（计算机应用技术专业论文）基于gabor小波系数融合的人脸识别.pdf

浙江工业大学硕士学位论文 基于g a b o r 小波系数融合的人脸识别 摘要 人脸识别是人工智能领域中重要的研究课题。由于其在档案管理 系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行 和海关的监控、人机交互等领域具有广阔的应用前景，因此得到了研 究者们广泛的关注。 在过去的几十年内研究者提出了很多用于人脸识别的方法，但其 在实际应用中的识别率和速度仍然难以满足人们的预期要求，特别是 采集图像中存在光照变化、摄像方位变异以及其它干扰时。识别系统 采集的原始人脸图像通常以网格像素的灰度值集合表示。孤立的像素 灰度集合不能直接反映人脸的内蕴特征，引入适当的变换，将其映射 到特征空间，然后进行识别处理是行之有效途径之一。由于g a b o r 小 波变换具有良好的特性，它能够将相邻区域的像素联系起来，从不同 的频率尺度和方向反映局部范围内图像像素灰度值的变化，因此基于 g a b o r 小波变换的人脸识别技术是一种非常流行的方法。本文深入研究 了利用g a b o r 小波变换进行人脸识别的理论、方法和技术，并针对 g a b o r 小波系数具有冗余性，结合图像融合技术提出了基于g a b o r 小波 系数融合的入脸识别新方法。 本文的主要工作如下：( 1 ) 研究了小波变换理论和基于小波变换 的图像融合方法。图像经过小波分解后得到一系列的低频和高频系数， 浙江工业大学硕士学位论文 低频包含了图像的主要特征，高频系数包含了图像的细节信息。针对 这一特点，在低频区域采用加权平均法，在高频区域采用基于区域 的方法。( 2 ) 研究了g a b o r 小波变换及其特性。g a b o r 小波变换是通 过计算一组g a b o r 滤波器与图像上给定位置附近区域像素灰度值的卷 积来实现的。g a b o r 小波是哺乳动物视觉皮层简单细胞接受场模型的良 好近似，并且对脸部姿势和光照变化有较好的鲁棒性，从而可以保证 人脸的特征提取。接着研究了g a b o r 滤波器参数的选择及其意义。( 3 ) 研究了弹性图匹配算法以及弹性束图匹配算法。弹性匹配算法是用二 维网格来表示人脸图像，图中的节点用一组描述人脸局部特征的g a b o r 小波变换系数标示，将图像之间的比较变为网格间的比较。此方法的 主要缺点时计算量大，图像冗余信息大，存储量大。弹性束图匹配算 法则使用人脸特征点来表示人脸，这样直接把研究重点定位在感兴趣 的区域，从而大大减少了图像的冗余信息，但是由于g a b o r 小波系数 存在冗余，这一方法仍然存在计算复杂，运算量大的问题。( 4 ) 针对 g a b o r 小波系数存在冗余这一缺点，我们结合图像融合算法提出了基于 g a b o r 小波系数融合的人脸识别。实验结果表明我们的方法在一定程度 上比没用采用融合的方法要好。 关键词：人脸识别，小波变换，图像融合，g a b o r 小波变换，弹性 图匹配 浙江工业大学硕士学位论文 f 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 n g a b o rv 恻e l e tc o e f f i c i e n t s f u s i o n 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 ts u b j e c ti na r t i f i c i a li n t e l l i g e n c ef i e l d i tc a nb ew i d e l ya p p l i e di nr e c o r d sm a n a g e m e n ts y s t e m s ，s e c u r i t y v e r i f i c a t i o ns y s t e m s ，c r e d i tc a r dv e r i f i c a t i o n ，c r i m i n a li d e n t i t yr e c o g n i t i o n ， m o n i t o r i n gi nb a n ka n dc u s t o m h o u s e ，h u m a n c o m p u t e ri n t e r a c t io n ，e t c ， t h e r e f o r ei th a sg a i n e de x t e n s i v ea t t e n t i o nf r o ml o t so fr e s e a r c h e r s t h e r ea r em a n ym e t h o d sp r o p o s e di nt h ep a s td e c a d ey e a r s ，h o w e v e r , t h e i rr e c o g n i t i o np r e c i s i o na n ds p e e di np r a c t i c a la p p l i c a t i o n ss t i l lc a n n o t s a t i s f yt h ee x p e c t a n td e