（机械设计及理论专业论文）人脸识别研究与应用开发.pdf

j月幕f-熹 计：学位论文 表 插 格 图 大连理工大学硕士学位论文 人脸识别研究与应用开发 7 l页 6 个 5 0 幅 学位论文完成日期： 2 q q 垒：兰 评阅人：麴量至 牡岣i ) 指导教席：壁赵簋熬援己肪约巳 圜 _ 矗- _ * 自啦净 ，f lr -。_1，10 、，。q，d_。，：j。_-_-l_- 大连理工大学硕士学位论文。 摘要 ： 人脸自动识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一，也是 近来研究的一个热点问题，具有十分广泛的应用前景。虽然人类不需要任何训练准备即 能识别出人脸，但人脸的机器自动识别却是一个难度极大的课题论文的主要工作如下： 1 论文深入研究了人脸图像检测提取及其预处理。研究了基于直方图投影的简单 人脸检测、入眼检测和定位方法论文深入研究了a d a b o o s t 机器学习方法，结 合其在人脸检测中的成功应用，提出了一种新的人眼检测与定位方法- 基于 层次的a d a b o o s t 的人眼检测与定位方法。a d a b o o s t 机器学习的基本思想就是 将多个弱学习机经过训练后加权组合成一个强的学习机。该方法使用积分图像 计算特征加快运算速度；采用类似h a a r 矩形特征作为弱学习机；利用a d a b o o s t 方法选择最优特征作为弱学习机。层次式a d a b o o s t 训练器由多个状态组成，每 个状态是一个强学习机。如果一个目标窗口没有通过其中一个状态，则就认为 不是目标区域，不需对该窗口进行后续的计算，因此计算速度大大加快，检测 准确性高。 2 论文研究了经典的基于模板的人脸识别方法：e i g e n f a c e 和f i s h e r f a c e 的人脸 识别方法的基本原理，研究了e i g e n f a c e 和f i s h e r f a c e 人脸识别方法中子空 间特征向量的选取和判别准则的选取。从理论上和实践上讨论和对比了两种人 脸识别方法的各自特点 3 论文研究了基于嵌入式隐马尔科夫的人脸识别方法，在继承了本研究所已有成 果的基础上，开发了基于该方法的人脸识别软件包，以便将人脸识别算法嵌入到 各种安全信息系统中。基于该软件包开发了人脸识别认证系统，系统具有人脸 检测与跟踪，用户注册，用户识别等功能 。 关键词：人脸识别，e i g e n f a c e ，f i s h e r f a c e ，人眼检测，a d a b o o s t ，嵌入式隐马尔科 夫模型 母 嘲 ，j ， 大连理工大学硕士学位论文 a b s t r a c t f a c er e c o g n i t i o ni so n eo ft h ec h a l l e n g i n gs u b j e c t si nt h ea r e a so fp a t t e r nr e c o g n i t i o na n d c o m p u t e rv i s i o nw i t ha 、航d er a n g e + o fp o t e n t i a la p p l i c a t i o n s , a n di ta l s ob 觑7 , o m e sa na c t i v e r e s e a r c ht o p i cr e c e n t l y a l t h o u g hi ti se 弱yf o r , m o s th u m a no b s e r v e r st oi d e n t i f yd i f f e r e n t h u m a nf a c e s ，a u t o m a t i c a l l yc o m p u t e r i z e df a c e 批o g n i t i o ni ss t i l la v e r yd i f f i c u l t yp r o b l e m , w h i c hr e m a i n sl a r g e l yu n s o l v e d 珏et h e s i s sc o n t e n ti n c l u d e ： 1 a h i s t o g r a m - b a s e dm e t h o d i ss t u d i e dt od e ! t e c tt h ep o s i t i o no f e y e si nf a c ei n l a g e s b u t t h er e s u l to fe x p e r i m e n ti sn o ti d e a l b e c a u s ea d a b o o s tm e t h o dd o e sa9 0 0 