（计算机软件与理论专业论文）人脸识别新算法的研究及其应用.pdf

摘要 人脸识别是模式识别领域中最热门的研究课题之一。它主要包含预处理、人脸特征 提取和分类器设计。人脸特征提取也称人脸表征，是对人脸进行特征建模的过程，目的 是提取出原高维人脸模式的低维特征，以用于后续的分类任务。人脸特征提取是人脸识 别中的核心步骤，提取特征的好坏直接影响识别率的高低，也是人脸识别的主要难点所 在。 本文主要针对人脸特征提取技术进行比较详细的研究，主要内容为： ( 1 ) 传统的l d a 方法在计算类问散布矩阵时，仅仅考虑了类的中心，忽略类的边界 结构，而这些类的边界结构已经被证明在分类时也是非常有用的，因此l d a 方法在人 脸识别中的识别性能并不稳定。针对这些缺点，本文引入非参数子空间分析分析方法和 非参数特征分析方法。非参数子空间分析方法重新定义了类间散布矩阵，不仅考虑了类 的中心，还考虑了类的边界结构，弥补了l d a 方法的缺陷。但是非参数子空间分析方 法中类内散步矩阵s w 仍然和l d a 的一样，这样可能会影响识别效果；非参数子空间 分析方法运算法则使用单一的局部平均值来代替所有选定的k n n 样本计算类间散布矢 量，因此计算类间散步矩阵没有考虑到不同的k n n 点有助于构建不同的类间散射矩阵。 为了解决这几个问题，提出了非参数特征分析方法。在人脸库上的实验结果表明，非参 数子空间分析分析方法和非参数特征分析方法的识别效果比l d a 要好。 ( 2 ) 但是由于人脸图像空间维数太高，使得在实际问题中难以找到或根本不可能找到 足够多的训练样本来保证类内散布矩阵的可逆性。为此，本文作者提出了二维非参数线 性判别分析，即二维n s a 方法和二维n f a 方法。在人脸库上的实验结果表明，2 d 线性鉴 别分析和2 d 非参数线性鉴别分析就没有1 d 来的好，但是稳定性比一维算法好，运行时 间上2 d 算法要比1 d 算法短。 ( 3 ) 核方法的出现使我们能够解决非线性的问题，并将其应用于人脸识别，而判定一 种核方法的优劣往往取决于我们选取一个怎样的核函数，因此核函数是解决线性问题的 关键。本文在k d a 的基础上提出了分块k d a 方法并将其应用于人脸识别。所提出的方 法是一种直接基于子图像矩阵的非线性特征提取方法，与以往的基于图像向量的非线性 特征提取方法( 比如k p c a 方法) 相比，由于对原始图像进行分块，可以方便地在较小的图 像上进行特征提取方法，使其过程简便，如分块k d a 可以避免使用矩阵的奇异值分解理 论。通过实验结果表明，所提出的方法的识别率比l a 的识别率高。 ( 4 ) s v m 的基本原理是把数据映射到高维特征空间，以结构最小风险最小化( s r m ) 为归纳原则，在高维空间中将构造的具有低v c 维的最优超平面作为判决面。它采用基 于结构风险最小化原理的方法，使风险上界达到最小。本文在s v m 的基础上提出 了 方法并将其应用于人脸识别。通过实验证明了本文所_提ld出asvm的方法要优于nsa s v m _ l d a 方法。 关键词：模式识别；人脸识别；特征提取；非参数子空间分析方法；非参数特征分析 方法；二维非参数子空间分析方法；二维非参数特征分析方法；核线性判别分析方法； 摘要 分块核线性判别分析方法；支持向量机；s v i v i _ l d a ；s v m _ n s a i i a b s t r a c t 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 eh o t t e s tt o p i c si nt h ef i e l do fp a t t e r nr e c o g n i t i o n i tc o n s i s t s p r e p r o c e s s i n g ，f e a t u r ee x t r a c t i o na n dc l a s s i f i c a t i o no ff a c ed e s i g n f a c ef e a t u r ee x t r a c t i o n w h i c hi sa l s ok n o w na st h ef a c er e p r e s e n t a t i o n , i st h ep r o c e s so ff e a t u r em o d e l i n go ft h ef a c e 1 1 1 ep u r p o s ei st oe x t r a c tt h el o w d i m e n s i o n