m a n d so fp e o p l e ，e s p e c i a l l yu n d e rt h ec o n d i t i o nt h a t v a r i a t i o n so fi l l u m i n a t i o n ，p h o t o g r a p h i n ga z i m u t ho ro t h e rd i s t u r b a n c ee x i s t i nt h ei m a g e t h eo r i g i n a lf a c ei m a g ec a p t u r e db yt h er e c o g n i t i o ns y s t e m u s u a l l yi sd e n o t e dt h eg r e yv a l u e so fg r i dp i x e l s i s o l a t e dg r e yv a l u e so f p i x e l sc a n n o tr e f l e c tt h ec h a r a c t e r i s t i c sc o n t a i n e di nh u m a nf a c ed i r e c t l y , m a p p i n gt h e mi n t o t h ef e a t u r es p a c et or e c o g n i z et h r o u g ha d o p t i n g a p p r o p r i a t e t r a n s f o r mi sa ne f f e c t i v e a p p r o a c h d u e t ot h e g o o d c h a r a c t e r i s t i co fg a b o rw a v e l e tf e a t u r e ，w h i c hc a nl i n kt h ep i x e l si na n a d j a c e n tr e g i o nt o g e t h e ra n dr e f l e c tt h ec h a n g e so ft h eg r e yv a l u e so fp i x e l s i nal o c a la r e ao fa ni m a g ef r o md i f f e r e n tf r e q u e n c ys c a l e sa n do r i e n t a t i o n s ， 浙江工业大学硕士学位论文 f a c 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 tt r a n s f o r mb e c o m eav e r yp o p u l a r m e t h o d t h i sd i s s e r t a t i o nr e s e a r c h e si n t ot h et h e o r ya n dt e c h n o l o g yo ff a c e r e c o g n i t i o nt h r o u g hg a b o rw a v e l e tt r a n s f o r m ，a n dw ep r o p o s ean e w m e t h o dc a l l e df a c e r e c o g n i t i o na l g o r i t h m b a s e do ng a b o rw a v e l e t c o e f f i c i e n tf u s i o nb yc o m b i n i n gw i t hi m a g ef u s i o nt e c h n o l o g ya g a i n s tt h e r e d u n d a n c yo f g a b o rc o e f f i c i e n t s i nt h e d i s s e r t a t i o n ，o u rs t u d yi sm a i n l y ：( 1 ) w es t u d yw a v e l e t t r a n s f o r mt h e o r ya n di m a g ef u s i o nb a s e do nw a v e l e tt r a n s f o r mm e t h o d w e g e tas e r i e so fl o w - f r e q u e n c yw h i c hc o n t a i n st h em a i nf e a t u r e so ft h ei m a g e a n dh i g h f r e q u e n c yc o e f f i c i e n tw h i c hc o n t a i n st h ed e t a i l so ft h ei m a g e i n f o r m a t i o na f t e rd e c o m p o s i n gi m a g eb yw a v e l e t i nr e s p o n s et ot h a t ，w e u s et h ew e i g h t e da v e r a g em e t h o di n l o w f r e q u e n c yr e g i o na n du s et h e m e t h o db a s e do nr e g i o ni nt h eh i g h f r e q u e n c yr e g i o n ( 2 ) w es t u d yg a b o r w a v e l e tt r a n s f o r ma n di t s c h a r a c t e r i s t i c s g a b o rw a v e l e tt r a n s f o r i ni s r e a l i z e db yc o m p u t i n gt h ec o n v o l u t i o n so ft o w d i m e n s i o n a lg a b o rf i l t e r s a n dt h eg r e yv a l u e so f p i x e l si na na r e aa r o u n dag i v e np o s i t i o ni na ni m a g e g a b o rw a v e l e ts e e m st ob eag o o da p p r o x i m a t i o nt ot h er e c e p t i v ef i e l d so f t h es i m p l ec e l l si nt h ev i s u a lc o r t e xo fm a m m a l i a n s ，a sw e l la si t sb e t t e r r o b u s t n e s st oc h a n g e si nf a c i a lp o s ea n di l l u m i n a t i o nh a s ，s ot h a ti tc a ng e t b e t t e rt h ef e a t u r ee x t r a c t i o no ff a c e a n dt h e ns t u d yt h eg a b o rf i l t e r p a r a m e t e rc h o i c ea n di t ss i g n i f i c a n c e ( 3 ) w es t u d ye l a s t i cg r a p hm a t c h i n g a l g o r i t h ma sw e l la se l a s t i cb u n c hg r a p hm a t c h i n ga l g o r i t h m e l a s t i c 浙江工业大学硕士学位论文 m a t c h i n ga l g o r i t h mu s et w o d i m e n s i o n a lg r i dt oe x p r e s sf a c ei m a g e s ，i n w h i c ht h en o d ea r ed e s c r i b e db yag r o u po fg a b o rw a v e l e tt r a n s f o r m c o e f f i c i e n t s ，s ot h a tag r i dc o m p a r i s o ni n s t e a dac o m p a r i s o nb e t w e e nt h e i m a g e s t h em a i nd i s a d v a n t a g e so ft h i sm e t h o da r eal a r g ea m o u n to ft h e c a l c u l a t i o n ，i n f o r m a t i o nr e d u n d a n c yo fi m a g e ，a n dal a r g es t o r a g e e l a s t i c b u n c hg r a p hm a t c h i n ga l g o r i t h mu s e sf a c i a lf e a t u r ep o i n t st oe x p r e s sf a c e ， a n dt h ef a c i a lf e a t u r ep o i n t sa r ed i r e c t l yp o s i t i o n e di na r e a so fi n t e r e s t ，s o t h a ti tr e d u c e st h er e d u n d a n c yo fi m a g ei n f o r m a t i o n h o w e v e r , b e c a u s eo f t h er e d u n d a n to fg a b o rw a v e l e tc o e f f i c i e n t s ，t h i sm e t h o ds t i l le x i s t s c o m p u t i n gc o m p