（计算机软件与理论专业论文）基于局部视觉模型的人脸识别研究.pdf

基于局部视觉模型的人脸识别研究 摘要 人脸识别技术方兴未艾，是模式识别和机器视觉领域的研究热点，研究内容包括人 脸检测和识别、表情识别等。由于人脸识别技术在司法、安全、军事等领域有着广泛的 应用前景，受到了研究人员的普遍关注，在近年来更是获得了较大的发展，一系y u 仓 j 新 算法不断涌现，也出现了部分接近实用并初步商用化的原型系统。其中，基于局部视觉 特征模型的人脸识别方法由于对光照变化等不利因素更为鲁棒的优点逐渐成为主流方 法之一。本文在前人的研究基础上，针对人脸识别对光照等干扰因素敏感的问题，从局 部特征入手，在图像预处理、特征提取和多特征融合识别三个方面分别进行了探讨，并 完成了以下主要工作： ( 1 ) 图像预处理是人脸识别的重要前期工作，能够有效减少各种干扰因素，对后 期图像识别效果的优劣影响很大。本文对人脸图像的预处理算法中，除了方向、大小等 归一化步骤外，重点提出一种针对光照不均图像的预处理方法，即结合g a m m a 校正、 高斯差分( d o g ) 以及对比度均衡处理为一体。该方法有效降低了光照对人脸的影响， 提高了对比度，强化了人脸特征区域，有利于后续的特征提取和识别。 ( 2 ) 特征提取是人脸识别的核心步骤，本文采用了多种人脸局部视觉特征的提取 方法。通过分析传统算法的优缺点之后，本文在传统经典算法基础上，一方面，对l b p 纹理特征进行改进，在l b p 的差值计算步骤引入d p d 跆双极比较算子，由此提取不同 距离和尺度的更大范围的局部特征，记为i l b p ，即改进的l b p 算法；之后，再结合g a b o r 特征的多方向、多尺度等优点，对人脸的g a b o r 特征图谱提取i l b p 特征，并记为i l g b p 特征。另一方面，由于实际应用中采集的人脸图像往往受光照变化、角度等因素干扰， 而s i f t 算法具有平移不变性、旋转不变性、尺度变化不变性等优点，本文又将s i f t 特 征引入人脸识别当中，用i l g b p 特征和s i f t 特征共同描述人脸。 ( 3 ) 基于d s 证据理论和f i s h e r f a c e 方法进行人脸的局部多特征融合识别。鉴于 d s 证据理论是基于决策级的融合，本文提出的融合识别算法是在识别过程中，首先运 用f i s h e r f a c e 方法分别对i l g b p 和s i f t 特征分别进行分类识别，得到特征比对的相似 度；然后，对这两个相似度，按照d s 证据理论的规则，进行信任度判别，得到最终的 判别结果。由于f i s h e r f a c e 的特性，该方法能够有效降低特征维数，并且具有较强的鲁 棒性。在m a t l a b 开发平台上的仿真实验结果显示，本文算法对有遮挡、低光照、侧 面等不利情况有较强的识别能力。 关键词：人脸识别；局部特征；i l g b p 特征；s i f t 特征；决策融合 r e s e a r c ho n1 1 a c e r e c o g n i t i o nb a s e do nl o c a lv is u a lm o d e l a bs t r a c t h u m a nf a c er e c o g n i t i o nt e c h n o l o g yi ss t i l lg o i n gt ob eu n f o l d i n ga sar e s e a r c hh o t s p o to f p a t t e mr e c o g n i t i o na n dm a c h i n ev i s u a lt e r r i t o r y , w h i c hi n c l u d e st h eh u m a nf a c ed e t e c t i v e ， f a c er e c o g n i t i o na n de x p r e s s i o nr e c o g n i t i o ne t c b e c a u s et h eh u m a nf a c er e c o g n i t i o n t e c h n o l o g yh a se x t e n s i v ea p p l i c a t i o np r o s p e c ti nm a n yd o m a i n ss u c ha sj u s t i c e ，s e c u r i t ya n d m i l i t a r y , i th a sb e e ng e n e r a l l yp a i dc l o s ea t t e n t i o nt ob ym a n yr e s e a r c h e r s t h e