（计算机应用技术专业论文）基于多分类器的人脸识别算法的研究与实现.pdf

_ 上sc i at h e s i si nc o m p u t e r a p p l i c a t i o nt e c h n o l o g y r e s e a r c ha n d i m p l e m e n t a t i o ni nf a c e r e c o g n i t i o nb a s e d o nm u l t i p l ec l a s s i f i e r s b y z h e n g y i s u p e r v i s o r p r o f e s s o rw a n g c u i r o n g n o r t h e a s t e r nu n i v e r s i t y j u n e2 0 0 8 f | 】 i 独创性声明 究成果除加以标注和致谢的地方外，不包含其他人己经发表或撰写过的研究成 f 果，也不包括本人为获得其他学位而使用过的材料。与我一同工作的同志对本 学位论文作者签名： 初雾 日期： 易弼 ：- 7 学位论文版权使用授权书 本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论文的 规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允 许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部或部分内容编 入有关数据库进行检索、交流。 作者和导师同意网上交流的时间为作者获得学位后： - j 半年口一年口一年半口两年口 学位论文作者签名：牵冰 签字日期：伽6 导师签名： 签字日期： 擘 7 7蹿r嬲哪 一 东北大学硕士学位论文摘要 基于多分类器的人脸识别算法的研究与实现 摘要 人脸检测和识别是目前生物特征识别中最受人们关注的一个分支，是当前图像处 理、模式识别和计算机视觉领域内的一个热门研究课题，在公安部门罪犯搜索、安全部 门动态监视识别、银行密码系统等许多领域有广泛的应用。它与计算机人机感知交互的 研究领域有密切联系。 首先，本文对人脸识别技术进行了分析，重点研究了人脸识别技术的背景、研究内 容以及人脸识别的主要方法。本文实验主要在o r l 和y a l e 人脸库上进行。通过主成 分分析( p f i n o p mc o m p o n e n ta n a l y s i s ，p c a ) ，二维主成分分析( t w o d i m e n s i o n a lp f i n o p m c o m p o n e n ta n a l y s i s ，2 d p c a ) 等子空间特征提取方法对人脸图像进行特征提取。特征 提取的结果将用于本文分类器的人脸识别。 其次，针对现有的人脸分类方法本文进行了深入研究，然后通过欧式分类器，相关 系数分类器，b p 神经网络分类器，支持向量机分类器的“一对一 和“一对多 等方 法进行人脸识别。所用到的分类方法都取得了较好的识别率。在o r l 人脸库上，使用 支持向量机分类器的“一对多”的方法识别率达到9 3 5 ，支持向量机分类器“一对一一 识别率达到9 0 ，b p 神将网络分类器的识别率达到9 3 ，相关系数的识别率达到8 9 5 ， 欧氏距离识别率达到8 9 5 。 最后，在o r l 人脸库上，本文通过投票法，将支持向量机的“一对多 ，相关系数， b p 神经网络等三种分类器进行融合，多分类器的融合在一定程度上弥补了单个分类器 的缺陷，取得了较好的识别效果。使每个主成分上的识别率都高于基于单个分类器的识 别率，识别率最高达到9 4 5 。 关键词：主成分分析；b p 神经网络分类器；支持向量机分类器；分类器的融合 - i i - ，lhi_ii晨 ，qi玉 东北大学硕士学位论文a b s t r a c t r e s e a r c ha n di m p l e m e n t a t i o ni nf a c er e c o g n i t i o nb a s e do n m u l t i p l ec l a s s i f i e r s a b s t r a c t a u t o m a t i cf a c ed e t e c t i o na n dr e c o g n i t i o ni so n eo ft h em o s ta t t e n t i o nb r a n c h e so f b i o m e t r i c sa n di ti sa l s ot h eo n eo ft h em o s ta c t i v ea n dc h a l l e n g i n gt a s k sf o ri m a g ep r o c e s s i n g , p a t t e r nr e c o g n i t i o na n dc o m p u t e rv i s i o n i ti sw i d e l ya p p l i e di nc o m m e r c i a la n dl a wa r e a , s u c ha sm u gs h o t