（生物医学工程专业论文）基于粗集和小波变换的人脸识别研究.pdf

原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独 立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不 包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研 究作出重要贡献的个人和集体，均已在文中以明确方式标明。本声明 的法律责任由本人承担。 论文作者签名：i 筮应喹 日 关于学位论文使用授权的声明 本人完全了解山东大学有关保留、使用学位论文的规定，同意学 校保留或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；本人授权山东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、缩印或其他复制手段 保存论文和汇编本学位论文。 ( 保密论文在解密后应遵守此规定) 论文作者签名：主盗盟导师签名：盔i 蛐日 期：理! ! ：! ： 山东大学硕士学位论文 目录 摘要i a b s t r a c t 1 i i 第1 章绪论1 1 1 人脸识别的研究背景及应用价值1 1 2 人脸识别的发展现状3 1 2 1 人脸识别的研究内容3 1 2 2 现有的人脸识别方法和系统4 1 2 2 1 现有的人脸识别方法4 1 2 2 2 现有的人脸识别系统5 1 3 人脸数据库6 1 4 本文的主要内容及章节安排7 第2 章人脸识别技术的主要研究内容和常用方法9 2 1 引言9 2 2 人脸检测和定位方法9 2 2 1 基于人脸特征的方法9 2 2 2 基于模板的方法一1 0 2 2 3 机器学习算法l o 2 3 人脸特征识别1 0 2 3 1 特征脸法l l 2 3 2 弹性网格方法1 2 2 3 3 小波变换方法1 3 2 3 4 隐马尔科夫方法1 4 2 3 5 人工神经网络方法1 5 2 3 6 基于局部特征的识别方法1 7 2 4 本章小结1 8 第3 章基于小波包变换的人脸图像预处理1 9 3 1 引言1 9 山东人学硕十学位论文 3 2 小波包变换的理论基础1 9 3 2 1 小波包定义2 0 3 2 2 小波包算法2 l 3 3 基于小波包分析的图像噪声去除2 2 3 3 1 图像噪声的产生和噪声分类2 2 3 3 2 利用小波包分析进行图像消噪2 4 3 4 基于小波包分析的图像压缩2 5 3 5 直方图均衡化2 7 3 6 人脸边缘提取2 9 3 7 本章小结3 0 第4 章改进的p c a 结合局部人脸特征识别方法3 3 4 1 引言3 3 4 2p c a 的理论基础3 4 4 2 1k ，l ( k a r h u n e n l o e v e ) 变换3 4 4 2 2 主成分分析( p c a ) 3 6 4 3 粗集的理论基础3 8 4 3 1 基本概念。3 8 4 3 2 粗集理论中的知识表示与约简4 0 4 3 3 粗集理论的应用方法4 1 4 4 基于p c a 的人脸识别方法一特征脸方法4 2 4 4 1 建立人脸识别子空间4 2 4 4 2 选取特征向量4 3 4 4 3 提取人脸局部特征4 4 4 4 4p c a 与局部特征识别方法的结合4 6 4 5 基于粗集理论的人脸特征筛选4 6 4 6 实验及结果分析4 8 4 6 1 基于g a b o r 小波的人脸局部特征识别4 8 4 6 2p c a 方法中特征向量的选择4 9 4 6 3 基于粗集理论改进的识别方法5 0 山东大学硕士学位论文 第5 章总结与展望：一5 3 5 1 工作总结5 3 5 2 人脸特征识别展望5 4 参考文献5 5 致谢5 9 作者在攻读硕士期间发表的论文6 1 山东大学硕七学何论文 i i 曼曼曼曼曼量曼量曼曼量量曼曼曼墨鼍量! 曼! 蔓曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼! ! ! ! 曼曼曼量曼舅暑皇曼曼曼曼曼曼曼量曼曼曼曼曼皇曼曼曼鼍罾曼曼曼曼曼量曼皇 山东大学硕士学位论文 c a r a l o g u e a b s t r a c ti nc h i n e s e 。