a lf e a t u r ef r o mt h eo r i g i n a lh i g h d i m e n s i o n a lf a c e m o d e lt ob eu s e df o rs u b s e q u e n tc l a s s i f i c a t i o nt a s k s f a c ee x t r a c t i o ni st h ek e r n e ls t e pi nf a c e r e c o g n i t i o n , d i r e c t l y a f f e c tt h e r e c o g n i t i o nr a t e ，w h i c h a l s ot h em a i nd i f f i c u l t i e si n r e c o g n i t i o n i nt h i sp a p e r , m o r ed e t a i l e do ff a c i a lf e a t u r ee x t r a c t i o nt e c h n i q u ei sc a r r i e d0 u 毛a s f o l l o w s ： ( 1 ) t h e t r a d i t i o n a ll d am e t h o di g n o r e dt h eb o u n d a r i e so fc l a s ss t r u c t u r ew h i l e c o n s i d e r e dt h ec e n t e ro fc l a s si nt h ec a l c u l a t i o no fb e t w e e n - c l a s ss c a t t e rm a t r i x ，t h ec l a s s b o u n d a r y s t r u c t u r ei s v e r yu s e f u l i n t h ec l a s s i f i c a t i o n , a n d t h e r e f o r et h er e c o g n i t i o n p e r f o r m a n c eo fl d ai sn o ts t a b l e w r ei n t r o d u c et h en s aa n dt h en f at oo v e r c o m et h e s e s h o r t c o m i n g s n s ar e d e f i n e dt h eb e t w e e n - c l a s ss c a t t e rm a t r i x ，w h i c hn o to n l yc o n s i d e r e dt h e c e n t e ro ft h ec l a s s ，b u ta l s ot h ec l a s ss t r u c t u r eb o u n d a r i e s ，m a k eu p 廿1 ed e f c c to ft h el d a ，b u t t l l ew i t h i n - c l a s ss c a r e rm a t r i xs wo ft h en s ai st h es a m el i k et h el d a ，w h i c hm a ya f f e c tt h e r e c o g n i t i o nr e s u l t s n f aa l g o r i t h mu s i n gas i n g l el o c a la v e r a g ei n s t e a do fa l lt h es e l e c t e d k n ns a m p l et oc a l c u l a t et h eb e t w e e n c l a s ss c a r e rv e c t o r , w h i l en e g l e c tt h ed i f f e r e n tk n n p o i n t sh e l pt ob u i l dd i f f e r e n tb e t w e e n c l a s ss c a t t e r i n gm a t r i x w r ei n t r o d u c en f ai no r d e rt o s o l v et h e s ep r o b l e m s ，t h ee x p e r i m e