（计算机应用技术专业论文）基于多帧图像代数特征的双动态双门限累积平均人脸识别.pdf

硕士毕业论文基于多 帧图 像代数特征的双动态双门限累积平均人脸识别 摘要 人脸自动识别系统是模式识别、 数学图像处理、计算机视觉、 神经网络等学 科的一大研究热点， 可以广泛地应用于安全部门、电视电话会议、 身份识别、 数 字监控等领域。由于快速增长的应用需要以及神经网络、 小波分析、 计算机图形 和计算机视觉等技术的发展， 人们对人脸自 动识别的兴趣不断升温， 研究工作也 异常的活跃。很多针对方法二维灰度图像的人脸识别方法已经提出， 基本上可以 分基于几何特征的方法、 基于特征脸方法、 基于局部特征方法、 基于肤色特征方 法、 基于弹性模型方法、 基于模板匹配的方法、 基于神经网络的方法和它们的混 合方法等。 尽管这些方法都已 经成功地运用于人脸识别， 但他们都有各自 的优势 和劣势。 本文的工作主要是以 人脸的识别为主. 主要包括两个部分: 在己经过预处理 的灰度图像中提取代数特征; 双动态双门限累积平均识别判定。 本 文 采用的 代数 特征 提取的 方 法 是 t u r k 和 p e n t l a n d的e i g e n f a c e s f o r r e c o g n i t i o n 的 方法7 1 . 但t u r k 和p e n t l a n d 的 方 法有其局限 性， 其表现为 由 于 它在本质上依赖于训练集和测试集图像的灰度相关性， 而且要求测试图像与训练 集比较相像; 虽然t u r k 和p e n t l a n d 代数特征是经过投影变换， 从而降低了维数. 但每个训练图像都有其特征矢量， 这样每个个体都有多个特征矢量，从而影响了 判别的速度: 每个人只有几个特征矢量， 就不可能包涵一个人的所有特性， 因此 就会降低识别率。 本文对t u r k 和p e n t l a n d 特征提取进行了改正， 训练过程中， 对每个人脸图像 的特征进行加权平均， 假设每个人有四张照片， 如笑脸、 无表情脸、 谅讶脸及愁容 脸。 对每种人脸加以不同的权重， 只提取加权平均脸的特征矢量， 以减小判别次 数。 本文应用的是对每一个个体进行多次采样累积平均判别。 判别门限采用动态 双门限， 这里的双门限就是一个接受门限和一个拒绝门限; 而所谓的动态就包括 了两个方面的动态性: 每个个体判别门限中的拒绝门限都不一样， 有的个体接受门限阐值大些， 有的个体接受门限闽值小些; 对于某一个体， 每次累积判别过程中其接受门限和拒绝门限都不一样( 每 一次接受门限除外) 。 如前一次识别判定的接受门限小于后一次的识别判定门限， 而前一次识别判定的拒绝门限大于后一次的识别判定的拒绝门限， 两个门限在累 硕 上 毕业论文基十多帧图像代数特征的双动态双门限累积平均人脸识别 积识别判定过程中逐渐靠近， 呈现动态性。 本文实验采用的是o r l 标准人脸库，该库由4 0 人， 每人1 0 幅图像组成. 本文 通过对t u r k 和p e n t l a n d 方法的改正以及采用动态双门限识别方法， 识别效果得 到提高 总的识别率从8 4 . 3 3 % 提高到9 3 . 2 1 4 % ， 平均判别次数大约为2 . 5 6 . 关键字: 人脸自 动识别， 特征脸，累积平均， 双动态双门限。 硕士毕业论文基于多 帧图 像代数特征的双动态双门限累积平 均人脸识别 ab s t r a c t a u t o m a t i n g f a c e r e c o g n i t i o n s y s t e m i s a p o p u l a r r e s e a r c h t a s k t h a t d e a l s w i t h m a n y f i e l d s s u c h a s p a t t e r n r e c o g n i t i o n ， d i g i t a l i m a g e p r o c e s s i n g， c o m p u t e r v i s i o n a n d n e u r a l n e t w o r k s . i t c a n b e w i d e l y a p p l i e d t o s e c u r i t y d e p a r t m e n t， t e l e v i s i o n a n d t e l e p h o n e c o n f e r e n c e， i n d i v i d u a l i d e n t i f i c a t i o n， d i g i t a l c o n t r o l. t h e l i s t g o e s o n a n d o n. b e c a u s e o f t h e r a p i d i n c r e a s i n g即p l i c a t i o n s a n d r e c e n t d e v e l o p m e n t i n t h e t e c h n o l o g i e s o f n e u r a l n e t w o r k s， w a v e l e t a n a l y