dj o bi nt h e f a c ed e t e c t i o n , an m e t h o d , ac a s c a d ea d a b o o s tm e t h o di sp r o p o s e dt od e t e c te y e p o s i t i o n s mk e yp o 砬o ft h ea d a b o o s ti st h a tm a n yw e a kl e a r n e r sa f t e rb e i n g c o m b i n e dt o g e t h e rc a nb e c o m ea s t r o n gl e a r n e r 田i ec a s c a d ea d a b o o s tm e t h o di su s e d t ot r a i nt h ee y ed e t e c t o r 1 1 圮i n t e g r a li m a g e sa r eu s e dt oc a l c u l a t et h ef e a t u r e s n 圮 h a a r - l i k e ds i m p l er e c t a n g l ef e a t u r e sa r es e l e c t e da st h ew e a kl e a r n e r sa n da d a b o o s t m e t h o di su s e dt op i k eo u tt h em o s te f f i c i e n tf e a t u r e s 们c a s c a d ea d a b o o s ti s c o m p o s e do fm a n ys t a g e sa n de a c hs t a g ei sas t r o n gl e a r n e r 硼1 et e s ti m a g ew i n d o w w i hb er e j e c t e di fi tc a n n o tp a s st h ef e a t u r et e s t i n gi na n yo n eo ft h es t a g e s 。t h i s m e t h o dr e d u c e st h ec a l c u l a t i o nt i m es i g n i f i c a n t l y 拍er e g i o no ff a c e si sf i r s t l yd e t e c t e d , a n dt h e nt h ee y e sd e t e c t i o ni su n d e r t a k e ni nt h e s er e g i o u s ，w h i c hw i l lu p g r a d et h e a c c u r a c yo f d e t e c t e de y e p o s i t i o n , 2 啊1 et e m p l a t eb a s e df a c er e c o g n i t i o nm e t h o di ss t u d i e ds u c ha st h ee i g e n f a c ea n d f i s h e r f a c em e t h o d s t h ep r i n c i p l eo ft h e mi sd i s c u s s e da n dh o wt os e l e c te i g e n v e c t o r s i ns u b s p a c ea n dd i f f e r e n td e c i s i o nd i s t a n c e sa r ea l s op r e s e n t e d 明”a d v a n t a g e sa n d d i s a d v a n t a g e sa r ec o m p a r e di nt h e o r ya n de x p e r i m e n t a t i o n 3 髓1 ee m b e d d e dh i d d e nm a r k o vm o d e lb a s e df a c er e c o g n i t i o nm e t h o di sd i s c u s s e d a n d af a c er e c o g n i t i o ns o f t w a r el i b r a r yi sd e v e l o p e dw i t ht h i sm e t h o d s ot h ef a c e r e c o g n i t i o nf u n c t i o nc a