 是一种重要的特征抽取方法，本文首先针对经典主分量方法 进行了改进和提高，提出基于图像重构原理的重构空间主分量分析算法( r s p c a ) ， 并利用样本类别信息，提出了一种有监督重构空间主分量分析算法( s r s - 】p c a ) ，在 o r l 和y a l e 人脸库上的实验表明，提出的算法比经典p c a 具有更好的特征抽取性能。 然后，融合2 d p c a 的思想，提出了几种有监督的重构空间二维主分量分析算法，实 验结果证明提出的算法比相应的对比算法更有效。另外，本文还提出了基于多尺度奇 摘要 博士论文 异值特征的主分量分析方法，实验证明该方法可以进一步提高人脸识别性能。 线性鉴别分析( l d a ) 也是一种有效的特征抽取方法，本文首先针对p c a + l d a 方法中鉴别信息损失的问题，提出了一种多频带线性鉴别分析方法( m b l d a ) ，提 高了识别精度。然后，又基于p c a 和l d a 统一化原理提出了一种加强型线性鉴别准 则( i l d a ) ，该方法将p c a 的优点和l d a 的优点融合在一起，通过在o r l 等人脸 库上的实验验证了该算法的有效性。另外，针对传统的直接线性鉴别分析( d l d a ) 在处理高维散布矩阵时计算量大的缺点，提出了快速d l d a 算法，并在此基础上， 提出基于多尺度低频特征的d l d a 方法，实验结果证明了该方法能够抽取具有较高 识别率的人脸特征。 最后，本文分析了几种线性鉴别方法存在的缺点，从样本总体分布相似度出发提 出了一种期望鉴别分析算法( e d a ) ，并给出了具有相互正交和近似统计不相关特性 的最优鉴别矢量集的求解方法，使得抽取的鉴别特征更为有效，在两个不同类型的数 据库上的实验结果表明，e d a 不仅在测试精度上优于相关的一些算法而且具有更强 的适应能力。本文还吸收了核方法的思想，提出了一种核期望鉴别分析( k e d a ) ， 并对核投影的快速计算方法作了一些研究，提出核投影方法的快速算法，在保证训练 结果一样的前提下，大大提高了训练速度，通过在o r l 标准人脸库上的多个实验证 明了所提出方法的有效性。 关键词：人脸检测；特征抽取；a d a b o o s t 算法；c a s c a d e 算法；最大拒绝 分类器；主分量分析；线性鉴别分析；核方法 n 博士论文 人脸快速检测和特征抽取方法的研究 a b s t r a c t f a c ed d 枷锄a n df 钮t u r ee x t r a c t i o na l et w o 蛳r t a n t s e a r e hb r a n c h e so fp a t t e m r e e o g n i d o n 陀g i o n n ec o 玎c l a t i v e 也e o r ya n dt e c h n o l o g y 谢t hf a c ed e t e c t i o na n df e a t u r e e x t r a e i sn o to n l y 也eb 勰i so ff a c er e e o g n i d o n ，b i i ta l s ot h ek e yt or e s o l v em a n y q u e s t i o mo fo 巧e , e td e t e c f i o na n dp a t t e r nr e e o g n i t i o l l ，s u c ha s 溅e l ed e t e e t i o n p a s s e r b y d e t e c t i o n , d l 羽a m 盱r e c o g n i t i o na n do t l l e f sb i o m e t r i cr e e o g n i d o nc ta 1 ha d d i f i o n ，t h e s e a r e ho ff a c ed e t e c t i o na n df 色a t u r c 麟t r a e t i o nh a s 觚e 丘b c to nt h ed e v e l o d m a no f a c a d e m i cs u b j e c t si n e l l l d i n gp a t t e r nr e e o g n i d o n 强dm a c h i n ev i s i o n 1 1 l e r e f o 心t h e s e a r e ho ff a c ed e t e c t i o n 锄df c a t u r ee x t r a c t i o nh a sv e r y 嘶r t a n tb 懈m e s sa n ds e i e n c e 、柚u e 0 nm eo n ch a n d 。m ep a p e rc a r r i e dt h r o u 曲s o m er e a r c ht om ec u r r e n tl e a d i n gf a s t f a c ed e t e e t i m e t h o d sa n ds o m ef a c ed e t e e t i o na l g o f i t h r n sf i l ep r 0 口。