n t a lr e s u l t si nt h ef a c ed a t a b a s es h o wt h a t , t h er e c o g n i t i o n e f f e c to ft h en s aa n dt h en f ai sb e t t e rt h a nt h el d a ( 2 ) h o w e v e r , f a c ei m a g es p a c ed i m e n s i o ni s t o oh i 曲，w h i c hm a k ei td i f f i c u l to r i m p o s s i b l et of m de n o u g ht r a i n i n gs a m p l e st oe n s u r et h er e v e r s i b i l i t yo ft h ew i t h i n c l a s s s c a t t e rm a t r i x t h ea u t h o rp r o p o s e dt w o d i m e n s i o n a ln o n - p a r a m e t r i cl i n e a rd i s c r i m i n a n t a n a l y s i s ，j u s tt h et w o d i m e n s i o n a ln f aa n dt w o d i m e n s i o n a ln s a t h ee x p e r i m e n t a lr e s u l t s i nt h ef a c ed a t a b a s es h o wt h a t2 dl i n e a rd i s c r i m i n a n ta n a l y s i sa n d2 dn o n p a r a m e t r i cl i n e a r d i s c r i m i n a n ta n a l y s i si sn o ta sg o o da sid ，b u tm o r es t a b l et h a nt h eo n e d i m e n s i o n a l a l g o r i t h m ，a n dt h er u n n i n gt i m ei ss h o r t e rt h a nt h e1da l g o r i t h m 。 ( 3 ) w ec a ns o l v en o n l i n e a rp r o b l e m sa st h ee m e r g e n c eo ft h en u c l e a rm e t h o d ，w h i c h a p p l i e dt of a c er e c o g n i t i o nc a ng e tv e r yg o o dr e s u l t s t od e t e r m i n et h em e r i t so fk e m e lm e t h o d o f t e nd e p e n d so nw h a tk i n do fk e r n e lf u n c t i o nw ec h o s e ，s ot h ek e r n e lf u n c t i o ni st h ek e yt o s o l v et h el i n e a rp r o b l e m am o d u l a rk d aw h i c hi sa p p l i e dt of a c er e c o g n i t i o ni sp r o p o s e d b a s e do nt h ek d ai nt h i sp a p e r n l ep r o p o s e dm e t h o di sad i r e c tm e t h o db a s e do n1 i n e a r f e a t u r ee x t r a c t i o no fs u b - i m a g em a t r i x c o m p a r e s 、 ，i mt h ep r e v i o u si m a g ev e c t o r - b a s e d n o n l i n e a rf e a t u r ee x t r a c t i o nm e t h o d s ( s u c ha sk p c a ) ，y o uc a ne a s i l yc a