sr e t r i e v a l ，r e a l - t i m ev i d e os u r v e i l l a n c ei ns e c u r i t ys y s t e ma n dc r y p t o g r a p h y i nb a n ka n ds oo n i ti sc l o s e l yl i n k e dw i t ht h ef i e l do fm a n - m a c h i n ei n t e r a c t i o np e r c e p t i o n f i r s t l y , t h i sp a p e ra n a l y z e st h et e c h n o l o g yo ff a c er e c o g n i t i o n t h eb a c k g r o u n do ff a c e r e c o g n i t i o n , i t sr e s e a r c hc o n t e n t , a n di t s m a i nm e t h o d sa r e e m p h a s i z e d t h i sp a p e r e x p e r i m e n t s i nt h eo r la n dy a l ef a c e d a t a b a s e 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 ) ，t w o d i m e n s i o n a lp r i n c i p a lc o m p o n e n ta n a l y s i s ( 2 dp c a ) o nf a c i a li m a g ef e a t u r e e x t r a c t i o na r eu s e di nt h i sp a p e r t h er e s u l to ff a c i a li m a g ef e a t u r ee x t r a c t i o ni su s e df o rt h e f a c er e c o g n i t i o no ft h ef o l l o w i n gc l a s s i f i e r s s e c o n d l y , t h ei n - d e p t hs t u d yo ft h ee x i s t i n gf a c i a lc l a s s i f i c a t i o nm e t h o d sh a sb e e nd o n e i nt h i sp a p e r t h e nt h er e c o g n i t i o no ff a c i a li m a g ei sr e a l i z e db ye u c l i d e a nd i s t a n c ec l a s s i f i e r a n dc o r r e l a t i o nc o e f f i c i e n tc l a s s i f i e ra n db pn e u r a ln e t w o r kc l a s s i f i e ra n do n e - a g a i n s t - a l l d e c o m p o s i t i o nf o rs v m c l a s s i f i e ra n do n e - a g a i n s t - o n ed e c o m p o s i t i o nf o rs v mc l a s s i f i e r h i g h e rr e c o g n i t i o nr a t eh a sb e e na c h i e v e db yt h em e t h o d su s e di nt h i sp a p e r i nt h eo r l f a c e d a t a b a s e ，t h eh i g h e s tr e c o g n i t i o nr a t e sa r e9 3 5 i no n e a g a i n s t a l ld e c o m p o s i t i o nf o rs v m c l a s s i f i e r , 9 0 i no n e - a g a i n s t - o n ed e c o m p o s i t i o nf o rs v mc l a s s i f i e r , 9 3 i nb pn e u r a l n e t w o r kc l a s s i f i e r , 8 9 5 i ne u c l i d e a nd i s t a n c ec l a s s i f i e ra n d8 9 5 i nc o r r e l a t i o nc o e f f i c i e n t c l a s s i f i e r f i n a l l y , i nt h eo r l f a c ed a t a b a s e ，b ym a j o r i t yv o t em