（计算机软件与理论专业论文）人脸识别的技术研究与实现.pdf

摘要 摘要 人脸识别技术的研究在近几年得到了高度重视，已经成为图像分析和理解中 最成功的应用之一。本文详细研究了人脸的自动检测和识别技术，并实现了一个 系统原型。该系统实时性好，而且自动化程度较高，可自动进行人脸的检测和识 别。 在人脸检测环节，本文采用了两种方案：基于肤色特征的c a m s h i f t 算法和 基于局部h a a r 特征的算法；识别环节采用基于嵌入式隐马尔可夫模型( e m b e d d e d h 删) 的算法。 为了提高系统对光照条件的鲁棒性，本文在人脸检测环节提出了对c a m s h i f t 算法的改进方案，通过引入肤色的动态直方图分布模型，提高了定位准确度；在 识别环节引入了图像的灰度标准化处理，降低了灰度变化的影响，同时对 e m b e d d e dh m m 模型的双重嵌入式v i t e r b i 算法提出了加速方案。整个识别系统 在两个通用人脸库o r l 和y a l e 上进行了测试，识别准确率分别达到了8 9 9 和 9 5 。 关键词：人脸识别；人脸检测；e m b e d d e dh m m 模型 广东工业大学工学硕士学位论文 a b s t r a c t a so d eo ft h em o s ts u c c e s s f u la p p l i c a t i o n so fi m a g ea n a l y s i sa n d u n d e r s t a n d i n g ，f a c er e c o g n i t i o n h a s r e c e n t l y 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 ，e s p e c i a l l yd u r i n gt h ef e wy e a r s t h eg o a l o fo u rr e s e a r c hi s t od e v e l o paf a c ed e t e c t i o na n dr e c o g n i t i o ns y s t e mt h a tc a nb eu s e di n ar e a l t i m ef a c ei d e n t i f i c a t i o n s t w of a c ed e t e c t i o nm e t h o d sa r ep r o p o s e di no u rp r o t o t y p es y s t e m ，t h e y a r eb a s eo ns k i nc o l o r m o d e li n f s vc h r o m i n a n c es p a c ea n dh a a r li k ef e a t u r e t h ef a c e r e c o g n i t i o na p p r o a c h t h a tw ep r o p o s e di n v o l v e st h eu s eo f e m b e d d e dh i d d e nm a r k o vm o d e l s t h ea d v a n t a g eo ft h eh m l d - b a s e da p p r o a c h i si t s a b i l i t yt o h a n d l ev a r i a t i o n si ns c a l e ，w h i c hi sac h a l l e n g i n g p r o b l e mf o ra n yf a c er e c o g n i t i o ns y s t e m i no r d e rt oe n h a n c et h er o b u s t n e s so ft h es y s t e m ，w eu s ed y n a m i c h i s t o g r a ms a m p l i n g a n d i m a g e n o r m a l i z a t i o na tf a c ed e t e c t i o n a n d r e c o g n i t i o ns t a g e s f i n a l l yw e d i s c u s s e dt h ea p p r o a c ht or e d u c et h e c o m p u t a t i o n a lc o m p l e x i t yo ft h ed o u b l ye m b e d d e dv i t e r b