l t yo u tf e a t u r e e x t r a c t i o nm e t h o di nt h es m a l l e ri m a g ea f t e rb l o c k i n gt h eo r i g i n a li m a g e 肠cp r o c e s si s s i m p l e ，m o d u l a rl ac a na v o i du s i n gt h es i n g u l a rv a l u ed e c o m p o s i t i o no fm a t r i x n l e e x p e r i m e n t a lr e s u l t ss h o wt h a tt h er e c o g n i t i o nr a t eo f t h ep r o p o s e dm e t h o di sb e t t e rt h a nt h e k d a i i i a b s t r a c t ( 4 ) t h cb a s i cp r i n c i p l eo fs v mi st om a pt h ed a t at oh i g hd i m e n s i o n a lf e a t u r es p a c e ， m i n i m i z es t r u c t u r a lr i s km i n i m i z a t i o n ( s r m ) a st h ep r i n c i p l eo fi n d u c t i o n ，t a k et h e c o n s t r u c t e dl o wv cd i m e n s i o no p t i m a lh y p c r p l a n ea sad e c i s i o ns u r f a c ei nh i g hd i m e n s i o n a l s p a c e i ti sb a s e do nt h ep r i n c i p l eo fs t r u c t u r a lr i s km i n i m i z a t i o nm e t h o d ，w h i c hm i n i m i z ct h e r i s ko fu p p e rb o u n d t l l i sp a p e rb a s e do nt h es v m l d aa n dp r o p o s e dt h es v m n s a m e t h o dw h i c ha p p l i e dt of a c er e c o g n i t i o n t h ee x p e r i m e n t a lr e s u l t ss h o w st h a tt h en e w m e t h o di ss u p e r i o rt os v ml d am e t h o d k e y w o r d s ：p a t t e r nr e c o g n i t i o n ；f a c er e c o g n i t i o n ；f e a t u r ee x t r a c t i o n ；n o n p a r a m e t r i c s u b s p a c ea n a l y s i s ；n o n p a r a m e t r i cf e a t u r ea n a l y s i s ；2 dn o n p a r a m e t r i cs u b s p a c ea n a l y s i s ； 2 dn o n p a r a r n e t r i cf e a t u r ea n a l y s i s ；k e r n e ld i s c r i m i n a n ta n a l y s i s ；m o d u l a rk e r n e l d i s c r i m i n a n ta n a l y s i s ；s v m ：s v ml d a ；s v mn s a i v 目录 目录 摘要i a b s t r a c t i i i 第一章绪论l 1 1 弓f 言1 1 2 人脸识别的发展及现状2 1 3 人脸数据库。3 1 3 1 实验中常用的人脸数据库3 1 - 3 2 本文研究所采用的人脸数据库5 1 4 本文研究工作概述6 1 5 本文内容安排6 第二章人脸特征提取方法综述。7 2 1 引言7 2 2 基于面部特征的几何方法。