（模式识别与智能系统专业论文）基于小波分析的自动人脸识别研究.pdf

摘要 自动人脸识别技术( a u t o m a t i cf a c er e c o 四i t i o nt e c h l l o i o g y ，胤) 是近年来 计算机视觉、图像处理、模式识别以及人工智能等领域研究中一项极富挑战性的 研究课题。这是因为人脸识别效果与人脸图像的复杂差异、人脸三维模型的建立 以及人脑的认知过程都有很大关系。对人脸图像而言，丰富的表情会加大识别难 度、年龄的不同也会使图像分析更复杂。另外，光照、成像角度以及成像距离的 不同也会造成图像的差异。而且从二维图像重建三维人脸是病态过程，目前尚没 有很好的描述人脸的三维模型。生理学的研究表明，人类大脑对视觉信号的处理 也是一个分等级的过程。低层次的细胞对信号的相应和小波变换的结果相似，高 层次的细胞则依据一群低层次细胞的响应，做出具体的线、面直到物体模式的判 断。小波分析以其天然具有的，对不同频带信号进行不同尺度分析的优势，在计 算机视觉领域取了广泛的应用。 本论文的工作主要围绕小波分析在自动人脸识别技术中的研究展开，本论文 研究重点是，如何将小波分析优势和好的分类方法更好的融合起来，把一些新颖 的思想和技术运用到人脸识别中，探讨其对识别性能的影响。另外，对一些已经 在人脸识别领域取得成功的技术进行改进，通过对大量具体实验数据的分析，试 图克服其弱点发挥其长处，并给出一些重要问题的定量结论，以指导具体的实践 操作。 本论文的主要研究内容和创新性工作包括 1 提出了一种信号分析型小波神经网络人脸识别方法，详细讨论了根据小 波变换系数的范数选取小波母函数的方法，根据小波脊线确定网络神经元个数的 方法以及神经网络的初始化和参数训练方法。通过对人脸图像灰度的连续小波分 析，神经网络的自组织自学习能力，调整连接权值和小波神经元的尺度、位移参 数，完成人脸识别的任务。 2 提出了一种用函数逼近型小波神经网络人脸识别方法，把网络输出看作 是网络输入一离散的人脸特征向量的函数，详细的讨论这种方法的网络结构、参 数初始化和网络参数训练，实验结果表明该方法识别率也比常用的分类器提高了 1 0 左右。 3 提出了一种基于h m t 模型的多尺度人脸识别的方法，该算法充分利用 小波变换跨尺度的相关性，首先对人脸图像进行小波变换，通过e m 算法对小波 系数的h m t 参数进行估计，从而描述人脸图像的奇异点分布，然后使用最大相 似度分类准则在相同尺度级内部进行识别，最后由粗到细逐级综合判别所属人脸 类别。 4 提出了一种基于小波支持向量机的人脸定位方法，讨论了小波支持向量 机的样本库建立方法，并通过实验结果研究了该方法小波核函数的选取问题。实 验结果表明，与经典的支持向量机进行人脸定位的方法相比，小波支持向量机无 论从正确定位率还是从定位速度上来说，性能都要更好一些。 5 提出了一种针对特征脸的预处理算法：为减少每一类人脸自身的类内差 异对协方差矩阵所造成的影响，而进行的基于自身灰度的零均值处理。实验结果 表明，经过基于图像自身灰度的零均值预处理的识别率有了明显的提高。 6 针对不同光照条件的影响，得出了特征脸的前3 个主分量与识别率之间 关系的分析结论。实验结果表明，特征脸方法的前2 个特征对光照更为敏感，去 除前2 个特征的特征脸改进算法，可以提高受光照污染严重的人脸图像的识别 率。 7 通过实验，得出了对于最近邻分类器，为提高运行速度但不影响识别率 而对人脸图像进行小波变换，其人脸识别率与小波变换级数的之间需满足下面的 条件：小波变换后的子带图像的像素点数，与在此数据库中对原始人脸进行特征 提取而达到的最高识别率所对应的特征空间维数相一致。 关键词：自动人脸识别，小波分析，小波支持向量机，小波神经网络 a b s t r a c t a u c o m a t i cf a c er e c o g l l i o ni so n eo ft h ek e y 七e c h n i q u e si nc o m p u t e rv i s i o n ，i m a g ep r o c e s s i n g ， p a t t e mr e c o g n i t i o na n da r t i f i c i a li n t e l l i g e n c e h o w e v e rb e c a u s ef a c ep o s e sa n de x p r e s s i o n sa r e v e r ya b u n d a n t ，f a c ec h a n g e sa sy e a r sp a s sa w a y ，f a c ei m a g e sa r ei n 丑u e n c e db ym u m i n a o n ，v i s u a l a n 百ea n dd i s t a n c e ，【h r e ed 洫e n s i o nf a c er e s t o r a o ni smp m c e s sf r o mm od i i n e n s i o ni n l a g e s ， t h e r ei sn og o o df a c em o d e l so ft h