(计算机应用技术专业论文)半特征脸子空间上的lda人脸识别方法.pdf_第1页
(计算机应用技术专业论文)半特征脸子空间上的lda人脸识别方法.pdf_第2页
(计算机应用技术专业论文)半特征脸子空间上的lda人脸识别方法.pdf_第3页
(计算机应用技术专业论文)半特征脸子空间上的lda人脸识别方法.pdf_第4页
(计算机应用技术专业论文)半特征脸子空间上的lda人脸识别方法.pdf_第5页
已阅读5页,还剩60页未读, 继续免费阅读

(计算机应用技术专业论文)半特征脸子空间上的lda人脸识别方法.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

摘要 r 6518 2 6 近年来在以人体生物特征为验证依据的身份识别技术中,人脸识别因其 具有直接、友好、方便、易于为用户接受等优点,成为其中较为热门的研究 应用方向。同时人脸自动识别技术也极富挑战性,它涉及到模式识别、图像 处理、生理学、心理学以及认知科学等多个领域;人脸又不同于普通物体, 它是一种非刚体,即不同人的脸具有高度的相似性,同一个人的脸又具有不 同的状态:此外,受图像获取时光线、遮挡以及化妆等因素的影响,人脸信 息在质量上有很大的差别,给识别带来很大困难 本文首先总结了人脸技术的研究动机和应用,介绍了人脸识别技术的概 念和主要研究方向。然后对人脸识别技术做了比较详细的全面综述,重点介 绍了几种典型的人脸识别常用方法,包括:特征脸方法,基于小波特征的弹 性匹配方法,形状和灰度分离的可变形模型方法、神经网络方法等等。 目前,包括主元分析方法和l d a 方法在内的基于人脸代数特征的人脸 识别方法,因其有效性,受到大家的肯定;本文对这两种方法作了较详细地 介绍,并探讨了两者相结合的s u b s p a c el d a 方法。 在此基础上,根据心理学和神经生理学的一些研究结果,本文提出了一 种基于特征半脸的l d a 方法。在s t i r l i n g ,y a l e 和o r l 人脸库中分别进 行了实验,实验结果表明该方法进一步克服了人脸表情、姿态变化引起的干 扰,在识别率方面取得了比s u b s p a c el d a 更好的效果。 关键词:人脸识别,k l 变换,特征脸,f i s h e r 人脸,l d a a b s t r a c t t h e s ed a y sf a c er e c o g n i t i o nh a sb e c o m et h em o s t p r o s p e c t i v er e s e a r c hf i e l d a m o n gv a r i o u s i d e n t i f i c a t i o n t e c h n i q u e s b a s e do nd i f f e r e n th u m a ni n h e r e n t b i o m e t r i cf e a t u r e s f a c er e c o g n i t i o ni sn o t o n l yd i r e c t ,f r i e n d l y , c o n v e n i e n ta n d e a s i l ya c c e p t e db yu s e r s ,b u ta l s oo n eo ft h em o s tc h a l l e n g i n gp r o b l e m s i ti s i n v o l v e dw i t hp a t t e r n r e c o g n i t i o n ,i m a g ep r o c e s s i n g ,p h y s i o l o g y ,p s y c h o l o g y a n d m a n y 0 t l e rd o m a i n s d i f f e r e n tf r o mo 也e rc o m m o n o b j c o t s h u m a nf a c ei sa k i n do fn o n - r i g i do b j e c t t h a ti st o s a y , d i f f e r e n tp e r s o n s f a c e sh a v eh i g h s i m i l a r i t yw h i l eo n ep e r s o n sf a c em a y l o o kd i f f e r e n ta td i f f e r e n ts i t u a t i o n s i n a d d i t i o n ,t h ef a c ei m a g e st h a ta r ec a p t u r e db yd i f f e r e n tw a y so ru n d e rd i f f e r e n t c o n d i t i o n sm a yh a v es u b s t a n t i a ld i f i e r e n c ei nq u a l i t y , g e o m e t r y , i l l u m i n a t i o n , e