r e f o r e ，t h e h u m a nf a c er e c o g n i t i o nt e c h n o l o g yh a sa c h i e v e dg r e a td e v e l o p m e n ti nr e c e n ty e a r s a l s o ，a s e r i e so fi n n o v a t i o na l g o r i t h m sh a db e e np r o p o s e da n ds o m ep r e l i m i n a r yc o m m e r c i a l a r c h e t y p es y s t e m sh a db e e np u ti n t om a r k e t a b o v ea l lt h ea l g o r i t h m s ，t h em e t h o d sb a s e do n l o c a lv i s u a lf e a t u r em o d e lh a sg r a d u a l l yb e c o m eo n eo ft h em a i nm e t h o d sb e c a u s eo fi t s a d v a n t a g e si nt h er e c o g n i t i o nf o r t h ef i g u r e sw h i c hh a v eg r e a tc h a n g eo fi l l u m i n a t i o no ro t h e r a d v e r s ef a c t o r s b a s e do nt h ep r e v i o u s l yr e s e a r c h e s ，w et r yt oa i ma tt h er o b u s t n e s so f i l l u m i n a t i o nc o n d i t i o na n do t h e ra d v e r s ef a c t o r s s t a r tw i t ht h el o c a lf e a t u r e s w ed os o m e d i s c u s s e si ni m a g ep r e p r o c e s s ，f e a t u r ee x t r a c t i o na n dm u l t i f e a t u r ef u s i o nr e c o g n i t i o n t h e m a i nt a s k sw eh a dd o n ei nt h i sp a p e ra sf o l l o w s ： ( 1 ) i m a g ep r e p r o c e s si sa ni m p o r t a n tp r e v i o u sw o r ko fh u m a nf a c er e c o g n i t i o n i tc a n d e c r e a s ea l lk i n d so fa d v e r s ef a c t o r se f f i c i e n t l ya n ds e r i o u s l yi n f l u e n c et h ef a c er e c o g n i t i o n r e s u l t s i nt h i sp a p e r , b e s i d e st h en o r m a l i z a t i o no fo r i e n t a t i o n ，s i z ee t c ，w ep r i n c i p a l l y p r o p o s e dap r e p r o c e s sa l g o r i t h ma i m st oi l l u m i n a t i o nc h a n g e s o u rm e t h o di n c l u d e st h e g a m m ar e g u l a t i o n ，d i f f e r e n c eo fg a u s s i a na n dc o n t r a s tb a l a n c e t h ee x p e r i m e n tr e s u l ts h o w s ， o u rm e t h o dc a nd e c r e a s et h ei n f l u e n c eo fi l l u m i n a t i o n ，r a i s et h ec o n t r a s ta n ds t r e n g t h e nt h e e f f e c t i v ef e a