i a b s t r a c t i i i c h a p t e r i i n t r o d u c t i o n 1 1 1t h er e s e a r c hb a c k g r o u n da n dv a l u eo ff a c er e c o g n i t i o n 1 1 2t h ed e v e l o p m e n ts t a t u so f f a c er e c o g n i t i o n 3 1 2 1t h es t u d yo f f a c er e c o g n i t i o n 3 1 2 2t h ee x i s t i n gs y s t e m sa n dm e t h o d so f f a c e r e c o g n i t i o n 4 1 2 2 1t h ee x i s t i n gs y s t e m so f f a c er e c o g n i t i o n 4 1 2 2 2t h ee x i s t i n gm e t h o d so f f a c er e c o g n i t i o n 5 1 3f a c ed a t a b a s e 6 1 4t h em a i nc o n t e n t sa n dc h a p t e r sa r r a n g e d 7 c h a p t e ri i t h em a i nr e s e a r c hd i r e c t i o n so ff a c er e c o g n i t i o nt e c h n o l o g y 9 2 1i n t r o d u c t i o n 9 2 2t h em e t h o d so ff a c ed e t e c t i o na n d1 0 c a t i o n 9 2 2 1t h em e t h o db a s e do nt h ef a c ef e a t u r e 。9 2 2 2t h em e t h o db a s e do nt e m p l a t e 10 2 2 3t h e a l g o r i t h mo f m a c h i n el e a r n i n g 1 0 2 3f a c ef e a t u r er e c o g n i t i o n 1 0 2 3 1e i g e n f a c e 11 2 3 2t h em e t h o do f e l a s t i c 鲥d 1 2 2 3 3t h em e t h o do f w a v e l e tt r a n s f o r n l 1 3 2 3 4t h em e t h o do f h i d d e nm a r k o v 。1 4 2 3 5t h em e t h o do f a r t i f i c i a ln e u r a ln e t w o r k 1 5 2 3 6t h em e t h o db a s e do nl o c a lf e a t u r e sr e c o g n i t i o n 1 7 2 4s u m m a r y 18 c h a p t e r i i iw a v e l e t - b a s e df a c ei m a g ep r e p r o c e s s i n g 19 3 1i n t r o d u c t i o n 19 3 2t h et h e o r e t i c a lb a s i so f w a v e l e tp a c k e tt r a n s f o m l 1 9 v 山东大学硕十学位论文 3 2 1t h ed e f i n i t i o no f p a c k e tt r a n s f 0 1 1 1 1 ：( ) 3 2 2t h ea l g o r i t h mo f p a c k e tt r a n s f o r m 2 1 3 3t h er e m o v a lo fi m a g en o i s eb a s e do nw a v e l e tp a c k e ta n a l y s i s 2 2 3 3 1t h eg e n e r a t i o na n dc l a s s i f i c a t i o no fi m a g en o i s e 2 2 3 3 2t h ei m a g ed e n