t c b e s i d e st h e r ea l s oe x i tt h em a k e u pa n df a c e p a i n t i n gi n f l u e n c e s a l lo f t h e s e w i l lb r i n gh u g ed i f f i c u r i e st ot h ei d e n t i f i c a t i o np r o c e s s f i r s tt h er e s e a r c hm o t i v a t i o na n da p p l i e a t i o no ft h ef a c e r e c o g n i t i o n t e c h n i q u ea r ed i s c u s s e di nt h i st h e s i s ,a sw e l la si t sd e f i n i t i o na n d m a i nr e s e a r c h d i r e c t i o n s s e v e r a lc o m m o n l yu s e dm e t h o d sa r ei n t r o d u c e ds u c ha sp r i n t i l :l a l c o m p o n e n ta n a l y s i s ( e i g e n f a c e ) ,a u t o - n e u r a ln e t w o r k s ,e l a s t i cg r a p h m a t c h i n g a n de t c p c aa n dl d am e t h o d sh a v eb e e ng e t t i n gm o r ea n dm o r ep o p u l a rr e c e n t l y d u et ot h e i re f f e e t i v e n e s s t h et h e s i sm a k e sad e t a i l e di n t r o d u c t i o no ft h e s et w o m e t h o d s ,a n dt h es u b s p a c el d a m e t h o dc o m b i n e db yt h e m b a s e do nt h e s em e t h o d sa n ds o m er e s e a r c hc o n c l u s i o n si np s y c h o l o g ya n d p h y s i o l o g y ,an o v e l f a c e r e c o g n i t i o nm e t h o dc a l l e d a sh a l fs u b s p a c el d a m e t h o di s p r o p o s e dh e r e i t i s p r a c t i c e do ns t a l l i n g ,y a l e a n do r lf a c e d a t a b a s e s ,a n dt h er e s u l t ss h o wt h a ti th a sb e t t e rt o l e r a n c eo ft h ev a r i a t i o n s i n t r o d u c e d b y f a c i a l e x p r e s s i o n ,a n d a c h i e v e sa h i g h e r r a t i oo fc o r r e c t i d e n t i f i c a t i o nt h a nt h es u b s p a c el d am e t h o d k e y w o r d s :f a c er e c o g n i t i o n ,k l t r a n s f o r m ,e i g e n f a c e ,f i s h e rf a c e ,l d a i i 第一章绪论 第一章绪论 1 1 计算机人脸识别技术 计算机人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,用来“辨认”身份的一门技术,是被广泛称作生物特征识 别的技术领域中的一个部分。目前,除了人脸以外,指纹、视网膜、虹膜、 声音以及基因等也是被用以进行身份识别的主要人体特征。生物特征识别不 仅属于模式识别问题,还涉及到信号处理、机器视觉、统计分析、进化计算、 生理学、心理学以及认知科学等多个领域。依据各种生物特征的特性,可将 对它们的识别分别应用于不同的领域。另外也可以将各种生物特征识别技术 融合在一起,得到更可靠的效果。人脸识别由于其具有直接、友好、方便、 易于为用户接受以及设备造价较低等优点,其前景非常看好。 然而,虽然人类的人脸识别能力很强,能够记住并辨别上千个不同人脸, 可是计算机则困难多了。其表现在:人脸表情丰富;人脸会随年龄增长而变 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( i 1 1 p o s e d ) 过程,目前尚没有很好的描述人脸的三维模型。 