（计算机应用技术专业论文）基于序特征的光照不变人脸识别.pdf

原创性声明和关于论文使用授权的说明 原创性声明 ii iii l l lp i ii ll lii i i y 17 9 3 6 3 5 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。 对本文的研究做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： 擞 日期： 垫2 1 ：! 丝。o j ， 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：导师签名：型l 量垒日期：塑! ：! 笙：! ， 一 t ， ，fl， 山东大学硕士学位论文 目录 摘要i a b s t r a c t 第一章绪论1 1 1 人脸识别的研究背景1 1 2 国内外研究现状j 2 1 3 人脸识别技术常用方法3 1 4 主要工作及章节安排6 1 4 1 本文的主要工作6 1 4 2 本文的章节安排6 第二章光照条件下的人脸识别一8 2 1 光照模型8 2 2 解决光照影响的主要方法11 2 3 基于序特征的解决方案1 6 2 3 1 序特征1 6 2 3 2 序特征在人脸识别中的应用1 7 2 4 本章小结1 9 第三章基于序特征的人脸识别2 0 3 1 基于序特征的人脸识别改进算法2 0 3 2 基于二维小波变换的图像预处理2 l 3 3 序特征提取2 3 3 4 序特征去光照演示2 7 3 5 本章小结一2 8 第四章实验2 9 4 1 人脸数据库2 9 4 1 1 常用人脸数据库2 9 4 1 2 实验选用数据库3 0 山东大学硕士学位论文 4 2 对比方法的选择3 0 4 3 实验环境3 l 4 4 实验结果和分析31 4 4 1 采用y a l eb 人脸数据库的实验结果3 1 4 4 2 采用o r l 人脸数据库的实验结果3 4 4 5 本章小结3 5 第五章总结与展望3 6 参考文献：3 8 致谢4 4 攻读学位期问发表的主要学术论文4 5 在读期间参与的科研项目情况4 6 一 l j i 东大学硕士学位论文 t a b l eo fc o n t e n t s a b s t r a c t ( i nc h i n e s e ) i a b s t r a c t ( h ae n g l i s h ) i i c h a p t e r1i n t r o d u c t i o n 1 1 1b a c k g r o u n do f f a c er e c o g n i t i o n t e c h n o l o g y 1 1 2c u r r e n tr e s e a r c hs t a t e 2 1 3c o m m o nm e t h o d s 3 1 4m a i nw o r k sa n d a r r a n g e m e n t 6 1 4 1m a i nw - o r k s 6 1 4 2m a i na r r a n g e m e n t s 6 c h a p t e r2f a c er e c o g n i t i o nu n d e ri l l u m i n a t i o nv a r i a t i o n s 8 2 1i l l u m i n a t i o nm o d e l 8 、 2 2f a c er e p r e s e n t a i o nm e t h o d su n d e ri l l u m i n a t i o n 11 2 3m e t h o d sb a s e do no r d i n a lf e a t u r e s 1 6 2 3 1o r d i n a lf e a t u r e s 1 6 2 3 2t h ea p p l i c a t i o no fo r d i n a lf e a t u r e si nf a c er e c o g n i t i o n 1 7 2 4c o n c l u s i o n s 1 9 c h a p t e r3f a c er e c o g n t i o nb a s e d o no r d i n a lf e a t u r e s 2 0 3 1i m p r o v e dm e t h o db a s e do no r d i n a lf e a t u r e s 2 0 3 2i m a g ep r e p r o c e s sb a s e do nw a v e l e tt r a n s f o r m 2 1 3 3e x t r a c t i o no f o r d i n a lf e a t u r e s 2 3 3 4p r e s e n t a t i o no f e l i m i n a t i n gi n f l u e n c eo f i l l u m i n