t u r ea r e a so fh u m a nf a c e o u rp r e p r o c e s sm e t h o d si se f f e c t i v ef a c i l i t a t et h e f o l l o w i n gf e a t u r ee x t r a c t i o na n df a c er e c o g n i t i o n ( 2 ) f e a t u r ee x t r a c t i o ni st h ek e yt a s ko fh u m a nf a c er e c o g n i t i o n i nt h i sp a p e r , w ed e c i d e t oe x t r a c tm u l t i f a r i o u sl o c a lv i s u a lf e a t u r e so fh u m a nf a c e a f t e rt h ea n a l y s i so ft h e a d v a n t a g e sa n dd i s a d v a n t a g e so ft r a d i t i o n a la l g o r i t h m s ，w ed os o m ei m p r o v e m e n ti nl b p t e x t u r ef e a t u r e sf i r s t l yb a s e do np r e v i o u s l ym e t h o d t h ei m p r o v e dl b p ( i l b p ) f e a t u r em e a n s t h a tw ep r o p o s ead i p o l ec o m p a r eo p e r a t o ri n s t e a dt h es i m p l ed i f f e r e n c eo p e r a t i o no fm i d d l e p i x e la n dt h e8p i x e l sb o r d e ru p o n t h ei l b pa l g o r i t h mc a ne x t r a c tt h el o c a lf e a t u r e so fb i g g e r a r e ai nd i f f e r e n to r i e n t a t i o n sa n ds c a l e s a n dt h e n w et a k et h ea d v a n t a g e so fg a b o rf e a t u r e ： i i i m u l t i o r i e n t a t i o na n dm u l t i s c a l e b a s e do nt h i sm e t h o d ，w ee x t r a c tt h ei l b pf e a m r e so nt h e f i g u r e sw h i c hh a da l r e a d yb e e ne x t r a c t e dt h eg a b o rf e a t u r e s w ec a l l i ti l g b p f e a t u r e i na n o t h e rh a n d ，t h eh u m a nf a c e sw eg e tf r o mt h ep r a c t i c a lu s ec o n d i t i o na l w a y s i n f l u e n c e db yt h ec h a n g e so fi l l u m i n a t i o n ，s c a l e sa n do t h e ra d v e r s ef a c t o r s y e t ，t h es i f t a l g o r i t h mh a st h ea d v a n t a g e so ft r a n s l a t i o ni n v a r i a n c e ，r o t a t i o n a l i n v a r i a n c ea n ds e r e t r a n s f o r mi n v a r i a n c e t h e r e f o r e ，w eu s eb o t ht h ei l g b pf e a t u r ea n ds i f tf e a t u r et od e s c r i b e ah u m a nf a c e ( 3 ) w r eu s eam e t h o dt h a tb a s e do nd se v i