另外,人脸识别还涉及到图像处理、计算机视觉、模式识别以及神经网络等 学科,也和人脑的认识程度紧密相关。这诸多因素使得人脸识别成为一项极 富挑战性的课题。 1 2 人脸识别研究的发展 计算机人脸识别技术是近2 0 年才逐渐发展起来的,9 0 年代更成为科研 热点。仅1 9 9 0 年到1 9 9 8 年之间,e i 可检索到的相关文献就多达数千篇。 由于人脸识别实验所采用的人脸库通常不大,最常见的人脸库仅包括1 0 0 幅左右的人脸图像,如m i t 库、y a l e 库、c m u 库等人脸库均为小型库,且 由于不同人脸库之间的输入条件各异,因此不同的识别程序之间很难进行比 较。为促进人脸识别算法的深入研究和实用化,美国国防部发起了人脸识别 技术( f a c e r e c o g n i t i o n t e c h n o l o g y 简称f e r e t ) i 程i l j ,它包括一个通用人脸 库和一套通用测试标准。该f e r e t 库可用于各种人脸识别算法的测试比较。 1 9 9 7 年,f e r e t 人脸库存储了取自1 1 9 9 个人的1 4 1 2 6 幅图像,其中同一人 第一章绪论 的图像差异,包括不同表情、不同光照、不同头部姿态以及不同时期f 相隔 1 8 个月以上) 拍摄差异等。如今f e r e t 人脸库仍在扩充,并定期对各种人 脸识别程序进行性能测试,其分析测试结果对未来的工作起到了一定的指导 作用。由于f e r e t 库中包括军人的图片,不能在美国以外获得,因此其他 国家的研究只能采用本地的人脸库,如英国的m a n c h e s t e r 人脸库【”。 通常,人类进行人脸识别依靠的感觉器官包括视觉,听觉,嗅觉,触觉 等,一般人脸的识别可以用单个感官完成,也可以是多感官相配合来存储和 检索人脸,而计算机的人脸识别所利用的则主要是视觉数据。另外,计算机 人脸识别的进展还受限于对人类本身识别系统的认识程度。研究表明【“,人 类视觉数据的处理是一个分等级的过程,其中最底层的视觉过程( 视网膜功 能) 起信息转储的作用,即将人眼接收的大量图像数据变换为一个比较规则 的紧凑表达形式。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。其中,低层次的细胞对空间的响应和小波变换的结果相似1 2j ;而高 层次的细胞则依据一群低层次细胞的响应,而做出具体的线、面乃至物体模 式的响应。 以此为依据,在计算机人脸识别中,可以将那些通过大量图像数据简单 处理后获得的特征定义为低层次特征,而将线、面、模式等描述特征定义为 高层次特征。由此,图像k l 变换后的系数特征、小波变换特征及一些统计 特征均属低层次特征的范畴,而人脸部件形状分析的结果则为高层次特征。 由于视觉数据经传输后的重建,需依赖于人脑中早期形成的先验知识,因此 在人的识别系统中,人脸检测是一个整体识别和特征识别共同作用的结果 1 3 j ;具体说来,远处辨认人,主要是整体识别,而在近距离的人脸识别中, 特征部件的识别则更重要。另外,人脸的各部件对识别的贡献也不相同,如 眼睛和嘴巴的重要程度大于人的鼻子,人脸上半部分重要性大于人脸下半部 分,其中特别的人脸更容易被识别记住1 3 j ,比如说歪嘴,或是独眼龙等人脸 就更容易为人记起,没有个性的人脸相对就需要更长的时间来辨认。根据对 人脑的研究表明1 3 j ,人脸的表情识别和人脸识别虽然存在联系,但总体说是 分开的、并行的处理过程。这些结论对于设计有效的识别方法起到了一定启 发作用。在现有的识别算法中,特征脸方法1 4 j 和神经网络方法俐是基于整体 人脸的识别,而基于提取眼睛等部件特征而形成特征向量 6 1 的方法就是基于 人脸特征的识别。 人脸识别的研究始于6 0 年代末,最早的研究见于文献【7 】,b l e d s o e 以 人脸特征点的间距、比率等参数为特征,建成了一个半自动的人脸识别系统。 第一章绪论 而且早期人脸识别研究主要有两大方向:一是提取人脸几何特征的方法【7 】, 包括人脸部件归一化的点间距离和比率以及人脸的一些特征点,如眼角、嘴 角、鼻尖等部位所构成的二维拓扑结构;二是模板匹配的方法,主要是利用 计算模板和图像灰度的自相关性来实现识别功能。b e n o 在1 9 9 3 年对这两类 方法作了较为全面的介绍和比较后认为,模板匹配的方法优于几何特征的方 法m 。 目前的研究也主要有两个方向:其一是基于整体的研究方法,它考虑了 模式的整体属性,包括特征脸( e i g e n f a c e ) 方法、s v d 分解的方法 9 1 、人脸等 密度线分析匹配方法u 、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1 1 1 j 、隐马 尔可夫模型( h i d d e n m a r k o v m o d e l ) 方法1 1 2 】以及神经网络的方法等;其二是基 于特征分析的方法,也就是将人脸基准点的相对比率和其它描述人脸脸部特 征的形状参数或类别参数等一起构成识别特征向量。