辩dt oe n h a n c et h e p c d o m a n c eo ff a c ed e 把c t i o n o n 伽eo t l l e rh a n d ，m a i l ym e t l l o d st h a te x t r a c t i n ge 伍e i e n t f a c ef c a t u r e sa r ed e v e l o p e dl t 船rt t l ep a p e ri i l v e s c i g a t e dm a i nm e t h o i i so f f b a n 聃e x t r a e t i o n a d a b o o s ta n dc a s c a d ea l g o f i t h ma r c 咖p o p l a rm e t h o d so ft r a i n i n gf a c ed e t e e t o r b c c 孤s em a s sh a a r - l i l 【ef e a t u r e sa r el l s i i l gi nt l i em i i n i n gp r o c e s s ，i t 、) v i l lc o n s 咄al o to f l i m e 锄dm c m o 彤mp a p e rp r e s e n t e dak i n do fw 砒s hf 钮t u r ew l l i c hh a sl o e a l o r t h o g o n a l i t ya n df e d l a c eh a a r - l i k ef c a n l l s 、v i mt h e s ew 甜s hf c a t u r e si nt h et r a i n i n g p r o c e 鹳，w h i c hc a nd e c r e 勰et l l er e d 眦d a n c yl t m o n gt 王l ef c a t l l l - e $ t h ee x p e r i m 洲r e s i l l 协 s h o wt h a tl e s sw 雒s hf e a t u r e sc a l lo b t a i ng o o df a c ed c t e e t i o np e r f o r m a n c e a i m e da tt h e s h o r t a g eo fe n t i r e l yi n h 舶gp r i o rc l 船s i f i e r si i l 也en e s t m gc 船c a d ea l g o f i t h m a n e n h a n c e dc a s c a d ea l g o f i t h mw i mi i l d e p e n d 黜c h ；a c t e r i s t i c 趾di n h e f i t a n c cs p e c i a l t yi s p r 0 1 ) o s e d 1 ke x p e r i m e n t a lr e s u l t so nm i t _ c b c ld a 切b a s es h o wt h a te n h a n c e dc l i s c a d e a l g o f i t h mc 觚i i l c r e 嬲et h et e s tp r e c i s i o n 1 i la d d i t i o n ，t l l ep a p e ra n a l y z e dt h er e 西o n d i v i s i o np r o b l e mo ft h er e a la d a b o o s ta n dd e v e l o p e d 吐l ee x t e ! i l d e dr e a la d a b o o s tb a s e d o nt h ew e i 曲th i 咖掣锄诵t ht h ef u z z yr e g i o i l1 1 坞e x p e r i m 酬r e s i l l t so nm i t c b c l d a ：t a b a s ed e m o n s u a t e dt h ea l g o f i t h m sv a l i d i 吼f i n a l l y ，s e v e r a ld e t e c t o r s 把l i r l e db yn 地 a b o v ep r o p o s e da l g o f i t h r ma r cu s e dt 0d c t e c tf a c ei nt h em i 眦m uf 如n t a jf a c et e s ts e t 觚dc m up r o f i l ef a c et e s ts e ta n d 血ed 懈t e d 删t sd e m o n s t r a t et h a tt h e ya r cm o e f f e c t i v et h a nt h eo t h e rd c t e c t o r s t h em a x i m a lr c j e e t i o nc l 邵s i f i 盱( m r c ) i san e wc l 嬲s i t i e o nm e t h o do n 伽eb a s i so f f i s h 盯d i s c r i m i n a n ta n a l y s