s i s， c o m p u t e r g r a p h i c s a n d c o m p u t e r v i s i o n， i t h a s r e c e i v e d s i g n i f i c a n t a t t e n t i o n a n d a c t i v e r e s e a r c h . m a n y a p p r o a c h e s a b o u t t w o - d i m e n s i o n g r a y i m a g e h a v e b e e n p r o p o s e d， w h i c h c a n b e d i v i d e d i n t o g e o m e t r i c a l f e a t u r e b a s e d， e i g e n f a c e s b a s e d ， l o c a l f e a t u r e b a s e d ， s k i n - c o l o r f e a t u r e b a s e d ， e l a s t i c m a t c h i n g b a s e d ， t e m p l a t e m a t c h i n g b a s e d， n e u r a l n e t w o r k s b a s e d a n d h y b r i d a p p r o a c h e s h a v e b e e n s u c c e s s f u l l y a p p l i e d i n f a c e r e c o g n i t i o n s y s t e m， b u t t h e y h a v e a d v a n t a g e s a n d d i s a d v a n t a g e s . i n t h i s t h e s i s， t h e m a i n w o r k s i s f a c e s r e c o g n i t i o n a n d i t i n c l u d e t w o m a j o r p a r t : e x t r a c t i n g a l g e b r a i c f e a t u r e f r o m a g r e y i m a g e s p o s t - p r o c e s s e d r e c o g n i t i o n a n d d y n a m i c b i - t h r e s h o l d c u m u l a t i o n a v e r a g e s e q u e n c e t h e e x t r a c t e d a l g e b r a i c f e a t u r e i s e i g e n f a c e s f o r r e c o g n i t i o n i n t h i s p a p e r b a s e d o n t u r k a n d p e n t l a n d s b u t t h e r e a r e m a n y d e f e c t a b o u t t h e m e t h o d o f t u r k a n d p e n t l a n d: i t r e l i e s n o t o n l y o n r e l a t i o n b e t w e e n toandand t r a i n i n g i m a g e a n d t e s t e d i m a g e i n e s s e n t i a l， b u t a l s o r e q u i r e s r e s e m b l a n c e b e t w e e n t r a i n i n g i m a g e a n d t e s t e d i m a g e . a l t h o u g h t u r k p e n t l a n d s a l g e b r a i c f e a t u r e h a s b e e n u n d e r g o n e p r o j e c t i o n t r a n s f o r m d e c r e a s e d i m e n s i o n， t h e r e a r e f e a t u r e v e c t o r o n e v e r y i m a g e， s o e v e r y i n d i v i d u a l h a v e s e v e r a l f e a t u r e v e c t o r s， h e n c e i n f l u e n c e r e c o g n i t i o n s p e e d . (h ) b e c a u s e t h e r e a r e o n l y s e v e r a l f e a t u r e v e c t o r s e v e r y o n e ， i t