nb ee m b e d d e di na n yo t h e rs e c u r i t ya p p l i c a t i 0 1 2 5 b a s e do nt h i s s o r w a r ep a c k a g ea na u t o m a t i cf a c er e c o g n i t i o ns y s t e mi sd e v e l o p e da n dp r e s e n t e di n t h i st h e s i s i tp r o v i d e sc o m p l e t ef a c er e c o g n i t i o np r o c e s s i n gf u n c t i o n si n c l u d i n gf a c e d e t e c t i o n , u s e re n m l l m e ma n du s e ri d e n t i f i c a t i o ne t c k e y w o r d s ：f a c er e c o g n i t i o n ，e i g e n f a e e ，f i s h e r f a c e ，e y ed e t e c t i o n ，a d a b o o s t ，e m b e d d e d h i d d e nm a r k o vm o d e l 。 。_ ? jj j ，1：， 大连理工大学硕士学位论文 目录 第一章绪论1 1 1 人脸识别技术概述一：1 1 1 1 研究背景和意义二1 1 1 2 人脸识别的研究内容i 1 1 2 人脸识别技术研究现状一j ：3 1 2 1 基于几何特征的识别：j 3 1 2 2 基于模板的人脸识别方法：4 1 2 3 基于模型的人脸识别方法8 1 3 人脸识别技术国内研究现状。9 1 4 人脸识别技术应用现状9 1 5 论文工作：1 1 第二章人脸图像的检测及其预处理1 2 2 1 人脸图像的预处理12 2 1 1 直方图均衡化! 1 2 2 1 2 照度梯度修正1 3 2 1 3 直方图正则化1 4 2 2 试验1 5 2 2 1 对比度增强试验1 5 2 2 2 直方图均衡化与直方图正则化试验1 6 2 3 基于灰度值的人眼检测16 2 4 基于层次的a d a b o o s t 的人眼检测与定位1 9 2 4 1b o o s t i n g 方法基本思想1 9 2 4 2a d a b o o s t 方法：2 0 2 4 3 层次的a d a b o o s t 的人眼检测2 1 2 5 小结2 9 第三章基于主分量分析的人脸识别方法。3 1 3 1 主分量分析的算法描述3 1 3 1 1 主分量分析的数学描述3 l 3 1 2 贡献率3 2 3 2 本征脸( e i g e n f a c e ) 3 3 3 2 1 数学表述：3 3 3 2 2 投影与降维3 3 3 2 3 选择特征向量3 5 3 2 4 人脸识别与判别准则3 6 i i i 大连理工大学硕士学位论文 3 3f i s h e r f a c e 3 9 3 3 1f i s h e r 线性判别3 9 3 3 2f i s h e r f a c e 人脸识别，4 3 3 3 3 试验结果：4 4 3 4 讨论j 4 6 第四章人脸识别认证系统开发与实现；。4 8 4 1 论文研究测试用到的人脸图像库4 8 4 1 1o r l 人脸图像库4 8 4 1 2 自建人脸图像库，4 8 4 1 3f e r e t ( f a c er e c o g n i t i o nt e c h n o l o g y ) 人脸库4 9 4 2 人脸识别认证系统：一4 9 4 2 1h m m 的人脸识别方法4 9 4 2 2 软件库结构设计5 2 4 2 3 人脸识别系统。5 3 4 3 人脸识别系统的评价5 4 4 3 1 人脸识别系统的要求5 4 4 3 j2 人脸识别系统的评价准则5 5 4 4 结论5 5 第五章总结与展望5 7 5 1 总结：5 7 5 2 展望5 8 参考文献5 9 附录1o r l 人脸图像库中部分脸像6 3 附录2 自建人脸图像库中部分脸像：6 4 附录3f e r e t 人脸图像库中部分示例：6 5 附录4e i g e n f a o e 和f i s h e r f a c e 人脸识别系统：6 6 附录5 人脸识别认证系统6 7 附录6 人眼检测与定位系统：- 6 8 攻读硕士学位期间发表( 录用) 论文7 0 攻读硕士学位期间参与的科研项目一7 0 攻读硕士学位期间所获奖项：7 0 致谢? 7 1 大连理工大学硕士学位论文 1 1 人脸识别技术概述 1 1 1 研究背景和意义 第一章绪论 计算机入脸识别技术也就是利用计算机分析人脸图像，进而从中提取出有效的识别 信息，用以“辨认一身份的一门技术【l 】由于其在公安、金融、交通、海关、社会保险 等方面的巨大应用前景和很高的社会经济效益而受到人们的关注，并已成为信息学科的 研究热点之一。 