l e x i t ya n dt h ep r o b l e mo fc o m p u t i n gc a p a c i t y ( 4 ) a g a i n s t t h e d i s a d v a n t a g eo fg a b o r w a v e l e tc o e f f i c i e n t sf o rt h ee x i s t e n c eo f r e d u n d a n c yi nt h i s ，w ep r o p o s 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 ng a b o r w a v e l e tc o e f f i c i e n tf u s i o nb yc o m b i n i n gi m a g ef u s i o na l g o r i t h m f r o mt h e s i m u l a t i o nr e s u l t so ft h ee x p e r i m e n t ，w eg e tt h a tt h er e c o g n i t i o np r e c i s i o n a n ds p e e do ft h em e t h o db a s e do ng a b o rc o e f f i c i e n t si sb e t t e rt h a nt h e m e t h o du s i n gn o n - f u s i o ni nac e r t a i ne x t e n t k e yw o r d s ：f a c er e c o g n i t i o n ，w a v e l e tt r a n s f o r m ，i m a g ef u s i o n ，g a b o r w a v e l e tt r a n s f o r m ，e l a s t i cg r a p hm a t c h i n g v 浙江工业大学硕士学位论文 浙江工业大学 学位论文原创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研 究工作所取得的研究成果。除文中已经加以标注引用的内容外，本论文不包 含其他个人或集体己经发表或撰写过的研究成果，也不含为获得浙江工业大 学或其它教育机构的学位证书而使用过的材料。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。本人承担本声明的法律责任。 作者签名： j 看崩kj 日期： 碍年j 月2 午日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学 校保留并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。本人授权浙江工业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、缩印或扫描等复制手段保存和汇编本 学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密口。 ( 请在以上相应方框内打“”) 作者签名： 导师签名： 日期：口年j 月上牛曰 日期鼬j 年，月 l 日 浙江工业大学硕士学位论文 第一章绪论 人脸识别技术就是利用计算机分析人脸图像，从中提取有效的识别信息，用 来辨认身份的一门技术，它涉及到模式识别、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，并与基于其他生物特征的身份鉴别方法以及 计算机人机感知交互的研究领域都有密切联系。 身份认证是人们在日常生活中经常遇到的问题，人们几乎每时每刻都需要证 明自己身份。在信息技术飞速发展的今天，电子商务、网上银行、公共安全等领 域对身份认证的可靠度和方式提出了新的要求，而传统身份认证方法( 如钥匙、 证件、印鉴、磁卡等身份标识物体或用户名和密码等身份标识知识) 已经不能满 足这些要求。传统的身份标识物容易丢失或被伪造；身份标识知识容易遗忘或被 破解；更为严重的是传统身份认证方法往往无法区分身份标识物或知识真正的拥 有者和冒充者。一旦他人获得身份标识物品和知识就具有与拥有者相同的权力， 使真正拥有者的利益受到威胁。人脸作为生物特征具有不易伪造、不会遗失、终 身不变和随身携带等优点，与指纹、视网膜、虹膜、基因等其他人体生物特征识 别系统相比，人脸识别系统更加直接、友好，使用者无任何心理障碍，是未来身 份认证发展方向之一。在近几十年内，众多的研究者提出了很多人脸识别的方法 并在不同的人脸数据库上进行了测试。尤其是近年来，随着计算机的同益普及以 及网络技术的迅猛发展，使得对人脸图像相关领域技术的需求不断增加，得到了 人们的广泛关注。 尽管在理论研究已经取得了很多的成果但是在实际应用中任面临着很多问 题。如人脸表情丰富；人脸随年龄增长丽变化：人脸所成图像受光照、成像角度 及成像距离等都给f 确识别带来了困难。另外人脸识别还涉及到图像处理、人体 科学、计算机视觉、模式识别和神经网络等学科，也和人脑的认识程度紧密相关。 这诸多因素使得人脸识别还是一个极富挑战性的课题。 