o i s i n gb a s e do nw a v e l e tp a c k e ta n a l y s i s 2 4 3 4t h ei m a g ec o m p r e s s i o nb a s e do nw a v e l e tt r a n s f o r m 2 5 3 5h i s t o g r a me q u a l i z a t i o n 2 7 3 6f a c ee d g e 2 9 3 7s u m m a r y 3 0 c h a p t e ri v t h ei m p r o v e dm e t h o do fp c ac o m b i n e dw i t hl o c a lf e a t u r e r e c o g n i t i o n 3 3 4 1i n t r o d u c t i o n 3 3 4 2t h et h e o r e t i c a lb a s i so f p c a 3 4 4 2 1k a r h u n e n l o e v et r a n s f o r m 3 4 4 2 2t h ep r i n c i p a lc o m p o n e n ta n a l y s i s 3 6 4 3t h et h e o r e t i c a lb a s i so fr o u g hs e t 3 8 4 3 1t h eb a s i cd e f i n i t i o no f r o u g hs e t 3 8 4 3 2t h ek n o w l e d g er e p r e s e n t a t i o na n dr e d u c t i o no f r o u g hs e t 4 0 4 3 3t h ea p p l i c a t i o no f r o u g hs e t 4 1 4 4t h em e t h o do f p c ac o m b i n e dw i t hl o c a lf e a t u r er e c o g n i t i o n 4 2 4 4 1t h ee s t a b l i s h m e n to ff a c er e c o g n i t i o ns u b s p a c e 4 2 4 4 2t h es e l e c t i o no ff e a t u r ev e c t o r 4 3 4 4 3t h ee x t r a c t i o no ff a c ef e a t u r e 4 4 4 4 4t h ec o m b i n eo fp c aa n dl o c a lf e a t u r er e c o g n i t i o n 4 6 4 5t h ef a c ef e a t u r es e l e c t i o nb a s e do nr o u g hs e t 4 6 4 6e x p e r i m e n ta n da n a l y s i s 4 8 4 6 1t h ef a c i a lf e a t u r er e c o g n i t i o nb a s e do ng a b o rw a v e l e t 4 8 4 6 2t h ec h o i c eo ff e a t u r ev e c t o r si np c am e t h o d 4 9 4 6 3t h ei m p r o v e dr e c o g n i t i o nt h e o r yb a s e do nr o u g hs e t 5 0 c h a p t e r vs u m m a r ya n de x p e c t a t i o n 5 3 5 1s u m m a r y 5 3 5 2e x p e c t a t i o n 5 4 山东大学硕十学位论文 r e f e r e n c e s ! ；! ； a c k n o w l e d g e m e n t 5 9 a c h i e v e m e n t 6 1 v l l 山东大学硕士学位论文 山东大学硕十学位论文 摘要 近年来，生物特征识别技术随着计算机技术、电子技术以及自动控制技 术的发展而取得了长足的进步，生物特征以其高可靠性、普遍性以及低欺骗 性，越来越常用于身份识别领域。