这种基于整体脸的识别 不仅保留了人脸部件之间的拓扑关系,而且也保留了各部件本身的信息,而 基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别 算法。文献【8 】认为基于整个人脸的分析要优于基于部件的分析,理由是前 者保留了更多信息,但是这种说法值得商榷,因为基于人脸部件的识别要比 基于整体的方法来得直观,它提取并利用了最有用的特征,如关键点的位置 以及部件的形状分析等,而对基于整个人脸的识别而言,由于把整个人脸图 像作为模式,那么光照、视角以及人脸尺寸会对人脸识别有很大的影响,因 此如何能够有效地去掉这些干扰很关键。虽然如此,但对基于部件分析的人 脸识别方法而言也有困难,其难点在于如何建立好的模型来表达识别部件。 近年来的一个趋势是将人脸的整体识别和特征分析的方法结合起来,如 k i n m a nl a m 提出的基于分析和整体的方法【”j ,a n d r e a sl a n i t i s 提出的利用 可变形模型( f l e x i b l em o d e l s ) 来对人脸进行解释和编码的方法【“j 。 总之,自动人脸识别是一个非常具有挑战性的问题。由于受人脸图像获 取时光线、遮挡以及化妆等因素的影响,人脸信息在质量上有很大的差别, 给识别带来很大困难。更内在的原因是,人脸不同于普通物体,它是一种非 刚体,即不同人的脸具有高度的相似性,同一人的脸又具有不同的状态n “, 刚体的识别算法不能应用,给识别带来更大的难度。 1 3 人脸识别中的几个基本问题 人类的视觉系统是伟大而又神奇的。它无疑是目前世界上最完善的人脸 第一章绪论 识别系统。我们这里的人脸识别系统就是把人类视觉系统作为参考而着手研 究的。而我们的目的当然也是要尽可能实现与其类似的功能。由于人类视觉 系统的复杂性,要完全实现它的功能几乎是不可能的。目前有关人脸识别的 研究主要围绕以下几个方面进行【1 7 】。 ( 1 ) 人脸表示( r e p r e s e n t a t i o n ) 人脸的表示是计算机实现人脸识别所遇到的首要问题。人类的记忆系 统是相当复杂的。人的大脑要记住一张人脸也许会很简单。可是计算机只 能处理数字化的信息。所以要用计算机存储人脸可能就不是那么容易的事 情了。目前主要有像素灰度( 颜色) 信息图像和特征向量两种方式。比较 而言前者所包含的信息量大但是其存储量也大。 ( 2 ) 人脸检测( d e t e c t i o n ) 在一张人脸被识别之前他必须被定位。也就是我们通常所说的发现人 脸。在一个指定场景中判定人脸的存在性并确定其位置。这一方面的工作 最终是要获得我们所关心的单独的人脸。有可能没有人脸,也有可能是一 张或者多张人脸。 ( 3 ) 人脸辨认( i d e n t i f i c a t i o n ) 所谓辨认就是用监测到的人脸与已知人脸库中的人脸进行比较。从而 确认出它是不是人脸库中某张人脸。也就是我们通常所说的“认人”。这 个我们人类看似简单的工作让计算机来完成却相当困难。 ( 4 ) 表情分析( a n a l y s i s o f f a c ee x p r e s s i o n s ) 人们的生活都会有喜、怒、哀、乐。而这些体现在脸上就成了表情变 化。因为表情的变化就会影响到人脸图像的结构变化。反过来,通过人脸 图像的结构信息是有可能确定人脸表情的。从而致使表情分析也成为了人 脸识别领域的研究课题之一。 ( 5 ) 分类( c l a s s i f i c a t i o n ) 当我们看到某个人时,只要看到他的脸就很容易判断出他的年龄、性 别、种族等等。那么同样我们也可以用计算机来实现这样的分类。对于这 方面的研究,不但需要人脸特征信息,同时更需要丰富的经验知识来划分 各个类别。 第一章绪论 1 4 人脸识别技术的实际应用 除了这项技术的理论研究价值外,它还有很高的商业和法律应用价值。 如同指纹一样。人脸也是人类独一无二的特征,即使一对双胞胎其脸部也存 在某些方面的差异,因此人脸也可以用来鉴别一个人的身份。而且与利用其 它生物特征进行身份鉴别的方法相比,它更加直接、友好、方便,且不易察 觉,对人来说也无心理障碍。下表列举了一系列该技术现有的和可能的应用。 。,o 。匕毒 ji 蠢嚣譬尝,二? 。 应甩范围。 j 。鼍i 赢懈嚣豫、ii 耋ii 爱尊蒸爨西素” 0 $ 。:。,3 豫r ” 受控图像 1 a 信用卡、驾驶执照、护照、 受控背景分割 个人身份证等证件照 无现成的数据库 图像质量高 图像质量高 潜在的庞大的数据库 1 b 疑犯照片匹配 每人有不止一张样本 应用价值高非受控的背景分割 2 银行、商场的安全系统 局部搜索区域图像质量差 应用价值高 非受控的背景分割 图像质量差 3 公众场合监控 可利用视频序列信息 要求实时处理 应用价值高图像质量差 4 专家识别系统 有增强提高的可能合理的可信度的制定 5 基于目击线索的人脸重构有目击搜索范围的限制未知的相似性 6 电子疑犯照片簿可加入特征描述限制大量的搜索结果 7 电子排查可加入特征描述限制大量的搜索结果 8 残缺人脸重构应用价值高需要心理学模型输入 9 随年龄增长的人脸估计应用价值高需要范例输入 视频信息潜在的庞大的数据库 l o i n t e r n e t 应用 应用价值高表示复杂 可能有辅助的探测设备帮助控制未知的各种复杂应用 1 1 智能机器人系统 拍摄距离等实时性要求高 表1 1 人脸识别技术的应用 第一章绪论 这些应用包括了从静态的、受控背景的照片到动态的、非受控背景的视 频录像等各个方面,每一项应用都有着不同的技术难度、处理方法和分析理 解方式。