c a n n o t c o n t a i n a l l f e a t u r e a n d d e c l i n e r e c o g n i t i o n r a t e . i n t h i s i s m o d i f i e d t h e s i s t h e m e t h o d o f t u r k a n d p e n t l a n d s f e a t u r e e x t r a c t e d .t h e f e a t u r e o f e a c h f a c i a l i m a g e i s a v e r a g e d b y u s i n g t h e 硕十毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 d i f f e r e n t w e i g h t i n t h e t r a i n i n g p r o c e s s . l e t u s a s s u m e d : e v e r y o n e h a v e f o u r f a c i a l i m a g e s. f o r e x a m p l e , s m i l e， a n g r y ， b l a n k a n d a r b i t r a r y . e a c h f a c i a l i m a g e i s n o t u s e d t h e i d e n t i c a l l y w e i g h t e d . o n l y t h e f e a t u r e v e c t o r o f w e i g h t e d a v e r a g e f a c i a l i m a g e i s e x a c t e d , s o t h e n u m b e r o f j u d g e m e n t i s d e c r e a s e d m u l t i - s a m p l e c u m u l a t i o n a v e r a g e j u d g e m e n t i s a p p l i e d o n e a c h i n d i v i d u a l i n t h i s p a p e r . d y n a m i c b i - t h r e s h o l d o f j u d g e t h r e s h o l d i s a d o p t e d w h i c h i s a a c c e p t e d t h r e s h o l d a n d r e j e c t e d t h r e s h o l d . h e r e d y n a m i c s i n c l u d e t w o a s p e c t : t h e r e j e c t e d t h r e s h o l d f o r e a c h i n d i v i d u a l i s d i f f e r e n t . s o m e l a r g e a n d s o m e s m a l l ; i n t e a m s o f e a c h i n d i v i d u a l , t h e a c c e p t e d a n d t h e r e j e c t e d t h r e s h o l d a r e d i f f e r e n t i n t h e p r o c e s s o f e a c h c u m u l a t i o n a v e r a g e j u d g e m e n t . i f t h e c u r r e n t a c c e p t e d t h r e s h o l d i s s m a l l e r t h a n t h e p o s t - a c c e p t e d t h r e s h o l d a n d t h e c u r r e n t r e j e c t e d t h r e s h o l d i s b i g g e r t h a n p o s t - r e j e c t e d t h r e s h o l d , t w o t h r e s h o l d i s n e a r e r a n d n e a r e r i n t h e p r o c e s s o f c u m u l a t i o n a v e r a g e j u d g e . i t i s b e c o m i n g d y n a m i c . t h e o r l s t a n d a r d f a c i a l i m a g e i s u s e d i n t h i s p a p e r . i t i s m a d e u p o f f o r t y i n d i v i d u a l , e a c h i n d i v