d e n c et h e o r ya n df i s h e r f a c ea l g o r i t h mt od o t h eh u m a nf a c er e c o g n i t i o nb a s e do nm u l t i f e a t u r ef u s i o n b e c a u s et h ed se v i d e n c et h e o r yi s am e t h o do fi n o s c u l a t i o no nt h el e v e lo fs t r a t e g i cd e c i s i o n ，i no u rm e t h o d ，w eu s et h e f i s h e r f a c ea l g o r i t h mt od ot h e f a c er e c o g n i t i o no ni l g b pf e a t u r ea n ds i f tf e a t u r e r e s p e c t i v e l yf i r s t l y a f t e rt h ef i s h e r f a c ef e a t u r ec o n t r a s t ，w ew i l lg e tt w os i m i l a r i t yv a l u e s w h i c hc o u l db et r a n s f o r m e dt ot r u s tv a l u e su s et h er e g u l a t i o n so fd - se v i d e n c et h e o r y a tl a s t 目录 摘要i a b s t r a c t 一i i i 目录v 1 绪论1 1 1 生物特征识别技术一l 1 2 人脸作为生物特征进行识别的优势与劣势一2 1 3 人脸识别技术的研究意义及应用3 1 4 人脸识别研究现状4 1 4 1 人脸识别算法综述5 1 4 2 人脸识别技术的研究现状9 1 5 人脸库1 0 1 6 本文主要研究内容及安排一1 1 2 人脸图像预处理1 3 2 1 引言13 2 2 图像常规预处理1 3 2 3 改进的光照预处理方法18 2 4 本章小结2l 3 基于局部视觉特征的人脸描述2 2 3 1 引言2 2 3 2 人脸l b p 纹理特征的提取及应用2 3 3 2 1l b p 算子2 3 3 2 2l b p 方法在人脸识别中的应用2 4 3 2 3l b p 的改进算法2 6 3 3g a b o r 小波特征提取2 8 3 4 结合g a b o r 滤波及改进l b p 算子的人脸特征提取3 1 3 5s i f t 特征提取3 3 3 5 1 尺度空间极值的确定。3 4 3 5 2 特征点位置及方向的确定3 4 v 3 5 3 构造s i f t 特征向量3 6 3 6 本章小结3 6 4 基于局部多特征融合的人脸识别3 8 4 1 引言3 8 4 2 信息融合概述3 8 4 3 基于d s 证据理论和f i s h e r f a c e 的多特征融合人脸识别4 0 4 3 1d s 证据理论4 0 4 3 2f i s h e r f a c e 人脸识别4 2 4 3 3 多特征融合的人脸识别4 4 4 4 本章小结4 6 5 原型系统实验与结果分析4 7 5 1 引言一o 4 7 5 2 人脸识别系统框架4 7 5 3 实验与结果分析5 l 5 4 本章小结5 5 6 总结与展望5 6 6 1 文章的主要工作5 6 6 2 进一步的工作展望5 7 参考文献一5 8 致谢6 l 攻读硕士学位期间取得的学术成果6 2 浙江师范大学学位论文独创性声明一6 3 学位论文使用授权声明6 3 浙江师范大学硕士学位论文 1 绪论 1 1 生物特征识别技术 不管有意或是无意，人们每天都在不停地进行着各式各样的身份识别。一方面，我 们不断地对他人进行着身份的识别和认证；而同时，他人也不断地向我们表明自己的身 份。在通过身份认证之后，我们才能进行更进步的沟通交流或是业务往来。比如，我 们通过输入密码告诉a t m 机自己的合法身份并进行操作；通过门禁系统辨别来访者是 谁等等。进入信息时代后，随着科学技术的同新月异，计算机及网络技术高速发展，信 息的安全受到越来越多不利因素的挑战。因此，便捷、高效并且安全的身份验证和识别， 已经成为人们一种迫切需求。过去我们所使用的身份证、智能卡、口令、密码等传统身 份验证和识别方法，存在着携带不便、易遗忘或丢失，也会因为使用不当而损坏，口令 密码容易泄露破解等诸多问题。新时期中，它们已经变得不再安全，无法适应科技的发 展和社会的进步【l 】。人们对更安全、更便捷的身份鉴别技术的需求，随着生物特征识别 技术的逐渐成熟而得到了实现。 