a t i o n 2 7 3 5c o n c l u s i o n s 2 8 c h a p t e r4e x p e r i m e n t s ，2 9 4 1 f a c ed a t a b a s e ：2 ：9 4 1 1c o m m o nd a t a b a s e 2 9 4 1 2s e l e c t e dd a t a b a s e 3 0 4 2c o m p a r i s o nm e t h o d s 3 0 山东大学硕士学位论文 4 3e x p e r i m e n t a ls e t t i n g s 3 1 4 4e x p e r i m e n tr e s u l t sa n da n a l y s i s 3 1 4 4 1e x p e r i m e n t a lr e s u l t so ny a l eb 3 1 4 4 2e x p e r i m e n t a lr e s u l t so no r l 3 4 4 5s u m m a r y 3 5 c h a p t e r5c o n c l u s i o na n d f u t u r ew o r k 3 6 r e f e r e n c e s 3 8 a c k n o w l e d g e m e n t s 4 4 l i s to f p u b l i s h e dp a p e r s 4 5 l i s to f a t t e n d e dp r o j e c t s 4 6 山东大学硕士学位论文 摘要 光照问题是人脸识别面临的主要难题之一，由于光照变化改变图像灰度空间 的分布，当使用灰度信息特征去识别人脸时，往往会使类内差异( 同一个人的不 同人脸图像) 大于类间差异( 不同人的人脸图像) ，严重影响人脸识别的准确度， 制约了人脸识别技术的推广应用。目前针对光照变化，解决方法大致分为三类， 光照子空间方法，光照归一法和光照不变量法。 本文提出了一个基于序特征的改进算法，将采用序特征作为光照不变量去解 决人脸识别中的光照变化问题。首先对图像进行二维小波变换，提取图像的低频 系数，进行图像压缩，抑制噪声影响，减少图像中的冗余信息。然后使用改进的 序特征提取算子提取序特征。本文对序特征提取算子进行了两方面的改进：一是 改进提取算子的作用域，扩大特征提取范围。将算子的作用域扩大到中等大小， 提高特征含量，特别是针对人脸识别这种类别差异小的分类任务，可以包含更多 的整体信息。二是改进算子的作用形式，将传统的矩形算子扩展为椭圆形算子。 由于人脸的三维结构形式，椭圆形区域更符合人脸的特征区域，所以椭圆形算子 可以提取更多的相关信息，优于矩形算子。 算法在y a l eb 和o r l 人脸数据库上进行了验证，并选择目前具有代表性的 解决光照影响的算法进行对比试验。根据光照情况，对样本数据进行了集中分类。 实验结果表明，本文所提算法在识别率上表现出较大的优势。在单样本训练和混 合样本训练的情况下，表现依然稳定。与其它算法相比，本算法对训练样本和环 境的要求不高；需要选择的参数较少，节省了参数优化所需的时间和计算资源； 在强化人脸特征部位如眼、嘴巴等的细节能力方面效果显著；也可以较好的提取 受阴影影响图像部分的细节特征，特别是大面积阴影的情况。实验结果证明，该 算法的识别准确率较高，具有较高的有效性和稳定性。 一 关键词：人脸识别；光照变化；序特征；小波变换 山东大学硕士学位论文 a b s t r a c t i l l u m i n a t i o nv a r i a t i o ni so n eo ft h em o s ti m p o r t a n tp r o b l e m si nf a c er e c o g n i t i o n i n t e n s i t yd i s t r i b u t i o no ft h ei m a g ei sc h a n g e db e c a u s eo fi l l u m i n a t i o nv a r i a t i o n s w h e ni n t e n s i t yi n f o r m a t i o ni su s e dt or e c o g n i z ef a c e ，i tw o u l dc a u s ei n n e r - c l a s s d i f f e r e n c e s ( i e ，i m a g e so fo n ep e r s o ni nd i f f e r e n ti l l u m i n a t i o nc o n d i t i o n s ) a r ew o r s e t h a nb e t w e e n - c l a s sd i f f e r e n c e s ( i e ，i m a g e so fd i f f e r e n t p e o p l e i nt h es a m e i l l u m