在各种生物特征识别技术中人脸识别是近 年来生物医学工程以及模式识别领域的研究热点，由于人脸识别方法的简单 易行，信息采集方便，适用范围广泛，所以在公共安全领域以及司法领域有 越来越广泛的应用。 人脸识别的基本步骤包括图像预处理，特征提取和特征识别等，在各个 步骤中研究人员已经提出了很多有效的研究方法，在这些方法中也存在一些 缺陷和不足，本文将采用改进的基本算法进行人脸识别的研究分析。在进行 识别工作之前本文首先利用小波变换对图像进行压缩降维、去噪和增强等预 处理，以利于后续步骤的进行，在特征提取和识别过程中我们将利用 p c a ( p r i n c i p a lc o m p o n e n ta n a l y s i s ) 方法和局部特征识别相结合的算法，并利 用粗集理论进行算法的改良。 本文将分三个部分表述论文的主要工作： ( 1 ) 首先我们利用小波变换的优良性质去除图像中的随机噪声，然后通 过实验确定压缩比，进行图像压缩，从而不影响后续的识别步骤。为了增强 图像细节，提高图像可辨别度，我们使用直方图均衡的方法进行处理。对直 方图均衡后得到的图像我们很容易进行边缘提取，并对图像中的人脸进行定 位。 ( 2 ) 基于p c a 的特征脸法是通过k l 变换提取人脸图像的整体信息，这 样的识别方法不能反映图像的局部细节特征，往往会造成识别的误差。本文 中我们采用p c a 方法和g a b o r 小波局部特征识别相结合的方法，以求达到较 好的识别结果。p c a 方法中选择特征向量的方法比较简单，可能会忽略一些 重要的信息或者掺入冗余信息，所以我们利用粗集理论的知识约简理论来选 择特征向量，使得特征向量的选择更有针对性。 ( 3 ) 我们进行仿真分析，将普通p c a 特征脸法和我们改进的方法进行实 山东大学硕十学位论文 验比较，通过对比得到的数据，验证我们提出的方法的可行性、识别性能并 指出方法的缺陷和不足。 最后我们对全文进行总结，指出需要改进之处，并对人脸识别系统的发 展前景进行展望 关键词人脸识别；小波变换；p c a ；特征脸；g a b o r 小波；粗集理论 i i a b s t r a c t l nr e c e n t y e a r s ，、i t hn l ed e v e l o p m e n to f c o m p u t e rt e c h n o l o g y e l e c 仃o n i c t e c h n o l o g y 甜l da u t 。m a t i cc o n t r o l t e c h n 。l 。g yb i 。m e t r i c t e c l l l l 。j 。g yh a s 星聆a t 翼胂s s 咖甜矗s h i g hr e l i a b i l i t y , u n i v e r s a l i t ya n di 。wd e c e p t i v e ，e l e c 二i l i c 冀c ? 1 1 0 l o g ) ，h a s b e e nu s e dm 。r ec o m m o r d yi n t 1 1 ef i e l d 。fi d e n t i 矗c a t i o n i i lv 撕o u s 鼍j 0 母咖c 蹴s t i c s 觚r e c 。g n i t i o n1 1 a s 慨m e r e s e a r c hf o c u si nm e 丘e l d 甜b i o m e d i c a le n g i i l e e 她，锄d 邮锄r e c 。嘶t i o n f a c er e c 。嘶t i o nm 劬0 d si s _ ? 。m 恤蒯d o f p u b l j c s a 脚i nm e 丘c l da sw e l l 雒j u d i c i a lm o r ea i l dm 。r e m d e l yf o ri t ss i m p l ea n dc o n v e n i e n td a _ t aa u c q l l i s i t i o ni 1 1a w i d er 觚g e 一1 c s 2 印s 。ff a c er e c o g n i t i o n i n c l u d ei m a g ep r e p r o c e s s i n g ，f l e 栅e 篡缸彻砌p 执m r e c 。