r e ed i m e n s i o n sa n dh u r n a nr e c o g n i t i o na b i l i t yi sc o n n e c t e dw i t h b r 缸nc o g n i t i v ep r o c e s s ，r e s e a r c ho nf a c er e c o 印i t i o nb e c o m e sv e r yc h a l l e n 百n g p h y s i o l o g y e x p e r i m e n t si n d i c a t et h a tt h ep m c e s so fd e a n n gv i s u a ls i g n a l si s 目a d u a t e df o rh u m a nb r a i n t h e r e s p o n s e st h a tl o wc e sr e a c io ns i g n a l sa r es i 】i l a rw i t hw a v e l e tt r a n s f o r m a i i o nr e s u l t s s e i i i o r c e u sm a l 【ed e c i s i o na c c o r d j n gf ot h e m w a v e l e ta n a l y s i sa c q l l i r e s 盯e a ta p p i i c a t i o nb e c a u s eo f 垴 p r e d o m i n a n c eo fn a m f a lm u l 在一r e s o l u d o n sa n a l y s i si nd i f f e r e n t 丘e q u e n c yd o m a i n t h er e s e a r c hw o r kf o c u s e so ni h ei n v e s i i g a t i o n so fw a v e l e ta n a i y s i sa n dt h e 打a p p c a d o n st o a u t o m a d cf a c er e c o g i l i l i o nc o 姗u i i i l y m a i np o i n t so ft h er e s e a r c hi n v o l v e i n t e 铲a d o no f p r e d o m i n a n td a s s 访c a t i o n a n dw a v e l e tm e t h o d s ，f a c e r e c o g i l i o nu s i n gt h e s et h o u g h t sa n d t e c h n i q u e s ，r e s e a r c ho nr e c o g l l i n o np e 讧o r m a n c e ，m 0 r e o v e ri p r o v e dm e t h o d sa r ep r e s e n t e df o r t h ed i s a d v a i l t a g e so fs o m et e c h n i q u e st h a th a v ea c q u i r e ds u c c e s si nf a c er e c o g i i i t i o na n ds o 础 i m p o r t a n tq u a n d c a 压v e c o n d u s i o n sa r e垂v e nt od i r e c t【h er e a l i z a 曲no f _ f a c er e c 0 卿o n t e c h i l i o u e s t h ep r i n c i p a lr e s e a r c hw o r ka n dn o v e l e sa r el i s t e da sf o u o w s l af a c er e c o g l l i 廿o nm e t h o du s i n gs i 印a la n a l y s i sw a v e l e tn e u r a ln e f w o r ki sp m p o s e d b a s e do nc o n 虹n u o u sw a v e l e tl r a n s f o r m t h em e o r yo fw a v e i e ta n a l y s i si si n t m d u c e d t h e m e t h o do fs e l e c n gm o t h e rw a v e l e tf u n c d o ni sd e 【a i l e da c c o r d i n gw a v e l e tt r a n s f o 皿n o r d la n df h e n u m b e ro fw a v e l e tk n o ta n dt h ei 1 1 i d a l i z