ia l g o r i t h m t h ef a c er e c o g n i t i o ns y s t e mh a sb e e nt e s t e do nt h eo r ld a t a b a s ea n d y a l ed a t a b a s e t h er e c o g n i t i o nr e s u l t sa r eh i g ha s8 9 9 9 5 k e y w o r d s ：f a c er e c o g n i t i o n ，f a c ed e t e c t i o n ，e m b e d d e dh i d d e nm a r k o vm o d e l 第一章绪论 1 1 人脸识别技术概述 第一章绪论 人脸识别( f a c er e c o g n i t i o n ) 是指基于已知的人脸样本集，利用图像处理 和模式识别的技术从静态或动态场景中，识别或验证一个或多个人脸。通常在识 别处理后可以得到的基本信息包括人脸的位置、尺度和姿态等。利用人脸的特征 提取技术还可以进一步挖掘出更多的生物特征( 如：种族、性别、年龄) 。人脸 识别的研究兴起于上个世纪末期，最近几年再度受到普遍的重视，各种方法层出 不穷【”。人脸识别技术跨越了图像处理、模式识别、计算机视觉、生物学、神经 生理学和神经网络等诸多学科，同指纹识别、虹膜识别等同属于生物特征识别技 术范畴，但是人脸识别同这些生物识别技术相比，更具有采集方便，隐蔽性好等 特点，所以在安防监控领域、多媒体检索以及人机交互方面有着广泛地应用。 1 1 1 人脸识别技术的发展 人脸识别的研究始于上世纪6 0 年代末，最早的研究见于文献 2 ，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。 早期的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，包括人脸 部件归一划后点间距离、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；另一个方向是利用模板匹配的方法，主要是通过计算 模板和图像灰度值的自相关性来进行识别，b e r t o 于1 9 9 3 年对当时的这两类方法 做了比较全面的比较，在文献 3 中b e r t o 认为模板匹配的方法要优于几何特征的 方法。 近年来，随着社会经济和计算机技术的突飞猛进，重点民用和商业研究项目 的大量增加，以及安防监控领域的应用需求，人脸识别的课题研究迅速兴起，涌 现出大量优秀的研究方法，比如：特征脸( e i g e n f a c e ) 的方法【4 】，f i s h e r f a c e 的方 澍5 1 ，基于奇异值分解( s v d ) 的方法【6 ，人脸等密度线匹配的方法【7 1 ，弹性图匹配 ( e 1 a s t i cg r a p hm a t c h ) 的方法吲，隐马尔可夫( h i d d e nm a r k o vm o d e l ) 的方法【9 】， 人工神经网络的方法【1 0 】，支持向量机( s u p p e rv e c t o rm a c h i n e s ) 的方法【“ 等等。 广东工业大学工学硕士学位论文 研究的总体趋势是利用多线索( 头发、肤色、器官、轮廓等) ，综合各类方法( 混 合高斯模型、概率模型、人工神经网络与支持向量机等) 、启发信息与统计学习方 法相结合。 1 1 2 研究和应用现状分析 一个完整的人脸识别系统通常包括两个基本环节：人脸的检测定位和人脸的 识别。目前，国内外对这些问题开展研究的机构很多，比较著名的有m i t ，c m u 等； 国内的清华大学、北京工业大学、中科院计算所和自动化所等都有人员从事人脸 检测与识别相关的研究。就人脸检测而言，最新的进展是v i o l a 等人提出的基于 局部h a a r 特征的检测方法1 舶，由于采用a d a b o o s t 的机器学习算法【13 1 ，将若干弱分 类器组合成为强分类器，然后串联形成层叠分类器( c a s c a d e ) ，该方法在人脸检 测方面速度快，而且性能与r o w l e y 的a n n 方法1 川基本相同。随后j o n e s 、v i o l a 1 卅以 及微软研究院l i 的研究组【1 5 】近一步发展了这一方法，并用于多视角、多姿态的 人脸检测。这些研究代表了目前人脸检测研究的最高水平。 目前，国内应用中较为成熟的产品有，成都银晨网迅科技有限公司的“基于 面像识别的数字化安全与认证产品”，该成果于2 0 0 1 年1 月1 0 日通过了四川省 科技厅组织的成果鉴定，并同时通过了国家科技部8 6 3 计划课题验收。