生物识别技术，是结合计算机、声学、光学、传感器等高科技手段，利用人体自身 生而固有的生理特征( 如d n a 、指纹、脸部等) 和后天形成的行为特征( 如笔迹、声 纹、步态等) 来进行身份识别。 生物识别技术具有以下的优点【2 】： 可靠性高，生物特征的复制和模仿难度较大； “携带”方便； 生物特征大多为生来所固有的，对于识别结果无法抵赖； 不会丢失、遗忘，也无法转让。 基于以上分析，人们对生物特征识别技术寄予厚望，希望它能够满足小至个人信息 安全、人机交互，大到刑侦司法、金融安全、国家、社会公共安全等各个方面的应用。 因此，生物特征识别技术不但具有极大的科学研究价值，也拥有广泛的市场应用需求。 目前，在各种需求的积极推动和研究者们的不懈努力下，生物特征识别技术不断推陈出 新，商用系统也日渐增多。可以预见，包括人脸识别技术在内的生物特征识别技术，在 1 绪论 不久的将来将会彻底取代传统的身份认证识别方法，给我们的日常生活习惯和人类社会 的生产生活产生重大的影响。 1 2 人脸作为生物特征进行识别的优势与劣势 人脸识别技术的优势 生物特征识别技术主要有指掌纹识别、基因d n a 序列识别、虹膜识别、视网膜识 别、步态识别、语音识别等。人脸识别与这些生物特征识别方法相比，具有其自身独有 的优点： ( 1 ) 识别不需要进行接触操作 人脸识别过程中不干涉被检测对象，检测对象不会如同按压指纹那样产生抗拒，并 造成心理压力。 ( 2 ) 与人类现实识别习惯相符 日常生活中，我们要对一个人的身份进行辨认，都是通过人脸进行的，能够直观、 方便地对他人身份进行确认。在实际应用中，如果普通人试图通过指纹对他人进行身份 识别，这显然运用人脸进行识别更加实际更加可行。 ( 3 ) 操作隐蔽，适用于监控系统 人脸识别系统不需要被检测对象的配合，可以在检测对象毫不知情的情况下进行监 控和识别，这是其他生物识别方法不具备的优势。人脸识别因为存在这种优势而在追捕 逃犯、视频监控等应用环境下得到广泛应用。 ( 4 ) 事后追踪问责方便、快捷 基于人脸的身份认证系统在认证时可以保存当事人的脸部图像，有利于在出现问题 后进行事后追踪问责。如在基于人脸的考勤系统中，负责人可以进行监控和事后追踪， 通过确认打卡信息和记录的人脸图像，可以杜绝冒充打卡等现象。但是若是运用指纹等 其他生物特征，则普通人不可能具有识别的能力。 ( 5 ) 现有人脸图像信息翔实完整 通常，居民身份证包括的信息里面，脸部图像是不可或缺的组成部分。因此，对于 大多数国家而言，居民身份证信息构建了一个庞大的人脸图像数据库，是一个国家最为 充实完整的资料之一。 ( 6 ) 相对于其它识别系统能获得更多的扩展信息 其他生物特征识别技术通常只能获取单一的信息，而人脸识别则扩展性良好，通过 浙江师范大学硕士学位论文 表情、姿态等人脸相关分析，可以获得更多的扩展信息。 人脸识别技术的劣势 人脸识别技术的固有缺陷，主要表现在： ( 1 ) 人脸特征稳定性不佳 人类脸部在正常情况下不会发生剧烈变化，但柔软的皮肤可塑性极强，在表情、年 龄等因素的影响下会发生较大改变，而化妆、意外伤害、整容等可以完全毁灭原有的人 脸特征。 ( 2 ) 相似人脸的存在使得识别存在不确定因素 没有两张完全相同的脸。但是人类面孔总体是相似的，全球人口众多，难免有一定 的可能存在着相似度极高的两张面孔。因此，要实现完全安全可靠的识别具有较大难度。 ( 3 ) 人脸图像受采集环境条件影响较大 实用人脸识别系统的图像采集通常安置于室内或室外的公众场合，因此存在着光照 条件变化、距离变化、视角转换等因素的干扰。这些不利因素会改变人脸面部的视觉效 果，极大地影响人脸特征的提取，降低识别性能。 正是因为这些缺点的存在，使得人脸识别研究成为一个富有挑战性的课题。尤其是 在不理想的复杂环境条件下的人脸识别，更是当前的研究热点。有缺陷，才有发展的空 间和动力，这推动着广大研究者们不断深入研究，力求人脸识别技术能够更加满足实际，。 应用的需求。 1 3 人脸识别技术的研究意义及应用 人脸识别研究始于二十世纪六十年代，在4 0 多年的发展中取得了长足的进步。人 脸识别技术在近年来更成为了一个热门的研究课题，国内外各科技企业、知名大学、研 究机构等都进行了大量的理论研究与系统丌发工作。人们之所以会这样重视人脸识别技 术，主要是人脸识别研究极大地促进了关联学科的发展以及其潜在的巨大市场前景。 人脸识别研究极大地促进了关联学科的发展 人脸识别是一门富有挑战性的综合学科，涵盖了图像处理、模式识别、人工智能、 神经网络、计算机视觉、人机交互、数学、统计学、认知科学、心理学等诸多学科。人 脸识别技术的研究，为这些关联学科提供了具体的研究课题，并构建了公共实验平台。 这些学科在推动人脸识别技术进步的同时，反过来也极大地促进自身的发展。 3 1 绪论 人脸识别技术应用前景广阔 身份识别与认证是人们日常生活的一项基本活动。