表1 1 列举的应用大致描述了这样三类问题:匹配( 1 3 ,l o ,1 1 ) 、 相似检测( 4 - - 7 ) 、变换( 8 、9 ) 。当然有些应用中可能会有不少交集。 个人证件照片和疑犯照片匹配、查找是静态匹配中最常见的应用。显然, 这些照片背景简单、光照条件相似、人脸表情变化不大。并且,疑犯照片更 可控制拍摄的背景、光照、摄像机的分辨率和摄像机与被摄者之间的距离、 角度等,获得多幅正面和侧面人脸图像。在这些条件约束下,可简化人脸分 割和识别算法。但潜在的庞大的数据库要求有较快的匹配速率。 银行、商场的安全系统和公众场合的监控系统是典型的动态匹配应用。 通过摄像头得到的视频图像一般质量比较差,而且背景比较杂乱,因此分割 人脸就相当困难,但可利用运动图像分析来分割人脸。这部分应用的主要难 点就是人脸数目未知,人脸分割困难,而且实时性要求高。另外,这类应用 中还包括把脸的信息存储在信用卡上以进行a t m 机的存取控制,以及各种 电子门锁等安全锁类的应用。 专家识别系统是对某一人脸识别算法产生的一系列相似的人脸进行进 一步的比较分析。基于目击证人提供的线索进行的人脸重构,首先需要建立 人脸特征库。在电子疑犯照片簿和电子排查应用中,一个有利因素就是我们 可以在数据库中加入特征描述属性,以加快查找速度:但不利因素就是可能 会产生大量的搜索结果,那些相似的错误的候选者将使人眼花缭乱。残缺人 脸重构和随年龄增长的人脸估计则需要有通用有效的心理学模型和范例,以 及有效的平滑重构算法和预测算法。 随着i n t e m e t 和电子商务的迅猛发展,人脸识别在i n t e r n e t 上也将有广泛 的应用前景。例如:人脸识别可以给电子支付增加一把安全锁,还可以用于 各种访问控制。而且随着i n t e m e t 上各种图像资料库的建立,人脸图像的快 速搜索将有很高的应用价值。在v o d 视频点播中,若能实现按人脸图像的 快速搜索定位,人们就可方便地找到自己喜欢的影星的片断,那将大受欢迎。 另外,还有许多不是和个人身份鉴别有关的人脸识别技术应用,如:在 视频录像序列中的人脸跟踪:种族、性别、年龄分类;脸部表情分析:等等。 此外,随着机器人技术的发展,对人脸识别技术的应用要求也会越来越强。 第一章绪论 1 5 一个典型的人脸识别系统( a f r s ) 一个典型的自动人脸识别和检索( a 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 m a f r s ) 系统是由图l l 所示的几个部分组成的。 图1 1 典型的人脸自动识别系统 下面分别阐述各部分的功能和作用: 图像获取部分负责获取图像。图像可能来自于摄像机、数码相机或者扫 描仪等设备,程序将其转换为可处理的格式。 检测定位部分分析和处理输入的图像,判断图像中是否有人脸,并准确 定位。输入的图像可能是静态或者动态的,可能是彩色或者灰度的,可能是 简单背景下或者复杂背景下的,程序要根据不同情况做出相应的处理。此部 分是a f r i 系统获得高性能的前提。 正规化部分也可称为预处理部分。程序对提取到的人脸图像做尺度和灰 度的归一化处理,使不同图像中的人脸在大小和亮度方面统一。有的涉及到 有角度的人脸识别,这里往往还需要方向矫正以达到方向上的统一。通常这 方面的工作比较困难。 基本图像处理部分包括一些最基本的图像操作。它为检测定位部分和正 规化部分提供必要的服务,如检测定位部分常需要对图像进行边缘提取以及 二值化等操作;正规化部分常需要对图像进行灰度归一等操作。 特征提取和选择部分依照某种策略从正规化后的人脸图像中抽取用于 识别的特征,即将原始人脸空间中的数据映射到特征空间。原始图像的数据 量相当大,因此,为达到分类识别和检索目的,需要对原始数据进行变换, 得到最能反映分类本质的特征。一般地,把原始数据所在的空间叫测量空间, 把分类识别赖以进行的空间叫特征空间。依照特征提取策略,把存在于较高 维度测量空间中的模式转变为较低维度的特征空间中的模式。特征空间中的 第一章绪论 一个模式,即特征空间中的一个点”】,通常也叫作一个样本。 分类器部分就是利用已设计好的分类器进行分类识别,给出识别结果, 并做出相应的判断。这里有一个关键性的问题就是分类器的设计。它一般都 是在系统工作之前就设计好的。 1 6 本文的工作 本文对自动人脸识别系统几个部分中的一些理论问题进行了一定的研 究和实验,并对一些算法做了比较分析,然后在对特征脸( p c a ) 方法和l d a 方法作出详细介绍的基础上,根据人脸图像中上下部分人脸所具有的信息在 人脸识别过程中作用不同,提出在半特征脸空间上采用l d a 方法来进行识 别的一种新方法,并通过实验数据的比较得出新方法相对原有的l d a 方法 具有更高的识别率,对人脸表情、姿态等变化的容忍度有了新的提高。本文 内容安排如下: 第一章:介绍了人脸识别研究的发展过程和基本问题,人脸自动识别系 统组成以及其在实际中的应用情况。 