他们与中 科院计算所成立了人脸识别联合实验室，共同建设中国面像识别技术的基础研究 基地，研究人脸识别的关键技术与核心算法，并开发相应的原型系统。 近年来，随着网络和数据库的迅速发展，人脸识别技术也从数字化安全领域 扩展到了图像的检索和查询领域。这种技术可以帮助人们在大量视频和图片资源 中，有效的定位和提取感兴趣的信息。随着各行业不断涌现对人脸识别技术的应 用需求，我们可以预见人脸识别技术的前景会越来越开阔。 1 1 3 系统的测试与评价 评价一个人脸识别系统主要有以下标准： 1 识别率。 通常用置信度对识别结果进行评价，相关的参数有错误接受率( f a r ) 、 错误拒绝率( f r r ) 、相等错误率( e e r ) 。 2 实时性和硬件平台。 人脸识别涉及大量的图像处理和数据计算，早期的识别算法为了提高响 2 第一章绪论 应速度，常常运行于工作站或并行计算机上。这对人脸识别技术的普及造成 了很高的门槛，所以一个实用的人脸识别系统必须在保证识别率的前提下， 尽可能地降低对硬件地依赖，同时尽可能地提高响应速度。 3 自动化程度。 人脸识别系统通常包括两个部分：人脸的检测定位和人脸的识别，在算 法研究过程中，我们可以应用手工标识的方法来代替人脸的自动检测，但是 在实践应用中，作为一个成熟的应用系统，应该尽量提高这两个部分的自动 化程度。 在人脸识别研究的早期，由于没有一个通用的测试平台，识别算法的测试图 库各不相同。由于每个图库的规模以及针对性的不同，导致了算法的识别结果没 有可比性。为了统一人脸的测试环境，提高算法的可比性，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工程( f a c er 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 ) 1 6 1 ，它包括一个通用人脸库和一套通用的测试标准，适 于各种人脸识别算法之间的测试比较。f e r e t 9 7 人脸库总共包含了1 1 9 9 个人的 1 4 1 2 6 幅图像，其中每个一人的图像集包括了不同表情、不同光照、不同姿态以 及不同时期拍摄的差异。2 0 0 0 年，美国国防部组织了各个公司及研究机构的不同 人脸识别系统的性能测试一一f r v t 2 0 0 0 ( f a c i a l r e c o g n i t i o nv e n d o rt e s t2 0 0 0 ) 。 它包括了基于l f a 算法的i d e n t i x 公司的f a c e i t 人脸识别系统、采用m i t 技术的l a u t e c h 公司面像识别确认系统、c v i s 公司的面像识别确认系统等等。尽管这些 测试只对美国研究机构开放，但它还是在事实上成为了人脸识别研究领域的公认 测试标准，其测试结果已经在事实上被认为反映了人脸识别研究的最高学术水平。 由于f e r e t 库中包括了美国军人的图片，所以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，其中部分人脸库也成为公共进行测试比较 的平台，如； c m ut e s ts e t ：1 3 0 幅灰度图像，包括多人脸图片。 m i td a t a b a s e ：1 6 人，每人2 7 张图片。 o l rd a t a b a s e ：4 0 人，每人1 0 张。 y a l ed a t a b a s e ：1 5 人，每人1 1 张正面人脸图片。 h a r v a r dd a t a b a s e ：各种光照条件下的人脸图像。 广东工业大学工学硕士学位论文 1 2 人脸识别的技术挑战 人脸识别对于正常的人来说，是一件轻而易举的事，但是由于当前对人脸的 感知过程仍未被彻底了解，所以对于计算机而言，人脸识别仍然是件很困难的任 务，这主要是因为人脸图像受到很多因素的影响，比如： 人脸的遮挡，如胡须、头发、眼镜、饰物等。 人脸的表情，如喜怒哀乐等直接影响面部特征。 图像质量，尤其是光照条件对全局的影响。 人脸的姿态，如正面旋转、侧面旋转、抬低头等。 这些因素的变化，都会导致人脸图像的明显改变，目前还没有通用的识别算 法能够有效地解决这些因素的影响，很多识别算法都是对光照条件、姿态等进行 约束化简。 总体来讲，人脸的识别效果主要受到光照条件和姿态变化的影响。在实际环 境中，同一个人在不同光照和姿态下的人脸图象会存在表观上的差别，而这种差 别往往比不同人在几乎相同的光照和姿态下的差别还要大，因此，在不同环境下 采集到的样本数据的离散性，成为提高人脸识别正确率的重要障碍。