正如前文所述的那样，传统的识 别认证方法因为存在着各种先天缺陷而逐渐趋于淘汰，我们亟需一种更可靠、更方便、 更安全的方法。另一方面，信息安全、国家社会安全等这些事关国计民生的领域更需要 高安全、高可靠的身份验证技术。国际风云变幻，安全问题始终是人们普遍关注的热点； 犯罪时有发生，范围扩大，手法多样，运用视频监控进行犯罪侦查已经成为打击犯罪的 主要手段之一。以上种种需求，正是不断推动人脸识别技术发展的源动力。 常见的人脸识别技术的应用如下表所示： 表1 1 人脸识别技术的广泛应用 3 1 应用范畴具体应用功能说明应用领域 出入境监管敏感对象过滤 比对嫌疑人照片用于司法侦查，确定嫌犯身份 公 视频监控敏感对象监控 共 身 网络追逃通过移动设备现场进行身份确认 安 份 全 识 确认参会人员排除非授权人员 别 重点场合监控如银行等场所，杜绝危险 家政机器人识别家庭成员 人 机 智能登录g u i基于用户身份的个性化服务和界面 交 互 仿真虚拟游戏提供现实人脸，提升交互性 证件查验查验证件的真实性公共安全 准考证查验杜绝代考教育 身 机要部门门禁防止钥匙丢失或密码泄漏公共安全 份 验 机要信息系统防止传统密码被泄漏或破译信息安全 证 职工考勤杜绝冒认考勤企业应用 金融身份验证防止传统密码泄漏或遭破译造成损失金融安全 电子商务身份验证防止传统密码泄漏或遭破译造成损失金融安全 1 4 人脸识别研究现状 一个完整人脸识别系统主要包括人脸检测、图像预处理、特征提取和分类识别等步 骤。对一个人脸识别系统而言，用何种特征来描述人脸，如何有效提取特征，用何种策 4 浙江师范大学硕士学位论文 略进行分类，是系统成功的关键。典型的人脸识别系统构成如由图1 1 所示： 图1 1 典型的人脸识别系统结构 各部分的功能阐述如下： 图像获取模块：通过摄像机或是扫描仪等光学成像设备得到人脸图像，系统通过相 关的处理将其转换为可处理的格式。 人脸检测模块：对输入的图像进行分析处理，判断图像中是否存在人脸，进而进行 准确的定位。人脸检测效果的优劣对于一个实用的人脸识别系统而言是非常重要的， j o n e s 和v i o l a 提出的基于a d a b o o s t 的人脸检测算法在该领域取得了较好的效果h 】【5 】。 基础图像处理模块：包括最基本的一些图像操作，为检测定位模块和图像预处理模 块提供f j i 提，如对图像灰度化、二值化、边缘提取等操作。 图像预处理模块：对检测到的人脸图像进行旋转、灰度均衡、大小变化等归一化处 理，使所有图像中人脸大小、灰度实现统一，便于后续处理。出于现实应用的考虑，此 阶段关于光照预处理的工作显得非常有意义。 特征提取模块：对经过归一化处理的人脸图像，运用一定的方法，按照一定的策略， 提取可用于识别的特征。在提取人脸特征之后，人脸原始数据被映射到特征子空问。 分类器模块：该模块的工作即训练分类器。训练是为了生成分类识别效果准确高效 的分类器。分类器通常根据人脸训练集确定一些分类规则，按照这些规则对待识别的人 脸图像进行尽可能准确高效的分类。模式识别问题归根结底可以认为是一个分类问题。 对人脸识别技术而言，就是对不同的人脸图像进行区分，对应归类到具体的某一个人。 分类决策模块：就是将训练好的分类器运用于具体的分类识别，得到最终的识别结 果。 1 4 1 人脸识别算法综述 人脸识别研究有着悠久的历史。1 8 8 8 年和1 9 1 0 年，g a l t o n 就分别在n a t u r e 杂 志上发表了两篇利用人脸确认身份的文章，当然，限于当时的条件，文章并未涉及自动 5 1 绪论 人脸识别。人脸自动识别的论文最早出现于1 9 6 5 年c l a n 和b l e d s o e 的报告【6 j 。9 0 年代以 来，人脸识别技术发展迅猛，几乎所有知名理工院校、科研院所和i t 科技企业都组织 了研究人员开展了广泛的研究和应用系统研发。 人脸识别算法主要包括：基于特征子空间的人脸识别；局部特征人脸识别；基于机 器学习的人脸识别等。 基于特征子空间的人脸识别方法 基于特征子空间的方法是通过变换将高维原始图像数据映射到低维特征空间，使得 数据分布更加紧凑，更加好地表征人脸的特征，进而能够更快地对人脸进行识别。常见 方法有主成分分析( 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 ) 、线性判别分析( f i s h e r l i n e a rd i s c r i m i n a n t ，l d a ) 和独立成分分析( 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 ) 等。 ( 1 ) 主成分分析。p c a 方法是人脸识别基本算法之一。它实现简单，数据压缩能 力较强，实现原始人脸数据经过数据降维后均方误差最小。