浙江工业大学硕士学位论文 1 1 人脸识别的研究内容及过程 1 1 1 人脸识别的研究内容 简单地说，人脸识别就是给定一个图像，利用已有的人脸数据库来确认图像 中的一个或者多个人。从广义上讲大概包括以下5 个方面【l 】【2 】： a ) 人脸检测( f a c ed e t e c t i o n ) ：如何从各种不同的背景中检测出人脸的存在 并确定其位置，这一部分主要受到光照噪声头部倾斜度以及各种遮挡的影 响。 b ) 人脸表征( f a c er e p r e s e n t a t i o n ) ：确定表示检测出的人脸和数据库中的已 知人脸的描述方式。通常的表示方法包括几何特征( 如欧式距离、曲率、 角度等) 、代数特征( 如矩阵特征矢量) 、固定特征模板、特征脸等。 c ) 人脸鉴别( f a c ei d e n t i f i c a t i o n ) ：这一部分也就是通常所说的“人脸识别”， 将待识别的人脸和数据库中的已知人脸相比较，得出相关的信息。这里最 主要的是选择合适的人脸表示方式和匹配策略。 d ) 表情分析( f a c i a le x p r e s s i o na n a l y s i s ) - 对待识别的人脸的表情或姿态信息 进行分析，并对其加以分类。 曲物理分类( p h y s i c a lc l a s s i f i c a t i o n ) ：对待识别入脸的物理特征进行分析， 得出其年龄、性别、种族等相关信息。 1 1 2 人脸自动识别的过程 常用的计算机人脸图像自动识别方法一般是由两个主要功能模块组成：人脸 特征提取模块和识别模块。 人脸特征提取模板一般采用各种方法提取人脸图像中的各类特征量，用来表 达人脸，许多识别方法在提取特征之前根据人脸图像特征进行预处理。如：消除 噪声、灰度归一、几何校j 下、滤波变换等，以实现图像的标准化和使外界干扰对 识别目标的影响减至最低。 识别过程则是把提取到的不同图像问的特征量进行比较，计算不同人脸图像 之间的相似性，根据相似性加以区分和判别。往往用各种似然函数来作为相似性 2 浙江工业大学硕士学位论文 的度量，如计算相关函数、对特征空间的各种距离进行运算等等。 在人脸识别中必须有一个人脸样本库，图像库中存放若干人的人脸图像，每 一个人至少一张图像，这些图像成为样本图像。 一个完整的人脸识别过程一般由两步来完成：训练过程和识别过程，如图1 1 。 所谓训练过程是对图像库中的样本图像进行特征提取，将所得到的特征按不同的 人归类，得到能代表不同人的特征，存储起来形成特征数据库；而识别过程则是 对待识图像进行特征提取后，将该特征与特征数据库中的各个不同的人的特征进 行比较，从而判断所给未知图像是否属于图像库中人，是则同时要给出具体是哪 一个人。 圈匝藉习 i 训练过程ll 识别过程l i - j i 一 样本图像 待识图像 上 上 特征提取 特征提取 上 上 特征向量 特征向量 上上 分类存储 毒耳4 以麾t l 辅 7 i 。一一 上0 入脸库 l 识别结果7 、“。 i 1 2 人脸识别的应用 图i - 1 人脸识别过程 人脸识别技术具有广泛的应用日 景，在国家安全、军事安全和公共安全领域， 智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等；在民事 和经济领域，各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证、社会 保险人的身份验证等具有重要的应用价值。主要有以下几类应用【3 】： 1 ) 公共场所安全监控。美国9 1 l 事件之后，世界各国普遍意识到公共场所 浙江工业大学硕士学位论文 在国家安全方面存在的隐患，这促使各国对机场、码头、娱乐场所等人流较为密 集的场所的安全问题更加关注。一些国家已经开始在机场安装人脸识别系统，这 些人脸识别系统能够在很短的时间内拍下路过乘客的面部图像，分析处理后，将 图像信息与恐怖分子和在逃犯人的人脸图像数据库进行比较，进行人物识别。 2 ) 证件验证。身份证、驾驶执照以及其他很多证件上都有照片，现在这些证 件多是人工验证的，如果用人脸识别技术，这项任务就可以交给机器完成，从而 实现自动化智能管理。当前普遍使用的另一项证件是用符号或者条形码标记的， 比如信用卡、自动提款机等这类卡的安全系数比较低，因为卡可能丢失，密码也 可能被遗忘或者窃取。如果在这类卡上加上人脸的特征信息，则可大大改善其安 全性能。 3 ) 智能监控。人脸识别别作为一种智能技术，可以满足政府部门、住宅小区 和企事业单位出入的自动化管理的要求，通过对各种门的出入控制，可以方便内 部人员出入，杜绝陌生人的随意进出，增强了安全防范水平。 除了这几部分的应用外人脸识别技术还可用于视频会议、机器人的智能化研 究以及医学等方面【4 1 。 1 3 人脸识别的研究历史和研究现状 人脸识别技术的研究始于2 0 世纪6 0 年代未，b l e d s o e 以人脸特征点的间距、 比率等参数为特征，建立了一个半自动的人脸识别系统。由于其本身的难度和技 术条件的限制，该技术一直发展缓慢。直到最近二十年，得益于计算机技术、信 号处理技术的飞速发展和实际应用需求的急速增长，这一技术的研究才在相关的 理论和应用领域内获得长足的进步【5 】【6 1 。 