i n a t i o nc o n d i t i o n ) t h i sr e s t r i c t st h ea p p l i c a 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 s t a t e - o f - t h e - - a r tm e t h o d sc a nb er o u g h l yd i v i d e di n t ot h r e eg r o u p si n c l u d i n g i l l u m i n a t i o ns u b s p a c eb a s e dm e t h o d s ，i l l u m i n a t i o nn o r m a l i z a t i o na n di l l u m i n a t i o n i n v a r i a n te x t r a c t i o n t h i st h e s i sp r o p o s e sa ni m p r o v e df 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 no r d i n a l f e a t u r e s ，w h i c ha i ma ta c t i n ga si l l u m i n a t i o ni n v a r i a n t st od e a l 谢t 1 1i l l u m i n a t i o n c h a n g e s f i r s t l y , t w o d i m e n s i o n a lw a v e l e tt r a n s f o r mi sp e r f o r m e da sap r e p r o c e s s i n g s t e p ，w h e r el o wf r e q u e n c yc o e f f i c i e n t so fa f a c ei m a g ea r ee x t r a c t e dt oc o m p r e s st h e i m a g e ，w e a k e nt h ei n f l u e n c eo fn o i s e sa n dr e d u c e r e d u n d a n ti n f o r m a t i o n t h e n ， o r d i n a lf e a t u r e sa r ee x t r a c t e db a s e do na ni m p r o v e do p e r a t o r t h ei m p r o v e m e n t sa r e c o n t r i b u t e dt ob yt h ef o l l o w i n gt w oa s p e c t s f i r s t l y , a ne n l a r g e df u n c t i o n i n gd o m a i ni s e m p l o y e dt oi n c r e a s em o r ei n f o r m a t i o n ，e s p e c i a l l yf o rf a c er e c o g n i t i o nt a s k sw i t h s m a l lb e t w e e n - c l a s sd i f f e r e n c e s s e c o n d l y , a ne l l i p s e s h a p eo p e r a t o ri sp r o p o s e dt o r e p l a c et h et r a d i t i o n a lr e c t a n g l e - s h a p eo p e r a t o r i ti sb e l i e v e dt h a tt h ee l l i p s e s h a p e o p e r a t o ri sm o r es u i t a b l et o t h el o c a lr e g i o n so fh u m a nf a c e sb e c a u s eo ft h e t h r e e d i m e n s i o n a ls t r u c t u r e sa n dt h u s ，i ti sm o r ee x c e l l e n tt h a nt r a d i t i o n a lo p e r a t o r a n dm o r er e l e v a n ti n f o r m a t i o nc a ne x t r a c t e db yu s i n gi t t h ep e r f o r m a n c eo ft h ep r o p o s e da l g o r i t h mi sv a l i d a t e