同时，还能保证低维的特征 有较强的表达能力。 1 9 8 7 年，l s i r o v i c h 和m k i r b y 将p c a 方法用于最优表达人脸特征，用主分量构 建人脸，提出了本征脸概念【7 1 。他们认为，人脸图像均可以通过对一组本征脸进行线性 加权实现近似重构，并用低维空间基函数的系数来描述人脸，最终实现识别。文中还利 用奇异值分解对本征脸运算进行了简化。他们的工作奠定了p c a 算法在人脸识别中的 理论和应用基础。a p e n t l a n d 基于本征脸思想，得到基于姿势和人脸部件的识别方法【引， 引申出本征眼、本征嘴等概念。l z h a o 和h y a n g 用不同光照中得到的同一人的三幅脸 部图像进行散度矩阵的计算，解决了光照对p c a 算法的影响【纠。g o t t u m u k k a l 等提出模 主成分分析算法【10 1 。y a n g 等提出核主成份分析法【1 1 1 。j y a n g 等提出二维p c a 人脸识 别算法f 1 2 1 。c h e n 等提出增强的( 尸c ) 2 a 算法【1 3 1 。p u j o l 等提出拓扑主成分分析算法【1 4 1 。t a n 等提出适应加权子模式主成分分析等。 ( 2 ) f i s h e r 线性判别分析。l d a 是一种有监督算法，运用f i s h e r 准则函数，寻找 一组投影方向，在投影后使得同类数据紧凑，非同类数据离散的效果。p n b e l h u m e u r 等 提出f i s h e r 脸识别算法，是对p c a 算法的有效扩展【1 6 】。在h a r v a r d 人脸库及y a l e 人脸库 的实验结果表明，在光照及表情变化较为剧烈的情况下，该算法获得了优于p c a 的效 果。s s h a n 等为了解决f i s h e r 脸识别方法中训练样本的选择问题，通过一定的灰度以及 6 浙江师范大学硕士学位论文 几何变换，在一幅人脸图像的基础上得到不同表情和光照下的多幅图像【1 7 】。 ( 3 ) 独立成分分析。i c a 方法是8 0 年代提出的一种新的统计方法，在金融数据 分析、分离盲数据源信号、特征提取、图像去噪等应用领域应用广泛【1 8 】。算法基本思想 是通过线性变换，从训练图像中找到一组独立基，求得独立的基图像用于构成基图像子 空间来描述样本。由于i c a 使原始数据集中二阶及以上的统计信息能够得到充分应用， 因此在某些情况下识别效果优于p c a 和l d a 。目前，研究者们已经提出了许多实用的 i c a 算法。m s b a r t l e t t 首先将i c a 用于人脸识别1 9 1 。o d e n i z 等将i c a 与s v m 方法 相结合进行人脸识别【2 0 】。y a n g 等提出k p c a + i c a ( 核p c a + 独立成分分析) 算法，得 到了优于p c a 、i c a 和k p c a 算法的识别结果【2 。c h e n g 等提出整体独立成分分析学 习方法f 2 2 1 。f o r t u n a 等运用改进的p c a 、i c a 提取特征，结合改进的s v m 进行识别【2 3 1 。 k i m 等将人脸分为多成分和多个局部空间，每个局部空间代表对应的残留人脸空间。人 脸局部空间的统计模型相对简单，提高了在光照和姿态变化环境下的识别准确率【2 4 1 。 局部特征人脸识别方法 人脸图像是一个复杂的特征空间，同时还受到光照、大小、背景、角度等因素的影 响。实际应用中，由于人脸图像通常受到多种干扰因素的影响，因此基于全局特征的识 别效果往往不尽如人意。从局部轮廓、局部纹理等信息出发进行身份识别的思想在机器 智能视觉识别领域收到了良好效果。局部特征的识别方法主要包括基于g a b o r 小波变换 的识别方法；基于局部二值模式( l o c a lb i n a r yp t t e m ，l b p ) 的识别方法；基于局部 模型的识别方法等。 ( 1 ) 基于g a b o r 小波变换的人脸识别。g a b o r 小波可以很好地模拟大脑皮层细胞 对视觉变换的感受。通过图像多尺度、多方向的灰度变换，得到图像特定区域的多尺度、 多方向空间频率特征，捕捉突出的视觉属性，增强一些局部关键特征。l a d e s 首次将 g a b o r 小波用于人脸变换2 5 1 。在此基础上，后人发展出g a b o r 小波网络( g a b o r w a v e l e tn e t w o r k ，g w n ) 以及与a d a b o o s t 相结合的g a b o r 特征。 ( 2 ) 基于局部二值模式。l b p 方法源于纹理分析，o ja l a 等为了辅助度量图像的 局部对比度而首先提出【2 6 1 。