i d u a l h a s t e n f a c i a l i m a g e . b y m o d i f y i n g t h e m e t h o d p r o p o s e d b y t u r k a n d p e n t l a n d a d o p t i n g d y n a m i c b i - t h r e s h o l d j u d g e m e n t , t h e r e s u l t o f r e c o g n i t i o n w a s i m p r o v e d . t h e t o t a l r a t e o f r e c o g n i t i o n i s i m p r o v e d f o r 8 4 . 3 3 % t o 9 3 . 2 1 4 % a n d t h e n u m b e r o f a v e r a g e j u d g e m e n t i s a b o u t 2 . 5 6 k e y w o r d : a u t o m a t i n g f a c e r e c o g n i t i o n，e i g e n f a c e s，c u m u l a t i o n a v e r a g e , b i _ d y n a m i c b i - t h r e s h o l d. 硕 i s 毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 第1 章 绪论 1 . 1引言 随着社会的发展， 各个方面对快速有效的自 动身份验证要求日 益迫切。由于 生物特征是人的内在属性， 具有很强的稳定性和个体差异性， 因此是身份验证的 最理想依据。 其中， 利用人脸特征进行身份验证又是最自 然直接的手段， 象其它人 体生物特征它具有直接、友好、方便的特点， 易于为户所接受。 人脸识别( f a c e r e c o g n i t i o n ) 是指基于己知的人脸样本库， 利用图像处理和 模式识别技术从静态或动态场景中， 识别或验证一个或多个人脸。通常识别处理 后可得到的基本信息包括人脸的位置、 尺度和姿态信息。 利用特征提取技术还可 进一步抽取出更多的生物特征( 如: 种族、性别、年龄) 。 人脸识别技术在国家重要机关及社会安防领域具有广而特殊的用途。 例如: 公安系统的视觉监控、 证件和各类金融卡持有人的身份验证等。 同其它人体生物 特征( 如: 指、掌纹、虹膜、语音等) 识别技术相比， 人脸识别技术的隐蔽性最好， 是当今国际反恐安防最重视的科技手段和攻关标之一。 另外， 人脸识别技术还可应用于多 媒体数据库的视频检索， 以及多媒体制作 方面。 近几年， 随着计算机硬件和软技术的发展， 基于人脸识别技术的表情信息提 取也成为能， 它可用于改进人机交互方式， 从而产生更加人性化、 智能化的计算机 系统。 人脸识别技术的发展正是受到商业应用需求的 推动， 以 及相关技术的发展 而得到空前的重视， 成为图 像识别和理解领域中的 研究热点。 人脸识别是人类视觉最杰出的能力之一， 它的研究涉及模式识别、 图 像处理、 生理学、心理学、认知科学， 与基于其它物特征的身份鉴别方法以及计算机人机 感知交互领域都有密切联系， 因此早在六七十年代即引起了研究者的强烈兴趣. 进入九十年代， 由于各方面对人脸识别系统的迫切需求， 人脸识别的研究重新变 得非常热。 目 前美国等国 有许多研究组从事人脸识别的研究， 这些研究受到军方、 警方及大公司的高压政策度重视和资助， 美国军方每年还专门组织人脸识别比赛 以促进这一领域的发展。在国内， 也开始有一些学校从事人脸识相关的研究。近 几年来关于人脸识别的研究取得了很大进步， 国际上发表有关论文的数量大幅增 长， 工 e e e 的p a m i 汇刊于1 9 9 7 年7 月出 版了 人脸识别专辑， 每年的国际会议上关 人脸识别的专题也屡屡可见。 硕 二 毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 . 2人脸自 动识别系统 人脸自 动识别系统包括两个主要技术环节( 如图 i所示) : 首先是人脸检测和 定 位， 即从输入图像中找到人脸及人脸存在的位置， 并将人脸从背景中分割出 来， 然后才是对归一化的人脸图像进行特征提取与识别。 f4* f14邻噩拌判盆牙争 图 1 人脸自动识别系统构成 这两个环节的研究独立性很强。 于在很多特定情况下人脸检测与定位的工作 比 较简单， 因 此“ 特征提取与识别” 环节得到了 更为广泛和深入的研究; 而近几年 来随着人们越来越关心各种复杂情形下的人脸自 动识别系统， 人脸检测与定位才 得到了 较多的重视。 文所研究的是人脸特征提取和识别这一部分， 因此， 在人脸自 动识别系统中， 输入的是人脸图像。 评价一个人脸自 动识别系统的标准， 一个是误识率即将某人错识别为其他人， 另一个是虚警率即将其他人识别为这个人。这二者之间是存在矛盾的， 所以 在实 际问题中往往需要进行某种折衷。如， 在安全性要求较高的计算机登录系统中， 必须要求虚警率要尽可能低， 而误识率则可以高一些， 这样只是增加合法用户的 等录时间 ， 并不会降低计算机系统的安全性。 