最早关于人脸识别的研究可追溯到上个世纪末s i rf r a n c i sg a l t o n 发表于n a t u r e 的两篇论文。而当代学者的研究则是在6 0 年代，经过几十年的曲折发展取得了很大进步。 但是，这一问题迄今仍然是一个有待深入研究的开放性研究课题。与其他生物识别技术， 诸如指纹识别，虹膜识别和声音识别相比较，人脸识别具有以下两点独一无二的特性： ( 1 ) 其他各种生物识别方法都需要一些人的配合动作，而人脸识别不需要被动配合，可以 自动运行于隐蔽的场合，如安全部门监控行动：( 2 ) 当记录一个企图登录的人的生物记录 时，只有脸像能更直观，更方便的核查该人的身份由于与传统的生物识别技术相比人 脸识别具有直接、友好i 方便的特点，使用者无任何心理障碍，并且通过人脸的表情和 姿态分析，还能获得其它识别系统难以得到的一些信息，因此更易于为用户所接受。 人脸识别的研究还具有重要的学术价值。它的研究涉及计算机视觉、模式识别、图 像处理技术和生理学、心理学、认知科学等学科人脸是自然界中结构和细节变化最复 杂的模式之一，人脸视觉认知研究和人脸识别技术研究将促进相关学科的发展，并将为 解决其他类似的复杂模式的认知研究提供重要的启示。 1 1 2 人脸识别的研究内容 人脸识别的研究范围从广义上说大致可以分为如下5 个方面的内容【2 】： ( 1 ) 人脸检测、定位与跟踪( f a c ed e t e c t i o n 、l o c a t i o n t r a c k i n g ) ：即从各种不同的 场景中检测出人脸的存在并确定其位置，对于视频图像，还要求能够跟踪人脸。这一任务 主要受光照、噪声、面部倾斜度以及各种遮挡的影响。近年来，人脸检测和跟踪开始作 为一个独立的课题受到研究者的重视。 ( 2 ) 人脸表征( f a c er e p r e s e n t a t i o n ) ：即采取某种表示方式表示检测出的人脸和数据库 中的已知人脸。通常的表示方法包括几何特征( 如欧氏距离、曲率、角度等) 、特征模板 ( 特征脸、代数特征等) 和数学模型等。 ( 3 ) 人脸识别( f a c er e c o g n i t i o n ) ：就是将待识别的人脸与数据库中的已知人脸比较， 得出相关信息。这一过程的核心是选择适当的人脸表征方式与匹配策略。 ( 4 ) 表情姿态分析( e x p r e s s i o n g e s t u r ea n a l y s i s ) ：即对待识别的人脸的表情或姿态 第一章绪论 信息进行分析，并对其加以分类。 ( 5 ) 生理分类( f a c ep h y s i c a lc 1 a s s i f i c a t i o n ) ：即对待识别人脸的生理特征进行分类， 得出其年龄、性别、种族等相关信息。 由于侧重点的不同，上述5 个方面的内容都已经演变成独立的子课题【l 埘。 图像采集子系统是通过扫描仪、数码相机或摄像机采集人脸的静态图像或者动态视 频片段，提供给人脸检测子系统和人脸识别子系统使用 大连理工大学硕士学位论文 1 2 人脸识别技术研究现状 进入9 0 年代以来，人脸识别的研究取得了很大的进步。国际上发表有关论文的数量 大幅增长，其中著名的国际学术会议有a f o r ( p r o c e e d i n g so f i n t e r n a t i o n a lc o n f e r e n c e so n a u t o m a t i cf a c e a n dg e s t u r e r e c o g n i t i o n , 9 5 ，9 6 ，9 8 ，2 0 0 0 ，2 0 0 2 ) ，a v b p a ( p r o c e e d i n g so f ； i n t e r n a t i o n a lc o n f e r e n c e s o n a u d i o a n dv i d e o b a s e dp e r s o n a u t h e n t i c a t i o n , 9 7 ，9 9 , 2 0 0 1 ，2 0 0 3 ) 为了促进人脸识别技术的深入研究和实用化，美国国防部发起了人脸 识别技术工程( f a c er e c o g n i t i o nt e c h n o l o g y , 简称f e r e r t ) 【4 】，它包括一个通用人脸图像 库和一套通用测试标准；另外一个著名的人脸识别技术工程是英国的x m 2 v t s 5 1 目前 国外著名大学都有人脸识别技术研究机构如m i t 6 】、c m u 7 、m s u 8 】等。