j d a u g m a n 【1 7 1 和m a x i ma g r u d i n 1 8 】在分析和比较了现今流行的几乎所有人脸识别方法后指出： 现有人脸识别算法还都不足以做到对光照、姿态的鲁棒性。 目前的研究中为了提高识别算法的鲁棒性，通常的做法是扩大样本空间，收 集各种光照和姿态下的样本，在识别判断时，综合考虑测试图像与各种条件下样 本的差异，然后进行分类1 9 0 0 】；另种做法是利用先验知识，结合多种识别方法， 对于光照的影响，利用直方图均等化处理图像，改进面部的亮度和对比度；也可 以通过建立人脸3 d 模型，估计光照的影响。对于姿态影响，可以利用弹性图匹配 的方法8 1 ，跟踪面部关键特征点的变换， 的变化仍是人脸识别所面临的主要挑战， 1 3 本文的工作 估计姿态参数。总体来说，光照和姿态 特别是当两种因素混在一起时。 本文研究了人脸的检测算法和识别算法，并在算法实用化方面做了大量工作， 实现了一个人脸自动识别系统的原型，系统结构如图卜1 所示。该系统可以接受 静态视频图像，我们在实验中采用一般的摄像头做为视频图像输入。系统实现了 4 第一章绪论 人脸实时跟踪识别，自动化程度较高，不需要手工标注脸部特征点。在y a l e 人脸 库和o r l 人脸库上识别率分别到达8 9 9 和9 5 。 通过对当前人脸检测算法的全面研究，该系统的人脸检测定位环节采用了两 种方案，即：基于肤色特征的c a m s h i f t 方法和基于局部h a a r 特征的方法1 2 】。这 主要是基于系统实时性能的考虑，实验数据表明在p c 机( p i i l 8 0 0 ，1 2 8 m 内存) 上， 对于尺度为3 5 2 x2 8 8 像素的图片，这两种算法的处理速度分别到达8 5 m s 和 l l o m s 。前一种方法姿态鲁棒性较好，但容易受到光照条件变化的影响，本文提出 了一种动态采样的改进算法，提高了算法检测鲁棒性：后一种算法处理定位准确。 具有多尺度分析能力，并且可以检测一副图像中的多幅人脸，但目前仅限于正面 人脸： 人脸的识别部分采用了嵌入式隐马尔可夫模型( e m b e d d e d m 蹦) 的方法【2 2 】。嵌 入式隐马尔可夫模型对人脸的姿态变化具有较好的鲁棒性。为了提高该方法的准 确率和速度，本文在提取人脸图像特征向量环节引入了去光照处理，降低了光照 变化的影响，并对e m b e d d e dh m m 参数训练算法进行优化改进，提出了降低算法计 算复杂度的方案。实验数据表明，对于尺度为3 5 2 x 2 8 8 像素的图片，一对一的 比对时间为9 0 m s 。 图1 - 1 人脸识别系统结构 下面的章节包含如下内容： 广东工业大学工学硕士学位论文 第二章介绍了人脸的基本特征。人脸的特征是整个系统进行检测识别的基础， 本文介绍了肤色特征和离散d c t 变换的频域特征。这两种特征将分别用于人脸的 检测和识别环节。 第三章描述人脸的实时检测算法。主要介绍了两种检测算法，即： 基于肤色特征的c a m s h z f t 算法及其改进算法。 基于局部h a a r 特征的检测算法。 第四章介绍了基于嵌入式隐马尔可夫模型的人脸识别算法，并详细描述了 e m b e d d e dh 删模型参数的训练算法以及识别过程。 各个算法的测试和实验结果附在相应的章节后面。最后本文对以上的工作进 行了总结并对未来的工作进行展望。 第二章人脸的基本特征 第二章人脸的基本特征 人脸特征的选取在人脸识别系统中占据极为重要的地位，不同的特征对应这 不同的计算模型，特征的选取影响整个识别系统的效率和精确度。通常，人脸具 有以下几类特征： 颜色特征，如：人的肤色、发色等。 几何特征，如：人脸轮廓大致呈现为椭圆形状；人脸的结构具有一定的 对称性；人脸各个器官的形状以及相对位置比较稳定等。 统计特征。由于人脸的灰度分布稳定，所以可以利用统计的方法如：正 交变换，直方图、模板的方法来分析人脸灰度分布的统计特征。 特征域特征，即利用数学的方法，将图像进行空间变换，然后提取特征， 如：利用离散d c t 变换得到的频域特征、利用小波变换得到的多尺度特 征等等。 总体来讲，我们把这些人脸特征分为两类：肤色特征和灰度特征。 2 1 人脸的肤色特征 肤色是人脸的重要信息，不依赖于面部的细节特征，对于旋转，表情等变化 情况都能适用，具有相对的稳定性并且和大多数背景物体的颜色相区别，而且基 于肤色的人脸检测定位算法计算量小，实时性好，因此肤色特征在人脸检测中是 最常用的一种特征。 2 1 1 常用的色系空间 人脸检测常用的色系空间有r g b ( 红、绿、蓝三基色) 【2 3 1 、r g b ( 亮度归一化 的三基色) 2 4 1 、r s i i t s v ( 色调、饱和度、亮度明度) 1 2 5 1 、y i q ( n t s c 制的光亮 度和色度模型) 2 6 1 、y u v ( p a l 制的光亮度和色度模型) 【2 7 1 、y c b c r ( c c i r 6 0 1 编码 方式的色系模型，与y u v 在数学上具有等价性) 圆、c i e l * a * b ( 国际照明委员会 提出的基于色度学的彩色模型) 1 2 9 1 等。 