db ye m p i r i c a ls t u d i e s c o n d u c t e d 埘t l ly a l eba n do r lf a c ed a t a b a s e s ，t h r o u g ht h ec o m p a r i s o n 澌n 1 s t a t e - o f - t h e a r tm e t h o d s f a c ei m a g e sa r eg r o u p e da c c o r d i n gt od i f f e r e n ti l l u m i n a t i o n c o n d i t i o n s i tc a nb ec o n c l u d e dt h a tt h ep r o p o s e dm e t h o do u t p e r f o r m st h ec o m p a r e d i i 一 l j j 东大学硕士学位论文 m e t h o d si nt e r m so fr e c o g n i t i o na c c u r a c ya n dr o b u s t n e s s w h e ns i n g l es a m p l ei m a g e o rc o m p l e xs a m p l ei m a g e sa r ee m p l o y e da st r a i n i n g ss a m p l e s ，p e r f o r m a n c e sa r es t i l l s t a b l e m o r e o v e r , t h i sa l g o r i t h mh a sf e w e rr e q u i r e m e n t so nt r a i n i n gs a m p l e sa n d c o n d i t i o n s t h e r ea ref e w e rp a r a m e t e r sr e s u l t i n gi ns m a l lt i m ec o n s u m p t i o nf o r p a r a m e t e r ss e l e c t i o n t h ee x t r a c t e do r d i n a lf e a t u r e sa r ea b l et od e t a i l e d l yd e s c r i b et h e r e g i o n ss u c ha se y e ，m o u t h ，e t c t h i sa l g o r i t h ma l s os i g n i f i c a n t l yi m p r o v e st h e r e l i a b i l i t yo f f e a t u r ee x t r a c t i o n ，e s p e c i a l l yf o rl a r g ea r e au n d e rs h a d o w s k e yw o r d s ：f a c er e c o g n i t i o n ；i l l u m i n a t i o nc h a n g e s ；o r d i n a lf e a t u r e ；w a v e l e t t r a n s f o r m i i i 一 一 山东大学硕士学位论文 第一章绪论 本章介绍人脸识别的研究背景、国内外的研究现状，并给出本论文的主要研 究工作和章节安排。 1 1 人脸识别的研究背景 随着数字化及信息技术的发展，人们对生活的安全和便利提出了更高的要 求，身份识别己成为人们日常生活中经常遇到的问题，尤其对于高准确率身份识 别的需求日益增长，比如大型活动的安防检查，出入境海关的身份鉴别、商用门 禁系统、实时监控和公安刑侦调查等。 目前，生物特征识别技术备受世界关注，并且已经在国家安全、公安刑侦等 领域有了一定应用。生物特征主要是指人脸、掌纹、指纹、虹膜、笔迹、步态等 人体的生理特征和行为特征。 人脸识别方法有别于其他生物特征识别方法，有其自身特殊的优势，因为人 脸许多特性是其他的特征所不可比拟的，所以在生物识别中有着非常重要的地 位。人脸识别的主要特点如下： 1 非侵扰性。人脸识别可以做到不干扰人们的正常行为，就能达到较好的 识别效果。相比于指纹和虹膜，采用人脸识别无需担心被识别者是否愿意将手放 到指纹采集设备上，他们的眼睛是否能够对准虹膜扫描装置等。只要在摄像机前 走过或停留片刻，待识别者的身份就能被正确识别。 2 采集设备简单，使用方便。对于人脸识别来说，普通的摄像头就可以用 来进行人脸图像的采集和识别，无需特别复杂的专用设备，方便普及应用。 3 与人类识别身份的习惯一致。人和机器都使用人脸图像对人的身份进行 记忆和鉴别，这使得人和机器可以配合工作。而指纹，虹膜等方法都不具备这个 特点。 采用人脸识别技术的应用系统有极大的社会意义和广阔的应用前景。在国 内，人脸识别系统也逐渐走向实际应用。