图像经过l b p 算子运算得到变换的图像，再对经过变换的 图像进行直方图统计得到l b p 直方图。 文献 2 7 】提出一种基于h s l g b p 特征的识别方法( h i s t o g r a ms e q u e n c eo fl o c a l g a b o rb i n a r yp a t t e m s ，h s l g b p ) 。算法基本思想是，鉴于g a b o r 特征在人脸识别中的 7 1 绪论 成功应用，对光照、表情突变等干扰因素比较鲁棒，因此先用g a b o r 小波滤波提取人脸 图像不同方向和尺度的g a b o r 幅值图谱，再对这些幅值图谱提取l b p 特征。由此得到的 区域直方图就构成了人脸的特征描述。 ( 3 ) 基于局部模型的识别方法。人脸建模是人脸识别技术的核心问题，近年来， 基于局部建模的方法已经取得了较大的成功。 基于稠密局部匹配( d e n s e l yl o c a lm a t h i n g ，d l m ) 的人脸识别方法。对人脸图 像进行稠密采样，得到描述不同局部区域特征的若干子图像。将子图像融合并进行匹 配，得到图像匹配度。 基于局部视觉基元( l o c a lv i s u a lp r i m i t i v e s ，l v p ) 的人脸识别方法1 2 8 1 。该算法对 局部图像进行聚类，得到人脸局部变化视觉基元。用这些基元可以组成诸如脸部五官等 高层语义特征。建立l v p 索引的直方图模型，根据直方图的相似度进行人脸识别。 基于机器学习的人脸识别 ( 1 ) 神经网络( n e u r a ln e t w o r k ，n n ) 。神经网络广泛应用于表情分析、人脸识别、 性别识别等。k o h o n e n 在1 9 8 8 年就提出一个基于关联图的人脸记忆系统，系统允许输 入含噪声甚至存在部分遮挡的图像【2 9 1 。d e m e r s 等采用p c a 方法提取人脸特征，用神经 网络对特征进行压缩，最后用一个m l p 实现了识别【3 们。l a u r e n c e 等用卷积神经网络进 行人脸识别，由于各像素与相邻像素存在相关性，因此该算法对图像的变形、旋转等较 为鲁棒【3 l 】。l i n 等提出基于概率决策的神经网络，可进行眼睛定位以及人脸的检测与识 别【3 2 1 。r a n g a n g t h 和a r u n 利用径向基函数网络( r b f n ) 进行人脸识别【3 3 1 。l e e 等利用 模糊b p 神经网络进行人脸识- n 3 4 1 。g u t t a 等构建结合r b f 与树分类器的混合分类器进 行人脸识别蚓。 ( 2 ) 隐马尔可夫模型( h m m ) 。h m m 广泛应用于语音信号处理领域，是有效的 建模和识别方法【3 6 1 。s a m a r i a 等运用h m m 进行人脸识别，将人脸按方位上下分为五个 状态。每个人脸都依此建立独立的h m m 模型。在识别时，相似度最大的模型则作为样 本的所属类别【3 7 1 。n e f i a n 等提出了基于2 d 内置h m m 的人脸识别方法，有效降低了参 数存储量【3 踟。o t h m a n 等提出了复杂度低的2 维h m m 模型，人脸五官间的关联描述更 确切，得到了较高的识别率【3 9 1 。 ( 3 ) 弹性图匹配( e l a s t i cg r a p hm a t c h i n g ，e m g ) 。m l a d e s 等提出的e m g 是一 种形变不变算法，采用动态链结构对人脸特征进行描述，解决了因图像形变而引起的人 浙江师范大学硕士学位论文 脸识别率低下的问题【加】。m l a d e s 的e m g 人脸识别实验，虽然对角度旋转和表情变化 情况下的人脸图像识别效果较好，但运算效率低下。l w i s k o t t 基于e m g 方法进行改进， 提出弹性图匹配机( e l a s t i cb u n c hg r a p hm a t c h i n g ，e b g m ) 方法，定位精度较高，且 人脸匹配时间更短1 4 1 1 。 1 4 2 人脸识别技术的研究现状 人脸识别技术研究在我国起步较晚，但发展迅速。1 9 9 0 年代中期以来，国内部分高 校和科研机构陆续开展了人脸识别技术研究。如中国科学院计算机技术研究所、自动化 研究所、清华大学、上海交通大学、中山大学、哈尔滨工业大学、东南大学等都取得一 定的成果。其中，中科院自动化研究所李子青教授领导的项目组开发的“近红外人脸身 份识别技术和系统 采用不可见的红外线，因此不受光线变化影响，消除了光照对人脸 识别的影响，是区别于传统可见光下的人脸识别方法的一种全新理念；“中远距离人脸 识别系统 能在人体姿态相对自由的中远距离条件下进行人脸跟踪和识别；“人脸检测 与跟踪系统”实现准确