最常见的色系空间是r g b 空间，但它却不是表示肤色的最佳空间，主要是由 广东工业大学工学硕士学位论文 ；1 = v r j 孑+ 曰v c r + 曰，v 。r j 毫+ 曰， 主 c z ， r y l o 2 9 9 o 5 8 7 o 1 1 4 r 川絮：黧黑心 眨2 ) r 】， ro 2 9 9 o 5 8 7 o 1 1 4 f r i l u + i = l - 0 1 4 7 一o 2 8 9 o 4 3 6 i i g i ( 2 3 ) ly i1 0 6 1 5 0 5 1 5 一o 1 0 0 ll 口l 第二章人脸的基本特征 图2 1h s v 色系空间模型 h s v 空间是建立在对数色系坐标系( 1 0 9 o p p o n e n t ) i r g b y 基础上，它同 r g b 空间的转换比较复杂，但是在实际编程中我们有以下简化的算法： 令h 【o ，6 】s 【0 ，l 】v 【o ，1 】r ，g ，b 【o 1 】，贝0 ： v = m a x ( r ，g ，b ) s ：1 一r n i n ( r , g , b ) 日= 0 ，s = o ： b - g ，v = r ； 2 + ( ，一6 ) ，v = g ； 4 + ( g r ) ，o t h e r w i s e ； 其中r = ( v r ) ( v m i n ( r ，g ，b ) ) ，g 和b 的定义与r 类似。 在h s v 空间进行肤色的提取，可以简单地考虑色度h u e 。普遍来讲人脸的肤 色在h u e 轴上的分布是大体一致的。通常人们有一种直觉，认为不同肤色的种族 有着不同的肤色分布，其实这是一种误解，在相同光照条件下，白人和黑人的肤 色在饱和度s 轴上有着明显的不同，但是在色度h u e 轴上有着一致的分布特点。 所以，我们可以考虑采用肤色在h u e 轴上的统计分布做为肤色的特征。 2 1 2 肤色的特征模型 常用的肤色模型有高斯模型、混合高斯模型和直方图模型。t e r r i l l o n 掣3 1 1 考 9 广东工业大学工学硕士学位论文 察了归一化的r g 、c i e x y 、归一化的t s l 、c i e - d s h 、h s v 、y i q 、y e s 、c z e l * u * v 和c i e l * a * b 九种色度空间，比较了高斯模型和混合高斯模型在不同色度空间中的 性能，发现除了少数情况外。混合高斯模型较好地描述肤色区域的分布。 j o n e s 等3 2 1 研究t r g b 空间中“肤色”与“非肤色”象素的分布，根据标定出 肤色区域的近二万幅图片( 包含约二十亿个象素) 建立了三维直方图，在此基础 上比较了直方图模型和混合高斯模型，发现前者的性能略好于后者。 为了建立比较准确的肤色模型，针对东方人种，我们选取了一般室内照明条 件下的1 0 0 幅人脸图片，手工标示出肤色区域，然后在h s v 空间统计样本在h u e 轴上的直方图分布如图2 2 所示： 图2 - 2 人脸肤色在h s v 空间h u e 轴的统计直方图分布 利用肤色特征进行人脸的检测定位，操作简单，速度快，且对姿态变换具有 定的鲁棒性。但是，它也有比较大的缺陷，即：受光照变换影响较大，人脸的 定位不够精确，所以在实际应用中，通常作为其他检测方法的辅助手段。 2 2 人脸的灰度特征 2 2 1 灰度的分布统计特征 常用的灰度分布统计特征有特征脸，它是将二维图像展开为一维向量，然后 进行正交变换( k l 变换) ，以消除原有样本之间的相关性，变换得到的依次递减 的特征值所对应的特征向量，即特征脸。 1 0 第二章人脸的基本特征 设有n 个人脸样本组成集合x = _ ，x 2 ，h ，屯碟，定义线性算子 矿r ，使得： 咒= w 7 葺，i = 1 2 ，n ( r ”，m 0 。然后，利用一维v i t e r b i 算法调整第k 个超态所嵌入 的h m m 在这个输入序列上的划分，使得丑( 的输出最大，同时五忙的输出又作为a ( o 的观察概率，表示第i 行属于第k 个超态的观察概率。从上到下完成所有的观察 序列的计算之后，对a ( 钟实施一维v i t e r b i 算法，使得 ( 0 的输出最大。这一步 相当于调整超态在特征向量矩阵的划分，最后，反向跟踪每个超态所嵌入的h m m 隐状态序列，从而得到各个超态和子状态在特征向量矩阵上新的划分。