（模式识别与智能系统专业论文）小波变换在人脸识别中的应用研究.pdf

摘要 人脸识别是依据某些标识对人进行身份识别，以达到监督、管理和识别目的的一种技术， 被广泛应用于许多领域。近年来对这项技术进行了广泛而深入的研究，小波变换因其良好的 时频局部化特性，能够提供最为实质的人脸特征、削弱噪声的干扰、减少计算量，因此将小 波变换应用于人脸识别与检测具有良好的发展前景。 本论文主要研究了小波变换在人脸识别中的应用，主要内容包括： l 、 提出了一种基于离散小波变换( d w t ) 的人脸检测与特征定位算法，该算法对人脸 姿态、表情变化和遮盖物具有一定的鲁棒性，同时具有计算量小，效率高的特点； 2 、介绍了基于小波变换的p c a 人脸识别算法，与经典的p c a 人脸识别算法进行了比 较，实验证明基于小波变换的算法具有更好的识别性能： 3 、 介绍了基于小波变换和人工神经网络的人脸识别算法，该算法具有良好的人脸识别 性能。研究了小波函数的特性以及离散小波变换级数对算法的影响，通过实验得出最合适的 小波基函数和离散小波变换级数以及人工神经网隐含层神经元数，最后通过与离散余弦变换 的比较表明离散小波变换具有较强的特征提取性能： 4 、介绍了基于小波变换和支持向量机的人脸识别算法，该算法能得到非常高的人脸识 别率，对人脸表情、姿态、光照的变化，遮盖物的干扰都具有良好的鲁棒性。根据实验选择 了最佳的核函数及其参数。 关键词：人脸识别、人脸特征定位、小波变换、主成分分析、人工神经网络、支持向量机 a b s t r a c t f a c er e c o g n i t i o ni sa ni m p o r t a n tt e c h n i q u ef o rh u m a ni d e n t i t yr e c o g n i t i o nw h e n s u p e r v is i n g ，m a n a g i n ga n dr e c o g n i z i n ge t c ，a n ditisa l s ow i d e l yu s e di nm a n yo t h e r f i e l d s w a v e l e tt r a n s f o r m a t i o nc a ne x t r a c t sm o s te s s e n t i a lf a c ef e a t u r e s ，w e a k e n i n t e r f e r e n c e s r e d u c ec o m p lic a t i o nf o ri t i sa b l et oc a p t u r eb o t hs p a t i a la n d f r e q u e n c yl o c a l i z a t i o na n dp r o v i d eg l o b a la p p r o x i m a t i o na n dl o c a ld o t a l l i n f o r m a t i o na td i f f e r e n ts c a l e s s ot h er e s e a r c ho ff a c er e c o g n i t i o nb a s e do nw a v e l e t t r a n s f o r m a t i o nh a sg o o df o r e g r o u n d t h er e s e a r c h w o r kf o c u s e so nt h ea p p l c a t i o no fw a v e l e tt r a n s f o r mo nf a c e r e c o g n i t i o n t h ep r i n c i p a lw o r ka r e1 i s t e da s f o l l o w s ： 1 an e wm e t h o do ff a c i a lf e a t u r e sl o c a l i z a t i o nb a s e do nd i s c r e t ew a v e l e t t r a n s f o r m a t i o n ( d w t ) i sp r e s e n t e d o u rm e t h o di sm o r er o b u s tf o rc h a n g e so ff a c i a l p o s e ，e x p r e s s i o na n dc o v e r i n g ，w h il e i th a sf e w e rc o m p u t a t i o n s 2 t h ef a c er e c o g n i t i o na l g o r i t h mb a s e do nd w ta n dp r n c i p a ic o m p o n e n ta n a l y s i s ( p c a ) i sp r e s e n t e d t h eb a s e db w tp c aa l g o r i t