荷兰学者 k r u i z i n g a 建, - y - t 人脸识别主页【9 】，为人脸识别技术的研究提供了很好的电子资源。8 0 年 代后期，国内一些学者也开始从事人脸识别技术的研究。本章结合论文的研究工作，对 近年来人脸识别领域的研究工作进行了总结，对国内外最近的人脸识别方法进行了归纳、 分析和综述。 通常人类在进行人脸识别依靠的感觉器官有听觉、视觉、嗅觉、触觉等。般的人 脸的识别可以通过单个器官完成，也可以通过多个器官配合完成，然而计算机的人脸识 别则主要是依靠的视觉信息进行完成。人识别人脸过程是一个整体识别和特征识别共同 作用的结果。具体而言远处识别人主要是整体识别，而在近距离的人脸识别中主要是特 征部件的识别更为重要；此外人脸的各个部位的特征重要性也不一样，如眼睛和嘴巴的 重要性要大于人的鼻子。计算机人脸识别方法大致可分为基于几何特征的人脸识别、基 于模板的识别和基于模型的识别三种方法。 1 2 - 1 基于几何特征的识别 基于几何特征的人脸识别方法是最早期的人脸识别方法。这种方法是提取人脸图像 上的显著特征的相对位置及其参数的基础上进行识别。b l e d s o 是最早研究人脸识别的学 者之一。他用手工的方法确定人脸特征的位置，并将其输入计算机，在给定的待识别人 脸的特征点距离后，用最近领域法或其他的分类方法来识别人脸。由于特征点是由入来 手工给定的，因此系统允许头部有较大范围的转动、倾斜及图像质量和对比度的变化。 后来又有学者对这一方法进行了发展b r u n e l l i 和p o g g i o 【1 0 】用改进的积分投影法提 取出用欧式距离表征的3 5 维人脸特征矢量用于模式识别，人脸的几何特征如图1 1 ( a ) 所 示，3 5 个几何特征分别为： 眉毛厚度及眉毛与眼睛中心的垂直距离； 眉毛弧度的1 1 个描述数据： 鼻宽及鼻的垂直位置； 嘴宽、上下嘴唇厚度以及嘴的垂直位置； 下巴形状的1 1 个描述数据； 鼻孔位置的脸宽； 半脸宽( 鼻孔与眼睛中间位置的脸宽) 。 3 第一章绪论 ( 曲 c o ) 图1 2 人脸的几何特征【l o 】【1 1 】 f i g 1 2g e o m e t r i c a lf e a t u r e so f f a c e 哪! 1 。 ： s t a r o v o i t o v i l l 等提出的几何特征识别方法是以人脸的3 7 个基准点为基础，如图 1 2 ，部分基准点是自动检测得到，部分是通过手工标出人脸特征矢量由这些基准点 所连成的特征线段组成。基于几何特征的人脸识别方法首先计算待识别人脸图像的特征 矢量和人脸图像库中存储的人脸图像的特征矢量，然后计算它们之间的相似度，一般是 以特征矢量间的距离作为评判标准。b r u n e l l i 和p o g 西o 【l o 】设计了一种自动模板匹配识别 系统，并与基于几何特征的识别系统做了性能比较，结果表明基于模板的方法优于基于 几何特征的方法。 1 2 2 基于模板的人脸识别方法 主分量法( p r i n c i p l ec o m p o n e n ta n a l y s i s ) 主分量分析法【1 2 , 1 3 , 1 4 是模式识别领域常用的一种特征提取方法，该方法通过变量变 换保留高维数据空间的主要特征信息即主分量，除去有可能来自于噪声的次要分量，从 而达到降维的目的。主分量是通过k a r h u n e n - l o e v e 变换( 简称为丁) 求得。 k l 变换的生成矩阵可以是训练样本集的总体散布矩阵，也可以是训练样本集的类间 散布矩阵，即可采用同一人的数张图像的平均来进行训练，这样可在一定程度上消除光 线等的干扰，且计算量也得到减少，然而识别率不会下降。如将子空间的正交基按照图 像阵列排列，则可以看出这些正交基呈现人脸的形状，因此这些正交基也被称作特征脸 1 1 4 j ，这种人脸识别方法也称为特征脸方法。关于正交基的选择有不同的考虑，即与较大 特征值对应的正交基( 也称主分量) 可用来表达人脸的大体形状，而具体细节还需要用与 小特征值对应的特征向量( 也称次分量) 来加以描述，因此也可理解为低频成份用主分量 表示，而高频成份用次分量表示。其中，采用主分量作正交基的方法称为主分量方法 ( p c a ) 。k l 变换在9 0 年代初受到了很大的重视，实际用于人脸识别也取得了很好的 效果，其识别率从7 0 , - - , 1 0 0 1 2 , 1 3 , 1 4 , i s , 1 6 不等，这取决于人脸库图像的质量。s i r o v i c h 和 k i r b y u j 首先将k - l 变换用于人脸图像的最优表示。t u r k 和p c n t l a n d 1 4 】进一步提出了“特 征脸 法，该方法以训练样本集的总体散布矩阵为产生矩阵，经k l 变换后得到相应的 一组特征矢量，称作“特征脸 。