i s m r c b o o s t i n gt h a ti i l t e 罩a t i n gb o o s t i n ga n dm i t ce l l h a n c e s 也ee l 船s i f i e r sp e r f o m u c hm o t e a i m c da t $ o m cd i s a d v m m 域e s 锄o n g 也e 棚l c b o o s t i n ga n dm r c 缸a d a p t i v em a x i m a lr e j e c d o nd i s c r i m i n a n ta n a l y s i s ( a d a m 舡i a ) i sp r o 畔d r i km e t l a o dt h a to b t a i n c do r t h o g o n a lp r o j e c t i o nv c e t o r so f a d a l 讧r d ai sg i v e na n d 锄a d a 砸v ew e i g h ta d i u s n n e n t 觚dc l a s s i f i 硎m 衄伍o dw h i c h e 岫e e st i l ee l a s s i 句i n gp e r f o n n a n c ci sd e s i r e di i lt l l ep a p e rs o m e 唧e l i m e l 删北s m t s 0 l l 瑚盯- c b c la n df e l 己e td a m b a s es h o wt h a ta d a m ai sm o r ee 彘c t i v et l 龇 枷r c - b o o s t m g 锄dm r c i na d d i t i o f l a c c o r d i n gt ot h er e s p e c t i v cm 甜t so f r e a la d a b 删 锄da 出山i r d aa l g o f i t h m af a s tf a c ed e t e c t i o nb a s e do nt h ea d a b 删+ a d a m r d a a l g o f i t h mi sp r o p o s e d 锄d 位a l g o f i t h mo b t a i n c dg o o df a c ed e t e c t i o n 螂u ni n 也e m a b s t r a c t博士论文 m n + c m ut e s ts e t p r i n c i p a lc o m p o n e n ta n a l y s i s ( v c a 、i st h ew e l l k n o w nm e t h o di np a t t e r nr e c o 鲥t i o n , b u te x t r a c t e df e a t b r e sa r e n tv e r ye f f i c i e n tt oc l a s s i f i c a t i o nb a s e do nc l a s s i c a lp r i n c i p a l c o m p o n e n ta n a l y s i s b a s e do nt h ei m a g er e t r i e v ep r i n c i p l e t h ep a p e rp r e s e n t sab n d0 f r e t r i e v es p a c ep r i n c i p a lc o m p o n e n ta n a l y s i s ( r s - p c a ) t h e n , s u p e r v i s e dr e t r i e v e s p a c ep r i n c i p a lc o m p o n e n ta n a l y s i s ( s r s p c a ) u s i n gc l a s s i f i c a t o r yi n f o r m a t i o ni s d e v e l o p e da c c o r d i n gt or s p c a n ea l g o r i t h mm a k e st h ee x t r a c t e df e a t u r e sm o r e e f f e c t i v ea n dt h er e c o g n i t i o np r e c i s i o ni si n c r e a s e d n ee x p e r i m e n t sr e s u l t e do n0 r la n d y 甜ef a c ed a t a b a s ed e m o n s t r a t et h a tt h ep r o p o s e da l g o r i t h m sh a sm o r ep o w e r f u la n d e x c e l l e n tp e r f o r m a n c et h a nc l a s s i c a lp r i n c i p a lc o m p o n e n ta n a l y s i s t h e n ，c o m b i