1 3 1 人脸识别研究历史 按照人脸识别的自动化程度，人脸识别的研究历史大体可以分为以下三个阶 段【7 】【8 】： 第一阶段是机械式的识别阶段：以b e r t i l l o n 、a l l e n 、p a r k e 为代表，主要研究 4 浙江工业大学硕士学位论文 人脸识别所需要的面部特征。在b e r t i l l o n 的系统中，用一个简单的语句与数据库 中的某一张脸相联系，同时与指纹分析相结合，提供了一个较强的识别系统。为 了提高脸部识别率，a l l e n 为待识别脸设计了一种有效和逼真的摹写。p a r k e 则用 计算机实现了这一想法，并产生了较高质量的人脸灰度图模型。这一阶段工作的 特点是识别过程全部依赖于操作人员，显然并不是一种可以自动完成识别的系统。 第二阶段是人机交互式识别阶段：以g o l d s t i o n 、h a r m o n 和l e s k 等为代表， 用几何特征参数来表示入脸正面图像。他们采用2 1 维特征向量表示人脸面部特征， 并设计了基于这一特征表示法的识别系统。k a y a 和k o b a y a s h i 则采用了统计识别 的方法，用欧氏距离来表示人脸特征，如嘴唇与鼻子之间的距离，嘴唇的高度等。 更进一步地，k a n a d e 设计了一个高速且有一定知识导引的半自动回溯识别系统， 创造性地运用积分投影法从单幅图像上计算出一组脸部特征参数，再利用模式分 类技术与标准人脸相匹配。k a n a d e 的系统实现了快速、实时的处理，是一个很大 的进步。总的来说，此类方法都需要利用操作员的某些先验知识，仍然摆脱不了 人的干预。 第三阶段是真正的机器自动识别阶段：2 0 世纪9 0 年代以来，随着高速度、高 性能计算机的发展，入脸模式识别方法有了较大的突破，提出了多种机器全自动 识别系统。人脸识别研究得到了前所未有的重视，除了基于k l 变换的特征脸方 法与奇异值特征为代表的代数特征方法取得了新进展外，人工神经网络、小波变 换等在人脸识别的研究中都被广泛地应用，出现了不少新方法。 i 3 2 人脸研究的现状 目前，由于各方面对于人脸识别系统的迫切需求，更使得人脸识别研究成为 科研的热点。国际上发表有关论文的数量大幅增长，e i 可检索到的相关文献多达 数干篇，i e e e 的a m i 汇刊还于1 9 9 7 年7 月出版了人脸识别专辑，著名的国际学 术会议有a f g r ( p r o c e e d i n go fi n t e r n a t i o n a lc o n f e r e n c eo i l a u t o m a t i cf a c ea n d g e s t u r er e c o g n i t i o n ) ，a v b r p ( p r o c e e d i n go fi n t e r n a t i o n a lc o n f e r e n c e so na u d i oa n d v i d e o b a s e dp e r s o na u t h e n t i c a t i o n ) 。为促进人脸识别技术的深入研究和实用化，美 国困防部还发起了人脸识别技术工程( 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 ，f e r e t ) ，包括 浙江工业大学硕士学位论文 一个通用人脸图像库和一套通用测试标准，用于定期对各种脸识别算法进行性能 测试。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 。其它国外著名的人 脸识别技术研究机构有m i t 、c m u 、m s u 、r u b 等。 国内的清华大学、上海交通大学、华中理工大学、北京工业大学、中国科学 院计算技术研究所和中国科学院自动化研究所等科研机构都有专业人员从事与人 脸识别技术相关的研究。随着人脸识别技术研究的扩展，一些最新的技术和方法 也被应用到解决人脸识别问题当中，新方法、新技术层出不穷。国内还有一些公 司和部门推出基于人脸识别的智能监控系统。清华苏光大的人脸智能监控系统被 成功应用在实际应用中。上海银晨智能识别有限公司的人脸识别系统和视频入侵 报警系统，深圳万方的远大科技有限公司的v a 4 0 0 面相识别系统，目前该系统已 被深圳海关成功应用。南京大学、南京长城系统有限公司和江苏省公安厅刑警大 队联合研制的“基于单幅图像的多表情人脸识别系统 。另外还有由公安部标委会 委员、2 0 0 8 年奥运会安全专家委员会委员、中科院博士马昕领导的科学家攻关组 成功研制了目前国内唯一一个通过公安部检测实用的人脸识别智能化安全管理系 统一一猫王人脸识别系统，并获得生产许可证。 1 4 人脸识别的主要方法 常用的人脸识别方法【4 】可以分为基于几何特征的方法、基于模板匹配的、基于 弹性图匹配的方法、基于特征脸的的方法、基于神经网络的方法、基于隐马尔科 夫模型的方法和多分类器集成方法等 1 基于几何特征的方法 最早的人脸识别方法就是b l e d s o e 提出的基于几何特征的方法【9 1 ，该方法以面 部特征点之间的距离和比率作为特征，通过最近邻方法来识别人脸该方法建立 的人脸识别系统是一个半自动系统，面部特征点必须由人手上定位。