h mc a ng e tb e t t e rp e r f o r m a n c eu s i n g l e s sc o m p u t a t i o na n dl e s st i m e 3 t h ef a c er e c o g n i t i o na l g o r i t h mb a s e do nd w ta n da r t i f i c i a ln e u r a ln e t w o r k ( a n n ) i sp r e s e n t e d t h ea l g o r i t h mh a sp e r f e c tr e s u l t b ye x p e r i m e n t s ，t h eo p t i m a l w a v e l e tb a s ef u n c t i o n w a v e l e tt r a n s f o r m a t i o np r o g r e s s i o na n dt h en u m b e ro fn e r v e c e l l si nt h eh i d d e nl a y e ro fa n na r ed e t e r m i n e d 4 t h ef a c er e c o g n i t i o na l g o r i t h mb a s e do nd 竹a n ds u p p o r tv e c t o r1 6 a c h i n e ( s 硼) i sp r e s e n t e d t h ea l g o r i t h mc a ng e th i g hr e c o g n i t i o nr a t e ，e v e nw h e nc h a n g e so fl i g h t ， e x p r e s s i o n p o s eo ro t h e r s a sa ni m p o r t a n tp a r to fs v m ，t h eo p t i m a lk e r n e lf u n c t i o n a n d i t sp a r a m e t e r sa r ed e t e r m i n e db ye x p e r i m e n t s k e y w o r d ：f a c er e c o g n i t i o n ，f a c i a lf e a t u r e sl o c a l i z a t i o n ，w a v e l e tt r a n s f o r m a t i o n ， p r i n c i p a lc o m p o n e n ta n a l y s i s ，a r t i f i c i a ln e u r a ln e t w o r k ，s u p p o r tv e c t o rl l a c h i n e i i 东南大学学位论文独创性声明 本人声明所里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：汹 日 期：2 1 堕i 弘 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一致。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( 包括干0 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：l 导师签名：毪日3 ： 第一章绪论 第一章绪论 1 1 人脸识别研究的背景和意义 2 3 ，4 ，5 1 人脸识别技术是采用某种技术和手段对人的身份进行标识，从而依据该标识对人进行身 份识别，以达到监督、管理和识别目的的一种技术。可用于公安系统刑侦破案的罪犯身份识 别、身份证及驾驶执照等证件验证、银行及海关的监控、自动门卫系统、视频会议、机器人 的智能化研究以及医学等方面。近年来人类生物特征越来越广泛地用于身份识别，与原有的 人类身分识别技术( 如：个人密码、磁卡、智能卡等) 相比，基于人类生物特征的识别技术 具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征， 如d n a 、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发 展起众多的基于人类生物特征的人类身份识别技术，如d n a 识别技术、指纹识别技术、虹膜 识别技术、语音识别技术、人脸识别技术。相对于其他基于生物特征识别技术，人脸识别技 术具有特征录入方便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。 人脸识别技术是一门应用技术，人脸识别技术涉及到模式识别、图像处理、计算机视觉、 生理学、心理学及认知学等诸多学科的知识，它是利用计算机分析人脸图像，从中提取有效的 识别信息，来辨认身份。