n i n gt h e i d e a so f2 d d p c a s o m es u p e r v i s e dr e t r i e v es p a c e2 d d p c aa l g o r i t h m sa r ed e v e l o p e d a n dt h ee x p e r i m e n t a lr e s u l t sd e m o n s t r a t et h e i rv a l i d i t y f i n a l l y , ak i n do fp c ab a s e do nt h e m u l t i - s c a l es v df e a t u r ei sp r o p o s e d t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ea l g o r i t h mc a n i m p r o v ef a c er e c o g n i t i o np e r f o r m a n c e l ，i n e a rd i s c r i r n i n a t ea n a l y s i s ( l d a ) i sa l le f f e c t i v em e t h o di np a t t e r nr e c o g n i t i o nt o o am u l t i b a n dl i n e a rd i s c r i m i n a t ea n a l y s i si sp r o p o s e d b yw h i c hl d ai se s t a b l i s h e do n t h ew h o l es a m p l e ss p a c e b a s e do nm b l d a t h ed a t al o s su s i n gp c a 十l d ai sa v o i d e da n d t h er e c o g n i t i o np e r f o r m a n c ei si m p r o v e d a ni n t e n s i f i e dl i n e a rd i s c r i m i n a t ea n a l y s i s ( i l d a ) c r i t e r i o n w h i c hi n t e g r a t e sp c aa n dl d am e r i t ss u f f i c i e n t l y , i sp r o p o s e di nt h e p a d e r , m a n ye x p e r i m e n t so no r l ，y 砒ea n dn u s t 6 0 3i n d i c a t et h a ti l d ai se f f e c t i v e f e a t u r ee x t r a c t i o nm e t h o d i na d d i t i o n , af a s td l d aa l g o r i t h mi sd e v e l o p e dt or e m e d yt h e s h o r t a g eo fc l a s s i c a ld l d at h a tc o n s u m e dal o to ft i m ea n ds p a c ei np r o c e s s i n gt h eh i 曲 d i m e n s i o ns a m p l e s o nt h eb a s i so ft h ef a s td l d a ad l d aa l g o r i t h mb a s e do nt h e m u l t i s c a l el o w f r e q u e n c yf e a t u r ei sp r o p o s e d t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h e a l g o r i t h mc a ne x t r a c te f f e c t i v ef a c ef e a t u r e sw h i c hc a no b t a i nh i g i l e l f a c er e c o g n i t i o n p e r f o r m a n c e f i n a l l y , an e a rm e t h o d ，c a l l e de x p e c t e dd i s c r i m i n a n ta n a l y s i s ( e d a ) ，i sp r o p o s e d b a s e do nt h es i m i l a r i t yo fs a m p l e s d i s t r i b u t i o na f t g rs o m ed i s a d v a n t a g e so fl d aa r e i i l d i c a t e d 协a t sm o r e t h em e t h o do f r e s o l v i n gt h eo p t i m a ld i s c r i m i n a n tv e c t o r sw i t