e t h o d ，w ec o m b i n et h r e ek i n d so f c l a s s i f i e r sw h i c ha r eo n e a g a i n s t - 灿ld e c o m p o s i t i o nf o rs v mc l a s s i f i e r , b pn e u r a ln e t w o r k c l a s s i f i e r , c o r r e l a t i o nc o e f f i c i e n tc l a s s i f i e r t h ec o m b i n a t i o no fm u l t i p l ec l a s s i f i e r sc a nt o s o m ee x t e n ti m p r o v et h ep e r f o r m a n c eo fc l a s s i f i c a t i o na n da c h i e v eb e t t e rr e c o g n i t i o ne f f e c t t h er e c o g n i t i o nr a t eo fc o m b i n a t i o ni sh i g h e rt h a na n ys i n g l ec l a s s i f i e ra te v e r yp r i n c i p a l c o m p o n e n t t h eh i g h e s tr e c o g n i t i o nr a t eh a sa c h i e v e d9 4 5 k e yw o r d s ：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 ) ；b pn e u r a ln e t w o r kc l a s s i f i e r ；s u p p o r tv e c t o r m a c h i n ec l a s s i f i e r ( s v m ) ；t h ec o m b i n a t i o no fc l a s s i f i e r s i i i - 1aiij， ，uv 、 ： 东北大学硕士学位论文 目录 目录 独创性声明i 摘要 a b s t r a c t i l l 第l 章绪论。l 1 1 人脸识别的概述l 1 1 1 人脸识别的研究内容。l 1 1 2 人脸识别研究难点2 1 1 3 人脸识别的应用3 1 2 研究背景及意义3 1 3 国内外研究现状4 1 4 论文的主要工作5 1 5 论文的组织结构6 第2 章人脸识别特征提取和分类的相关技术7 2 1 人脸图像库7 2 2 人脸识别的特征提取方法8 2 2 1 基于各种主成分的特征提取9 2 2 2 基于f i s h e r 脸法的特征提取9 2 2 3 基于独立成分分析( i c a ) 的特征提取1 0 2 3 人脸识别的分类方法。l l 2 3 1 相关系数分类法1 l 2 3 2 欧氏距离分类法1 2 2 3 3b p 神经网络分类方法1 2 2 3 4 支持向量机分类方法1 3 2 4 本章小结。13 第3 章基于主成分分析的人脸识别特征提取算法的研究与实现1 5 3 1 主成分分析( p c a ) 1 5 3 1 1 主成分分析的基本原理1 5 3 1 2 基于p c a 人脸识别的特征提取1 6 3 2 二维主成分分析( 2 d p c a ) 1 7 3 2 12 d p c a 的原理1 7 3 2 2 基于2 d p c a 人脸识别的特征提取l8 3 3 基于主成分分析算法的人脸识别实验1 8 3 3 1 基于p c a 的人脸识别实验1 8 一一 东北大学硕士学位论文目录 3 3 2 基于2 d p c a 的人脸识别实验2 4 3 3 3 基于p c a 和2 d p c a 的人脸重构。2 6 3 4 本章小结2 7 第4 章基于b p 神经网络的人脸识别分类算法的研究与实现2 9 4 1 感知器：2 9 4 1 1 单层感知器。3 0 4 1 2 多层感知器网络3 l 4 2b p 神经网络。3l 4 2 1b p 神经元网络结构。3 2 4 2 2b p 神经元网络学习规则3 2 4 2 3b p 神经网络的设计3 4 4 3 基于b p 神经网络分类算法的人脸识别实验3 7 4 3 1 基于b p 神经网络分类的人脸识别算法3 7 4 3 2b p 神经元网络对人脸特征进行分类3 9 4 3 3 实验结果4 0 4 4 本章小结。4 2 第5 章基于支持向量机的人脸识别分类算法的研究与实现4 3 5 1 支持向量机4 3 5 1 1 线性支持向量机4 4 5 1 2 非线性支持向量机4 7 5 1 3 支持向量机的核函数4 8 5 2 多分类支持向量机4 9 5 2 1 多分类支持向量机概述4 9 5 2 2 多类支持向量机算法5 0 5 3 基于支持向量机分类器算法的人脸识别实验。5 l 5 3 1s 训练和测试步骤5 l 5 3 2 核函数的确定与参数的选择5 l 5 3 3 基于支持向量机“一对多 分类器算法的人脸识别实验5 2 5 3 4 基于支持向量机“一对一一分类器算法的人脸识别实验5 5 5 4 基于多分类器融合的人脸识别算法设计。