7 2 3 基于模板匹配的方法8 2 4 人脸代数特征提取方法8 2 4 1 基于主成分分析的方法8 2 4 2 基于线性判别分析( l d a ) 的方法1 0 2 4 3 基于核的表示方法。l2 2 4 4 二维p c a 方法12 2 4 5 二维l d a 方法1 3 2 4 6 模块化2 d p c a 方法：1 4 2 4 7 模块化l d a 方法1 6 2 4 8 基于支持向量机方法。1 6 2 5 本章小结1 7 第三章二维非参数鉴别分析的人脸识别方法1 9 3 1 引言1 9 3 2 非参数子空间分析( n o n p a r a m e t r i cs u b s p a c ea n a l y s i s ，n s a ) 方法1 9 3 3 非参数特征分析( n o n p a r a m e t r i cf e a t u r ea n a l y s i s ，n f a ) 方法2 0 3 4 二维n s a 方法和二维n f a 方法2l 3 4 1 二维n s a 方法2 l 3 4 2 二维n f a 方法2 2 3 5 实验结果与分析2 3 3 5 1o r l 上人脸识别的实验结果。2 3 3 5 2x m 2 v t s 上人脸识别的实验结果2 4 3 6 本章小结2 6 第四章分块k d a 在人脸识别上的应用2 7 4 1 引言2 7 4 2 核线性鉴别分析2 7 4 3 分块k d a 方法2 9 4 3 1 分彭毛。2 9 目录 4 3 2 特征提取2 9 4 3 3 分类。3l 4 4 实验结果与分析3 2 4 4 1 核函数的选取3 2 4 4 2o r l 上人脸识别的实验结果3 3 4 4 3x i v l 2 v t s 上人脸识别的实验结果3 3 4 5 本章小结3 4 第五章一种基于s v mn s a 的人脸识别方法l 3 5 5 1 引言3 5 5 2s v ml d a 方法3 5 5 2 1 线性判别分析3 5 5 2 2l d a 变换到p c a 3 5 5 2 3s v m 构造l d a 3 7 5 3s v mn s a 方法3 7 5 4 实验结果与分析4 0 5 4 1o r l 上人脸识别的实验结果4 0 5 4 2 比v t s 上人脸识别的实验结果。4 1 5 5 本章小结4 2 第六章总结与展望。4 3 6 1 本文的工作总结4 3 6 2 未来工作展望。j 4 3 j l l 【谢2 1 5 参考文献。4 6 附录：作者在攻读硕士学位期间发表的论文4 9 n 第一章绪论 第一章绪论 在这一章里我们主要介绍了人脸识别技术的历史、发展和现状，此外还介绍人脸识 别中常用的人脸数据库以及本文实验所用到的人脸数据库，然后给出本文工作的内容， 最后安排本文的后续章节。 1 1 引言 身份识别是我们每个人在日常生活中经常遇到的问题，例如我们经常使用身份证、 工作证、信用卡、个人设置密码等方法来证明身份。但是，它们不仅携带不便、不易保 管、记忆复杂，而且容易丢失、忘记、被他人窃取和盗用，这些方法都不够保险，为了 解决这些困难，人们提出了一种根据人体自身的生物特征来进行身份识别的方法，即所 谓的生物特征识别技术i l j 。 生物特征识别技术是一种根据人体自身先天生成的固有特征和后天生活习惯形成 的行为特征来识别身份的技术，即通过计算机与声学、光学、生物统计学原理和生物传 感器等高科技手段结合，利用人体的固有特征和行为特征来进行个人身份的鉴别。不 同的人所具有的生物特征信息都是互不相同的，生物特征识别技术就是对这些可自动识 别和验证的生理特征进行统计和分析计算【4 】。生物特征识别技术大多进行了以下几个步 骤：图像的获取、图像的特征提取、比较和识别。生物特征识别系统提取其所获得的生 物特征样本的特征并将其转化为人们所认识数字符号，再将所得到的数字符号保存为个 人的特征模板，这种模板可能会保存在各种识别系统中，人们同识别系统进行交互，验 证其身份副。 虹膜、人脸、指纹、视网膜等特征都是人先天生成的固有特征，步态、签名、声纹 等特征都是由人的生活习惯所形成的行为特征，这些特征都能用来进行身份的鉴别研 究。与传统的个人身份鉴别方法( 证件、钥匙、密码、智能卡等) 相比较，生物特征识 别技术恰恰是根据人本身的生物特征来进行鉴别身份的，使得生物识别身份验证方法不 依赖于各种人造的和附和的物品来证明人的自身，所以它不会遗忘、不会丢失，很难伪 造和假冒，是一种方便、安全、可靠的身份鉴别手段【l 】。近年来随着计算机技术及生物 医学工程技术突飞猛进的发展，人们对安全可靠性的需求越来越高，利用人体自身的生 物特征来进行鉴别身份的生物识别技术越来越受到人们的广泛关注。