a d o na r ed e c i d e d b yw a v e l e tr i d g e t h et r a i 血唱m e t h o do f p a r a m e t e r si s a l s oi n t r o d u c e d n l r o u g hc o n d 肌o u sw a v e l e ta n a l y s i sa n ds e b o r g a n i z i n ga n d s e 舴t r a i l l i n go fn e u r a ln e 脚o r k s ，c h e n n e c 曲nw e i 曲t sa n dt h ep a r 锄e t e f so fs c a l e sa n dp o s i d o n s a r ea d a p t e dt 0c o m p l e c et h et a s ko ff a c er e c o 鲥d o n t h et e s tr e s i l l t ss h o w e dt h a tt l l i sm e t h o d o b t a i n e dm u c hb e n e rp e d o 皿a n c ei nf a c er e c o g n j d o nc o m p a r e dw i t ht h ec l a s s i c a le i g e 州h c e m e t h o d 2 af a c er e c o g 工l i 虹o nm e t h o dj s p r e s e n t e du s i n gf i l n c t i o na p p r o x i i i l a t i o nw a v e l e tn e u r a l n e c w o r k t h eo u 【p u t sa r ef u n c d o no ft l l ei n p u t si n 【h en e t w o r ki nt 1 1 i sd i s s e r t a t i o nt h ea r c h i t e c t i l r e - i i i o f sn e t w o r k i sd e t a i k da n d t h e m e t h o d so f p a r a e i e r i n i 虹a l i z a d o na n d t r a i n i n ga r ed i s c u s s e d 3 - am u l c i s c a l ef a c er e c o 龃i i i o nm e t h o di s p r o p o s e db a s e do nh m tm o d e li nw a v e l e t d o m a i n t h ei m a g em o d e lo fm a r k o vr a n d o m 【e l di si n t r o d u c e d 丘r s n ya n d2 一d i m e n i i o n a lw a v e l e t t r a n s f o 皿a t i o ns h o w st h ep e r n e n c ea c r o s st h es c a l e s t h eh m ts t a t i s t i cm o d e li sd e t a i l e d i n w a v e l e td o a i n t h r o u 曲e mp a r a m e t e r se s t i m a d n 舀t i l et a s ko fa c er e c o g l l i t i o nf m mc o a r s et o 丘n ei sc o p l e f e du s i n gt h ep e r t i n e n c eo fw a v e l e cc r a n s f 0 皿a i j o na c m s st h es c a l e s t h et e s cr e s u l t s s h o w e dt h a tm i l l 一s c a l ef a c er e c 0 鲥石o nm e t h o do b t a i n e dm u c hb e n e rp e d b 皿a n c ei no r lf a c e d a t a b a s ea n ds e uf a c ed a t a b a s ec o m p a r e dw i t l lt h eh m rm e t h o d ，t h ec l a s s i c a le i g e i l f a c em e t h o d a n dt h eh m mm e t h o d 4 at a c el o c 撕o nm e t h o di s p r e s e n t e db a s e d o nw a v d e t 轧卿o nv e c t o rm a d _ 1 i n e t h e e s t a b l i s h m e n im e