一点同样适用于特征提取与识别 环 节， 但是对于人脸检测与定 位， 我们一般则要求误识率要尽可能低， 因为这样刁可 以保证所要识别的人不会在这一步就丢失。 常用的人脸识别实验库以 美国军方的f e r r t 库最为权威， 它包括多人种、 多 年龄段、各种表情变化、光照变化，姿态变化的图像， 图像的数量和实验人数也 非常多， 可以 充分地验证人脸识别算法. 另外如m i t . o p l 等库也可以 用来验证算 法在某些方面的能力。目 前尚没有专门 测试人脸检测和定位算法的图像库。 1 . 3人脸特征提取和人脸识别方法的综述 人脸识别本质上是三维塑性物体二维投影图像的匹配问题， 它的困难体现 在: ( 1 ) 人脸塑性变形( 如表情等) 的不确定性; ( 2 ) 人脸模式的多样性( 如胡须、发 型、 眼镜、 化妆等) ; ( 3 ) 图像获取过程中的不确定性( 如光照的强度、 光源方向等) 。 别人脸主要依据人脸上的特征， 也就是说依据那些在不同个体之间存在较大差异 硕 二 毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 . 2人脸自 动识别系统 人脸自 动识别系统包括两个主要技术环节( 如图 i所示) : 首先是人脸检测和 定 位， 即从输入图像中找到人脸及人脸存在的位置， 并将人脸从背景中分割出 来， 然后才是对归一化的人脸图像进行特征提取与识别。 f4* f14邻噩拌判盆牙争 图 1 人脸自动识别系统构成 这两个环节的研究独立性很强。 于在很多特定情况下人脸检测与定位的工作 比 较简单， 因 此“ 特征提取与识别” 环节得到了 更为广泛和深入的研究; 而近几年 来随着人们越来越关心各种复杂情形下的人脸自 动识别系统， 人脸检测与定位才 得到了 较多的重视。 文所研究的是人脸特征提取和识别这一部分， 因此， 在人脸自 动识别系统中， 输入的是人脸图像。 评价一个人脸自 动识别系统的标准， 一个是误识率即将某人错识别为其他人， 另一个是虚警率即将其他人识别为这个人。这二者之间是存在矛盾的， 所以 在实 际问题中往往需要进行某种折衷。如， 在安全性要求较高的计算机登录系统中， 必须要求虚警率要尽可能低， 而误识率则可以高一些， 这样只是增加合法用户的 等录时间 ， 并不会降低计算机系统的安全性。 一点同样适用于特征提取与识别 环 节， 但是对于人脸检测与定 位， 我们一般则要求误识率要尽可能低， 因为这样刁可 以保证所要识别的人不会在这一步就丢失。 常用的人脸识别实验库以 美国军方的f e r r t 库最为权威， 它包括多人种、 多 年龄段、各种表情变化、光照变化，姿态变化的图像， 图像的数量和实验人数也 非常多， 可以 充分地验证人脸识别算法. 另外如m i t . o p l 等库也可以 用来验证算 法在某些方面的能力。目 前尚没有专门 测试人脸检测和定位算法的图像库。 1 . 3人脸特征提取和人脸识别方法的综述 人脸识别本质上是三维塑性物体二维投影图像的匹配问题， 它的困难体现 在: ( 1 ) 人脸塑性变形( 如表情等) 的不确定性; ( 2 ) 人脸模式的多样性( 如胡须、发 型、 眼镜、 化妆等) ; ( 3 ) 图像获取过程中的不确定性( 如光照的强度、 光源方向等) 。 别人脸主要依据人脸上的特征， 也就是说依据那些在不同个体之间存在较大差异 硕士毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 而 对于同 一个人则比 较稳定的 度量. 由 于人脸变 化复杂， 因 此特征表述和特征 提 取十分困难. 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰 度归一化。 何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同 样 大小， 灰度归一化是指对图像进行光照补偿等处理， 光照补偿能够一定程度地克 服光照变化的影响而提高识别率【幻 。 关于人脸特征提取与识别的方法可概述如下; l . 3 . 1基于几何特征的方法 人脸邮 良 睛、鼻子、嘴巴、下巴等部件构成， 正因为这些部件的形状、大小 和结构上的各种差异才使得世界上每个人脸千差万别， 因此对这些部件的形状和 结构关系的几何描述， 可以做为人脸识别的重要特征。何特征最早是用于人脸侧 面轮廓的描述与识别， 首先根据侧面轮廓曲线确定若干显著点， 并由这些显著点 导出 一组用于识别的 特征度量如距离、 角度等。 i a c., 等由 正面灰度图中 线附近的 积分投影模拟侧面轮廓图是一种很有新意的方法。 采 用几何 特征进行正面人 脸识别一般是通过提取人眼、 口、 鼻等重要 特征点 的 位置和眼睛等重要器官的 几何形状作为分类特征， 但r o d e r 对几何特征提取的 精确性进行了 实验性的研究， 结果不容乐 观川 。 可变形模板法习 可以 视为几何特征方法的一种改进， 其基本思想是: 设计一 个参数可调的器官模型( 即可变形模板， 如图2 所示) ， 定义一个能量函数， 通过调 整模型参数使能量函数最小化， 此时的模型参数即做为该器官的几何特征。