特征脸识别的方法用于人脸识别存在理论的缺陷。研究 表明，特征脸的方法随着光线、角度及人脸的尺寸等因素的引入，识别率急剧下降。虽 i 大连理工大学硕士学位论文 然可通过采用同一人的训练样本的平均来计算类间散布矩阵，但也只能在一定程度上纠 正这个缺点。研究结果表明，主分量的方法使得变换后表达能力最佳，次分量的方法则 考虑了高频的人脸区分能力【1 1 ，该方法将在后续章节中详细介绍。下图1 3 为o r l 人脸 库所计算出来的特征脸j 曩冒矗凰凰圜 蕊：囵圈+ 圉圈国 圈圄圈圈冒凰 盈旦图国霹圆 圈曩圉雹圈翻 国雹蟊国国圜 圈重圈 ， 图1 3 特征脸 ? f i 9 1 3h n a g e so f e i g a f f a c e s 独立主分量法 1 9 9 1 年，t u r k 等人提出了经典的特征脸方法【1 4 1 ，用主分量分析( p c a ) 进彳t 特征提取。 但它只考虑图像数据中的两阶统计信息，而未能利用高阶统计信息。针对这点，1 9 9 8 年 b a r t l e t t 提出了基于独立分量分析q c a ) 算法的人脸的识别方法【1 7 1 ，认为人脸图像由一组 互相独立的基图像线性叠加而成，用i c a 求得这组基图像，构造了一个子空间，根据待 识别图像在这个空间里的投影系数进行识别。i c a 1 8 1 方法比p c a 方法更有效地利用了高 阶统计信息，取得了更好的效果。但是，使用独立分量分析导致运算量的大大增加，而 且对于求得的独立基也没有较好的特征选择方法。 图1 40 r l 人脸图像库的独立量【3 l f i g 1 4i n d e p e n d e n c ec o m p o n e n t o fo r lf a c ei m a g eb a s e 第一章绪论 线性判别分析 一种较好的特征脸改进方法是f i s h e r 脸方法( f i s l l e r e ) 【嘲，众所周知，f i s h e r 线性判 别准则是模式识别里的经典方法，一般应用f i s h e r 准则是假设不同类别在模式空间是线 性可分的，而引起它们可分的主要原因是不同人脸之间的差异f i s h e r 的判别准则是： 不同类样本尽可能远，同类样本尽可能近。文献【1 9 】对用k l 变换和f i s h e r 准则分别求出 来的一些特征脸进行比较后得出如下结论，即认为特征脸很大程度上反映了光照等的差 异，而f i s h e r 脸则能压制图像之间的与识别信息无关的差异b e l h u m e u r 的试验【1 9 1 ，是 通过对1 6 0 幅人脸图像( 一共1 6 个人，每个人1 0 幅不同条件下的图像) 进行识别，若采 用k l 变换进行识别，其识别率为8 1 ；若采用f i s h e r 方法则识别率为9 9 4 ，显然f i s h e r 方法有了很大的改进。c h e n g j u n l i u 在k l 变换基础上提出了p r m ( p r o b a l i s t i cr e a s o n i n g m o d e l s ) 模型【2 0 】，并在p r m 中采用了贝叶斯分类器，它是利用最大后验概率进行分类， 其类条件概率密度的方差参数用类内散布矩阵来估计，而且，p r m 是采用马氏距离，而 不是采用最小欧氏距离的判别准则，并且特征脸和f i s h e r 脸均可以看成是p r m 的特殊情 况。 。神经网络方法 基于联接基的方法就采用了神经网络，它在结构上更类似于人脑，在编码压缩信息 处理等方面有一定的优势。基于神经网络的人脸识别方法利用神经网络的学习能力和分 类能力来保存人脸图像的宏观和微观信息，避免了复杂的特征提取工作，因此一直受到 研究者的重视。v i e n n e t 2 i 】从统计模式理论的角度分析了如何把神经网络理论应用到人脸 识别领域，并依据v a p n i k 提出的统计学习理论讨论了神经网络的分类能力和网络泛化能 力。h o w e l l 田l 等用r b f 神经网络来识别低分辨率的视频系列中的人脸，并与其他神经网 络进行了比较。人脸识别经常遇到的问题是小样本学习问题，而且样本数据维数比较高 针对这样的问题，e r 2 3 等提出了一种组合方案即p c a + f l d + r b f n n ，首先通过p c a ( 主 分量分析) 消除人脸图像冗余，提取主分量，然后对主分量进一步做f l d ( f i s h e rl i n e a r d i s c r i m i n a n t , 线性判别分析) ，获取低维具有类间区分性质的模式，最后由r b f 神经网 络进行识别。 