它基于已知人脸样本库，从静态或动态场景中，识划或验证一个或 多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征 提取技术还可进一步抽取出更多的生物特征，如：种族、性别、年龄。 人脸识别基本上可分为两个方面：一是给定一幅待识别人脸图像，判别它是否是某人， 即通常所说的身份验证( a u t h e n t i c a t i o n ) ，这是个“一对”的两分类问题；另一个是给 定一幅待识别人脸图像，判断它是谁，即通常所说的身份识别( r e c o g n i t i o n ) ，这是一个一 对多”的多类分类问题。通常所说的人脸识别是个“一对多”的多类分类问题，计算机人脸 识别过程如图1 1 所示。一个典型的人脸识别系统包含以下各部分；( 】) 从图像中提取人脸 区域，检测，定位人脸；( 2 ) 用适当的特征表征人脸；( 3 ) 将人脸表征进行分类。 图1 1 计算机人脸识别流程图 早期的人脸识别方法通常是以人脸器官位置、尺度和彼此间的比率作为描述人脸的特 征，以后还有用简单几何形状对人脸器官进行拟台，以几何参数作为描述人脸的特征。但是 当人脸表情变化对，这些特征会发生很大的变化。因此这种以局部特征来描述人脸的方法逐 渐被模板所代替。用模板描述人脸模式，可以避免基于局部器官特征人脸识别方法所要求的 精确定位问题，而且保留了更多的识别信息。 到了2 0 世纪9 0 年代，计算机人脸识别技术进一步发展。研究方向从基于人脸图像局 部特征的识别方法转向基于人脸图像整体特征的识别方法。这些方法是从图像处理或模式识 i 东南大学硕士学位论文小波变换在人脸识别中的应用研究 别角度出发，将人脸图像作为维向量或二维矩阵进行分类，从而保留了大量的分类信息。 由于人脸图像是实际人脸模式的二维表述，因此用人脸图像来表述人脸模式丢失了大量的空 间信息。因此，目前已经有人从三维空间，应用多幅图像来表述人脸模式。 1 2 人脸识别研究现状和发展趋势 1 ，3 6 ，3 7 ，7 1 计算机人脸识别方法的研究者要有两大方向：一是基于人脸图像局部特征的识别方法： 二是基于人脸图像整体特征的识别方法。 基于人脸图像局部特征的识别通常抽取人脸器官如眼睛，眉毛，鼻子和嘴等器官的位置， 尺度以及彼此间的比率作为特征。进一步地可以用几何形状拟合人脸器官，从而以几何参数 作为描述人脸的特征。由于此类方法通常要精确地抽取出人脸器官位置，尺度，比率或几何 参数作为描述人脸的特征，因此这类方法对人脸图像的表情变化比较敏感，同时，人脸器官 分割的精确度也对人脸特征的提取有一定的影响。另外，该类方法并没有充分利用到人脸图 像本身具有的灰度信息，这类方法已经不是人脸识别技术发展的主流方向。 基于人脸图像整体特征的人脸识别方法由于不需要提取人脸图像中器官的具体信息，而 且充分利用到人脸图像本身具有的灰度信息，因此可获得更高的识别性能。基于人脸图像整 体特征的人脸识别方法主耍有特征脸法，最佳鉴别矢量集法，贝叶斯法，基于傅立叶变换特 征法t 弹性图匹配法，相关方法，线性子空间法，可变形模型法和基于人工神经网络的方法 等等a 其中弹性图匹配法和傅里叶不变特征法侧重于表述人脸图像；最佳鉴别矢量集法，贝 叶斯法，基于人工神经网络的方法侧重于分类；特征脸法和线性子空间法等侧重于人脸图像 的重构。下面分别介绍几种主流的人脸识别方法。 1 基予特征验的识黝秀法 特征脸方法是从主成分分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ) 导出的一种人脸识别和描 述技术。p c a 实质上是k - l 展开的递推实现，k l 变换是数字图像压缩中的一种最优正交变换， 通过k - l 变换，可以把图像在高维空间表示转换到低维空间表示，而由低维空间恢复的图 像和原图像具有最小的均方误差，从而可以以图像在低维空间的变换系数作为人脸图像的描 述特征。 k l 变换用于人脸识别的前提是人脸图像处于低维空间，并且不同人脸是线性可分的。 通常情况下，k - l 变换的变换矩阵由训练样本类间散布矩阵的特征矢量生成，由类间散布矩 阵得到的特征矢量类似于人脸，故将其称为特征脸。将变换矩阵的特征矢量按特征值的大小 进行排列，人脸图像排在前面的特征矢量上的投影具有较大的能量，称为主分量：在排在后 面的特征矢量上的投影具有较小的能量，称为次分量。当舍弃部分次分量时，称为主元素分 析法( p c a ) 。 k l 变换从压缩角度看是最优的，但从分类角度来看却不是最优的。虽然它考虑了人脸 图像的所有差异( 从压缩角度) ，但没有考虑这些差异是类内若异( 如光照变化，表情变化 2 第一章绪论 或几何变化) 还是类间差异( 从分类角度) 。q i o n gy a n g 8 6 运用结合奇偶分解的p c a ，奇 对称和偶对称的主成分具有不同的能量比率并对模式变化有不同的敏感度，依照这些特性进 行特征的选择，提高特征的稳定性，抑制1 人脸成分的干扰。王新春 8 7 、刘志镜 s s 将小 波变换与p c a 方法相结合，利用小波变换良好的时频特性改善了单纯p c a 方法鲁棒性差、 计算复杂的不足。 2 基予弹性圈匹配的八验识鼬方法 基于弹性匹配的人脸识别方法，不仅可以利用整幅人脸图像的识别信息。而且还允许局 部特征在一定程度上的变形。