种方 法思想很好， 但是存在两个问题， 一是能量函数中各种代价的加权系数只能由经 验确定， 难以 推广; 二是能量函数优化过程十分耗时， 难以实际应用。 ab 、丹/|洲 、 一一) 0广 一 一-一一 一 - c 图2可变形模板法的眼模型 基于参数的人脸表示可以 实现对人脸显著特征的一个高效描述 但它需要大 量的预处理和精细的参数选择。同时， 采用一般几何特征只描述了部件的基本形 硕士毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 而 对于同 一个人则比 较稳定的 度量. 由 于人脸变 化复杂， 因 此特征表述和特征 提 取十分困难. 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰 度归一化。 何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同 样 大小， 灰度归一化是指对图像进行光照补偿等处理， 光照补偿能够一定程度地克 服光照变化的影响而提高识别率【幻 。 关于人脸特征提取与识别的方法可概述如下; l . 3 . 1基于几何特征的方法 人脸邮 良 睛、鼻子、嘴巴、下巴等部件构成， 正因为这些部件的形状、大小 和结构上的各种差异才使得世界上每个人脸千差万别， 因此对这些部件的形状和 结构关系的几何描述， 可以做为人脸识别的重要特征。何特征最早是用于人脸侧 面轮廓的描述与识别， 首先根据侧面轮廓曲线确定若干显著点， 并由这些显著点 导出 一组用于识别的 特征度量如距离、 角度等。 i a c., 等由 正面灰度图中 线附近的 积分投影模拟侧面轮廓图是一种很有新意的方法。 采 用几何 特征进行正面人 脸识别一般是通过提取人眼、 口、 鼻等重要 特征点 的 位置和眼睛等重要器官的 几何形状作为分类特征， 但r o d e r 对几何特征提取的 精确性进行了 实验性的研究， 结果不容乐 观川 。 可变形模板法习 可以 视为几何特征方法的一种改进， 其基本思想是: 设计一 个参数可调的器官模型( 即可变形模板， 如图2 所示) ， 定义一个能量函数， 通过调 整模型参数使能量函数最小化， 此时的模型参数即做为该器官的几何特征。种方 法思想很好， 但是存在两个问题， 一是能量函数中各种代价的加权系数只能由经 验确定， 难以 推广; 二是能量函数优化过程十分耗时， 难以实际应用。 ab 、丹/|洲 、 一一) 0广 一 一-一一 一 - c 图2可变形模板法的眼模型 基于参数的人脸表示可以 实现对人脸显著特征的一个高效描述 但它需要大 量的预处理和精细的参数选择。同时， 采用一般几何特征只描述了部件的基本形 硕士毕业论文基于多帧图 像代数特征的双动态双门限累积平均人脸识别 状与结构关系， 忽略了 局部细微特征， 造成部分信息的丢失， 更适合于做粗分类， 而且目 前已 有的特征点检测技术在精确率上还远不能满足要求， 计算量也较大。 1 . 3 . 2基于特征脸的方法 t u r k 和p e n t l a n d 提出 特征脸的方法7 ， 它根据一组人脸训练图 像构造主元子 空间， 由 于主元具有脸的形状， 也称为特征脸。 别时将测试图像投影到主元子空间 上， 得到一组投影系数， 和各个己知人的 人脸图 像比 较进行识别。 在p e n t l a n d 等 6 , 7， 中报告了相当好的结果， 在2 0 0 个人的3 0 0 0 幅图像中得到9 5 % 的正确识别率， 在f e r e t 数据库上对1 5 0 幅正面人脸象只有一个误识别。 但系统在进行特征脸方 法之前需要作大量预处理工作如归一化等。 在传统特征脸的基础上， 研究者注意到特征值大的特征向 量( 即 特征脸) 并不一定是分类性能好的， 据此发展了多种特征( 子空间) 选择方法， 如p e n g 的双 子 空 间 方 法 a3 , w e n g 的 线 性 歧 义 分 析 方 法 9 , b e l h u m e u r 的f i s h e r f a c e s 方 法 ，。 等。 实上， 特征脸方法是一种显式主元分析人脸建模， 一些线性自 联想、 线性压缩 型bp网则为隐式的主元分析方法， 它们都是把人脸表示为一些向量的加权和， 这 些向 量是训练集叉积阵的 主 特征向 量 , v a l e n t i n 对此作了 详细讨论“ ” 。 总之， 特征脸方法是一种简单、 快速、 实用的基于变换系数特征的算法， 但由 于它在本质上依赖于训练集和测试集图 像的灰度相关性， 而且要求测试图像与训 练集比 较像， 所以它有着很大的局限性。 1 . 3 . 3局部特征方法 主元子空间的表示是紧凑的， 特征维数大大降低， 但它是非局部化的， 其核函 数的支集扩展在整个坐标空间中， 同时它是非拓扑的， 某个轴投影后临近的点与 原图 像空间中点的临近性没有任何关系， 而局部性和拓扑性对模式分析和分割是 理想的特性， 似乎这更符合神经信息处理的机制， 因此寻找具有这种特性的表达 十分重要. 基于这种考虑， a t i c k提出 基于局部特征的人脸特征提取与识别方法 m r 。 这种方法在实际应用取得了很好的效果， 它构成了f a c e l t 人脸识别软件的基 础。 1 . 3 . 