2 0 0 8 年的北京奥运会，人脸识别系统 被用于安保检查中，为奥运安全保驾护航。2 0 1 0 年的上海世博会，人脸识别系 山东大学硕士学位论文 统也将启用；另外在首都机场、深圳出入境口岸等也都将陆续采用人脸识别产品 来升级安保系统。不仅是大型的体育赛事和人流密集场合适合采用人脸识别系统 进行安全保障，它也逐渐走进人们的日常生活，如党政机关、企事业单位和商务 场所的门禁系统，以及居民小区的安保监视系统中都可以看到人脸识别的具体应 用。人脸识别系统已经越来越受到市场的认可，应用前景十分广泛。 1 2 国内外研究现状 人脸识别的研究工作开始于2 0 世纪6 0 年代，经过四十多年的发展，出现了 大量优秀的研究成果。而且人脸识别技术已经走出实验室步入商用，已有许多人 脸识别系统开始投入实际使用。 在人脸识别研究的初期，主要有两类方法，一类是采用人脸几何结构特征【1 i 进行识别的方法，包括采用人脸各部分归一化的距离和比率以及人脸的一些特征 部位构成的二维拓扑结构等。但是此类人脸识别方法过于简单，丢失了很多有用 的信息。一类是模板匹配方法【2 捌，即根据图像数据库中的人脸模板与待识别人 一 脸模板在灰度上的相似程度来实现人脸识别。 从9 0 年代开始，随着p c a t 4 1 ( p r i n c i p a lc o m p o n e n ta n a l y s i s ，主成分分析) 舛 技术的出现，人脸识别的研究开始了快速全面的发展，基于统计学的方法开始应 用于人脸识别领域。除此之外还出现了f i s h e r f a c e t 5 1 ，隐式马尔科夫模型6 ( h i d d e n m a r k o vm o d e l ) 等一批优秀的识别算法。与此同时，o r l i n 、f e r e t t 8 1 等人脸数 据库也相继被创建，为进行人脸识别实验提供了宝贵的实验样本。 如今，随着对人脸识别技术的研究不断深化，很多更细致的问题被发现和关 注。比如生理鉴别、光照、姿态等问题，已经有了比较成熟的应对技术。随着 s v m t 9 1 ( s u p p o r tv e c t o rm a c h i n e 支持向量机) 等统计学习理论应用到人脸识别 中来，人脸识别领域在解决小样本问题上有了很大的突破，并且与机器学习理论 研究的联系更加紧密。从目前来看，统计学习理论、应对环境影响、3 d 入脸建一 模技术将成为以后人脸识别技术发展的主要趋势。 然而，人脸识别技术发展至今，仍存在一些需要解决的问题。比如，需要提 - 取更加具有判决力的局部细节特征；对单个特征分类效果的研究和特征选择问 题；去除外界环境的影响，如光照变化；针对姿态和表情变化的人脸识别技术的 2 l l i 东大学硕士学位论文 研究；通过统计学习理论进一步解决小样本问题；降低三维人脸识别复杂度，提 高其速度和识别率等等。 国外对人脸识别的研究起步较早，有很多的高校和科研机构都设立了人脸识 别的研究团队。美国麻省理工学院媒体实验室和人工智能实验室、美国卡奈基梅 隆大学机器人研究所、耶鲁大学等在人脸识别领域都取得了很好的研究成果。另 外还有一些每年或隔年举办的模式识别、计算机视觉领域的著名国际会议，如国 际计算机视觉会议( i n t e r n a t i o n a lc o n f e r e n c eo nc o m p u t e rv i s i o n ，i c c v ) 、i e e e 人脸与手势自动识别国际会议( a u t o m a t i cf a c ea n dg e s t u r er e c o g n i t i o n ，f g ) 、国 际计算机视觉和模式识别会议( c o m p u t e rv i s i o na n dp a t t e r nr e c o g n i t i o n ，c v p r ) 等，都为人脸识别的研究和发展起到了重要的推动作用。 国内人脸识别的研究起步比较晚，但是国家对这方面研究十分重视。国家自 然科学基金、8 6 3 计划均重点资助了人脸识别相关领域的研究。清华大学、北京 大学、南京大学等高校以及中科院计算所、中科院自动化所等研究机构长期致力 于人脸识别领域的研究，并取得了很多出色的研究成果和优秀的产品。红外人脸 识别技术可以有效克服光照影响，是目前的热点课题，国内在这个领域研究水平 居于具有世界领先地位。 从人脸识别产品上来说，自1 9 9 5 年第一款人脸识别产品问世以来，人脸识 别系统的研究一直如火如茶，并且硕果累累。以f a c e i t 和f a c e v a c s 商用人脸识 别系统为代表，在f r v t ( f a c er e c o g n i t i o nv e n d o rt e s t ) 的测试中表现优异，具 备了投入实际使用的能力。随着新技术的研发，以及针对现实环境研究成果的应 用，人脸识别系统的实际应用范围将不断扩大，商用前景十分广阔，市场价值不 断提升。 