也正是由于 人工的参与，该系统对光照变化和姿态变化不敏感。k a n a d e i 沁】首先计算眼角、鼻 孔、嘴巴、下巴等面部特征之间的距离和它们之问角度以及其它几何关系，然后 通过这些几何关系进行人脸的识别工作。在一个1 0 人的数据库上识别率为 4 5 7 5 。b r u n e l l i 和p o g g i o 】通过计算鼻子的宽度和长度、嘴巴位置和下巴形状 6 浙江工业大学硕士学位论文 等进行识别，在一个4 7 人的人脸库上的识别率为9 0 。然而，简单模板匹配方法 在同一人库上的识别率为1 0 0 。侧影( p r o f i l e ) 识别【1 2 】也是早期基于几何特征人脸 识别的一个重要方法，其基原理是从人脸的侧影轮廓线上提取特征点，将侧影转 化为轮廓曲线，从中提取基准点。根据这些点之间的几何特征来进行识别。由于 侧影识别相对较简单且应用面小，对侧影识别的研究较少。 基于几何特征的方法非常直观。识别速度快，内存要求较少，提取的特征在 一定程度上对光照变化不太敏感。但是，当人脸具有一定的表情或者姿态变化时， 特征提取不精确，而且由于忽略了整个图像的很多细节信息，识别率较低，所以 近年来已经很少有新的发展。 2 基于模板匹配的方法 模板匹配法是一种经典的模式识别方法，这种方法大多是直接计算两幅图像 之间的相似程度。由于这种方法要求两幅图像上的目标要有相同的尺度、取向和 光照条件，所以必须进行尺度和灰度归一化等预处理。模板匹配识别法是利用人 脸整体特征匹配进行识别【1 3 】【h 】。另一种方法是用一组独立的小模板表示人脸特征， 如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。模板的获得必须利 用各个特征的轮廓，而传统的边缘提取方法很难获得较高的连续边缘，即使获得 了也很难从中自动提取所需的特征量。为此，用弹性模板方法提取特征显示出其 独到的优越性【1 5 】。弹性模板由一组根据特征形状先验知识设计的可调参数所定义。 为了求出这组参数，需要利用图像的边缘、峰值、谷值和强度信息及特征形状的 先验知识设计合适的能量函数。参数向能量减小方向调整，当能量达到最小时， 这组参数对应的模板形状最符合特征形状。 3 基于弹性图匹配的方法 弹性图匹配方法【1 6 】是基于动态链接结构( d y n 锄i cl i n k a r c h i t e c t u r e ，d a l ) 的方 法，它用格状的稀疏图表示人脸，图的节点用图像位置的g a b o r 小波分解得到的 特征向量标记，图的边用连接节点的距离向量标记。匹配识别时，首先寻找与输 入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，产生一个变形 图。该变形图的节点逼近模型图对应点的位置，从而构成基于二维拓扑图的人脸 描述。根据两个图像中各节点和连接之间的相似性可以进行人脸识别。但是由于 在整个图像上搜索特征点，计算量非常庞大。为了克服这一缺点w i s k o t t t 7 l 提出束 图匹配，在束图中所有节点都已经定位在相应目标上。对于大量数据，这样可以 7 浙江工业大学硕士学位论文 大大减少识别时间。l e e 等【1 8 】提出了一种基于弹性图动态链接模型的方法，获得较 理想识别率的基础上取得较高的识别速度，在一定程度上克服了传统方法在速度 与识别率之间进行折衷的缺点。w i i r t z 等f 1 9 】使用人脸面部的特征，进一步消除了结 构中的冗余信息和背景信息，并使用一个多层的分级结构。g r u d i n 等【2 0 】也采用分 级结构的弹性图，去除一些冗余节点，形成稀疏的人脸描述结构。n a s t a r t 等【2 1 】提 出将人脸图像i ( x ，j ，) 表示为可变形的3 d 网格表面( x ，y ，i ( x ，y ) ) ，将人脸匹配问题 转换为曲面匹配问题，利用有限元分析的方法进行曲面变形，根据两幅图像之间 变形匹配的程度识别人脸。 计算较复杂是弹性图匹配的一大缺点。针对这一缺陷，从两方面进行改进： 一是对表达人脸的二维向量进行特征压缩和提取；二是减少冗余信息。 4 基于特征脸的方法 特征脸( e i g e n f a c e ) 方法由t u r k 和p c n t l a n d 2 2 】提出。对于每一幅人脸图像，按照 从上到下、从左到右的顺序将所有像素的灰度值串成一个高维向量，然后通过主 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 ，p c a ) 2 3 】将高维向量降低维数。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【2 4 1 ， 它以样本的最优重建为目的，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 以用图像在低维空间的变换系数作为人脸图像的描述特征。p c a 技术首先由k i r b y 和s i r o v i c h 引入到人脸识别领埘2 5 1 ，并且证明了p c a 是使原始图像与重构图像之 闽的均方误差极小化的最佳压缩方式。一幅图像在各个特征脸上的投影组成了该 图像的权值向量，将待识别图像的权值向量与人脸数据库中各图像的权值向量相 比较，确定哪一幅图像与待识别图像的权值向量最接近。