在很大程度上克服了人脸姿态变化，表情变化和发型变化对人 脸识别的影响。 基于弹性图匹配的人脸识别方法采用属性拓扑图来表述人脸模式，通常情况下，属性属 性拓扑图为二位稀疏网格。属性拓扑图上的每一个顶点均包含一特征矢量，它记录了人脸在 该项点位置的分布信息，可以采用各种描述局部信息的特征，如小波特征，形态特征和统计 特征等。在识别阶段，未知人脸图像与已知人脸模板之间的相似性度量由下式给出： e c m ，2 莩卜赫，+ 五蕃i , i ( 4 - - i 2 ) - - ( j l - - j 2 ) ，2 cz ， 式中：e x ，分别为待识别人脸的特征和人脸库中人脸的特征，f 2 ， ，2 为二维网 格顶点特征。式中的第一项是计算两个矢量场中对应的局部特征z ，和c 。的相似程度，第 二项则是计算局部位置关系和匹配次序由此可见，最佳匹配也就是最小能量函数时的匹 配 从二维稀疏网格到实际人脸图像的映射数目相当犬，因此应用弹性匹配进行人脸识别的 时间也是非常长的。应用不同尺度和方向的小波可以提取属性拓扑图顶点处的人脸特征。较 小尺度的小波用来描述局部细节，较大尺度的小波用来描述较大范围内的概貌，不同方向的 小波对方向信息敏感。在弹性匹配中，应用小波变换抽取特征，对于细微表情变化具有一定 的不变形，同时保留了空间位置信息，在一定程度上容忍人脸从三维到二维投影引起的变化。 l a u r e n z 等人 8 4 基于小波的弹性匹配方法对光线、变换、尺寸和角度具有一定的不变性， 并且弹性图型匹配保留7 - 维图像的空间相关信息。因此在有表情，光照等变化的人脸识别 中，弹性图形匹配具有灵活性和鲁棒性。c a m p a d e l l i p 8 5 采用人脸基准点而不是二维网 格的节点作为拓扑图的节点，即将基准点定位在图像的敏感位置，如眉毛，眼角。鼻翼，嘴 角，下巴等，文献方法定位了1 6 个基准点，每点的特征为g a b o r 小波变换的特征，他忽略 了除重要人脸不见以外的特征数据，把重点直接放在敏感区域，并且不需要手一l ：定位或算子 介入。 3 基于b a y e s 验的入睑识翱方法 b a y e s ( 贝叶斯) 决策理论是模式识别领域中的经典理论。应用b a y e s 决策理论进行模 东南大学硕士学位论文小渡变换在人脸识别中的应用研究 式分类，首先要知道各类的先验概率和概率密度函数。由于在计算机人脸识别应用中，每类 训练的样本较少，不能够从训练集中精确地估计出每类人脸分布的概率密度函数。因此，将 多类的人脸图像概率分布转化到两类人脸图像的概率分布和异类人脸图像的概率分布。对于 两类问题，每类的训练样本较多，可以较为精确地估计出各类 l q 概率密度函数。 该方法首先假设同类人脸图像和异类人脸图像都服从高斯分布。对丁- 一幅待识别人脸图 像，将该图像对人脸库中的每一类人脸图像求出差值图像，并分别求出该差值属于同类人脸 图像和异类人脸图像的条件概率，若同类条件概率大于异类条件概率，则认为二者为同一人 脸图像，否则，则认为二者为不同人脸图像。由于该方法对同类人脸图像和异类人脸图像的 概率密度进行估计，在分类过程中应用了各类分布的先验信息，因此可以在一定程度上克服 人脸图像光照，表情等变化对人脸识别系统的影响。z h i f e n gl i 6 4 将贝叶斯与支持向量机 结合，利用贝叶斯原理将两类支持向量分类器拓展为多类分类器，该算法可分类复杂的子空 间，不仅可识别不同的人脸，也能够识别出同一人脸的不同状态。j i n y ep e n g 8 0 提出一种 基于贝叶斯原理和不对称双正交小波的人脸识别方法，对图像的灰度变化和人脸的倾斜角度 变化具有很好的鲁棒性。x i a o g a n gw a n g 8 1 充分利用贝叶斯算法能够消除图像变换的差异 的特点，在降维后的p e a 人脸空间中，运用贝叶斯原理识别人脸，该算法传统的基于贝叶斯 的人脸识别算法对噪声更具鲁棒性。 4 基于最佳鎏鼬矢量集的人睑识翻壳法 基于最佳鉴别矢量集的人脸识别方法分为两个方向：基于f i s h e r 线性判别和基于 f o l e y s a m m o n 变换。其实质都是使样本在特征空间具有最大的类间距离与类内距离之比。 设样本在原空间的类间散布矩阵为最，类内散布矩阵为s ，则在特征空间中，类内距离 与类间距离之比为： ， 以( 吼，仍) = ( 衫s b q , y ( z 够t 凡够) ( 1 2 ) ，】1 = 1 式中：妒l i 仍为特征空间机向量 则最佳鉴别矢量集由下式给出： = m a x u ，( ) ) ( 1 3 ) 基于f i s h e r 线性判别求取的最佳鉴别矢量集为对应矩阵s ：1 s b 较大特征值的特征矢量， 该矢量集之间不正交，但样本在该矢量集上的投影线性无关。基于f o l e y s a m m o n 变换求得 的矢量集之间正交，但样本的投影线性相关，与基于k l 变换的人脸识别方法相比，基于 f i s h e r 的人脸识别方法能够抑制图像之间的与识别信息无关的差异，同时能够提取出异类 之间有益于识别的特征，因此具有更加优越的识别性能。