其中人脸识别是生 物特征识别技术中的重要研究课题之一，也是近年来的一个研究热点瞄1 。 人们在日常生活中最常用的身份认证手段就是人脸识别，其也是当前模式识别中一 个最热门的研究课题。人脸识别就是将动态捕捉到的人的面部与预先录用的人脸库中的 人脸进行比较识别乜1 。与其他生物特征识别方法不同的是人脸识别不需要人的行为配合， 可以在一些隐蔽的场合中得到很好的应用锄。由于人脸识别技术可以远距离采集人脸图 像，是一项非接触性的技术，具有非侵犯性的特点，因而人们对其没有一点排斥心理， 所以人脸识别可以说是生物特征识别技术中一种最容易被人们接受的技术晦3 。正因为人 脸识别具有这些优点，因此在国家安全、公安安全系统、军事安全、个人身份鉴别、各 江南大学硕士学位论文 类信用卡的持卡人的身份认证、医学、档案管理、视频会议等领域获得了广泛的应用。 在一个完善的人脸识别系统中，特征提取技术通常是介于特征数据采集和分类识别 两个环节之间，所提取的特征的优劣，直接影响着分类器的设计和性能。因此特征提取 是人脸识别过程中的关键问题。而由于实际问题中受到光照、视角等条件的限制，往往 不容易找到那些最重要的特征，从而导致了特征提取成为构造人脸识别系统最困难的任 务之一。因此，特征提取也是人脸识别技术的主要难点所在h 1 。 本文主要研究的是人脸识别中的特征提取，研究的意义主要体现在以下几个方面： 特征提取是人脸识别的关键问题，特征提取的好坏直接影响到识别率高低；人脸识别在 国家安全、军事安全、公安系统、个人身份识别等领域有着很广泛的应用；本文的研究 内容虽然是人脸识别中的特征提取问题，但是文中所提到的特征提取方法也可以推广到 其他目标识别问题上h ，。 近年来，随着人们对人脸识别技术的不断研究和发展，很多研究者提出了很多有关 人脸识别的算法，并取得了丰硕的成果，并提出了很多人脸识别的算法，但是人脸识别 也有人脸的差异性并不是很明显，尤其是双胞胎，造成的误识率很高；人脸特征随着时 间的变化而变化很大，即持久性很差等的缺点h 1 ，因此如何提高人脸识别算法的识别率 是本文研究的主要目的。 1 2 人脸识别的发展及现状 人脸识别已经有很长的研究历史了，早在1 8 8 8 年和1 9 1 0 年g a l t o n 就在n a t u r e 杂志分 别发表了两篇有关人脸识别的文章。他用一组数字代表不同的人脸侧面特征，并对人脸 识别能力进行了很深入的分析，但当时对人脸自动识别的问题还不可能涉及到i s 。直到 1 9 6 5 年c h a r t 和b l e d s o e 在p a n o r a m i cr e s e a r c hi n c 上发表了有关自动人脸识别的技术报 告，提出了自动人脸识别( a u t o m a t i cf a c er e c o g n i t i o n ，a f r ) 的研究，至今已经有四十几年 的研究历史了。7 0 年代，g o l d s t e i n 、h a r m o n 、和l e s k 使用2 1 个特定的主观指标例如头发 的颜色、嘴唇的厚度来进行自动化识别，早期解决这些问题的两种方法是手动测量和定 位。 自2 0 世纪9 0 年代以来，随着计算机技术的不断发展【5 】，人脸识别技术也得到了很大 发展，在这一时期提出了很多人脸识别方法，例如麻省理工学院( m i t ) 媒体实验室的 t u r k 和p e n t l 锄d 提出了基于k l 变换的特征脸( e i g e n f a c e ) 方法【6 - 7 】，b e l h u m e u r 等在 e i g e n f a c e 的基础上提出了基于线性判别分析的f i s h e r 脸( f i s h e r f a c e ) 方法f 8 】，弹性图匹配技 术( e l a s t i cg r a p hm a t c h i n g ，e g m ) t g ，由洛克菲勒大学的a t i c k 等提出的基于统计的低 维对象描述的局部特征分析技术( l o c a lf e a t u r ea n a l y s i s ，l f a ) p o 】等。同时很多理论， 如小波变换【1 1 1 3 1 、支持向量机( s u p p o r tv e c t o rm a c h i n e s ，s v m ) 1 4 - 1 5 1 、人工神经网络【1 6 1 8 】 等在人脸识别中有了很广泛的应用，出现了很多人脸识别的新方法【1 9 。2 2 1 。 