后来p e n t l a n d 等人【2 6 】进 一步扩展了特征脸方法，将类似的思想运用到面部特征上，分别得到了本征眼、 本征鼻、本征嘴，并且将它们结合起来进行人脸识别。实验结果表明，这样比单 独使用特征脸效果更好。 特征脸方法使用出各个特征脸扩展的空间来表示人脸，虽然可以有效地表示 人脸信息，但是并不能有效鉴别和区分人脸。很多研究者提出了使用其他线性空 间来代替特征脸空间以取得更好的识别效果。此中线性判别分析( l i n e a r d i s c r i m i n a t e a n a l y s i s ，l d a ) 方法( 也叫f i s h e r 脸方法) 利用了类别归属信息，它选择 8 浙江工业大学硕士学位论文 类内散布正交的向量作为特征脸空间，从而压制了图像之间与识别信息无关的差 异，强调了不同人脸之间的差别，同时弱化了同一人脸由于光照、视角和表情而 引起的变化，获得了比特征脸更好的识别效果。l d a 是一种监督学习方法，而p c a 是非监督学习方法。b e l h u m e u r t 2 7 1 对1 6 个人的各1 0 幅图像进行识别实验，p c a 方 法的识别率为8 1 ，而f i s h e r 脸方法的识别率为9 9 4 。 m o g h a d d a m 2 8 1 等将人脸差异分为脸内差异和脸间差异，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。通过分析人脸差异 图，如果脸内差异大于脸间差异，则认为两人脸属于同一个人的可能性大，反之 属不同人的可能性大。这种算法在1 9 9 6 年进行的f e r t e 人脸识i i i i 试中取得了 最好的识别效果，其综合识别能力优于其它参加测试的算法，尤其是克服光照对 识别的影响。 奇异值分解( s i n g u l a rv a l u ed e c o m p o s i t i o n ，s v d ) t 2 9 1 是一种有效的代数特征提 取方法。奇异值特征具有良好的稳定性、转置不变性、旋转不变性、位移不变性 以及镜像变换不变性等重要性质，因此奇异值分解技术也被应用到人脸识别领域。 独立成分分析( i n d e p e n d e n tc o m p o n e n ta n a l y s i s ，i c a ) 【3 0 】可以看成是对p c a 的推广。 p c a 利用二阶矩去掉输入数据的相关性，使得数据的协方差为零，而i c a 使得输 入数据的二阶和高阶矩依赖性最小。i c a 法假设：目标信号由各个互相独立的源 信号混合而成，而我们要做的就是根据混合后的信号矩阵来获得源信号。对于人 脸识别，我们可以利用i c a 方法获得训练人脸集的独立分量，即独立分量脸，进 而将人脸图像( 包括训练集和测试集) 投影到由独立分量脸组成的独立分量空间，投 影系数作为特征向量用于后续的训练和识别过程。 5 基于神经网络的方法 基于人工神经网络【3 1 】【3 2 】的方法应用比较广泛，目前常用的人工神经网络方法 是b p 神经网络【3 3 1 、自组织神经网络、径向基函数神经网络【3 4 1 。人工神经网络 ( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 是由大量简单的处理单元( 神经元) 相互连接而构成 的网络系统。人工神经网络目前正越来越被频繁地应用于人脸识别，人工神经网 络方法的自学习功能非常强大，由于对人脸识别的许多规律和规则进行显式描述 是非常困难的，神经网络则可以通过反复学习的过程获得对这些规律或规则的隐 式表达，因此在提取特征后进行分类识别时具有其得天独厚的优势。利用神经网 络进行人脸识别时，网络输入层的每一个节点对应样本的一个特征，而输出层的 9 浙江工业大学硕士学位论文 节点对人脸的类别进行编码。可以直接将人脸图像的灰度值输入到神经网络的输 入层，但这样由于输入层节点数目远大于输出层节点数日，训练时网络的收敛速 度慢，通常情况下，先对图像进行特征降维，再利用神经网络进行分类识别。f l e m i n g 和c o t t r e l l 3 5 1 提出了一种采用两个网络识别人脸的方法，第一个网络为特征提取网 络，用于人脸图像的特征降维，这个网络采用自联想神经网络，网络的输出层和 输入层有相同的节点数，训练时网络的输出和输入均为原始图像，其隐层节点的 输出作为图像的降维特征，隐层节点数决定特征的维数；第二个网络为分类识别 网络，将降维后的特征输入到分类识别网络，其输出决定人脸图像的类别。l i n 等 人【3 6 1 提出基于概率决策神经网络的人脸识别算法，将基于概率决策的神经网络分 别应用于人脸定位，特征提取和入脸识别，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。r i c a i l e k 【3 7 1 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。基于神经网络 的方法便于建模，鲁棒性好，但是计算量大，运算时间较长，并可能陷入局部最 优，难于实现实时应用。 6 基于隐马尔科夫模型的方法 隐马尔科夫模型(