ht h e o r t h o g o n a la n da p p r o x i m a t eu n c o r r e l a t e ds p e e i l i t yi sp r e s e n t e d s o m ee x p e r i m e n t s0 nt w o d i f f e r e n td a t a b a s e sd e m o n s t r a t et h a tt h ep r o p o s e dm e t h o di sb e t t e rt h a nt h eo t h e rm e t h o d s i na d d i t i o n , c o m b i n e dt h ek e r n e lm e t h o d ak e m e le x p e c t e dd i s c r i m i n a n ta n a l y s i s ( k e d a li sd e v e l o p e da n daf a s tk e r n e lp r o j e c t i o nm e t h o di sp r o p o s e dw i ms a m et r a i n e d r e s u l t s o m ee x p e r i m e n t a lr e s u l t so no r lf a c ed a t a b a s es h o wt h a tt h ep r o p o s e da l g o r i t h m i se f f e c t i v e k e yw o r d s ：f a c ed e t e c t i o n ，f e a t u r ee x t r a c t i o n ，a d a b o o s ta l g o r i t h m ， c a s c a d ea l g o r i t h m ，m a x i m a lr e j e c tc l a s s i f i e r , p r i n c i p a lc o m p o n e n t a n a l y s i s ， l i n e a rd i s c r i m i n a n ta n a l y s i s ，k e r n e lm e t h o d 声明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名： 7 年7 甲 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名： 枷口7年卢罗日 率 博士论文 人脸快速检测和特征抽取方法的研究 1 1 概述 第一章绪论 目标检测和生物特征识别是模式识别与机器视觉研究领域的热点问题，它们在商 业、安全、交通以及军事等领域都有着非常重要的作用，目前国内外很多的研究机构 都在从事目标检测和生物特征识别的研究。经过多年的发展，目标检测和生物特征识 别研究的价值已经开始体现，已经出现一些商用系统，其中一些检测和识别技术逐渐 走向成熟。但是，目标检测和生物特征识别仍然是一个开放问题，无论是理论还是具 体应用，都有一些重要问题尚未解决。 1 1 1 人脸检测存在的闯题及研究意义 在目标检测问题中，人脸检测是一个重要的研究方向，人脸检测技术在基于内容 的检索、数字视频处理、视觉监测等很多领域都有很高的研究和应用价值，同时人脸 检测也是人脸自动识别的基础，人脸检测的理论和实现方法同样可以应用到其它的一 些目标检测问题上，比如说，车辆检测、行人检测等。 人脸检测是指对于任意一幅给定的静态图像或视频序列图像，采用一定的策略和 方法对其进行搜索以确定其中是否含有人脸，如果有则返回人脸的位置、大小和姿态。 它是一个具有挑战性的研究课题，其主要的难点是由两方面原因造成：一方面是由于 脸形、肤色、外貌、表情以及面部遮挡等人脸内在的变化所引起：另外一方面是由于 成像角度、光照影响和成像条件等外在条件的变化所引起，这些困难都给解决人脸检 测问题带来了难度。人脸检测具有重要的学术价值，很多研究人员对人脸检测进行了 深层次的研究，国内外文献中所涉及的人脸检测算法已经有很多种，许多重要的国际 会议和期刊也都有人脸检测的研究专题。总的来讲，人脸检测目前有两大类方法：一 类是基于知识的人脸检测方法，还有一类是基于统计学习的人脸检测方法。统计学习 的方法是目前人脸检测的主流方法，因为很多情况下的人脸图像，并不能通过知识规 则来描述，而需要大量的人脸和非人脸样本进行训练，从而得到人脸图像和非人脸图 像之间一些细微的差异。 作为一种统计学习方法，a d a b o o s t 算法应用于人脸检测，在检测速度和检测精 度等方面都取得了很好的效果，使得人脸检测真正走向实用化，从此基于a d a b o o s t 方法的快速人脸检测成为新的研究热点，带来基于a d a b o o s t 算法进行目标检测、模 式分类的高潮，国内外很多研究机构对a d a b o o s t 算法及快速人脸检测方法进行了研 究并取得了一定的进展。 a d a b o o s t 算法的基本思想是将大量的分类能力一般的弱分类器通过一定方法叠 第一章绪论 博士论文 加起来，构成一个分类能力很强的强分类器，只要每个弱分类器的分类能力比随机猜 测的好，当弱分类器个数趋向于无穷时，强分类器的错误率将趋于零。