支持向量机方法 统计学习理论研究始于6 0 年代末，在其后的2 0 多年里，涉足这一领域的人不多2 4 , z 5 j 这期间，前苏联人c o r t e s & v a p n i k 做了大量开创性、奠基性的工作。这些工作主要是纯 理论性的，故当时未引起人们的重视。进入9 0 年代，该理论被用来分析神经网络，9 0 年代中期，基于该理论设计的支持向量机( s u p p o r t v e c t o r m a c h i n e ，简称sv m ) 在解 决一系列实际问题中获得成功【1 8 捌，表现出优良的学习能力尤其是泛化能力，从而引起 人们对这- 领域的极大关注，是近年来机器学习研究的一项重大成果。s v m 对二类划分 问题已解决的非常好，比如在人脸检测方面得到了成功地应用。对多类识别问题，s v m 方法二般采用两种策略，一种是划分某一类和其他所有类，即o n e a g a i n s t a l l 的方法；另 一种是把多类问题转化为多个两类问题，采取o n e a g a i n s t - o n e 的方法。j o n s s o n t z 6 j 等把p c a 和s v m 结合起来应用于人脸身份鉴定，但是对s v m 多类识别算法没有做深入研究。在 文献【1 8 】中使用了p c a i c a 和s v m 相结合的识别算法，其对于多类分类问题也是采用了 6 模型，该模型通过表示图 过程口7 捌。弹性图匹配由 跨时视觉皮层相对应。图 描述来标记，边则表示拓 象的图像域的子稀疏图来 别是利用基于匹配代价函一 图1 5 人脸识别的弹性图匹配方法 f i g 1 5d e f o r m a t i o no f t h ee l a s t i cg r a p hf o rf a c er e c o g n i t i o n 对于每个对象只有一幅脸像的情况下，为了提高弹性图匹配的鲁棒性，w s k o t t 2 9 1 等 提出了弹性束图匹配的方法，把所有相同的脸部特征捆扎在一起形成一个束，这样每一 个特征点都可以用束中的其他特征点来表示，因而增加对人脸姿态、外表等变化的鲁棒 性。弹性图匹配方法对光照、人脸姿态、表情、外表变化等具有更好的鲁棒性。 与其它的人脸识别方法相比，弹性图匹配的方法对变化的适应性更强；向人脸库中 添加新的人脸图像时，不需要重新训练和改变已有的人脸模型数据，直接加入新的模板 数据即可。但是弹性图匹配的方法计算的复杂度较高，；另外要达到很高的识别精度，在 其训练初期需要人手工生成足够多的标记点或图柬，此外在识别阶段也需要人介入。目 前为止弹性图匹配的方法是各种识别方法中识别率最好的方法【3 l j 。 图1 6 人脸束图( f a c eb u n c ho r a p h ) f i g 1 6s k e t c ho faf a c eb u n c hg r a p h 7 第一章绪论 1 2 3 基于模型的人脸识别方法 主动外观模型( a c t i v e a p p e a r a n c em o d e l ，a a m ) a a m 是在a s m ( a c t i v es h a p em o d e l ) 3 2 j 基础上发展的在一个形状规范化框架内把人 脸形状变化模型和人脸图像灰度变化模型组合起来的统计模型【3 3 1 对一组训练样本，首 先手工标出脸部的主要特征点，然后利用p c a 方法分别建立人脸形状变化模型和人脸图 像灰度变化模型，最后合并成统一的表面模型。入脸识别是根据待识别脸像上特征点向 量与模型参数之间的距离来判断，也就是根据待识别脸像的特征点，利用模型重建一幅 逼真的脸像，计算两幅脸像的相似度进行身份识别。由于a a b l 既包含了人脸形状信息 又包含了人脸图像灰度信息，因此对人脸姿态、表情以及光照变化具有较好的鲁棒性。 另外，还可以通过调整a a m 模型参数生成仿真人脸图像 图1 7 主动外观轮廓模型【3 3 】 隐m a r k o v 模型( h id d e nm a r k o v l o d e l ，舢) h m m 是一个双重随机过程，其中之一是m a r k o v 链，这是基本随机过程，描述状态 的转移；另一随机过程描述状态和观察值之间的统计对应关系。h m m 已经广泛且成功 地应用于语音信号的识别【3 4 j 。 s a m a r i a 3 5 】等把一维连续的h m m 应用到人脸识别。i d 。h i v i m 的状态序列从上向下 依次与人脸前额、眼睛、鼻子、嘴巴和下巴相对应【3 】，描述人脸主要特征区域特征。初 始状态从状态1 开始，状态转移按状态序列增加的方向进行，并且只在相邻状态间从小 序号状态向大序号状态转移。 前额 礞睛 鼻子 黉巴 下巴 图1 8 人脸图像的i d h m m 3 f i g 1 8h i d d e nm a r k o vm o d e lf o rf a c ei m a g e s 大连理工大学硕士学位论文 对于一幅z y 图像，观察向量序列o 用一个x 三采样窗口，相邻采样窗有m 行像素 点重合，从上向下平滑采得。