t h o do fs a m p l e sd a t a b a s ei sd i s c u s s e da n dt h es e l e c d o nm e t h o do fw a v e l e tk e m e l f l l n “o n si se x p i o r e dl h r o u g be x p e r i m e n tr e s u l t s 5 - a f a c ep r e c r e a 虹n e n tm e t h o di sp r o p o s e df o re i g e i l 】c em e t l l o dt h a “sz e r oa v e r a g ep r o c e s s b a s e do ni m a g e 酽a y1 e v e l i no r d e ri od e c r e a s et h es t a n d a r dd i v i s i o ni nas 锄ed a s s 6 i no r d e rt oi i n p r o v ee x e c u t ev e l o c i t yb u tn o ti n n u e n c et h er e c o g i i i n 彻r a t e ，t h ec o n d u s i o n o ft h ew a v e l e tt r a n s f o m l a 廿o nl e v e li s 垂v e nt h a ci st h en 岫b e ro fw a v e l e cf a c ep i x e l si se q u a ll o e i g e i l f a c es p a c ed i m e n s i o ni nt h e1 1 i g h e s r e c o g i i i 廿o nr a t e 7 t h ea n a l ) 血c a lc o n c l u s i o nb e t w e e np r e t h r e ep r i n d p a lc o m p o n e n ta n df a c er e c o g l l i i i o n r a t ef o re 碴e n f a c em e t i l o di sg i v e ni nd i f e r e n tm u m i n a d o nc o n d i o n s k e y w o r d ：a u m a cf a c er e c o g i l i o n ，w a v e l e ta 1 1 a l y s i s ，w a v e l e ts u p p o nv e c t o rm a c h i i 】e ， w a v e l e in e u r a ln e t w o r k i v 东南大学学位论文独创性声明 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。尽我所知，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，也不包含为获得东南大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 研究生签名 垒壹 日期：堡笠 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位 论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人 电子文档的内容和纸质论文的内容相致。除在保密期内的保密论文外，允许论 文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包 括刊登) 授权东南大学研究生院办理。 研究生签名：垒登导师签名：二玉过 日期：册年 第1 章绪论 人脸识别技术( f a c er e c o g i l i t i o nt e c h n o l o g y ，f r t ) 是近年来计算机视觉、图像 处理、模式识别以及人工智能等领域研究的热点课题之一。主要归结为以下两 方面原因：首先经过三十多年的研究工作，对人脸识别技术的产品化需求已经出 现。由于人脸表情丰富：人脸随年龄增长而变化；人脸所成图像受光照、成像角 度及成像距离等影响；而且从二维图像重建三维人脸是病态过程，目前尚没有很 好的描述人脸的三维模型。另外，人脸识别还和人脑的认识过程紧密相关。这诸 多因素使得现有的人脸识别研究存在较大难度，人脸识别系统具有一定方面的局 限性，在性能指标上还未能达到实用的阶段。其次，社会对安全保障系统的级别 要求越来越高，特别是美国9 1 1 事件以后，国际上无论是商业界还是政府法律等 强制部门，对生物鉴别系统的需求越来越广泛，而人脸识别作为其中最具实用潜 力的一项技术，无疑吸引着更多的学者专家研究这项极富挑战性的课题。 1 1 课题的研究背景和意义 自动人脸识别技术是利用计算机模仿人类视觉系统，达到观察世界和认知世 界的重要目的。视觉信息在人类感知外界环境方面起着主要的作用，通过对外界 环境的视觉信息的分析和理解，可以使人类更好的与外界环境进行交流。