q i n g s h a nl i u 等人 8 2 3 提出基于核 f i s h e r 线性判别式分析( k f l a ) 的人脸识别算法，算法中提出余弦核来提高多项式核函数 4 第一章绪论 的判别能力采用基于几何的特征提取方式以减少k f l a 的计算量，并且用最近特征线性分 类器进一步提高识别性能，减少存储空间，该算法具有很好的鲁棒性：c h e n g j u nl i u b 3 提 出种运用增强的f is h e r 线性判别式模型分类器的基于g a b o r 特征的人脸识别算法，将 g a b o r 小波提取的人脸特征输入增强的f is h e r 线性判别式模型分类器对其进行识别分类， 该算法对光照、人脸表情的变换具有鲁棒性。 5 基于神经晒络钧杰法 人工神经网络方法是把模型的统计特征隐含于神经网鲳的结构和参数中，对于人脸这类 复杂的，难以显式描述的模型，基于人工神经网络的方法具有独特的优势。人工神经网络的 方法便于建模，鲁棒性好，但是运算时问较长，并可能陷入局部晟优。s h a n g - h u n gl i 等人 2 7 提出基于概率决策神经网络( p m b a b i l i s t i cd e c i s i o nb a s e d ) 的a 脸识别算法，将基于概率决 策的神经网络分别应用于人脸定位，特征提取和人脸识别，通过f e r e t 和o r l 人脸库的测 试，算法具有良好的识别效果。全部识剐过程只需1 秒种即可完成。r i c a n e kk 2 8 将基于 h o f i e l d 网络的最优能量方程应用于模式识别与人脸识别，算法具有较高的识别效率和良好 的鲁棒性。 总的来说，入脸识剐技术的难点在于人脸图像受到很多因素的影响，比如：光照条件、 姿态、背景、面部表情以及附属物如眼镜、发型。这些因素的变化。都会导致人脸图像的识 别错误。目前还没有有效的识别算法能够解决所有这些因素的影响。人脸识别是一个跨学科 富有挑战性的前沿课题，他不同于：其他刚体，有着丰富的变化，而且个体间的差异较大，一 个实用的识别系统必须考虑识别算法的鲁棒性和实时性。 1 3 小波变换在人脸识别与检测中的应用( 8 ，9 ，1 0 ，n i 3 1 小波变换与人脸识别 小波最先在工程中被地球物理科学家用来分析地表下的岩层“图像”近年来，小波理 论飞速发展，与o c t 变换、f o 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，离敝小 波变换具有以下几个优点： 1 它具有多分辨率分析的特性。原始图像进行不同尺度的小波分解可以获得目标图像 不同层次的遥近信息藕细节信息，提供了不同的努耋信息。由予其褪刭精箍逐步观察信号的 特性，常把小波交换誉为观察信号的数学显微镜。 2 实际应用时，它具有运算速度快的特点。首先，离散小波变换对原始图像的分解可由 m a l l a t 算法 6 9 ，7 1 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。对于长发为的数字信号，龋a l l a t 小 波变换运算量为o ( n ) ，f f t 的运算量为o ( n l o g n ) 直接进行离散f o u r i e r 变换则需要 o ( n 2 ) 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 东南大学硕士学位论文小波变换在人脸识别中的应用研究 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。 3 小波分解后，数据量并没有增加，不会占t ；| 人量的计算内存，有利于计算机的实时处 理。 4 可针对不同的实际应用情况，灵活地选择适当的基小波，使对应的小波变换在时频两 域都具有最佳的表征信号局部特征地能力， 由上述小波变换的特点可知，小波变换的应用领域是很广泛的，在目前，在图像处理、 语音信号处理、故障诊断、瞬态信号检测、信号去噪、生物医学、机械运动，化工，地震 、水声、雷达、通信等各个方面都有广泛应用。在图像处理领域多应用于图像压缩，图像去 噪，边缘检测和特征提取等方面。 对于人脸识别领域，由于人脸处于高维，人脸是非刚体，存在表情变化；人脸随年龄增 长而变化；发型、眼镜等装饰对入脸造成遮挡；人脸所成图像受光照、成像角度、成像距离 等影响，因此人脸图像信号存在极大的不确定性。由于小波变换蠢好的分析一陛能和在处理非 稳态信号方面的优势，他被越来越多地应用于人脸识别与检测研究。 c h a n g y o n gy o o n 1 2 将小波变换用于图像降维( 使用低分辨率分量) ，并与k l 变换和模糊c 均值方法相结合由于人脸识别和检测，使得计算量减少，识别速度提高。w s l e e 1 3 ，pc y u a n 1 4 c h i f ac h e n 1 5 等也利用小波变换降维和提取特征，并与f l d ，p c a ，神经网络等方法 相结合来实现人脸识别。lh y a n g 1 6 将非线性小波近似应用于人脸识别算法，非线性小渡变换 能够消除人脸图像的冗余信息，选择有用的数据更好地近似原图像，使识别率提高但数据量却减 少了很多，关键在于如何确定有用的非线性小波系数的位置。