经过多年的研究，特征脸方法，f i s h e r f a c e 方法、弹性图匹配技术及局部特征分析法 形成了人脸识别研究的几个主流方向。特征脸( e i g e n f a c e ) 方法作为一种比较成功的人脸 识别技术掀起了人们对人脸识别研究的又一次高潮1 4 ，之后提出的很多人脸识别方法多 2 第一章绪论 少都与之有关。f i s h e r f a c e 人脸识别方法在e i g e n f a c e 方法的基础上采用线性判别分析 ( 1 i n e a rd i s c r i m i n a n ta n a l y s i s ，l d a ) 方法使得类间散度的类内散度比值的最大值。弹性图匹 配法不仅保留了人脸面部的全局结构特征，还对人脸的关键局部特征进行了建模。局部 特征分析方法不仅能够提取到人脸面部的局部特征，而且还能够保留全局特征的拓扑信 息，从而具有更好的识别能力 5 1 。 主成分分析方法o c a ，p r i n c i p a lc o m p o n e n ta n a l y s i s ) ，或者又p q k l 变换( k a r h u n a n - l o e v et r a n s f o r m ) 通过求解训练样本总体协方差矩阵，并通过特征提取获得总体协方差矩 阵的特征值，并将其从大到小排列，挑选出相对大的特征值所对应的特征向量，构成一 个k l 变换特征空间的子空间，来进行特征提取。但是，它没有考虑到类内、类间的差 异，因此并不能获得最好的结果。为了弥补这一缺点w e n g * i s w e t s 提出了线性判别分析 ( f i s h e r sl i n e a rd i s c r i m i n a n ta n a l y s i s ，f l d a ) 方法【2 3 】，b e l h u m e u r 等人在线性判别分析的 基础上进步发展了这种算法，称之为f i s h e r 脸( f i s h e r f a c e ) 方法。之后的一些研究工 作都在计算和实现上进一步推进了f i s h e r 脸的识别方法，例如零空间法【2 4 j ，d i r e c t l d a ( d l d a ) 方法【2 5 】等，近年来f i s h e r 脸又有了新的发展【2 每2 盯。但是以上介绍的算法在 处理非线性问题时，往往不能取得理想的结果，为了解决这一问题s c h o l k o p f 等人和m i k a 等人提出了p c a 和l d a 的非线性推广，即基于核运算的核主成分分析( k e r n e lp r i n c i p a l c o m p o n e n ta n a l y s i s ，k p c a ) 【2 9 】和核判别分析( k e m e ld i s c r i m i n a n ta n a l y s i s ，k d a ) t 3 0 1 。 上面我们介绍的方法都存在弊病，例如在进行人脸识别特征提取时我们首先要将人 脸图像矩阵转化为向量，然后再通过计算提取出矩阵向量的特征值和特征向量。而由于 人脸图像向量维数往往能高达数万以上，这样不仅会出现样本维数大大超过训练图像个， 数的问题，即我们所说的“小样本问题”，而且会引起类内散布矩阵的奇异性，从而导致计 算最优判别矢量集困难【4 】。为了解决这一问题，l i u 等人在1 9 9 3 年提出了一种新方法【3 1 1 ， 其基本思想是直接通过原始图像矩阵来构造训练样本的总体协方差矩阵，即引入了二维 方法；2 0 0 3 年g 等改进了l i u 的方法【3 2 1 ，提出了2 d p c a 方法，并取得了很高的识别率。 2 0 0 5 年c h e n 等对2 d p c 砧挂行了推广研究，提出了模块化2 d p c a 方法【3 3 1 ，其基本思想主 要是先对图像矩阵进行分块，对得到的子图像再实行2 d p c a 方法。 1 3 人脸数据库 人脸图像数据库是人脸识别系统研究、开发、评测的基础，任何人脸识别系统的开 发都需要建立一个包含人脸图像的数据库。人脸数据库的设计对系统的识别率影响是至 关重要的。开发一个在所有可能出现的变化环境条件下都能够得到很高的识别率的人脸 识别系统是很困难的，因此我们进行的几乎所有的有关人脸识别的研究都是在一定的人 脸数据库上进行【3 引。 1 3 1 实验中常用的人脸数据库 我们在试验中最常用的人脸数据库有以下几种： r f e r e t 人脸数据库 f e r e t 人脸数据库是人脸识别领域应用最为广泛的数据库之一，是目前世界上最大 3 江南大学硕士学位论文 的人脸数据库，它是美国国防部为了促进人脸识别技术的研究和实用化，发起人脸识别 技术( f a c er e c o g n i t i o nt e c h n o l o g y , f e r e t ) i 程而建立的。