在进行人脸检 测器训练过程中，通过a d a b o o s t 学习算法选出一些简单特征构造出多个弱分类器， 同时将多个弱分类器通过学习组合成一个强分类器，并采用多分类器级联结构来提高 检测速度。另外，所有弱分类器中的特征可以通过积分图的方法进行计算，进一步降 低了计算量，加快了检测速度。 当前基于a d a b o o s t 算法的人脸检测对于正面人脸检测已经达到较高的检测精 度，但是距离人眼的检测水平还有一定的差距，多视角人脸的检测精度也还不高，并 且a d a b o o s t 算法需要海量的非人脸样本进行训练，消耗了大量的时间和空间。另外， 如何将a d a b o o s t 算法和其它统计方法结合起来进一步提高人脸检测效果也是很值得 研究的一个内容。所以，在高性能快速人脸检测的学习方法和实现技术方面都还有很 多问题值得研究，这些问题的解决对模式识别、机器视觉等学科的发展将起到非常大 的推动作用。 1 1 2 特征抽取存在的问题及研究意义 在生物识别问题中，人脸识别可谓是研究热点中的热门方向，国内外有着相当多 的研究人员都在从事该方向的研究，并在理论和应用技术上取得了较大的进展，但是 还不能达到人类的视觉识别效果。众所周知，人脸识别对于人类而言是一个很简单的 技能，即使较小年龄的小孩也具备较强的人脸识别能力，人类能通过以前的记忆轻松 做出相应的判断，即使某人化妆，年龄变化等等，都不会影响人类对人脸的识别效果。 但是对于计算机而言，这却是一个很大的难题。 由于厨于人脸识别的原始图像维数较高，直接在原始图像上进行分类识别，将大 大增加算法的复杂度，同时对计算机的硬件资源造成极大的浪费，并且抽取有效的鉴 别特征也是提高识别精度的一个关键所在，因此特征抽取也就成为模式识别领域一个 重要的研究内容。特征抽取的基本思想是将原始样本投影到一个低维特征空间，得到 最能反映样本本质或进行样本区分的低维样本特征，这样不仅可以减少样本的存储量 和提高计算速度，而且有助于提高分类精度。到目前为止，人们已经给出了许多种特 征抽取方法，如主分量分析，线性鉴别分析以及非线性投影方法等，这些方法都在人 脸识别中被广泛使用并取得了较好的特征抽取效果。 主分量分析的基本思想是利用一组包含离散度最大的特征来表示原始样本，它采 用训练样本协方差矩阵的特征向量作为展开基，那些对应最大非零特征值的特征向量 被称为主分量，样本在这些主分量上的投影系数被称为主分量特征，即原始样本可表 示为这些主分量与投影系数乘积的代数和。主分量分析方法已被证明是一种有效的图 像表示方法，它被广泛地应用于模式识别，数据压缩等领域。但是，主分量分析只是 博士论文 人脸快速检测和特征抽取方法的研究 在最小协方差意义下给出的模式样本的最优表示，主分量分析与模式分类并非直接相 关，该方法并没有利用到样本之间的类别信息，就分类角度而言，使用主分量分析抽 取的特征并非是最有效的。所以，研究分类精度更高的新型主分量分析方法，并与其 它方法进行融合来提高人脸图像的识别精度，对于特征抽取方法的发展具有较大的理 论和实际意义。 线性鉴别分析的基本思想是基于f i s h e r 准则来进行特征抽取，其目的就是确定一 组最优鉴别矢量，使得原始样本在该鉴别矢量集上的投影特征达到最优分类的效果， 即类问离散度与类内离散度的比值达到最大。如果说主分量分析获得的是模式样本的 最优表示特征集，那么线性鉴别分析所获得的则是样本的最优鉴别特征集，其更利于 模式分类。在使用线性鉴别分析进行人脸特征抽取时，经常会遇到小样本问题，所以 小样本情况下线性鉴别方法的研究具有很大价值。如何将主分量分析和线性鉴别分析 从理论上进行统一来提高识别精度并且同时能够解决小样本问题? 如何将其它一些 方法和小样本情况下的线性鉴别分析进行融合来大幅度提高线性鉴别分析方法对人 脸的识别精度? 这些问题的研究对于模式识别理论的发展具有很重要的意义。 线性鉴别分析的鉴别矢量集目前有两种类型：一种是正交鉴别矢量集，另外一种 是统计不相关鉴别矢量集，到底那一种鉴别矢量集优秀以及它们在什么样的样本条件 下表现的性能更为突出? 能否研究一种新型鉴别分析方法，其鉴别矢量集同时具有两 种特性? 这些都是很值得研究的课题。 在实际应用中有些识别问题的复杂度较高，以至于使用线性投影方法难以取得较 好的分类效果，而非线性方法则可以得到更好的分类效果，但是非线性方法却不易从 数学角度进行描述，这给非线性方法的发展带来障碍。随着支持向量机方法的出现， 其中核技巧方法给非线性投影方法带来生机。基于核的主分量分析方法和基于核的 f i s h e r 鉴别分析是其中研究较多的两种非线性投影方法。其基本思想是借助于核函 数，将原样本空间通过某种非“显式”形式映射到一个特征空间，在特征空间中应用 线性投影方法。由于特征空间一般通过对输入空间进行非线性映射得到，所以核投影 方法得出的投影方向对应输入空间的非线性方向。对于核投影方法中存在计算量大等 缺点，是否存在快速计算方法? 如何设计一种性能更优秀的核投影方法? 这些问题对 于非线性投影方法都具有较大的研究价值。 1 2 人脸检测研究现状 人脸检测是一个具有较高理论价值的研究问题，目前已经有很多人脸检测方法 ( 由于灰度人脸检测具有更大的理论和应用价值，所以这里介绍的人脸检测方法都是 针对灰度图像进行的) ，总体上说，可以分为两大类：一种是基于知识的人脸检测方 法；一种是基于统计学习的人脸检测方法。 第一章绪论 博士论文 1 2 1 基于知识的人脸检测方法 基于知识的方法一般先提取各种基本特征，然后根据一些知识规则确认图像中是 否包含人脸。