k u nm a t 7 用离散小波变换系数代 替g a b o r 小波系数来表示人脸弹性图的不同的节点，其识别率不逊于使用g a b o r 小波，但计算鼍 和所需内存减少了很多，适用于实时系统应用。还有，m b i c e g o 1 8 将小波变换用来提取人脸特 征，再运用隐性马尔科夫摸型对人脸图像进行编码与分类，b a i l i n gz h a n g y e i g 也通过小波变 换得到实质性的人脸特征，并结合a m ( a u t o - a s s o c i a t em e m o r y ) 模型进行分类识别。这类将小波 变换与统计模型相结合的算法，都得到了很高的识别率。j i mg e m m e l 等人 2 2 将分级小波变换应 用于人脸特征检测，第一级小波变换检测人脸位置，第二级小波变换定位人脸特征，能够得到较 高的准确率。另外，将小波变换与各种特征分类器结合的人脸识别与检测算法也得到了比较好的 效果。如 2 0 ， 2 1 。等等。 将小波变换应用于人脸识别的优势在于： 1 通过小波变换能够同时得到频域和时域信息。可以得到垂直、水平和对角方向的轮 廓。小波变换图像包括一个低频图像，和三个高频图像。比原图像具有更低的维数。并且可 以重复小波变换直到得到合适维数的结果图像，因此应用小波变换能够得到更低维数的人脸 图像，减轻计算复杂度，减少计算复杂度。提高系统实时性。小波变换比较于其他变换的特 性在于能够对由系数矩阵构成的图像进行多分辨率分析，而心理视觉研究已证实人类的视觉 6 第一章绪论 系统正是以多尺度的方式对图像进行处理，应用小波变换分解人脸图像可以得到最实质的人 脸特征。 2 小波变换本身对光线的变化具有鲁棒性 2 0 j ， 早期的研究表明低频了带分量在人脸 识别中具有主导作用。n a s t a r e ta l 6 1 研究过人脸外观的变化和他们的变形频谱之间关系，发 现人脸表情和小范围的遮盖只是局部地影响原图强度。在基于频率的表征下，只有高频频谱 受到影响。而脸部姿态或尺度的变化影响低频频谱。l a ie ta l 7 表明：( i ) 脸部表情的影响 可以通过消除高频分量来销弱：( 2 ) 低频分量足够用来作人脸识别。 1 3 2 基于小波变换的人脸特征提取 利用特征匹配的识别算法在目前大多数识别系统中普遍采用的方法，而目标的识别结果 在很大程度上依赖于对目标特征的检测、特征的鉴别能力和特征的准确度与可靠度。特征寻 则的主要目的是获得一些最有效的特征量，从而使同类目标具有最大f e 度的相似性，而使不 同类目标具有最大相异性，同时提高分类计算效能，降低存储器的存储要求。从实时性和信 号表示的有效性考虑，小波变换要比其他二次时频表示以及线性时频表示中的加窗f o u r i e r 变换更为优越：他的变焦特性，很容易将类别间差距最大的部分进行突出表示，从而将不同 类之间的差异放大，有助于提高分类识别的准确度：小波变换可以提供丰富的特征子集，使 得构造特征向量的选择余地很大；小波变换的m a l l a t 快速算法，适台于在线分析a 因此， 小波变换在非稳态信号分类中获 导了广泛应用。 采用小波变换提取目标特征并进想分类的过程，实际是建立从信号到目标类别的映射。 这个过程可分为三个映射，即：1 、信号的小波变换：2 、信号小波特征分量选择、3 根据小 波特征分量集分类识别。 从信号到小波域的映射实际是对信号的滤波过程，常用的方法包括连续小波变换，离散 小波变换和小波包分解等等。小波变换与f o u r i e r 变换一个非常明显的不同点是小波变换中 的小波基函数并不唯一，满足锌许性条件的小波函数从理论上来说都可以进行信号的分析和 重构。但小波函数的选取不同，分解结果不相同。小波函数对识别效果的影响，取决于小波 基函数的特性。对小波函数支集长度、对称性、消失矩阶数和正则性的选取，目前尚没有普 遍可循的规则，需要根据目标本身特点和实际分类结果来逐步改进，同时也要考虑到小波变 换的运算复杂度和实时性等因素 1 1 。 从信号小波域到特征集的映射，就是由信号小波变换系数构造表示目标轮廓或区域的小 波描述子。进而得到描述目标小波特征集并降低特征集维数的过程。目标小波描述子的构造 方法很多，可以直接由小波变换分量系数或小波系数构造，如何选择小波变换分量，需要针 对的问题，通过实验确定，通常会采用小波变换的逼近分量 1 3 。 从小波特征集到所属类别的映射是将信号的特征矢量与存储目标的理想特征矢量进行 比较，一旦确定了目标的最接近匹配，分类器就将目标映射到相应类别。因此选择对于小波 7 东南大学硕士学位论文小波变换在人脸识别中的应用研究 变换特征矢量分类性能好的分类器，将有利于识别效果、实时性等性能。 在目标识别中，小波变换主要被应用于特征提取和信号去嗓过程，由信号小波变换提取 的目标特征大体可分为：1 、直接用小波系数作为特征 1 5 ；2 、用小波系数的统计特性作为 特征；3 、各尺度的对频能量分布特征i4 、小波系数的聚类或矢量量化 1 7 i5 、以小波系 数的变换结果作为特征；6 、小波变换的模极大值特征。 