5 8 5 4 1 分类器融合的原因5 8 5 4 2 分类器融合的方法5 8 5 4 3 基于多分类器融合的人脸识别实验结果及分析6 0 5 5 本章小结_ 6 l 第6 章结论与展望6 3 6 1 本文结论6 3 一v 一 东北大学硕士学位论文 目录 6 2 下一步研究方向6 3 参考文献6 5 刭c 谢。6 9 一v i 东北大学硕士学位论文第1 章绪论 第1 章绪论 1 1 人脸识别的概述 随着社会的发展，对身份验证的需求也日益增加。由于生物特征是人的内在属性， 具有较强的自身稳定性和个体差异性，因此可作为身份认证较好的依据。人脸作为人的 生物特征之一，在使用上较其它的生物特征( 如指纹、虹膜、掌纹等) 更友好、直接和 方便，因此自动人脸识别技术近年来己成为计算机视觉和模式识别领域中的一个前沿课 题。 自动人脸识别技术在个人身份认证和视觉监控等领域有着广阔的应用前景。例如在 公安司法领域对各种身份证件的识别和对嫌疑犯的识别；在商业领域对各种信用卡和银 行卡用户的识别；在银行、商店和机场等场合的视觉监控和安全系统的识别以及在人机 互交领域的识别应用等。在公安司法和商业领域的应用中，对身份的认证通常使用静态 的人脸图像，图像质量、图像的背景和光照影响可受到人为的控制，因此可获得质量较 好的人脸图像。而在视觉监控和安全系统的应用中，处理的多为动态视频图像，此类图 像容易受到各种非确定因素的影响，例如背景及光照易受环境的影响，不容易受到人为 精确地控制。对受控的图像可事先排除人脸细节和背景的干扰，更易于识别。 人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存 在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并依 据这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的人脸 进行对比，从而识别每个人脸的身份。 从应用的角度，人脸识别包括两大类t ( 1 ) 人脸身份识别：即根据人脸图像识别出人物的身份，解决是谁的问题。 ( 2 ) 人脸身份确认验证：判断图像中的人脸是否是指定的人，即解决是不是某人 的问题。 1 1 1 人脸识别的研究内容 人脸识别技术就是利用计算机分析人脸图像，从中获取有效的识别信息，用来辨认 身份的一门技术。从广义上讲，其研究内容包括以下五个方面： ( 1 ) 人脸检测( f a c ed e t e c t i o n ) ：即从各种不同的场景中检测出人脸的存在并确定 位置。这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。 一l - - 东北大学硕士学位论文第1 章绪论 ( 2 ) 人脸表征( f a c er e p r e s e n t a t i o n ) ( 也称人脸特征抽取) ：即确定表示检测出的 人脸和数据库中的已知人脸的描述方式。通常的表示方法包括几何特征( 如欧氏距离、 曲率、角度等) 、代数特征( 如矩阵特征向量) 、固定特征模板、特征脸等。 ( 3 ) 人脸识别( f a c er e c o g n i t i o n ) ：即通常所说的人脸识别，就是将待识别的人脸 与数据库中的已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表示方 式与匹配策略。 ( 4 ) 表情分析( f a c i a le x p r e s s i o n a n a l y s i s ) ：即对待识别人脸的表情进行分析，并 对其加以分类。 ( 5 ) 物理分类( p h y s i c a lc l a s s i f i c a t i o n ) ：即对待识别人脸的物理特征进行分类得出 其年龄、性别、种族等相关信息，或者从几幅相关的图像推导出希望得到的人脸图像， 如从父母图像推导出孩子的脸部图像、基于年龄增长的人脸图像估算等。 人脸识别系统的基本框架如图1 1 所示。首先，由传感器( 如c c d 摄像机) 捕获 人脸图像，接着用预处理提高图像的质量，然后根据人脸检测来定位人脸并将人脸图像 设置成预先定义的尺寸。特征提取用于抽取有效特征以降低原模式空间的维数，分类器 则根据特征做出决策分类，最后，利用特征及分类器信息给出识别结果。 i 传感器c c dh 预处理h 特征提取h 分类器设计h 人脸识别结果i r o 。o o 。- i - _ _ _ _ o r - _ _ - 。_ _ 。_ _ _ - - _ _ _ _ _ - - - _ _ - _ _ _ 。- ，。- _ _ _ _ _ _ 。_ _ - o o o o o _ _ _ ，o _ _ _ _ _ _ _ - o o o 。o 。