第二章:总结了人脸识别方法的研究,并具体介绍了几种典型的人脸识 别方法,比如特征脸方法,弹性模板匹配方法等,有助于启发我们在研究中 去解决实际问题。 第三章:详细介绍p c a 方法的算法实现和优缺点,然后引入l d a 方法。 这两种方法是后面各种识别方法的基础。 第四章:详细介绍s u b s p a c el d a 方法的算法实现和不足,并在此基础 上提出新的半特征脸空间上的l d a 方法。 第五章:给出了上述算法在s t i r l i n g 、y a l e 以及o r l 人脸库中的实验, 并对结果进行了比较分析,从而得出结论:新方法对人脸表情、姿态等因素 具有更好的容忍性。 第六章:对本文的总结以及对未来工作的展望。 第三章小波变换与人脸识别 第二章人脸识别算法综述 本章将对国内外现有的几种典型的人脸识别方法进行介绍与分析,这些方法 包括:传统的基于几何特征和模板匹配的识别方法,主元分析( 即特征脸) 法, 神经网络识别法,弹性模板匹配法和基于3 d 立体建模的人脸识别方法等。 首先介绍心理学和神经生理学等其它非计算机专业领域内的研究成果。 2 1 心理学和神经生理学等方面的研究成果 在过去的近三十年,心理学家、神经生理学家和工程技术人员对人和机器如 何识别人脸进行了各方面广泛的研究,如:人脸的唯一性;识别人脸是在整体特 征还是在局部特征下进行的;表情分析及其在识别中的应用;婴儿怎样理解人脸: 人脸记忆的组织结构等等。 心理学和神经生理学的主要结论是 2 0 】: 在回忆人脸时,若存在明显的特征,则隐性的描述将不会被采用,而使 用显性特征信息。 隐性特征和显性特征对识别起着相同的作用,若识别熟悉的人脸时,隐 性特征更有用。 在正面人脸图像中,鼻子对识别不起主要作用;而在侧面像中,鼻子对 特征点的匹配很有用。 上半部特征比下半部特征所起的作用大。 低频成分对整体识别有用,高频成分对细节识别有用。 人脑的右半球对人脸图像的处理起着主要作用。 十岁以下的小孩识别人脸较多地采用显性特征,较少使用隐性分析。 不同的种族、性别的人脸识别的难易程度不同,这可能是因为不同类型 的人脸图像具有不同的属性。 心理学和神经生理学的研究无疑将非常有益于人脸识别技术的发展,但除了 少数人工神经网络系统的设计和视觉皮层图像( c o r t i c a li m a g e s ) 的应用 9 1 外,机 器识别人脸的研究基本上独立于心理学和神经生理学的研究。 9 第三章小波变换与人脸识别 另外,c w t y l e r 还就5 0 0 年来肖像画中的眼睛的位置以及眼睛的位置和人 脸的对称性对人脸检测定位的作用作了研究。 2 2 基于脸部几何特征的人脸识别方法 早期的人脸识别方法是通过提取人脸部的几何特征来定位和识别人脸的。这 种方法首先利用人脸的普遍几何特征,如:人的头部图像一般呈椭圆性,人脸上 眼睛、鼻子、嘴的大致位置等,来定位人脸,然后进一步提取人脸的代表性特征 来识别人脸。 ts a k a i 【1 2 】早在1 9 6 9 年就提出了一种基于几何特征的人脸定位方法。他首先 利用一个卵形模板去匹配输入图像的边缘图像,再根据匹配图中眼睛、嘴等的位 置的边缘信息来判定是否存在头部轮廓。这一方法受图像的光照方向影响很大。 g o n v i n d a r a j u 【1 提出由头部轮廓的三条扇形曲线:左侧陷线、右侧曲线以及发际 曲线的曲率和方向来判定图像中是否存在头部轮廓。另外,c r a w 等人也作了大量 这方面的研究,他们结合图像的梯度信息利用不同的方法提取发际曲线、眉毛、 眼睛及嘴等四个特征用于定位人脸。 b r u n e l l i 和p o g g i o 在1 9 9 3 年总结了用于识别的典型人脸几何特征有: 图2 1 人脸特征的几何测度 眉毛的厚度以及与眼睛中心的垂直距离 左眉毛弧度的粗略描述 鼻子的垂直位置和宽度 嘴的垂直位置、宽度和上下嘴唇的高度 1 0 第三章小波变换与人脸识别 勾勒下巴形状的辐射线半经 鼻子处的脸部宽度 对应于鼻尖和眼睛一半距离处的脸部宽度 这些抽取的特征必须正规化,以使它们能独立于人脸的位置、比例和旋转。 这样一组描述人脸特征的几何测度参数以向量的形式存储。待识别的人脸图像输 入后,首先提取其几何测度参数,然后与数据库中的向量进行比较以识别人脸。 总的说来,这种基于脸部几何特征的人脸识别方法不需要任何先验知识,具 有识别速度较快,内存需求小的特点。但是它对图像质量的要求很高,一般只能 用于正面人像,而且受噪声影响很大。一旦脸部有部分遮挡,或图像焦距没有对 准等,这一算法便不适用了。而且增加测度数目对提高识别性能效果不大,因为 本身这些测度的定位抽取就是一件很复杂的事。因此,近年来关于这种纯粹基于 几何测度的识别方法的研究文献不多。但这并不是说,基于人脸几何特征的算法 过时了。事实上,以后的许多算法还是建立在人脸的几何特征基础上的,尤其在 人脸检测算法上,大部分还是利用几何特征来协助定位的。 2 3 基于模板匹配的人脸识别方法 基于脸部几何特征的人脸识别方法仅利用了人脸图像的边缘特征,而没有利 用人脸的纹理和灰度特征。另一种传统的人脸识别技术基于模板匹配的人脸 识别方法就充分利用了这两项特征。 