4基于肤色特征方法 h u n k e , y a n g , w a i b e l 0 1 的 研 究表明 当 光 照 条 件不 变时 ， 肤色 对于 旋 转、 表 硕士毕业论文基于多帧图 像代数特征的双动态双门限累积平均人脸识别 状与结构关系， 忽略了 局部细微特征， 造成部分信息的丢失， 更适合于做粗分类， 而且目 前已 有的特征点检测技术在精确率上还远不能满足要求， 计算量也较大。 1 . 3 . 2基于特征脸的方法 t u r k 和p e n t l a n d 提出 特征脸的方法7 ， 它根据一组人脸训练图 像构造主元子 空间， 由 于主元具有脸的形状， 也称为特征脸。 别时将测试图像投影到主元子空间 上， 得到一组投影系数， 和各个己知人的 人脸图 像比 较进行识别。 在p e n t l a n d 等 6 , 7， 中报告了相当好的结果， 在2 0 0 个人的3 0 0 0 幅图像中得到9 5 % 的正确识别率， 在f e r e t 数据库上对1 5 0 幅正面人脸象只有一个误识别。 但系统在进行特征脸方 法之前需要作大量预处理工作如归一化等。 在传统特征脸的基础上， 研究者注意到特征值大的特征向 量( 即 特征脸) 并不一定是分类性能好的， 据此发展了多种特征( 子空间) 选择方法， 如p e n g 的双 子 空 间 方 法 a3 , w e n g 的 线 性 歧 义 分 析 方 法 9 , b e l h u m e u r 的f i s h e r f a c e s 方 法 ，。 等。 实上， 特征脸方法是一种显式主元分析人脸建模， 一些线性自 联想、 线性压缩 型bp网则为隐式的主元分析方法， 它们都是把人脸表示为一些向量的加权和， 这 些向 量是训练集叉积阵的 主 特征向 量 , v a l e n t i n 对此作了 详细讨论“ ” 。 总之， 特征脸方法是一种简单、 快速、 实用的基于变换系数特征的算法， 但由 于它在本质上依赖于训练集和测试集图 像的灰度相关性， 而且要求测试图像与训 练集比 较像， 所以它有着很大的局限性。 1 . 3 . 3局部特征方法 主元子空间的表示是紧凑的， 特征维数大大降低， 但它是非局部化的， 其核函 数的支集扩展在整个坐标空间中， 同时它是非拓扑的， 某个轴投影后临近的点与 原图 像空间中点的临近性没有任何关系， 而局部性和拓扑性对模式分析和分割是 理想的特性， 似乎这更符合神经信息处理的机制， 因此寻找具有这种特性的表达 十分重要. 基于这种考虑， a t i c k提出 基于局部特征的人脸特征提取与识别方法 m r 。 这种方法在实际应用取得了很好的效果， 它构成了f a c e l t 人脸识别软件的基 础。 1 . 3 . 4基于肤色特征方法 h u n k e , y a n g , w a i b e l 0 1 的 研 究表明 当 光 照 条 件不 变时 ， 肤色 对于 旋 转、 表 硕士毕业论文基于多帧图 像代数特征的双动态双门限累积平均人脸识别 状与结构关系， 忽略了 局部细微特征， 造成部分信息的丢失， 更适合于做粗分类， 而且目 前已 有的特征点检测技术在精确率上还远不能满足要求， 计算量也较大。 1 . 3 . 2基于特征脸的方法 t u r k 和p e n t l a n d 提出 特征脸的方法7 ， 它根据一组人脸训练图 像构造主元子 空间， 由 于主元具有脸的形状， 也称为特征脸。 别时将测试图像投影到主元子空间 上， 得到一组投影系数， 和各个己知人的 人脸图 像比 较进行识别。 在p e n t l a n d 等 6 , 7， 中报告了相当好的结果， 在2 0 0 个人的3 0 0 0 幅图像中得到9 5 % 的正确识别率， 在f e r e t 数据库上对1 5 0 幅正面人脸象只有一个误识别。 但系统在进行特征脸方 法之前需要作大量预处理工作如归一化等。 在传统特征脸的基础上， 研究者注意到特征值大的特征向 量( 即 特征脸) 并不一定是分类性能好的， 据此发展了多种特征( 子空间) 选择方法， 如p e n g 的双 子 空 间 方 法 a3 , w e n g 的 线 性 歧 义 分 析 方 法 9 , b e l h u m e u r 的f i s h e r f a c e s 方 法 ，。 等。 实上， 特征脸方法是一种显式主元分析人脸建模， 一些线性自 联想、 线性压缩 型bp网则为隐式的主元分析方法， 它们都是把人脸表示为一些向量的加权和， 这 些向 量是训练集叉积阵的 主 特征向 量 , v a l e n t i n 对此作了 详细讨论“ ” 。 总之， 特征脸方法是一种简单、 快速、 实用的基于变换系数特征的算法， 但由 于它在本质上依赖于训练集和测试集图 像的灰度相关性， 而且要求测试图像与训 练集比 较像， 所以它有着很大的局限性。 1 . 3 . 3局部特征方法 主元子空间的表示是紧凑的， 特征维数大大降低， 但它是非局部化的， 其核函 数的支集扩展在整个坐标空间中， 同时它是非拓扑的， 某个轴投影后临近的点与 原图 像空间中点的临近性没有任何关系， 而局部性和拓扑性对模式分析和分割是 理想的特性， 似乎这更符合神经信息处理的机制， 因此寻找具有这种特性的表达 十分重要. 