重复以上 过程，直至丑( o 的输出收敛，整个e m b e d d e dh m m 训练结束。 4 3 3 人脸相似度匹配 在训练完所有e m b e d d e dh m m 参数后，便可以利用该模型进行人脸识别。判断 测试图像与系统e m b e d d e dh m m 模型的所属关系，对应于h m m 的“估值问题”。将 测试图像进行离散d c t 变换，提取特征向量矩阵，输入到所有e m b e d d e dh m m 模型 中，选取模型输出概率最大的做为该测试图像的所属的类别。 为了加速测试样本与训练模型的比较，本文将所有的e m b e d d e d 删模型进行 聚类划分。设模型丑的第k 个训练样本为c i k ，则模型五与a ，的距离定义为： 忆一乃卜面古荟丑( ) + 荟- ( ) ( 4 - 1 0 ) 广东工业大学工学硕士学位论文 其中，m 分别为模型且，丑的样本数 根据模型之间的距离，把相似的模型划分在一起，从而将所有模型排成一个 判断树，减少样本比较的次数。 4 3 4 识别算法的改进 本文主要从以下两个方面对识别算法进行改进： 为了提高人脸图像的特征向量对光照条件变化的鲁棒性，对图像进行标 准化处理，从而降低了灰度变化的影响。 标准化处理主要是对图像的灰度和灰度的方差进行标准化。设象素( x ，y ) 的灰度值为i ( x ，y ) ，形，h 分别为图像的宽和高，则它的均值和方差分别 为： 1矿一i h - 11 旷一1 日一1 万2 高萎丢。( 置) )矛2 高萎丢 7 ( 五力一芦】2 我们取风= 1 2 8 ，元= 6 4 ；然后对修正图像中每个象素的灰度值如下： 如) ，) = 鲁【m ，y ) 一办z o ( 4 - 1 1 ) 标准化处理的的目的是使测试图像与训练图像具有相同的均值和方差， 从而减小光照的影响，图4 - 6 显示了标准化处理的效果： a ) 原始图像 b ) 标准化处理后的图像 图4 - 6 图像标准化处理对比 整个识别算法中最耗时的操作是双重嵌入式v i t e r b i 算法，设 l 的状态 第四章基于嵌入式隐马尔可夫模型( e m b c d d e d 埘心山的人脸识别 数为n ，观察序列长度为t ，则一维v i t e r b i 算法的计算复杂程度为 o ( n 2 t 1 ，对于e m b e d d e dh m m 而言，设它的输入特征向量矩阵为缈h ， 则双重嵌入式 v i t e r b i算法的计算复杂度为 ( o o f f ( ( ”) 2 ) + ( o ) 2 ) h i ，其中n 为超态的个数，n 叼 ( | i o ) 为 k = l 超态k 所嵌入的子状态数。 为了降低双重嵌入式v i t e r b i 算法的计算复杂度，我们需要观察训 练结束时e m b e d d e dh m m 各个状态的分布情况，如图4 - 7 所示， a ) 各个状态的初始分布 b ) 训练结束后的状态分布 图4 - 7e m b e d d e dh m m 模型的超态及其子状态的分布 从图4 7 中我们可以看到超态的变化并不激烈，因此，对于一个观察 序列矿，如果在初始化时被划分为超态五( “，那么在后续的调整过程中， 我们可以认为它可能被调整为名( “”、z ( 或者a “”，而不是在所有的超 态中变化；同样，我们也可以对超态所嵌入的子状态，实施这样的约束， _ 【o j 这样便可以将算法的复杂度降低为0 ( ”矿+ o ) 日】。 4 4 实验结果和分析 为了测试识别效果，我们选取了以下两个人脸数据库： o l i v e t t ir e s e a r c hl t d 的数据库，简称o r l 库。该库包含4 0 个人的图 像，每人1 0 幅，共计4 0 0 幅。图像的精度是9 2 1 1 2 像素。 广东工业大学工学硕士学位论文 y a l e 人脸图库。该库包含1 5 人，每人1 l 张正面人脸图片，图像精度为 3 2 0 x 2 4 3 像素。 我们从y a l e 人脸库中每人随机挑选5 幅做为训练集，剩下的6 幅做为测 试集。在9 0 幅测试图像中共有7 8 幅通过了测试，识别率到达了8 9 9 ，图4 8 显示了一部分测试结果。 图4 8y a l e 人脸库的测试结果 图4 - 8 中打叉的是测试失败的图片，主要原因是光照和姿态变化太大导 致。 对于o r l 图库我们每人随机挑选5 张做为训练集，剩下的5 张做为测试 集。在2 0 0 幅测试图像中共有1 9 0 幅通过了测试，识别率到达了9 5 ，图4 - 9 显示了部分测试结果： 图4 - 9o r l 人脸库的测试结果 结论 结论 本文查阅了大量国内外关于人脸识别的技术文献，对当前人脸识别技术的研 究和发展状况进行了综述，其中包括人脸的基本特征、特征的提取技术以及目前 最新的人脸检测方法。