在最简单的人脸模板匹配方法中,每一个人的人脸都用数据库中的一个元组 来表示,这个元组包含了从该人人脸正面图像中提取的几组二维像素数组,如图 2 2 所示田l 。象基于几何特征算法中的向量一样,这些模板图像也必须正规化, 以减少光照影响。识别即将待识别的脸部图像与数据库中的所有模板进行比较( 可 以采用最常用的相关系数匹配算法等) ,找出最相近的脸。 第三章小波变换与人脸识别 图2 2 脸部模板的选取 和其它所有模板匹配算法一样,基于模板匹配的人脸识别方法也存在着运算 量大、识别速度慢的缺点。如何减少匹配搜索窗口和确定模板的大小,是提高匹 配速度的关键。另外,单纯利用灰度信息的模板匹配识别方法,对光照很敏感, 但可以通过做梯度或拉普拉斯变换,保持对光照的不变性,采用一种接近边缘图 像的模板瞄1 。这种基于模板匹配的人脸识别方法在人脸有较大表情变化和旋转变 化时,识别效率大大降低,虽然这可通过增加模板样本来改善,但这样又势必加 大运算量,是个两难问题。 在文献 2 3 】中,b r u n e l l i 和p o g g i o 将基于人脸几何特征和基于模板匹配的这两 种传统的人脸识别算法进行了比较:基于几何特征的识别速度较快,内存需求小; 而基于模板匹配的识别率高,而且增加模板样本有助于提高识别率。但模板匹配 的速度实在太慢,一般无法用于实时系统。 另外,利用一个或多个通用的人脸模板( 如平均脸) ,就可以用模板匹配的方 法在图像中检测人脸。当然,这种人脸检测算法的主要缺点还是在它的速度。为 了提高模板匹配的速度,许多这类算法都采用了金字塔结构的表示,但效果还不 是很理想。 2 4 特征脸识别方法 特征脸( e i g e n f a c e ) 的方法,通常也被称为主元分析方法( p r h i p a lc o m p o n e n t a n a l y s i s ,简称p c a ) 。它最早由p e n t l a n d 应用到人脸识别领域中,因其有效性很 快流行起来。它通过k l 变换,用一组特征向量( 即特征脸) 的加权组合来表示 人脸图像。这是一种统计模式识别方法,它从信息论的角度出发,把人脸图像作 为一个整体来编码,而无须关心眼、鼻、嘴等单个特征,从而大大降低了识别的 第三章小波变换与人脸识别 复杂度,并且它也符合了这样一个事实,即:人脸是一个有表情的整体,而不是 由一些独立部件组成的刚体。这种基于全局结构信息的识别也符合人类的人脸识 别机制。 下面我们将简单介绍一下如何通过k l 变换来表示和识别人脸,关于这种方 法的详细实现办法将在第三章作具体说明。 2 4 1 基于k l 变换的特征脸识别方法的基本原理 k l 变换是图像压缩中的一种最优正交变换。人们将它用于统计特征提取, 从而形成了子空间法模式识别的基础。若将k l 变换用于入脸识别,则需假设人 脸处于低维线性空间,且不同人脸具有可分性。由于高维图像空间k l 变换后可 得到一组新的正交基,因此可通过保留部分正交基,以生成低维人脸空间。而低 维空间的基则是通过分析人脸训练样本集的统计特性来获得。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,计算量也得到减少,而识别率不会下降。 也就是说,根据总体散布矩阵或类问散布矩阵可求出一组正交的特征向量 “。,, :,“。,其对应的全部特征值分别为 , :,以,这样,在新的正交 空间中,人脸样本x 就可以表示为 x = j 。玑 ( 1 ) i - ! 若通过选用m ( m n ) 个特征向量作为正交基,则在该正交空间的子空间中,就 可得到以下近似表达式 x = 置。”, ( 2 ) 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,这种人脸识别方法也叫特征脸方法。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 来表达入脸的大体形状,而具体细节还需要用与小特征值对应的特征向量f 也称次 分量) 来加以描述,因此也可理解为低频成分用主分量表示,而高频成分用次分量 表示。其中,采用主分量作正交基的方法称为主元分析方法口c a ) 。同时,也有 人采用m 个次分量作为正交基,原因是所有人脸的大体形状和结构相似,真正用 第三章小波变换与人脸识别 来区别不同人脸的信息是那些用次分量表达的高频成分。由训练得到特征脸后, 将待识别人脸投影到新的m 维人脸空间,即用一系列特征脸的线性加权和来表示 它,这样即得到一投影系数向量来代表待识别人脸,这时候,人脸识别问题已转 化为m 低维空间的坐标系数矢量分类问题,而分类最简单的做法是最小距离分 类。 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,这取决于人脸库图像的质量。从压缩能量的角度来看,k l 变换是最优的, 它不仅使得从n 维空间降到m 维空间前后的均方误差最小,而且变换后的低维空 间有很好的人脸表达能力,然而这不是说已经具有很好的人脸辨别能力。选择训 练样本的散布矩阵作为k l 变换的生成矩阵,是由于其最大特征向量抓住了该样 本集合的主要分布,但这是图像统计,而不是人脸统计方法。