g n i t i o n i nt h e s es t 印sr e s e a r c h e r s h a v e p r o p o s e dm a n y ? 拄? 眦? l 劬础，a n d t h e r ea r es 0 m ef l a w s 锄ds h 。n c o m i n g si nt h e s em e t h o d 二 ：t h l s ? 1 c 1 e w e r a j s et h ei m p r o v e d a l g o r i t a n a i y s i s 。ft h eb a s i cr e c 。趴i t i 。n b e t 。r et h ew o r ko fi d e n t i f i c a t i 。n w em a k et h e i m a g ed i m e n s i 。nr e d u c t i 。nt 。 c o m ? s s 0 f 。s u c hp r e p r o c e s s i n g ，d e n 。i s i n ga n d e n h a n c e m e n tb yu s e0 fw a v e l e t ? 响衄证硎洲。f a c i l i t a t e t h ec o n d u c t 。f f o l l 。w u p s t e p s i nt h es t e p 。f ? a n 奠e x 。r a 嘶o n a i l dr e c o g n i t i o nw eu s et h e m e t h o d 。fc o r n b i n a t i 。n 。fp c - - j 理论 7 1 的一种 新的模式分类技术，它在形式上类似于神经网络，因此又称为支持向量网络。 s v m 采用结构风险最小化原则，使得在小样本、高维数的模式识别问题具有 比神经网络更好的推广性，因此也逐渐成为模式识别的首选分类器并在人脸 识别中中得到人们的极大关注。 基于模型的方法，该类方法首先建立一个通用的人脸模型，然后通过确 定模型中的参数来表征一张特定的人脸，而基于这些特定的人脸模型参数， 设计模型分类器。目前，常用的人脸模型有隐马尔科夫模型( h i d d e nm a r k o v m o d e l ) 、三维可变形模型( 3 dm o r p h a b l em o d e l ) 和主动表象模型( a c t i v e a p p e a r a n c em o d e l ) 。 基于局部特征的方法，前面介绍的各类方法将人脸作为一个整体模式， 其特点是人脸图像中每个像素处于平等的地位，而基于局部特征的方法，则 是从人脸图像的一些特定点，比如网格点或者人脸的一些关键点中提取信息， 用于人脸区分。常见的有弹性图匹配( e l a s t i cg r a p hm a t c h i n g ) 方法和局部特征 分析( l o c a lf e a t u r ea n a l y s i s ) 方法。 1 2 2 2 现有的人脸识别系统 人脸识别技术不仅在军警方面有很大的使用价值，民用上也有广阔的用 途。目前已经开发出来的系统包括应用于电子银行( 如a t m 取款机) 的人 脸验证系统、银行安全防范管理系统、会议代表身份认证系统、面像识别门 禁、面像识别考勤、网络安全系统、计算机安全系统等，这些系统目前已在 一些领域得到初步应用。 下面简单介绍一些主要的人脸识别商用系统。 ( 1 ) f a c e l t 该系统由i d e n t i x 公司( 原v i s i o n i c s 公司) 开发，相应的算法是基于局部特 征分析的。在f e r e t 正面人脸检测测试q b ( 1 0 0 1 幅图像和1 0 0 1 张人脸) ，f a c e l t 检测成功率高达9 8 ，错误报警为3 。在2 0 0 1 至2 0 0 2 年间f a c e l t 产品在美国几 5 山东大学硕士学位论文 个机场和警察局进行过试用。a c l u ( a m e r i c a nc i v i ll i b e r t i e su n i o n ) 声称测试 结果并不理想。其中对p a l mb e a c h 国际机场2 5 0 名员工中的1 5 名员工进行识 别，一个月的试用中有5 3 的时间无法正确识别。系统进行了超过9 5 8 次的 识别，其中有4 5 5 次成功。