对于一组给定的训练样本，通过b a u m - w e l c h 3 】算法训练 n 压m 参数，最终用m n 压参数来表示一个对象的脸像。人脸识别是通过计算待识别脸 像构造的观察向量序列与人脸库中所有对象的h m m 参数匹配的似然值，最大似然值对 应的对象即为识别结果。为了进一步提高人脸识别精度，s a m a r i a 增加了用于提取人脸 特征的i d 删状态数，观察序列采用遍历策略，用一矩形窗在图像平面上从左到右， 从上到下滑动，由滑动窗内象素点的灰度值形成观察序列。为了更好的利用图像数据的 二维结构，n e f i a n 定义了一种嵌入式h m m ( e m b e d d e dh i d d e nm a r k o vm o d e l e - h m m ) 用 于人脸识别，并详细推导出了用于e - h m m 训练和模式识别的三个关键算法：解码算法、 评估算法和估计算法纠 1 3 人脸识别技术国内研究现状 国内关于人脸自动识别的研究始于2 0 世纪8 0 年代，主要是在国际流行方法上做了 发展性工作。目前清华大学【1 ，3 6 3 8 】：上海交通大学【3 9 】、南京理工大学m 、中科院计算所 和自动化所【4 l ，4 2 】、四川大学【2 】等单位都有研究人员从事人脸识别相关工作的研究。由8 6 3 计划智能计算机主题专家组主办的中国生物特征识别学术会议已举办了4 届 ( 2 0 0 0 ，2 0 0 1 ，2 0 0 2 ，2 0 0 3 ) ，虽然起步比较晚，但国内关于人脸自动识别方法的研究已经取 得了可喜的成绩。 上海交通大学的戚飞虎f 7 】等在单样本正面人脸的识别及人脸椭圆特征和眼睛特征 提取方面做了大量的工作；刘江华等【4 3 】利用g a b o r 小波的优点对人脸图像在一定的格点 上取大小和方向不同的2 d - - g a b o r 小波变换，并使用支持向量机训练进行人脸识别。南 京理工大学的郭跃飞等在主元分析即】的基础上提出了最佳鉴别矢量集提取特征进行自 动人脸识别。中科院计算所的高文【4 2 】等在传统的弹性图匹配的方法上，提出了一种基于 局部特征的人脸识别方法该方法首先根据先验知识粗略确定人的面部特征点，然后根 据弹性图调整，最后取特征点处的g a b o r 小波系数作为特征进行分类和识别。清华大学 的苏光大m 等研究了基于面部局部特征和整体特征相结合的人脸识别系统，此外还比较 了特征脸和弹性图匹配的人脸识别方法 3 7 j ，并在弹性图匹配的基础上改进了算法。山世 光、高文【4 2 】等提出了基于纹理分布和变形模板的面部特征提取方法，解决了可变形模板 对参数初始值依赖性强和计算时间长的问题。大连理工大学的薛斌党例研究了基于隐马 尔科夫的人脸识别方法，以及神经网络与隐马尔科夫的入脸识别方法，王宏漫【l 剐提出了 基于p c a i c a 和s v m 相结合的人脸识别方法。 1 4 人脸识别技术应用现状 一些大公司都看准了人脸识别系统在商贸和保安系统中的广泛应用前景，动用了大 量的人力和物力，独立或与高校合作，研制开发了实用的人脸识别系统，包括软件和硬 件，主要的产品【3 1 1 如下所述。 9 第一章绪论 c o g r “口。- m s 是一家德国的人脸识别系统软件公司。该公司从1 9 9 5 起开发了f a c e v a c s 人脸识别软件。其系统的主要流程为：首先是对静态图像或者视频中人脸的检测，然后 是人眼定位，图像的预处理、特征提取、人脸建模、信息入库。其主要的产品有：用于 应用开发的人脸识别软件库f a c e v a c ss d k ；用于门禁安全的f a c e v a c se n t r y 系统；用 于大型人脸库的人脸查找系统f a c e v a c sd b s c a n 系统；以及用于计算机辅助视频监控的 f a c e v a c sa l e r t 系统。自从1 9 9 6 年c o g n i t e c 公司的产品就投入实用，2 0 0 2 年悉尼国际 机场就安装了该公司的s m a r tg a t e 系统。在2 0 0 2 年的美国军方举办的人脸识别测试比 赛中，c o n g n i t e c 公司的f a c e v a c s 也取得了不错的成绩。 i s a g e 【钓j 公司的人脸识别方法主要是基于m i t 的t u r k 和p e n t l a n d 小组研究的基于 特征脸的人脸识别方法。该公司的主要产品包括，用于视频监视的f 扯, e f i n d e r ：用于人 脸识别系统软件开发的工具箱f a c e t o o l s ：用于电子商务的f a c e n e t ；商店、银行系统的 身份认