类似于 人类大脑处理视觉信息的过程，首先对场景作出有意义于观察者的解释和描述， 最终根据观察者的意愿做出相应的规划和行动。自动人脸识别技术就是，对所接 收到的图像或视频信号中的人脸区域自动的进行分析并提取有效信息，从而用来 “辨认”身份的一门技术。 随着当前信息化社会的发展，与人脸识别相关的技术，在计算机视觉领域中 得到了越来越广泛的应用，具体的研究内容包括人脸分析和人脸合成两大部分见 图1 1 所示。人脸分析( f a c ea 卫a l v s i s ) 和人脸合成( f a c es y n t h e s i s ) 是从相反 的方向处理人脸图像：前者对已有的人脸图像进行分析，例如在视频图像中跟踪 人脸，在静态图像中检测人脸，对图像中人脸的姿态进行估计，识别未知人脸的 身份，验证人脸是否为合法用户，对人脸的表情做出判断等等：后者是将一些局 部信息合成为人脸图像，例如将特征已知的眼睛、鼻子、嘴巴和眉毛等器官合成 为幅人脸画像，或者将不同影视作品中的分散画面合成为特定要求下包含人脸 的图像等等。社会上已经存在不少这方面的软件产品，深受客户的欢迎。例如， 微软公司研制的卡通合成软件在日本有着广泛的消费者，它在节假日被用来发送 电子卡片，其中包含自己各种表情的人脸合成画像，起到了在亲朋好友之间传递 感情的良好作用。 国1 1 人脸识别相关技术在计算机视觉领域中的应用 自动人脸识别技术在社会环境中的具体应用，源于实际应用需要大量真正的 友好电子用户系统去保障很多方面的安全。这些“友好”系统应该能够自发的保 护人类的资产和私有物，尽可能的减少甚至不需要人主动的配合，而不是像使用 a t m 取款机需要出示用户密码，登录计算机需要输入口令等等这些操作步骤。 尽管市面上已经存在基于生物技术的信息产品，例如指纹分析，视网膜及虹膜扫 描等，但这些产品还是需要参与者的伸出手指、配合获取眼部信息等。而基于正 面或者侧面人脸分析的认证系统，可以不要求参与者的预知和配合，只需在摄像 头等图像采集设备的自动监控下完成指定任务。表1 1 列出了人脸识别技术的一 毡应用【3 。 表1 1 人脸识别技术的典型应用 领域具体应用 娱乐 视频游戏，虚拟实现，训练节目，人机交互 智能卡驾照，授权项目，移民，国家身份证件， 护照，选举登记，福利欺诈 t v 主控制，个人设备登录，电脑登录， 信息安全应用安全，数据库安全，文件加密， 企业内部网络安全，互联网访问， 多媒体拷贝，安全贸易终端 法律强制和监督先进视频监控，c c r v 控制，入口控制， 突发事件分析，入店行窃，怀疑跟踪和调查 虽然人类自身对人脸的识别能力很强，但至今还没有完全理解其中的奥秘。 有研究人类大脑方面的报道称：一个很小的孩子可以识别出一个它曾经见过的人 但却不能记得这个人头发长短、是否戴眼睛、或者高矮胖瘦等一些简单信息，也 就是说它并不是依据这些基本信息做出判断的；同一个种族的人对本种族人群的 识别能力要高于对外种族人的识别，譬如我们中国人会在中国人群中很容易得区 分出不同的人，而对于一群外国朋友，就没那么容易做出个体人的识别；一个正 常的人可以在经过几十年后遇见位以前的朋友而马上辨认出来，尽管可能这人 已经年老而且在体形、脸形和五官上有了非常大的变化，而这个对人类大脑几乎 是潜意识的一个简单的能力对于计算机来说却是太难了。 那么人脑到底是怎样完成复杂的识别任务呢? 通常我们认为人类的识别系 统与心理学、神经学等有关，利用各种感知器官，如视觉、听觉、触觉、嗅觉， 对外界的刺激产生反映，传递到大脑进行分析、综合，最后做出判断。有时人所 处的周围环境也会对识别过程起到一个辅助的作用。那么具体针对其中最重要的 视觉信息，人类大脑又是怎样进行处理的? 它对于人脸的识别是通过整体的分析 得到结果的，还是通过局部的分析呢? 那些是它区分不同人的最主要特征呢? 这 些主要特征在被处理的过程中，是否不同的优先级呢? 我们使用计算机怎样最好 的模仿人类的识别系统呢? 正是这一系列的问题成为当前计算机视觉领域研究 的重要课题。其中涉及的一些困难因素，正被逐渐的认识并解决，而计算机人脸 识别技术也成为了一项颇具意义的、极富挑战性的研究课题。 为评估人脸识别技术的发展和现状，由美国联邦调查局等机构组织发起了人 脸识别卖主测试( f a c e r e c o g n i t i o nv e n d o rt e s t ，f i v t ) i ”“，以给政府和法律安 全机构提供信息，帮助他们决策如何选择最好的人脸识别系统，并为这项技术的 大规模实际应用，提供性能度量和参考，f r v t 的结果将有益于确定将来的人脸 识别技术的研究方向。已经结束的f r 、_ r t 可以包括1 9 9 4 、1 9 9 5 和1 9 9 6 年的 旺i 砒玎( f a c er e c o g n i t i o nt e c h i l o l o g y ) 测试，2 0 0 0 年举行的f r v t 2 0 0 0 和2 0 0 2 年 举行的f r v t 2 0 0 2 ，其中前期的f e i 砸t 项目介绍了人脸识别的一些基本评估方 法，引导了这项技术从幼稚期阶段发展到正规的完整系统时期。