它虽然考虑了图像 之间所有的差异,但由于它不管这样的差异是由照明、发型变更或背景导致,还 是属于人脸的内在差异,因此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。由于对k l 变换而言,外 在因素带来的图像差异和人脸本身带来的差异是不加任何区分的,因此,不管如 何选择正交基,也不能根本解决问题。 对其改善的一个思路是针对干扰所在,对输入图像作规范化处理,其中包括 将输入图的均值方差归一化、人脸尺寸归一化等;另一种改进是考虑到局部人脸 图像受外在于扰相对较小,在进行人脸识别时,除计算特征脸之外,还可利用k l 变换计算出特征眼睛、特征嘴巴等。然后将局部特征向量加权进行匹配,就能够 得到更好的效果。 2 4 2 对特征脸方法的改进 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 h e rf a c e ) 1 3 2j ,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【3 2 】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 的实验1 3 2 j ,是通过对1 6 0 幅人脸图像( 一共1 6 个人, 第三章小波变换与人脸识别 每个人1 0 幅不同条件下的图像) 进行识别,发现采用f i s h e r 方法的识别率较k l 变 换方法有了很大的改进。c h e n g j u nl 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 c r e a s o n i n gm o d e l s ) 模型j ,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。 文献【3 6 】的改进方法是将人脸图像进行差异分类,即分为脸间差异和脸内差 异,其中脸内差异属于同一个人脸的各种可能变形,而脸间差异则表示不同人的 本质差异,而实际人脸图的差异为两者之和。通过分析人脸差异图,如果脸内差 异比脸间差异大,则认为两人脸属于同一人的可能性大,反之属不同人的可能性 大。假设该两类差异都是高斯分布,则先估计出所需的条件概率密度,最后也归 为求差图在脸内差异特征空间和脸间差异特征空间的投影问题。如果说f i s h e r 脸 的方法是试图减少光照等的外在干扰,那么文献【3 6 】则是解决表情干扰的一点有 效尝试,虽然这样的尝试还很初步。文献【3 6 】中提到,a r p a 在1 9 9 6 年进行的 f e r e t 人脸识别测试中,该算法取得了最好的识别效果,其综合识别能力优于其 它任何参加测试的算法。 而p e n t l a n d 等人将该方法推广到脸部特征编码上,从而形成了特征眼,特征 鼻和特征嘴。这一推广所要做的另外一个重要工作就是这些特征部位的定位。 p e n t l a n d 等人最开始对于这些特征部位训练样本抽取是手工完成的。当然我们也 可以运用眼睛,鼻子等的监测与定位从而让系统自动的完成这一过程。 高丽萍 3 7 1 还就此提出了特征半脸方法。这里主要是考虑到人脸表情变化中 上半部分变化不如下半部分大。因此在最后计算距离时上半部分采用较大的权 重,下部采用较小的权重。这样可以容忍一定程度的表情变化。 2 4 3 特征脸方法小结 如今特征脸方法用于人脸识别仍存在如下一些弊病:首先,由于作为一种图 像的统计方法,图像中的所有像素被赋予了同等的地位,可是角度、光照、尺寸 及表情等干扰会导致识别率急剧下降,因此较好的识别算法p 叫都对人脸进行了 矫正处理,且只考虑裸脸;其次,根据文献【3 8 】,人脸在人脸空间的分布近似高 斯分布,且普通人脸位于均值附近,而特殊人脸则位于分布边缘。由此可见,越 普通的人脸越难识别,虽然特征脸的方法本质上抓住了人群的统计特性,但好的 表达能力不等于好的区分能力;特征脸虽反映了特定库的统计特性,但不具有普 第三章小波变换与人脸识别 遍代表性,而广泛的应用,则需要训练出的特征脸具有普遍意义;采用此方法的 重要假设是人脸处于低维线性空间,即人脸相加和相减后还是人脸,显然这是不 可能的,因为即使在定位和尺寸相同的情况下,由于部件的相对位置不同,相加、 相减后的人脸也一样存在模糊,因此文献【1 4 】提出形状无关人脸( s h a p e l e s s f a c e ) 的概念,即依据脸部基准点将人脸变形到标准脸,再进行特征脸处理。总之,有 效的特征脸识别方法需要做大量预处理,以减少干扰。而如何表达,并去除表情 因素则是识别的另一关键。 2 5 形状和灰度分离的可变形模型 文献【1 4 】提出了一个形状和灰度分离的模型,即从形状、总体灰度、局部灰 度分布3 个方面来描述一个人脸。其中,点分布模型用来描述人脸的形状特征, 该点分布模型中是用每点的局部灰度信息来描述人脸的局部灰度特征:然后用点 分布模型将图像进行变形,以生成形状无关人脸,再做特征脸分析,从而得到人 脸的总体灰度模式分布特征。这种三者相结合的识别方法,识别率为9 2 ( 3 0 0 个人脸) ,虽然该方法作了一些改进,但构成该方法的基础仍是k l 变换。一般 在特

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论