人脸识别领域目前仍然面临着两大技术难题：光照变化和 姿态变化，常用的解决方法是通过扩大样本空间，以及引入先验知识。但目前所 有的流行方法都不足以做到对光照、姿态的鲁棒性，如何跨越这两个技术障碍， 我们认为总体趋势是利用多线索( 头发、肤色、器官、轮廓等) ，综合各类方法( 混 合高斯模型、概率模型、人工神经网络与支持向量机等) 、启发信息与统计学习方 法相结合。 在综合研究了以上的理论之后，本文还在人脸识别算法的实用化方面做了大 量工作，实现了一个人脸自动识别的系统原型。该系统主要包括人脸的检测和识 别两部分，出于实用化的考虑，在人脸检测部分采用了两种方案：基于肤色模型 的检测和基于局部h a a r 特征的检测。这两种方案的共同特点是速度快，实时性好， 同时它们具有互补性。肤色模型对人脸姿态的变化不敏感，但是对光照条件变化 敏感且多尺度检测能力较弱；基于局部h a a r 特征的方法对姿态变化敏感，但对光 照变化的鲁棒性要好于肤色模型且多尺度检测能力强。当然，大量的文献还介绍 了许多其他的检测方法，如模板的方法，人工神经网络的方法等，但是从实时性 的角度而言，基于肤色的方法和局部h a a r 特征的方法是目前最快的检测方法，它 们可以轻而易举的到达每秒1 5 幅的处理速度。本文在研究并实现了这些检测方法 后，做了相应的检测实验，并对基于肤色模型的c a m s h i f t 算法，提出了改进方法， 引入了动态采样直方图的改进措施，实验证明，这种方法提高了系统的鲁棒性。在 人脸的识别环节，本文采用了基于嵌入式隐马尔可夫模型的识别方法，并对改进 识别率和提高实时性方面做了一些研究。 结合当前国内外的研究进展 1 4 , 1 5 】，我们今后将在提高系统姿态鲁棒性和实时 性方面对人脸识别系统进行以下改进： 推广局部h a a r 特征的人脸检测方法，将它应用于多姿态的检测以及人脸 典型器官如：眼睛，嘴巴的检测和定位。这些特征点的定位有助于对人 广东工业大学工学硕士学位论文 脸的姿态评估。 基于e m b e d d e d m 毗的人脸识别算法虽然具有一定的姿态鲁棒性，对人脸 的定位要求不太高，但该方法基本上是利用人脸的整体特征进行识别， 所以计算量还是比较大。要提高系统的实时性，就必须采用局部的特征。 这就涉及到如何三个方面的问题，即： 1 选择什么样的特征才具有代表性? 2 如何从训练样本集中提取知识，对局部特征进行综合? 3 如何从测试样本中准确定位，提取局部特征? 今后我们将在利用局部特征表征人脸方面做相应的研究。 参考文献 参考文献 1 】c h e l l a p p ar ，w i l s o nc l a n ds i r o h e ys h u m a na n d m a c h i n er e c o g n i t i o no f f a c e s ：a s u r v e y p r o c e e d i n g so f t h ei e e e ，1 9 9 5 ，8 3 ( 5 ) ：7 0 5 - 7 4 0 【2 】wb l e d s o e m a n - m a c h i n ef a c i a lr e c o g n i t i o n p a n o r a m i cr e s e a r c hi n c ，p a l oa 1 t o ，c a ，1 9 6 6 ，r e p p r i ：2 2 【3 】b e r t or ，p o g g i ot f a c er e c o g n i t i o n ：f e a t u r ev g i s u st e m p l a t e s i e e et r a n s o np a m i ，1 9 9 3 ， 1 5 ( 1 们：1 0 4 2 2 1 9 【4 】m o g h a d d a mb ，p e n t l a n da p r o b a b i l i s t i cv i s u a ll e a r n i n gf o ro b j e c tr e p r e s e n t a t i o n i e e et r a n s p a t t e r n a n a l y s i sa n d m a c h i n ei n t e l l i g e n c e ，1 9 9 7 ，1 9 ( 7 ) ，6 9 6 7 1 0 【5 】b e l h u m e u rp n ，h c s p a n l mj e a n dk r i e g m a nd j e i g e n f a c e sv s f i s h e r f a c e s ：r e c o g n i t i o n u s i n gc l