到了2 0 0 0 年， 人脸识别技术已经到可以尝试向商用系统上发展了，因此f r v t 2 0 0 0 就担负起 f e r e t 的任务，发挥着评估这些系统的性能和技术指标的作用。随着越来越多 的学者加入到人脸识别的邻域中，2 0 0 2 年f r 、厂r 主要完成了评估在大规模数据 库中、实时识别的技术性能，并为了人脸识别技术更好的发展而引入了一些新型 实验的测试。 在已经结束的f r v t 2 0 0 2 中描述了作为数据库容量函数的识别和监控名单 性能；评估了不同组人的性能可变性；描述了作为在其人登记时和生成新图像时 之间的经过时间函数的性能；调查了人口统计学对性能的影响。f r v t 2 0 0 2 报告 显示自从进行了f r v t2 0 0 0 评估以来，室内图像的识别已经有了很大的进步。还 评估了两种面部识别改进方法：由b l a i l z 和v e t t e r 提出的三维形态( m o r p h a b l e ) 模 型和视频序列面部识别的影响。结果表明三维形态模型可以提高性能，而视频序 列面部识别只对静态图像性能有一定的改善。对于职v t 2 0 0 2 ，正在开发一种基 于可扩展标识语言( e x t e n s i b l em a r k u pl a n g l l a g e ，l ) 的新评估协议，据说此 协议十分灵活而且通常支持生物统计学评估。 1 2 自动人脸识别的研究现状m 4 1 1 人脸识别的研究可以追溯到二十世纪六、七十年代。所谓人脸识别，是指给 定一个包含若干己知身份的人脸图像的数据库，在一幅待识别的人脸图像中，利 用计算机从中提取有效的识别信息，从而验证和鉴别单个或者多个人的身份。 人脸识别方法很多，目前总体上可以分为三大类，基于整体( h o l i s t i c ) 的方 法，基于特征( f e a t u r e ) 的方法，和既基于整体又基于特征的混合方法。其人脸 识别方法及其代表性工作见表1 2 。 1 基于整体的识别方法 基于整体的方法将整个人脸区域即模式的整体属性，作为人脸识别系统的输 入，其优点是在利用提取到的各部件自身特征的同时，可以自然地保留了人脸部 件之间的拓扑关系。这一类方法主要以基于k l 变换的特征脸方法为代表。 t u r k 和p e l a n d 提出的特征脸方法h 是基于k l 变换技术的人脸低维重构思 想。它认为自然原始的人脸图像对于识别来说存在着明显的统计冗余信息，通过 k l 变换可以将高维人脸图像降低到一个由一组新的正交基所构成的低维子空间 中，而且不同的人脸图像在这个新的低维子空间中具有可分性，这组新的正交基 就是特征脸向量。待识别的人脸图像投影到这个新的低维空间中，可以得到以一 个投影系数向量作为权值对特征脸向量的线性求和来表示的方式。t u 出和 p e l l l a n d 用最简单的最近邻分类器对这个投影系数向量进行分类，从而得到待识 别人脸图像的所属模式。到目前为止，特征脸方法这种降维的思想已经广泛贯串 应用到自动人脸识别技术的人脸检测、特征提取及识别等环节中。特征脸方法的 缺点在于计算特征脸空间时用到的总离散度矩阵方差，不仅来源于不同人脸模式 的类间差异，而且来源于同一人脸中由于光照、姿态视角、发型、或是其他一些 因素造成的类内差异。而后者这些差异对总离散度矩阵方差造成的贡献是不利于 识别结果的，特别是由于光照、角度等因素的影响，特征脸方法产生的识别率会 有明显的下降。 表1 2 人脸识别方法 方法代表性工作 基于整体的识别方法 主成分分析 特征脸方法直接应用主成分分析 概率特征脸基于概率方法的两类问题 线性判别子空间特征脸基础上的线性判别分析 支持向量机基于支持向量机的两类问题 进化搜索增强遗传算法学习 特征线基于点到线距离 独立成分分析基于独立成分分析昀特征分析 其他方法 基于神经网络的方法基于神经网络的概率决策 线性判别分析f i s h e r 线性判别 粗略图像的f i s h e r 线性判别 基于特征的识别方法 纯几何方法早期的一些方法 动态链接结构图匹配方法 隐马尔可夫基于隐m a r k o v 模型的方法 盘旋神经网络自组织图形学习的卷积神经网络 混合识别方法 模特征脸特征脸和特征模 混合局部特征分析组合局部特征方法 形状标准化可变形模板 特征脸方法自九十年代提出以来取得了很大的成功，对于其自身存在的弱 点，出现了很多改进的方法，例如基于模式识别中经典的线性判别分析理论而提 出的线性判别子空间法【”j 。这种方法的最基本思想也是对人脸图像进行降维， 但由于其产生新子空间的过程本身，对人脸模式的类内类间差异的衡量，有利于 不同类人脸样本之间的距离尽可能的大，同一类人脸样本之间的距离尽可能的 小。 由“ue t 提出的基于神经网络人脸识别方法l ，刮是基于概率决策理论，将人脸 直接用灰度表征，利用神经网络的自组织目学习的能力来达到模式分类的目的 的。作为一种经典的模式分类方法，神经网络进行人脸识别的优点在于：它可以 避免繁琐的特征提取工作，只要训练样本具有足够的代表性，可以展现良好的自 适应性和鲁棒性，即使有部分人脸区域被遮挡甚至在噪声干扰较大的情况下依然 可以很好的完成任务。缺点在于神经网络的计算量较大，训练速度比较慢。 