1 1 本文中的算法基于二维离散小波变换系数提取人脸图像特征，人脸图像经离散小波分 解后，得到不同尺度，不同频率的小波系数分量矩阵，这些系数完备地描述了信号的时域、 频域特征，不同分量之间描述了信号的频域特征，分量内描述了信号在对应频段内的时域特 征。选择合适的小波系数分量作为人脸分类的特征子集通常认为人脸信号离散小波变换的 低频分量为能量集中频段，具有最大类分离能力。同时，通过选择不同尺度的小波变换分量， 将人脸的高维空间缩小到一个合适大小的低维空间。变换后的小波分量系数可以直接作为人 脸的特征向量输入分类器【1 2 ，2 1 】，如人工神经网络、贝叶斯分类器、支持向量机等：或者在 小波分量系数低维空间中进行线性( 如：主分量分析或奇异值分解) 或非线性变换( 如：独 立成分分析等) 得到新的特征向量 1 3 ，1 4 ，1 6 】。利用离散小波变换提取特征，不仅十分有效站 降低了维数；而且由于在频域的局部分析能力，有助于降低噪声对模式特征的影响。更重要 的是t 充分利用了小波变换在时域上的局部分析能力，提供了能量集中频段成份的时域信息 作为提取的特征。 1 3 3 数字人脸图像的二维离散快速小波变换 二维离散小波变换是一维离散小波的推广，其实质上是将二维信号在不同尺度上的分 解，得到原始信号的逼近分量和细节分量。为了将一维离散小波推广到二维，只考虑尺度函 数是可分离的情况，即；侈( 石，y ) = 妒( x ) 妒o ) 其中庐( 功是一维尺度函数，其相应的小波是 ( z ) ，下列三个二维基本小波是建立= 维小波变换的基础： ( z ，y ) = 伊( z ) ( j ，) ，妒2 ( x ，j ，) = 缈( x ) 妒( y ) ，3 ( 工，y ) = ( x ) y ( y ) ( 1 4 ) 他们构成二维平方可积函数空间三2 ( 月2 ) 的正交归一基 从原始图像f ( x ，y ) 开始，分辨率为m x n ，上标j 指示尺度，对于= 0 ，尺度 2 = 2 0 = 1 ，也就是原始图像的尺度，j 值的每次增大都使尺度加倍，而使分辨率减半。 在变换的每一层次，图像都被分解为四个四分之一大小的图像，他们都是由原图与一个小波 基图像的内积后，再经过在行和列方向进行2 倍的间隔抽样而生成的。分解的结果为：近 8 第一章绪论 似分量l l 、水平细节分量l h 、 垂赢细节分量h l 和对角细节分量h h 。后续的层次- ， l 依次类推，形成如图1 3 ，1 所示形式 a ) 原始图像b ) 第一层c ) 第二层 d ) 第三层 图1 3 1数字人脸图像的离散小波变换 采用m a l l a t 的快速算法，用对应于尺度函数和小波函数的低频滤波器：- i ( n ) 和高频滤 波器g ( 行) = ( 一1 ) 。”h 0 一”) 分别与图像f ( x ，_ y ) 的每行作卷积并丢弃奇数列( 以最左行为 第。列) 。接着这个m 等阵列的每列再和月。) 和g ( 玎) 相卷积，丢弃奇数行( 以最上行 为第。行) 。结果就是该层变换所要求的四个等警的数组。如图1 3 2 所示： 图1 3 2小波变换的m a l l a t 快速算法 四个分量从上至下依次为l l 分量( 对原图的近似) ，l h 分量( 水平方向的高频信息和 垂直方向的低频信息) h l 分量( 水平方向的低频信息和垂直方向的高频信息) ，h h 分量 9 东南大学硕士学位论文 小波变换在入脸识别中的应用研究 ( 对角线信息) 。对于n 维信号，快速离散小波变换的计算复杂度为：o ( n ) ，而其他变换的 快速算法需要n l 0 9 2 ) 的计算复杂度。因此，离散小波变换用于硬件设计。如果识别系统 有实时的要求，硬件中的嵌入部分将使之达到要求。 1 。4 本文的内容安排 文中实验均采用英国剑桥大学的o r l ( o l i v e t t i r e s e a r c hl a b o r a t o r y , h t t p ：w w w c a r n o r t c o u m k e d a 钯b a s e 。h t m i ) 世库，该人脸蓐包含来自予4 0 个实验者的4 0 0 幅人脸图像。有些图像是在不同的时间、变化的光线、脸部具有表情变化( 如，眼睛的闭合， 笑脸等) 和附属物( 如眼镜，胡须) 的情况下掐摄的。所有的图像均为黑色背景，匿i 像为实 验者的正面，带有一定程度的朝上下左右的偏转或倾斜。图像均为灰度图，分辨率为9 2 * 1 1 2 。 本论文的主要介绍了基于小波变换的人脸特征定位和人脸识别算法，对于基于小波 变换的人脸识别本文将主要介绍基于小波变换和人工神经网络的人脸识别算法和基于小波 变换和支持向量机的人脸识别算法，并将实验结果与经典人脸识s q 方法比较。 论文的主要内容包括： 第一章绪论介绍人脸识别的背景和意义，人脸识别的研究现状和发 展趋势，其 在人脸识别与检测中的应用现状。并简单介绍了基于小波变换的特征提取和对 于数字图像的离散小波变换。 第二章基于小波变换的人脸特征定位提出了一种基于离散小波分量的人脸特征定 位的算法，运用适当的小波分量，由粗到细的检测人脸特征。实验证明该方法 对表情变化、姿态变化、附属物干扰具有一定的鲁棒性。 