分析发现这次测试中影响识别率的因素包括数据 库中图像的质量、识别时头的方向、光线的变化和装饰( 眼镜) 等。 ( 2 ) f a c e l d 该系统f l 了v i i s a g e 公司开发，基于e i g e n f a c e 算法。v i i s a g e 于2 0 0 1 年初在 美国佛罗里达州坦帕市的r a y m o n dj a m e s 体育场进行了其f a c ef i n d e r 产品 的实验。警方秘密扫描了十万名进入体育场的观众面容，并用v i i s a g e 的系统 在警方的犯罪数据库中进行搜索。 1 3 人脸数据库 为了检验人脸识别算法的优劣，很多研究机构和高校建立了适合不同环 境和算法的人脸数据库，目前人脸识别领域常用的人脸数据库主要有： ( 1 ) a t & t 数据库 该数据库包括4 0 个不同年龄和性别的人的人脸图像，每个人有1 0 幅人 脸图像，其大小为l1 2 x 9 2 。在每个人的1 0 幅图像中分别存在表情变化( 如睁 眼、闭眼) 和人脸细节变化( 如有无眼镜) ，但是所有图像都是在相同光照和背 景条件下采集得到的。 6 国囡囝国国 目国囝囵国 图1 2a t & t 数据库中的人脸图像 山东大学硕士学位论文 ( 2 ) y a l e 人脸数据库 由耶鲁大学计算视觉与控制中心创建，包含1 5 位志愿者的1 6 5 张图片， 包含光照，表情和姿态的变化。 ( 3 ) m i t 人脸数据库 由麻省理工大学媒体实验室创建，包含1 6 位志愿者的2 5 9 2 张不同姿态、 光照和大小的面部图像。 ( 4 ) p i e 人脸数据库 由美国卡耐基梅隆大学创建，包含6 8 位志愿者的4 1 3 6 8 张多姿态、光照 和表情的面部图像。其中的姿态和光照变化图像也是在严格控制的条件下采 集的，目前已经逐渐成为人脸识别领域的一个重要的测试集合。 ( 5 ) a r 人脸数据库 由西班牙巴塞罗那计算机视觉中心建立，包含1 1 6 人的3 2 8 8 幅图像。采 集环境中的摄像机参数、光照环境、摄像机距离等都是严格控制的。 ( 6 ) p f 0 1 人脸数据库 由韩国浦项科技大学创建，包含1 0 3 人的1 7 5 1 张不同光照、姿态、表情 的面部图像。 ( 7 ) b a n c a 人脸数据库 该数据库是欧洲b a n c a 计划的一部分，包含了2 0 8 人，每人1 2 幅不同 时间段的面部图像。 ( 8 ) k f d b 人脸数据库 包含了1 0 0 0 人，共5 2 0 0 0 幅多姿态、多光照、多表情的面部图像，其中 姿态和光照变化的图像是在严格控制的条件下采集的。 ( 9 ) m p l 人脸数据库 该数据库包含了2 0 0 人的头部3 维结构数据和1 4 0 0 幅多姿态的人脸图 像。 ( 1 0 ) x m 2 v t s 人脸数据库 该数据库包含了2 9 5 人在4 个不同时间段的图像和语音视频片断。在每 个时间段，每人被记录了2 个头部旋转的视频片断和6 个语音视频片断。此 外，其中的2 9 3 人的3 维模型也可得到。 7 山东大学硕七学位论文 根据本文中算法的要求，我们选择了相同背景条件的a t & t 人脸数据库作 为我们的研究对象以及检测算法的基础。 1 4 本文的主要内容及章节安排 在本文中，我们将在第二章介绍人脸识别技术主要研究内容和现有的常 用方法，提出我们所采用的方法；第三章中我们采用小波变换的方法对我们 研究的人脸图像进行去噪、压缩和增强等方面的预处理；第四章我们采用特 征脸方法和人脸局部特征识别方法相结合的方法进行特征识别，并根据粗集 理论对特征提取的方法进行改进，然后给出我们的实验结果；最后在第五章 我们总结我们采用的方法的优缺点，并对人脸识别研究的前景进行展望。 8 山东大学硕七学位论文 第2 章人脸识别技术的主要研究内容和常用方法 2 1 引言 经过很多研究者的深入研究，人脸识别技术有了很大的进步，现在人脸 识别已经成为个系统的、完善的研究领域，并有了明确的研究方向和目的。 在本章中，我们将对现有的人脸识别技术进行总结和分析，找到各项技术的 优点及缺陷，为我们以后的研究工作奠定理论基础。 2 2 人脸检测和定位方法 人脸检测1 5 l 是指在我们采集到的整幅图像中检测是否存在人脸并对人脸 进行定位。人脸检测的结果直接影响后续的人脸识别的速度和准确度，特别 是人脸识别研究发展到自动识别的阶段，人脸识别系统被要求具有很好的环 境适应能力，所以人脸检测被作为重要的研究领域进行单独研究。