2 基于特征的识别方法 基于特征的人脸识别方法首先提取出人脸一些局部器官的特征，例如眼睛、 鼻子、嘴巴和人脸等。然后将这些特征及其位置关系信息、局部统计属性( 例如 几何、形状参数或者表象信息) 等作为人脸模式分类器的输入。这一类方法主要 包括基于几何特征的方法、基于隐马尔可夫模型的方法等。 早期的一些基于纯几何特征的方法现在用的已经不是很多了，这些方法主要 是提取人脸区域的眼睛、鼻子和嘴巴等器官的几何形状配以几何关系，如曲率、 角度和欧式距离，将数据组合形成特征向量用于识别。然而由于需要非常精确的 测量出各个器官及其相互之间数学数据，所以鲁棒性比较差，识别效果也不是很 好。 隐马尔可夫法首先在语音处理领域取得了较大的成功，然后有不少学者将其 应用到人脸识别领域。s a m a r e a 最早建议了关于人脸的隐马尔可夫模型f 4 8 ，3 7 1 ，他 将人脸图像分成相互有一定重叠区域的小块，将小块内的二维图像矩阵转换为一 个一维的灰度值向量，然后将这个向量作为隐马尔可夫模型中的观察向量，用以 训练模型参数。这种方法的优点在于：一个训练好的卸模型的序列既含有人 脸图像不同部位的信息，又考虑了他们的相互关系，比起孤立的利用各个器官的 数值特征有概念上的进步。n e f i a n 发展了s a m a r i a 的方法【4 9 1 ，主要是解决直接用 灰度值作为观察向量需要大量存储的缺陷，提出的基于3 9 个二维离散余弦变换 特征系数作为观察序列，不仅减少了计算量，还可以保持s 锄a r i a 原始方法所具 有的识别率。 3 混合识别方法 这类方法的思路是模仿人类大脑感知系统，综合使用整体信息和局部信息辨 别人脸模式的方法。当然这种方法的前提是需要有效可靠的基于整体和基于特征 两种方法的支持。 综上所述，现阶段人脸识别技术的各种方法都获得较大的发展，取得了不少 的成绩，当然各自也有不足。整体上来讲，难点还是在光照影响、姿态变化、表 情变化、遮挡等复杂条件下，识别率的急剧下降。为解决这些问题，到目前为止， 又有了一些新的人脸识别技术表现出崭新的应用潜力，为此f r v t 的组织者美国 联邦调查局等机构又在筹备f i v t 2 0 0 5 的各项工作，并打算成立一个新的人脸识 别大型挑战( f a c er e c o g i l i t i o ng r a n dc h a i l e n g e ，f r g c ) 以专门关注和发展这些 新的人脸识别技术。 1 3 基于小波分析的人脸识别研究现状 生理学的研究表明“，人眼视网膜上存在着低层次和高层次的细胞，人类 大脑对视觉信号的处理也是一个分等级的过程。其中，最底层次的细胞对信号起 转储的作用，即将人眼接收的大量图像数据变换为一个比较规则的紧凑表达式， 低层次的细胞对信号的响应和小波变换的结果相似，高层次的细胞则依据群低 层次细胞的响应，做出具体的线、面直到物体模式的判断。 在计算机视觉系统中，很早就存在多分辨率的处理思想，即在不同细节层次 进行建模和分析，例如信号的子带编码技术、数字语音识别的积分镜像过滤及金 字塔图像处理等，这种多分辨率的理论已经应用在多种学科技术中。而小波分析 以其特有的，对不同频带信号进行不同尺度分析的优势，己在计算机视觉领域取 得广泛的应用。 1 3 1 小波分析川 小波自8 0 年代提出来以后，理论和应用都得到了巨大的发展。小波分析的出 现被认为是傅立叶分析的突破性进展。小波( w a v e l e t ) ，即小区域的波，是一种 特殊的长度有限、平均值为0 的波形。它有两个特点：一是“小”，即在时频都具 有紧支集或近似紧支集：二是正负交替的“波动性”，也即直流分量为o 。傅立叶 分析是将信号分解为一系列不同频率的正弦波的叠加，同样小波分析也是将信号 分解成一系列小波函数的叠加，而这些小波函数都是有一个母小波函数通过平移 与尺度伸缩得来的。 首先我们给出小波变换的定义：设妒( z ) 为一母小波函数，通过伸缩，平移可得 到一组小波函数基： 妒舶( 。) ：( 型)( 1 1 ) 口 其中“，6 为伸缩，平移尺度因子。对于函数，( z ) 上：俾) ，其小波变换可定义为： 町( n ，6 ) ： 露吵p ) ，( 习出( 1 2 ) n 等效的频域表示是： w ( n ，b ) = 等芷妒+ ( a ) 于( ) e 圳d 。 ( 1 3 ) 其反变换存在的条件为小波母函数满足容许条件： k 丝弛。 ( 1 4 ) 倒 其中( 功，( m ) 分别是0 ) ，( 习的傅立叶变换，+ 表示共轭运算。该条件的时 域形式为 j = ( z 皿= o ( 1 5 ) 可以这样理解上面表达式的意义：用镜头观察目标( 即待分析信号) r f z ) ， ( z ) 代表镜头所起的作用( 例如滤波或卷积) 。6 相当于使镜头相对于目标平行 移动，。的作用相当于镜头向目标推进或远离。由此可见小波变换有以下特点： 1 、多分辨率( m u l t i - r e s 0 1 u t i o n ) ，也叫多尺度( m u l t i s 咖e ) 的特点，可以由 粗及细的逐步观察信号。 2 、可以看成基本频率特性为庐( 。) 的带通滤波器在不同尺度n 下对信号做滤 波。由于傅立叶变换的尺度特性可知：这组滤波器具有品质因数恒定，即相对带 宽( 带宽与中心频率之比) 恒定的特点。