1 3 人脸识别技术常用方法 在人脸识别的研究过程中，涌现了很多经典的算法，例如统计学中率先被用 于人脸识别的主成分分析，采用f i s h e r 准则和主成分分析的f i s h e r f a c e ，支持向 量机，神经网络等等。这些算法的出现，极大地推动了人脸识别的理论研究和相 关产品的实际应用。下面将简要介绍这些技术。 l j j 东大学硕士学位论文 1 p c a 主成分分析( p c a ) 是模式识别里应用最广泛的算法之一。它以k l 变换 为理论基础，由t u r k 和p e n t l a n d 首次提出将其应用于人脸识别，称为e i g e n f a c e 。 p c a 是第一个被用于人脸识别的统计方法，至今在人脸识别的研究中还是被广 泛的采用。p c a 是一种无监督统计方法，根据样本点在多维空问中的分布，通 过样本的协方差矩阵提取样本在空间中的变化最大方向。提取特征向量作为基向 量，构建子空间。训练样本用于搭建这样的空间，训练样本和待识别的样本向空 间投影生成权值向量，二者之问距离即是判据。 p c a 是基于灰度的方法，在灰度分布受到外界条件变化的影响下，识别效 率将下降。然而由于该算法简单有效，其相关研究仍在继续，现有的衍生算法还 有2 dp c a l l 0 】，k p c a t 1 等等。 2 f i s h e r f a c e f i s h e r f a c e 是基于f i s h e r 准则1 2 1 ，对e i g e n f a c e 的改进方法。f i s h e r 的判别准 则是：类外样本差距尽可能大，类内样本差距尽可能小。采用这种准则的方法为 l d a t l 3 】( l i n e a rd i s c r i m i n a n t a n a l y s i s ) 。由于l d a 存在小样本问题，即数据空问 维数高，样本数远小于空间维数。所以，在f i s h e r f a c e 方法中，先采用主成分分 析对数据空间进行压缩，然后再采用f i s h e r 准则提取符合判别准则的特征，构建 子空间。 l d a 的应用通常受制于小样本的问题，但是对数据进行压缩，会造成部分 有效信息的丢失。考虑到其优于p c a 的分类能力，故还有很大的应用空间。目 前，对l d a 的研究多集中于最优鉴别型1 4 1 的选择上。 3 支持向量机 支持向量机( s v m ) 是在结构风险最小化原则和统计学习理论的基础上提 出的一种新的学习算法。对于线性可分的情况，可以通过建立一个线性超平面， 使可分的两类到该平面的距离最大。而在非线性的情况下，将样本空间先映射到 高维空间，并在特征空间中寻找最优超平面。支持向量机非常适用于小样本问题， 能够在有限样本的条件下提供很好的理论框架。支持向量机在人脸识别领域也被 广泛地采用。o s u n a t l 5 1 首次将支持向量机的方法用于人脸检测问题。 4 | 一 山东大学硕士学位论文 s v m 在理论上具有较强的优势，但对其应用研究并不突出，比如如何针对 人脸的特点进行优化。而且s v m 的训练计算量大，过高的样本维数和样本数量 会浪费很多资源和时间。 4 神经网络【1 6 1 神经网络技术源于m c c u l l o c h 和p i t t s 1 7 1 提出的形式神经元的数学模型。与 此基础，h e b b 1 8 1 提出的神经元学习准则，则奠定了神经网络学习的基础。神经 网络在诞生的初期即被用于人工智能领域。由于其较好的分类和拟合性能，也被 应用于人脸识别中。 应用神经网络进行人脸识别，首先要设计神经网络模型，通过训练神经网络 得到训练参数。目前广泛应用的是b p 1 9 1 ( b a c kp r o p a g a t i o n ，多层前向网络) 神 经网络。使用神经网络进行识别就是对人脸空间进行分类。但是神经网络训练获 得的参数和网络初始值有关，而且参数繁多，需要训练的时间会很长。所以近年 来应用于大型人脸识别的研究日渐减少。 5 三维人脸识别技术 通常人脸识别在约束环境下可以获得很好的识别性能，但仍易受光照、姿态、 表情等变化的影响，其本质原因在于图像是三维物体在二维空间的投影。三维人 脸识别不同于二维人脸识别的关键在于采用的数据不同，采集的脸部三维数据可 看作不随光照、视图的变化而变化，因此具有光照不变性、姿态不变性；其次三 维数据具有明显的空间形状特征，因此信息含量高于二维图像。因此，采用三维 表达方式进行人脸识别成为近几年学术界的研究热点。根据三维人脸识别采用的 特征形式，现有的算法主要分为基于空域直接匹配、基于整体特征匹配、基于局 部特征匹配这三大类。 基于空域直接匹配的方法就是不提取特征，直接进行曲面相似度匹配，常用 的方法是迭代最近点法【2 们( i t e r a f i v ec l o s e s tp o i n t ，i c p ) 。该法最初被用于曲线或 曲面的配准，是三维数据重构过程的一个非常有效的工具。c h u a t 2 1 1 提出将其应 用于人脸模型对齐。