f e r e t 人脸库包含1 4 0 5 1 哥j 多姿 态、多光照的灰度人脸图像，包括一个通用的人脸库及一整套测试标准。该数据库中人 脸图像具有不同的视角( 姿态) 、光照和表情的变化，目前每两年一度的人脸识别竞赛主 要就是采用f e r e t 人脸库作为评测标准。与其他人脸数据库不同的是，该数据库中每个 人的人脸图像不仅包括视角、表情和光照的变化，而且还包括时间间隔的变化，最长的 时间间隔达三年之久。f e r e t 人脸库包括数千人的几万幅人脸图像，而且还在不断扩充。 由于f e r e t 人脸库中包含军人的照片，因而北美以外的国家很难获得【3 5 1 。 o r l ( o l i v e t t ir e s c a r c hl a b o r a t o r y ) 人脸数据库 o r l 人脸数据库是当前人们研究人脸识别使用最为广泛的人脸数据库之一，我们可 以可以从互联( h t t p ：l l w w w u k r e s e a r c h a r t c o m f a c e d a t a b a s e h t m l ) i - _ 免费获得。该数据库 由剑桥大学a t & t 实验室创建，包含4 0 个人的4 0 0 幅面部图像，其中部分志愿者的图像包 括姿态、表情和面部饰物的变化，图像的分辨率为9 2 1 1 2 ，灰度级为2 5 6 。图1 1 是o r l 人脸数据库中的一些人脸图像： 由图我们可 以看出其中一些 人脸图像的面部 表情和面部细节 均有很大的变化， 如睁眼或闭眼，带 眼镜或不带眼镜， 笑或不笑等；人脸 图像的姿态视角 也有很大的变化， 其深度旋转和平 图i - 1o r l 人脸数据库中的图像 f i g 1 1i m a g e si no r lf a c ed a t a b a s e 面旋转最大达2 0 度；人脸尺度最多也有1 0 的变化【2 】。 v a l e 人脸数据库 y a l e 人脸数据库也是人们进行人脸识别研究中最为常用的数据库之一，可以从互联 网( h t t p ：c v c y a l e e d w p r o j e c f f y a l e f a c e s ) 上免费获得。图1 2 是y a l e 数据库中的一些人脸图 像： 4 第一章绪论 y a l e 人脸 库由耶鲁大学 计算机视觉与 控制中心创建， 包含1 5 位志愿 者的1 6 5 幅在不 同光照、表情和 姿态下的图像。 每幅图像分辨 率为1 6 0 x1 2 1 ， 灰度级为2 5 6 。 图像包括光照、 g ! 重： 图1 - 2y a i c 数据库中的图像 f i g 1 2i m a g e si ny a l ed a t a b a s e 表情和细节的变化，但视角和尺度没有变化。但是y a l e 人脸库容量较小，只包括1 5 人共 1 6 5 幅人脸图像日5 1 。 x m 2 v t s 人脸数据库 x i v l 2 v t s 人脸数据库是人脸验证常用的数据库之一，图卜3 是y d v l 2 v t s 数据库中的 一些人脸图像： 该数据库包括2 9 5 人在4 个不 同时间段的人脸图像和语音视频 片段【5 3 】。在每个时间段，每人都被 记录了2 个头部旋转视频片段和6 种不同语音视频片段。此外，其中 2 9 3 人的三维模型也是可以在库中 获取的。该数据库主要针对人脸验 证问题定义了评价协议，因此更适 合人脸验证问题1 4 j 。 图1 - 3x m 2 v t s 数据库中的人脸图像 f i g 1 3i m a g e si nx m 2 v t sd a t a b a s e b a n c a 人脸数据库 、 该数据库是欧洲b a n c a 计划的一部分，这个数据库包含了4 种不同语言的人脸图像 共2 0 8 人，其中每种语言5 2 入( 2 6 男，2 6 女) ，每人1 2 幅不同时间段的面部图像。对于每 种语言的不同性别又分为两组，即9 1 和9 2 。在这个数据库中，每个人都是分1 2 次记录数 据的，每次都包含两种记录：一种是真正的客户信息，另一种是冒充该人的冒充者信息 【3 6 】 o b a n c a 数据库是一个可以实现多模态识别的人脸库，需要定义3 个集合：评价集、 发展集和调谐集。当然也可只使用库中的人脸图像实现单模态的人脸验证，此时定义两 个几何评价集和发展集，且这两个集合必须相互独立【4