a s ss p e c i f i cl i n e a rp r o j e c t i o n i e e et r a n s o np a t t e ma n a l y s i sa n d m a c h i n ei n t e l l i g e n c e ， 1 9 9 7 ，1 9 ( 7 ) ：7 l l 一7 2 0 【6 】6z i q u a nh o n g a l g e b r a i cf e a t u r ee x t r a c t i o no fi m a g ef o rr e c o g n i t i o n p a t t e r nr e c o g n i t i o n ，1 9 9 1 ， 2 4 ( 3 、：2 1 l 一2 1 9 7 n a k a m u r ao ，m a t h u rs ，m i n a m it i d e n t i f i c a t i o no fh u m a nf a c e sb a s e do i li s o d e n s i t ym a p s p a t 【e mr e c o g n i t i o n ，1 9 9 1 ，2 4 ( 3 ) ：2 6 3 “2 7 2 8 】l a d e sm ，v o r b u g g e nj ，b u h m a n n jc ta 1 d i s t o r t i o ni n v a r i a n to b j e c tr e c o g n i t i o ni nt h ed y n a m i c l i n ka r c h i t e c t u r e i e e et r a n s o nc o m p u t e r s ，1 9 9 1 ，4 2 ( 3 ) ：3 0 0 “3 1 1 【9 】s a m a r i af ，y o u n gs h m mb a s e da r c h i t e c t u r ef o r f a c ei d e n t i f i c a t i o n i m a g ea n dc o m p u t e r v i s i o n ，e c c v 9 6 ，1 9 9 6 ，4 5 “5 6 1 0 】r o w l e yha ，b a l u j as ，k a n a d e 工n e u r a ln e t w o r k - b a s e df a c ed e t e c t i o n i e e et r a n s p a t t e r n a n a l y s i sa n d m a c h i n ei n t e l l i g e n c e ，1 9 9 8 ，2 0 ( 1 ) ：2 3 - 3 8 【11 】o s u t me ，f r e u n dr g i r o s ift r a i n i n gs u p p o r tv e c t o rm a c h i n e s ：a p p l i c a t i o nt of a c e d e t e c t i o n i n ：p r o e o f c o m p u t e r v i s i o n a n d p a r e m r e c o g n i t i o n ，p u e r t o r i c o ，1 9 9 7 1 3 0 - 1 3 6 【1 2 】v i o l ap j o n e sm r a p i do b j e c td e t e c t i o nu s i n gab o o s t e dc a s c a d eo fs i m p l ef e a t u r e s i n ： p r o c i e e ec o n f o i lc 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 ，k a u a i ，h a w m i ，u s a ，2 0 0 1 1 3 f r e u n dys c h a p i r e r e ad e c i s i o n - t h e o r e t i c g e n e r a l i z a t i o n o fo n - l i n el e a r n i n ga n da n 4 l 奎三些查兰三兰望圭耋堡丝兰 a p p l i c a t i o n t ob o o s t i n g j o u r n a lo f c o m p u t e ra n ds y s t e ms c i e n c e s ，t 9 9 7 ，5 5 ( 1 ) ：1