n 越大相当于频率越低。 3 、适当的选择基小波，使y ( 句在时域上为有限支撑，庐( 。) 在频域上也比较 集中，就可以使w 丁在时、频域都具有表征信号局部特征的能力，因此有利于检 测信号的瞬态或奇异点。 正是由于上述特性，小波变换被誉为分析信号的数学显微镜。与d c t 变换、 f 0 u r i e r 变换、加窗f o u r i e r 变换等传统分析方法相比较，小波变换可以通过对原 始图像不同尺度的小波分解，以获得人脸图像不同层次的逼近信息和细节信息， 为基于小波分析的人脸识别提供了可能性。而且小波变换具有快速运算算法：首 先，小波变换对原始图像的分解可由m a l l a t 算法【7 ，9 完成，其相邻尺度空间的尺 度函数和小波函数满足二尺度方程，且方程中的镜像滤波器系数对任意两相邻尺 度保持恒定。对于长度为的数字信号，m a l l a t 小波变换运算量为。( 忉，h 可的 运算量为掣魄叼，直接进行离散f o u r i e r 变换则需要o ( 帕次运算。其次，小波 变换具有集中信号能量的能力。这使得小波变换后图像的信息仅仅集中在少数几 个变换系数上，多数变换系数为零。这些特点有助于降低图像目标小波变换的时 间复杂度和空间复杂度。因而经小波分解后，数据量并没有增加，不会占用大量 的计算机内存，有利于计算机的实时处理。 1 3 2 基于小波分析的人脸识别研究 小波分析技术的优势已经被一些学者应用于人脸识别领域，也取得了一定的 成果，下面按照出现时间的先后顺序，对已有的一些基于小波分析的人脸识别方 法做一简单介绍。 p r a m a d i h a n t od 等提出用分级g a b o r 小波提取特征，再用神经网路进行人脸 匹配的方法【7 9 】。该方法通过多尺度的提取灰度级图像的局部特征，为神经网络提 供鲁棒性的人脸识别做保障：神经网络通过输入图像和一个标准模板的比较找到 最准确对应的局部特征，然后根据这些特征的局部相似性和近邻组合来匹配人 脸。k o u z a n ia z 等通过小波包对人脸图像分解系数提取特征 8 2 】，给出了该方法 对一系列实验的识别效果，得出针对人脸图像基于小波包分解的最优人脸基，最 优滤波器，最优分解层次。w i s k o t tl 等在1 9 9 7 年提出的基于g a b o r 小波的弹性 连接图匹配法【8 0 1 ，取得了一定的成功。该方法利用了g a b o r 小波与人眼视网膜对 图像的响应具有相似的形状，而且对图像的亮度具有鲁棒性。它将人脸图像g a b o r 小波变换后的一些特征点存储为一个柔性的节点图，每一个节点对应一串特征向 量，这些特征点对视角、大小、和表情不太敏感，识别时利用一个简单的相似度 函数对各个节点的特征向量进行匹配。 y u e l ap c 等用小波变换分解图像后特定频率带选择的系数进行特征脸识别 【8 ”，认为识别率和运行速度都比原始方法好。k ew s 等通过小波变换将图像分 解为原始大小的1 6 4 的子图，认为用子图进行线性判别分析训练和识别可以在 识别率保持不变的情况下，加快了运算速度【8 3 】。c h e n 自u nl i u 和w e c h s l e rh t 使 用由二维g a b o r 小波变换得到人脸图像的增强g a b o r 特征向量 8 4 】，然后由f i s h e r 判别规则进行人脸识别，认为这种特征具有突出的局部辨别能力，识别效果显著。 m ak 和a o o ut a n g 在2 0 0 1 年曾用离散小波变换为快速弹性束图匹配设计人脸 图模型旧。k e p e n e k c ib 等通过对正面人脸的g a b o r 小波变换，完成自动提取每 个人脸的局部特征【。y a n gl h 等应用非线性小波近似的方法识别人脸嘲，认 为其优于线性近似，并提出了将非线性小波变换应用到人脸识别中框架，结论是 该方法对表情不是很敏感。) ( i a o l i n gw a n g 和h a i r o n gq i 用非正交二维g a b o r 小 波变换表示人脸俐，然后通过遗传算法找到在频域和空域角度的最优基。不是用 常用的类内类间方差衡量遗传算法的适应函数，而是用熵来测定小波变换的信息 复杂性。认为与正交向量的特征脸表示法相比，用最优基的g a b o r 小波特征提供 了更准确和有效结构框架，因此也会有更好的分类效果。 d i b u ax i 等首先定位好人脸的各个元件，将其组合后的向量表示一个人。然 后用小波统计子系统提供眼睛嘴巴的位置，支持向量机子系统抽取人脸元件，两 个子系统的训练都基于标注了特征的很少的图像，最后再用支持向量机进行分类 【8 9 1 。认为小波子系统可以大大加快识别过程。j e n t z u n gc h i e n 等用多尺度小波 变换提取小波脸【”1 ，对小波脸进行线性判别分析，用最近邻特征平面和最近邻特 征空间进行识别。k u nm a 等类似于g a b o r 人脸图用离散小波变换图做弹性图匹 配 9 1 。b i c e m 等由每一个人脸图像划分出有相互重叠区域的子图序列 9 2 1 ，计 算每一个子图的小波系数，把整个序列看作隐马尔可夫模型。和离散余弦系数相 比认为识别率有提高。 g