基于这种考虑， a t i c k提出 基于局部特征的人脸特征提取与识别方法 m r 。 这种方法在实际应用取得了很好的效果， 它构成了f a c e l t 人脸识别软件的基 础。 1 . 3 . 4基于肤色特征方法 h u n k e , y a n g , w a i b e l 0 1 的 研 究表明 当 光 照 条 件不 变时 ， 肤色 对于 旋 转、 表 硕士毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 情 等 变 化 不敏 感， 具有 相当 好的 鲁 棒性。 j o n e s与r e h 扩 61 通 过收 集 大 量的 图 像 ， 研究各类人种肤色特征， 得出的结论是: 简单的直方图模型就可以准确反映肤色 的分布。 目 前， 常用的肤色模型有高斯模型和直方图模型， 而肤色模型又与色度空间 密切相关， 人脸检测常用的色度空间主要有 r g b ( 红绿蓝三基色) 、 r g b ( 亮度归一 化的三基色) 、h s i ( 色调、饱和度、亮度) 、 y 工 q ( n t s c 模拟彩色电视制式采用的 颜色空间， y 表示亮度，工 和q 是两个彩色分量) , y u v ( p a l 和s e c a m 模拟彩色 电 视制采用的 颜色空间， y 表示亮度， u v 表示色差) 、 y c b c r 或y p b p r ( 数字 电视采用的标准，与y u v 在数学在具有等价性) 等。任意二种颜色空间之间都可 以通过线性或非线性变换进行转换。 用色度表示人脸特征具有姿态不变性， 在三维人脸的不同 视平面具有相同或 相近的色度分布， 利用直方图模型可以 分割出人脸区域。当然也可以采用h i s空 间， 将图像映射到h i s 空间直接提取色调信息h， 在h空间分割可以不受亮度、 对 比 度变化的影响， 但是只用h空间的信息还是不够的。有一些色调和肤色相近但 从视觉上又不属于肤色， 这些色调可以从亮度和饱和度上进行区别， 所以在基于 直方图模型的分割方法中可以先在色调空间进行分割， 然后在亮度空间进行分 害 。 基于肤色模型的识别方法比较简单、 速度快， 能够快速定位人脸区间， 但是它 受光照条件的影响也较大， 所以利用肤色模型分割时通常先用较精确的模型分割 图像， 若没有发现人脸， 再放宽精度再次分割， 不管怎样， 利用肤色像素在色度上 的相似性和空间上的相关性分割出人脸区域， 都需要利用区域的几何特征或灰度 特征进行验证， 所以 基于肤色的分割识别算法通常作为其它统计模型的辅助方法 使用。 1 . 3 . 5基于弹性模型的方法 l a d e s 等人针对畸变不变性的物体识别提出了 动态链接模型( d l a ) ， 将物体用 稀疏图形来描述， 其顶点用局部能量谱的多尺度描述来标记， 边则表示拓扑连接 关系并用几何距离来标记 ， 然后应用塑性图形匹配技术来寻找最近的已知图形 1 s 1 。 w i s c o t t 等人在此基础上作了改进， 用f e r e t 图像库做实验， 用3 0 0 幅人脸 图 像和另外3 0 0 幅图 像作比 较， 准确率达到9 7 . 3 卿8 . 19 1 。 此方法的缺点是计算量非 常巨大。 n a s t a r 将人脸图像i ( x , y ) 建模为可变形的3 d网格表面( x , y , i ( x , y ) ) ， 从而 硕士毕业论文基于多帧图像代数特征的双动态双门限累积平均人脸识别 情 等 变 化 不敏 感， 具有 相当 好的 鲁 棒性。 j o n e s与r e h 扩 61 通 过收 集 大 量的 图 像 ， 研究各类人种肤色特征， 得出的结论是: 简单的直方图模型就可以准确反映肤色 的分布。 目 前， 常用的肤色模型有高斯模型和直方图模型， 而肤色模型又与色度空间 密切相关， 人脸检测常用的色度空间主要有 r g b ( 红绿蓝三基色) 、 r g b ( 亮度归一 化的三基色) 、h s i ( 色调、饱和度、亮度) 、 y 工 q ( n t s c 模拟彩色电视制式采用的 颜色空间， y 表示亮度，工 和q 是两个彩色分量) , y u v ( p a l 和s e c a m 模拟彩色 电 视制采用的 颜色空间， y 表示亮度， u v 表示色差) 、 y c b c r 或y p b p r ( 数字 电视采用的标准，与y u v 在数学在具有等价性) 等。任意二种颜色空间之间都可 以通过线性或非线性变换进行转换。 用色度表示人脸特征具有姿态不变性， 在三维人脸的不同 视平面具有相同或 相近的色度分布， 利用直方图模型可以 分割出人脸区域。当然也可以采用h i s空 间， 将图像映射到h i s 空间直接提取色调信息h， 在h空间分割可以不受亮度、 对 比 度变化的影响， 但是只用h空间的信息还是不够的。有一些色调和肤色相近但 从视觉上又不属于肤色， 这些色调可以从亮度和饱和度上进行区别， 所以在基于 直方图模型的分割方法中可以先在色调空间进行分割， 然后在亮度空间进行分 害 。 基于肤色模型的识别方法比较简单、 速度快， 能够快速定位人脸区间， 但是它 受光照条件的影响也较大， 所以利用肤色模型分割时通常先用较精确的模型分割 图像， 若没有发现人脸