基于局部特征匹配的方法是从人脸中提取具有区别信息紧凑 性和变换鲁棒性的特征，有基于局部描述符的s p i n l m a g e t 2 2 1 、基于的曲线特征方 法【2 3 1 以及其他一些局部几何特征或统计特征，如基于曲率的算法【2 4 1 。基于整体 特征的方法，注重三维模型的整体特征，有深度图表示法【2 5 1 ，e g i 2 6 ( e x t e n d e d 5 山东大学硕士学位论文 g a u s s i a ni m a g e ) 法，整体变换法【2 7 1 等。 现阶段，三维人脸识别技术还未能在速度和性能上全面超越基于二维的人脸 识别技术。在数据采集、人脸对齐、算法复杂度以及形变处理等问题上也没有比 一 较完备的解决方法。但是，无疑三维人脸识别技术是人脸识别技术发展的主要方 、 向。 除了以上经典的方法，还有贝叶斯网络1 2 引( b a y e s i a nn e t w o r k ) 、拉普拉斯脸 1 2 9 ( l a p l a c i a n f a c e ) 、隐式马尔科夫模型法( h i d d e nm a r k o vm o d e l ) 等人脸识别 算法被广泛的使用和研究。 1 4 主要工作及章节安排 1 4 1 本文的主要工作 本文旨在研究去除光照条件的变化对于人脸图像的影响，在研究并比较了目 前的主要方法的基础上，提出了基于序特征的解决方案，主要工作如下： 1 研究序特征理论，分析序特征的光照鲁棒性。使用二维小波变换对图像 进行预处理，提取低频信息，压缩图像。 。 2 改进序特征提取算子的作用范围和作用形式。提出中等尺寸的提取算子， 扩大作用区域，有效的结合局部特征和整体特征；提出椭圆形算子，以符合人脸 结构的提取形式提取更多相关的局部特征。 3 设计可以考察算法全面性能的实验方案，进行对比实验。通过识别率对 比实验，本文算法与其他解决光照影响的算法以及主流算法的性能得到了验证。 通过对实验结果进行分析，解释说明序特征用于提取光照不变量特征的可行性。 本文的创新点是扩大序特征提取范围，用中等尺寸的算子提取特征，兼顾局 部特征和整体特征，提高分类信息的含量；扩展序特征提取算子的作用形式，采 用椭圆形算子，更加符合人脸结构，可以提取更多的相关信息。 一 本研究得到山东省科技攻关计划基金( n o 2 0 0 7 g g 3 0 0 0 1 0 0 7 ) 的资助。 1 4 2 本文的章节安排 第一章介绍人脸识别技术的特点、国内外的研究并介绍本文的研究工作和章 6 山东大学硕士学位论文 节安排。 第二章对人脸识别技术的常用方法进行了介绍，对解决光照问题的研究现 状、光照模型以及解决光照变化的方法进行分类介绍。引入了序特征的理论，并 分析其在人脸识别领域的研究现状。 第三章提出改进的基于序特征的人脸识别算法。提出对提取算子的作用范围 和扩展算子的改进，将提取算子的作用范围扩大，有效的提取局部特征和整体特 征。将传统的矩形算子扩展为椭圆形算子，以更符合人脸结构的作用域提取特征。 通过去光照实验进一步验证序特征的光照不变性。 第四章对本文提出的算法和现有的针对光照变化的人脸识别方法进行了识 别率对比实验，对本文算法在处理光照变化和在无光照条件下的性能进行有效性 验证。结果表明，本文算法在识别率表现上有一定优势，可以有效的解决光照变 化所带来的影响。 第五章对全文进行了总结，并对未来的研究工作进行了展望。 7 山东大学硕士学位论文 第二章光照条件下的人脸识别 a d i n i t 3 0 1 等人的研究表明，同一个人在不同光照条件下的差异要比不同的人 在同一光照条件下的图像差异还要大。光照变化对人脸图像的影响可见一斑。根 据f r v t2 0 0 2 测试【3 1 1 的结果，光照的影响对人脸识别系统有着非常大的影响。 而在f r v t2 0 0 5 的报告3 2 1 中也指出，光照变化对目前的人脸识别系统仍有着较 大的影响。 本章主要介绍针对光照变化的人脸识别理论知识和相关算法。根据现有方法 分类，对光照锥法t 3 3 - 3 4 1 、球谐函数法1 3 6 1 、商图像m 、自商图像3 8 1 等主流算法 的主要思想进行阐述，并对其特点进行详细说明。其次，分析了序特征在光照下 感知能力，明确提出序特征的光照鲁棒性。最后介绍序特征在人脸识别领域的研 究现状。 2 1 光照模型 开展针对光照变化的人脸识别的研究，首先要从研究光照条件开始，而光照 1 模型就是基础。光照模型的研究始于计算机图形学，已有成熟的理论和应用基础。 在人脸识别领域，常用的光照模型有两类：朗伯反射模型和r e t i n e x 反射模型。 1 朗伯反射模型3 9 1 ( l a m b e r t i a nm o d e l ) l a m b e r t 最早提出了漫反射计算模型，标准的朗伯反射模型为： 乃= k a l c o s 0 ( 2 1 ) 其中，d 是物体表面的反射亮度，是表面反射系数，是光强，0 为表面法 向量与光源的方向的夹角。 朗伯表面其实是一种理想的漫反射表面，自然界中几乎不存在具有这种特性 一 的表面，即假定在固定的光照条件下从任何的方向观察都具有相同亮度的表面， 而且不吸收入射光。人脸识别不是图形学中的真实感图像绘制，所以采用了最简 单