现有的人 脸检测的方法一般有三种，第一种是基于人脸特征的方法，第二种是基于模 板的方法，第三种是使用机器学习算法。 2 2 1 基于人脸特征的方法 基于人脸特征的方法1 6 】是根据人们对于人脸特征的先验知识，如人脸的 纹理特征和颜色特征等，建立若干规则，然后进行人脸区域的检测。彩色图 像最常用、最直观的表达方式为r g b 颜色空间，但r 、g 、b 三者之间存在着 较强的相关性，而且这种颜色空间对亮度变化较为敏感，所以我们通常将r g b 图像进行颜色空间变换，而通过比较多种颜色空间，研究者们通常选择h s i 空间作为肤色的映射空间。这种方法的缺点是h s i 空间的元素不是人的直观 感受，因此很难将人们的知识转化为定义良好的规则【7 】，如果规则太过详细， 检测就很难满足所有的条件，造成漏检，而如果规则太简单，又会得到太多 人脸区域，造成误检。而且这种方法容易受到图像光照条件以及人脸姿态变 9 山东大学硕十学何论文 化的影响，因此在检测前要进行有效的预处理以满足检测条件。 2 2 2 基于模板的方法 基于模板的方法【即是预先给定一些不同的标准样板，并将我们采集的图 像进行一系列变换，然后将变换后的参数与模板参数阈值进行比较，用来检 测图像中是否存在人脸，这种方法还可以用来进行人脸定位。这种方法对于 模板的要求比较高，现有的模板局限性较大，而且很难有效处理姿态和尺度 变化的问题，不适合用于大量人脸信息的检测。 2 2 3 机器学习算法 现在在人脸检测领域中研究者采用的比较好的方法是机器学习算法【9 】， 这种算法主要是利用神经网络学习算法和a d a b o o s t 算法等，而且可以和其他 方法，如基于特征的方法，相结合以达到更好的结果。其中研究者利用神经 网络的方法通常能通过足够多次的训练达到比较高的准确率，但是这种方法 的代价是识别速度不高，难以达到实时性和高效率。a d a b o o s t 算法【lo 】的原理 是使用多个检测力不强的检测器叠加起来，形成一个较强的检测器，只要弱 检测器的数量足够多，那么强检测器的检测能力就会足够强，研究者的试验 中使用四个不同区域的检测器并行，检测准确率达到了9 8 ，速度也较快。和 其他几种方法相比，这种方法可以得到较高的识别率，并且可以实现较为准 确、鲁棒的器官定位。 2 3 人脸特征识别 人脸特征提取和识别主要有两大研究方向，一种是基于人脸的生理几何 特征，如肤色，人脸各器官的大小、位置等；另一种是基于统计特征的方法， 主要使用的方法有特征脸法，网格图像匹配方法，神经网络方法等。人脸图 像中的几何特征是早期人脸识别中常用的识别依据，但是由于人脸姿态、表 情以及光照等因素的影响，鲁棒性不高，因此现在常用的是以下几种基于统 计特征的识别方法。 1 0 山东大学硕士学位论文 2 3 1 特征脸法 特征脸方法是p e n t l a n d 首先提出的，特征脸方法利用的是人脸样本集之 间存在共性，即存在着一个样本集的“标准脸”，选用的人脸图像样本集图像 越大，“标准脸越能体现人类脸部特征的基本共同轮廓。 由t u r k 和p e n t l a n d 在1 9 9 1 年提出来的主成分分析方法( p r i n c i p a l c o m p o n e n ta n a l y s i s ，p c a ) 是特征脸识别中常用的方法，是目前最流行的人 脸识别方法之一，它的计算基础是k l i i , 1 3 1 变换。k - l 变换的原理是将输入 信号进行变换展开成正交基函数的线性组合( 即正交变换) ，使得信号相对于 基函数的各个分量不相关，从而不会相互干扰。p c a 方法【1 2 , 1 4 , 1 5 1 着重于研究 如何转换原始变量使之成为一些互相独立的线性变量的组合，而且经过线性 组合而得的这些变量能够保有原始变量尽量多的信息。所以p c a 方法的关 键就在于如何利用选择特征值及特征向量的方法【1 6 】，过滤出占最大信息量的 成分，即主成分。这样的方法可以使信息量大大减少，识别的针对性和速度 指标也会有很大改善。 对于一幅大小为m x n 的人脸图像，将其每列相连则构成一个大小为 d = m x n 维的列向量，这里的d 就是人脸图像的维数，即图像空间的维数。 设m 是训练样本的数目，x ，为第j 幅人脸图像形成的人脸向量，则所有训 练样本的协方差矩阵为： 品= ( 一一p ) 吗- u ) 7 ( 2 1 ) j = l 其中为训练样本的平均图像向量： 2 j if l l x ， ( 2 - 2 ) 通过求解研的特征值和特征向量，然后通过选取前d 个特征向量来建立 子空间，而子空间中包含的能量包含原图像的绝大部分，就可以达到降维的 目的，这样信息量大大减少，识别的针对性和速度指标比以往得到很大改善。 