这些规则可以通过人的先验知识获得，也可从较多样本中总结出来。模 板匹配可以认为是一种特殊的基于知识的人脸检测方法，只是对于知识的描述是用模 板方法隐式描述。 y a n g 等提出采用镶嵌图( m o s a i ci m a g e ) 来检测人脸【l l ，这种方法的特点是使用了 从粗至细的策略，在一定程度上降低了人脸检测的计算量，虽然该方法没有很高的检 测率，但其采用多分辨率分层和指导性搜索规则来进行人脸检测的思想对此后一段时 间的人脸检测研究工作起到了一定的影响。卢春雨等对镶嵌图方法进行了改进，取得 了较好的实验结果1 2 。姜军等提出了一种基于知识的快速人脸检测方法【3 】，方法采用 符合人脸生理结构特征的人脸镶嵌图模型，并针对人脸图像的灰度和边缘信息，建立 了一种较为完备的知识库，采用了多级检测的快速方法。 d a i 等利用人脸图像的灰度共生矩阵分别得到惯量、倒数差分和相关特征等三 个特征矩阵，三个特征矩阵分别满足三个不等关系式，其中的参数可通过迭代算法求 得，这个模型被称为人脸的纹理模型4 1 。y o w 和c i p o l l a 提出了一种基于局部特征空 间几何关系的人脸检测方法1 5 j 。j e n g 等根据可能的眼睛对获得人脸候选区域，用一个 评估函数表示每个区域属于某个特征的可信度，根据评估函数的加权来确定人脸区域 6 1 。k o n d o 等提出基于h a a r 小波变换的不均匀光照的人脸检测方法【7 】。h a n 等提出 了一个基于形态学预处理的快速人脸检测方法【s 】，该方法基于形态学进行眼睛近似物 的分割并利用眼睛近似物分段来指导搜索潜在的人脸区域，然后通过一个训练过的 b p 神经网络进行人脸区域验证。w o n g 等提出联合遗传算法和特征脸算法来检测人脸 【9 j ，该方法将每个眼睛对确定的区域作为一个候选人脸投影到特征脸空间，用原始图 像与重构图像的欧式距离的倒数作为适应度函数，使用遗传算法搜索可能的人脸区 域，最后对每个人脸候选区域，通过检查左右灰度的一致性以及水平和垂直方向上的 灰度投影来进行验证。 基于模板匹配的人脸检测方法也是基于知识方法的一个重要组成部分，该类方法 采用事先确定的面部器官或整体人脸的模板进行人脸检测，在图像中找出最为相似的 位置作为人脸区域，该类方法结构简单，具有一定的应用价值，但是该类方法只是适 合于需要检测的人脸受到的干扰不大，并且选用的人脸模板和需要检测的人脸要具有 较大的相似度等情况，如果不知道图像中人脸的情况，很难达到较好的检测效果。 b r u n e l i 等利用5 种不同尺寸的模板来检测眼睛的位置1 1 0 1 ，这种简单模板匹配的 方法易于实现，但是图像噪声对检测结果影响很大并且不能动态检测眼睛的位置。 y u u i e 等提出了基于弹性模板的方法，用于人脸特征的抽取【1 1 1 。s a k a i 等使用眼睛、 鼻子：嘴和人脸轮廓等子模板建模，检测照片中的正面人脸【l2 1 。c r a w 等提出了一种 4 博士论文人脸快速检测和特征抽取方法的研究 基于正面人脸的形状模板( 也就是人脸的外形) 检测方法【l ”，该方法采用s o b e l 滤波器 提取边缘，将边缘组织在一起，根据几个约束条件去搜索人脸模板，在头部轮廓检测 以后，用相同的过程以不同的尺度重复检测眼睛、眼眉和嘴唇等特征。g o v i n d a r a j u 等 提出两个阶段的人脸检测方法 1 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。 m i a o 等在人脸图像中提取可能对应于眉毛、眼睛、嘴等器官的水平方向的马赛 克边缘，计算各段边缘的重心，得到基于人脸特征的重心模板0 5 ，实验结果表明在图 像中含有单个人脸要比图像中含有多个人脸的检测结果好。梁路宏等使用了直接的平 均脸模板匹配方法来检测人脸【1 6 1 ，该方法考虑到眼睛在人类辨识人脸过程中的特殊作 用，首先使用双眼模板进行粗筛选，然后使用不同长宽比的人脸模板进行匹配，最后 使用马赛克规则进行验证。周激流等提出了一种全新的人脸脸部轮廓提取算法【1 7 1 ，他 们采用先验模板及交替补偿机制的方法来提取脸部轮廓，实验证明提出的特征提取算 法高效且鲁棒性能好。 基于知识的人脸检测方法简单、直观，检测效果依赖于特征的提取和预先定义的 规则。由于图像灰度受光照的影响较大，一般在使用这些方法之前应采用预处理技术， 为了验证人脸区域，常常需要结合各人脸器官的特征及其之间的结构关系，当图像的 质量较差时，特征不容易检测。另外，采用的知识规则可能不够准确或全面。该类方 法对质量较好的图像具有较好的检测性能，而对于复杂的图像检测效果一般不理想。 1 2 2 基于统计学习的人脸检测方法 对于实际中很多情况，使用基于知识的方法并不能达到很高的精度，因为许多人 脸图像和非人脸图像之间的差异无法用知识的方法来描述，必须通过很多样本进行训 练来获得它们之间的细微差异，所以基于统计学习的方法在人脸检测中具有更好的检 测效果。基于统计学习的方法将人脸检测视为从模式样本中区分非人脸样本和人脸样 本的模式识别问题，通过对人脸样本集和非人脸样本集进行学习得到一组模型参数， 然后使用得到的模型参数来判断图像中的每一个子窗口是不是入脸，从而达到人脸检 测的目的。当前，几乎所有的统计模式识别方法都应用到了人脸检测这个问题上，主 要有两个大类：一类是使用统计的方法进行有效的特征抽取，比如主分量分析、线性 鉴别分析、流形方法等；另外一类使用了统