第三章基于小波变换和主成份分析法的人脸识别介绍了基于主成份分析法 ( p r i n e i p i ec o m p o n e n t a n a l y s i s ) 的入脸算法，将其与离散小波结合在低频分 蟹上进行p c a 算法。利用离散小波变换降低图像维数，削弱光线的干扰和表情 变化的干扰，并实验证明算法性能。 第四章基于小波变换和人工神经网络的人脸识别将小波变换作为人脸特征提取的 方式。将低频分量输入b p 网络分类器以识别人脸。介绍了b p 神经网络各项参 数的设置，讨论了小波基函数和离散小波变换级数的选择。实验确定b p 神经 阏络隐含层神经元数。并将离散小波变换( d i s c r e t ew a v e l e tt r a n s f o r m ) 与离散 余弦变换( d i s c r e t ec o s i n e t r a n s f o r m ) 对人脸特征的提取性能进行了比较。 第五章基于小波交换和支持向量机的入脸识澍介绍了支持向量机理论及其在模式识 别中的应用。将小波变换低频分量作为特征向量，输入支持向量分类器，实验 表明不同的核函数以及他们的参数对入脸识别的结果有较大影响。 第六章总结论文内容。 0 第二章基于离散小波变换的人脸特征定位 第二章基于离散小波变换的人脸特征定位 人脸检测和特征定位是自动人脸识别系统中的一个关键环节，但是早期的人脸识别研 究主要针对具有较强约束条件的人脸图像( 如无背景的图像) ，往往假设人脸位置已知或很 容易获得，因此人脸检测问题并未受到重视近几年随着电子商务等应用的发展，人脸识 别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般环 境图像具有一定的适应能力，由此所面临的一系列1 司题使褥人脸检测开始作为一个独立的 课题受到研究者的重视，今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴， 在基于内容的检索、数字视频处理、视觉监测等方面有着重要的应用价值对人脸检测与特 征定位的描述如下：对于给定的动态视频或静止图像，检测其中未知数目的人脸并定位其特 征。人脸识别与特征定位算法应该对图像光照、姿态等噪声具有良好的鲁帮性，同时要求算 法的运算时间短计算复杂度低，适用于实时系统。 本章主要介绍人脸检测与特征定位研究现状，以及小波变换在人脸检测和特征定位中的 应用，并提出一种方法简单同时具有一定鲁帮性的基于离散小波变换的人脸特征定位算法。 2 1 人脸检测与特征定位研究简述 3 6 ，3 7 ，3 8 目前对于人脸检测研究方法大致可以分为基于统计的方法和基于知识的方法两类前者 将人脸看作是一个离维矢量。将人脸检测转化为商维空间中分布信号的检测问题；后者利用 人脸子图的空间分布知识建立若干规则，将人脸检测问题转化为假设、验证问题。 1 ) 基于统计的方法主要有： i ) 基于神经题络方法 神经网络具有记忆功能，当训练样本比较全面时，神经网络可以处理比较复杂的检测问 题。由于人脸模式、眼睛模式和嘴巴模式等都有比较明显的特点，神经网络方法能够适应较 为复杂的人脸检测，准确性也比较高。但是，由于人脸属于高维矢量，导致网络中训练节点 众多，算法往往需要大量的训练样本，因此，神经网络方法的研究着重于系统的优化训练。 2 ) 。基于模撮方法 模扳方法是计算人脸模板与局部图像的相关程度，如果超过、嫂定的门限，就认为检测到 了人脸。其中，椭圆型模板是最常见的人脸检测模板，它适用于检测人脸的轮廓。弹性模板 由于精确度高，也常被用来检 9 1 | j 入脸和特征的轮廓。 3 ) j 基于子空间方法 假设所有人脸模式集都在一个小的子空间上，这个子空间可以用数据集及其主分量求 得。如果某个图像模式与该某个类的距离小于给定的门限，则可以判断该模式是人脸模式， 否则不是人脸模式。子空间方法的特点在丁二简便易行，但是由丁没有反例样本信息，所以对 于类似人脸的物体辨别能力不足。 2 ) 基于知识的方法主要有： 东南大学硕士学位论文小波变换在人脸识别中的应用研究 1 ) 基于图像的分布规律的方法 利用人脸模式的图像不变性，即共有的独特空间图像分布的相互关系，人脸的亮度和色 彩分布有一定的顺序结构，图像中灰度分布最符台这种不变性的部分就是人脸部分。如基于 肤色模型和肤色分割的人脸检测算法，利用人的肤色在颜色空间中的分布相对比较集中的特 点，能够将人脸同大部分背景区分开来 2 ) 基于入睑五官分布规律的方法 人脸具有一定的轴对称性，五官也具有一定的对称性，检测一个圆形区域的对称性，利 用人脸的五官特性，从而确定是否为人脸。镶嵌图法 3 9 也用同一张图在不同分辨率下构成 相应分辨率下的马赛克圈，运用一些系列特征规则实现从复杂背景中定位眼睛、口和鼻子的 位置。 对于人脸特征定位，基于变形匹配常用的方法有：积分投影、模板匹配、利用人脸的五 官在水平或垂直方向的梯度特性、主成份分析法、h o u g h 变换、基于规则库等。 许多研究学者将多种算法融合在一起，对于不同的检测阶段运用适当的算法。算法简单， 运算时间短并具有良好鲁棒性逐渐成为个好的人脸检测与特征定位算法的评价标准。这里 我们将着重于人脸特征定位介绍一些目前的研究成果。例如：k a r u n