在实际应用中，经常使用离散余弦变换( d c t ) 代替k l 变换进行计算， 将图像表示为具有不同振幅和频率的余弦曲线的和，可以将图像的大部分特 山东大学硕七学位论文 征仅用少数几个低频d c t 系数来表示，同样起到降维的效果。 对于m x n 二维图像x ( i ，j ) ，其d c t 变换c ( u ，v ) 定义为- c 咖击嘶川喜加叫訾s t 笋， ( u = 1 ，2 ，m - 1 ，v = l ，2 ，n - 1 )( 2 - 3 ) 厅 其中当u = 0 时a ( u ) = 、去，其他a ( “) = 1 。 由于d c t 变换具有类似于离散余弦变换的快速算法，使得其应用范围更 大，例如，j p e g 的压缩原理就是基于d c t 变换。 近来，将各种算法结合在一起成为趋势【1 7 】，比如将线性判别分析( l d a ) 基于样本的降维与p c a 或d c t 结合，l d a 方法是对p c a 方法的改进克服 了p c a 方法的不足。通过对p c a 特征的二次提取，得到了比p c a 方法更好 一些的识别结果。d c t 与f l d 的结合是从d c t 的低频系数中选取的特征集 中了人脸大部分的信息量，经由f l d 最佳投影将这些特征尽可能地分开，便 得到了具有较好鲁棒性的整体特征。特征脸的思想也可以延伸到特征器官， 如特征眼，特征嘴巴，特征鼻子等。研究者的实验表明，在低阶空间中，特 征器官比特征脸更有效，同时实验表明，识别正面且表情变化不大的人脸时， 应用特征器官进行的混合识别方法的性能并没有很大提高。研究人员认为， 当输入图像有很大变化时，基于特征脸的方法会更有效。 2 3 2 弹性网格方法 弹性图匹配【l8 】是由w i s k o t t 等人提出的一种基于小波变换的研究方法， 适用于存在一定光照、表情和姿态变化的图像，但是由于该方法使用的数据 量较大，变化复杂，所以适用范围较窄，实时性不强，于是研究者们提出了 这种将网格技术与弹性图法结合在一起的基于网格的自适应弹性图人脸匹配 ( g b - a e g f m ) 的方法。 这种方法首先基于脸部结构的区域划分方法将人脸分成多个子区域，然 后利用不同密度的弹性图来划分不同的形变力度实现弹性变形，使用退火算 法找到弹性形变的最佳匹配，最后选用结构信息作为人脸整体特征信息，采 1 2 山东大学硕士学位论文 用自适应弹性图匹配方法( a e g f m ) 对人脸特征进行识别。由于使用以上方法 的复杂度较高，所以研究者通常将a e g f m 方法并行化运用，利用网格的存 储、计算和服务能力在网格的各个节点上进行基于时间约束的最小花费调度 ( t l l c ) 。 经过改进的弹性网格法在大规模、非约束人脸数据库的环境下具有较高 的识别率和速度，并且有较好的可扩展特性。 2 3 3 小波变换方法 小波变换【1 9 ，2 0 】是继傅里叶变换分析后的另一种应用广泛的分析方法。在 图像处理的研究中，小波变换能较好的保持各频带的边缘信息和图像细节， 因此在人脸识别方面取得了很好的效果。 小波分析是在现代调和分析的基础上发展起来的- - fj 新兴学科，其基础 理论知识涉及到傅里叶分析、泛函分析、信号与系统和数字图像处理等方面， 应用范围很广泛。小波分析的原理是将信号分解成一系列小波函数，这些函 数都由一个母小波函数经过平移与尺度伸缩后得到，然后将这些小波函数进 行叠加。小波变换属于时频分析技术且具有一定的去噪能力，它对不同的频 率成分在时域上的取样步长具有调节性，高频部分小，低频部分大。因此， 小波变换能够把信号分解成交织在一起的多种尺度成分，并对大小不同的尺 度成分采用相应粗细的时域或空域取样步长，从而能够较好地提取到研究对 象的任意微小细节。 小波变换的定义是把某一被称为基本小波( 也叫母小波m o t h e rw a v e l e t ) 的函数妒( t ) 做位移f 后，再在不同尺度口下与待分析的信号z ( ，) 做内积： 暇( 叩) = 忑1 x ( f ) 9 弋等卜 ( 2 4 ) 图像信号是一个二维函数，它的连续小波变换为： 哆( 口，气，) = 厂( x ，y 炒鸲，够( x ，y ) d x d y ( 2 - 5 ) 山东大学硕士学何论文