- _ _ o - _ _ - _ _ _ _ _ _ _ _ - _ _ _ _ _ _ _ _ - _ 一- - - - _ - _ _ - _ _ _ _ _ _ - 一- _ _ _ _ _ - - - - - - - _ _ _ _ _ - _ _ _ j - _ _ _ _ _ _ _ _ _ _ _ _ _ l l - _ - _ - - 一_ _ _ _ _ _ _ - - _ _ _ _ _ _ _ _ _ - - - _ _ _ - _ _ 图1 1 人脸识别系统 f i g 1 1s y s t e mo ff a c er e c o g n i t i o n 1 1 2 人脸识别研究难点 人脸识别是一项极具挑战性的任务，影响识别效果的相关因素主要表现为以下几个 方面： ( 1 ) 姿态：人脸图像是变化的。由于相关的照相脸姿( 正面的、侧面、颠倒的) 不同，而一些脸部特征如眼睛或鼻子可能部分地或全部被遮挡。 ( 2 ) 组件的存在和不存在：面部的特征如胡须和眼镜等可能存在也可能不存在， 有很大的变化，这些组件包括形状、颜色和大小。 ( 3 ) 面部表情：人脸表情直接影响人的外观。 ( 4 ) 图像的方向：照相机光轴的不同旋转直接改变人脸图像。 ( 5 ) 图像的条件：当图像产生时，一些因素如光( 光谱、光源分布和强度) 和照 相机的特性( 传感器的回应、透镜) 影响人脸的外观。 - 2 - 东北大学硕士学位论文第1 章绪论 然而，人脸识别的复杂性和挑战性并没有影响人们对这一课题的研究热情，这与人 脸识别潜在的应用价值和重要的理论意义是分不开的。 1 1 3 人脸识别的应用 与指纹、视网膜、虹膜、基因、掌纹等其它人体生物特征识别系统相比，人脸识别 系统更加直接、友好，其使用者无心理障碍。因此，人脸识别技术应用背景十分广泛， 在国家安全、军事安全和公共安全，智慧门禁、智能视频监控、公安系统刑侦破案的罪 犯身份识别、身份证及驾驶执照等证件验证、海关的监控、视频会议、机器人的智慧化 研究以及医学，各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，社会保险 人的身份验证等具有重要的应用价值。 在民事和经济领域，在家庭娱乐等领域，人脸识别也具有一些有趣有益的应用，比 如能够识别主人身份的智能玩具、家政机器人，具有真实图像的虚拟游戏玩家等等。 1 2 研究背景及意义 人脸自动识别技术就是利用计算机分析人脸图像，从中提取各种信息，用来辨认身 份的一门技术。它涉及到模式识别、图像处理、计算机视觉、生理学、心理学及认知学 等诸多学科的知识，并与基于其它生物特征的身份鉴别方法以及计算机人机感知交互的 研究领域都有密切联系。 虽然与指纹、虹膜、基因等其它人体生物特征识别系统相比，人脸识别系统还不够 成熟，但在应用方面却具有独到的优判1 l ： ( 1 ) 使用方便，用户接受度高。人脸识别技术使用通用的摄像机作为识别信息获 取装置，以非接触的方式在识别对象未察觉的情况下完成识别过程。 ( 2 ) 直观性突出。人脸识别技术所使用的依据是人的面部图像，而人脸是肉眼能 够判别的最直观的信息源，方便人工确认、审计。 ( 3 ) 识别精确度较高、速度快。与其它生物识别技术相比，入脸识别的精度处于 较高的水平，误识率、拒识率较低。 ( 4 ) 不易仿冒。在安全性要求高的应用场合，人脸识别要求识别对象必须亲临现 场，他人难以仿冒。而且人脸识别所独具的活性判别能力保证了他人无法以非活性的照 片、木偶、蜡像来欺骗识别系统。这是指纹等生物识别技术所难以做到的。 ( 5 ) 使用通用设备。人脸识别技术所使用的设备为一般的p c 、摄像机等常规设备， 由于计算机、闭路电视监控系统等已经得到了广泛的应用，因此对于多数用户而言使用 - 3 - 东北大学硕士学位论文第1 章绪论 人脸识别技术无需添置大量专用设备，从而既保护了用户的原有投资又扩展了已有设备 的功能，满足了安全防范的需求。 ( 6 ) 基础数据易于获得。人脸识别技术所采用的依据是人脸照片或实时摄取的人 脸图像，因而比较容易获取。 ( 7 ) 成本较低，易于推广使用。由于人脸识别技术所使用的是常规设备，价格均 在一般用户可接受的范围之内，与其它生物识别技术相比，人脸识别产品具有很高的性 能价格比。 概括地说，人脸识别是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生 物识别技术，具有极其广阔的市场应用前景。同时，自“9 1 1 一恐怖袭击事件后，由于 各方面对人脸识别系统的迫切需求，人脸识别的研究变得非常热门。目前各国有许多研 究小组在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，并在军事、公安以及重 要安防领域投入使用最新的研究成果。 1 3 国内外研究现状 早期的研究者采用一些简单的人脸几何特征【2 1 ，如眼中心处对应的眉毛的位置和厚 度、眉毛的弧度、嘴的宽高、脸的宽度等识别人脸，这称为基于几何特征的识别方法。 另一种方法是通过计算输入图像与库中图像的相关程度来识别人脸。基于几何特征的方 法需要提取准确的人脸特征，对图像质量要求较高，使其应用受到较大限制。基于范本 的整体匹配思想，近年来很多新的方法获得了发展。如子空间法、特征脸法是从主成分 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 ) 导出的一种人脸识别和描述技术。p c a 实质 上是k - l 展开的网络递推实现。k - l 变换是图像压缩技术中的一种最优正交变换，人们 将它用于统计特征提取，从而形成子空间法模式识别的基础。 常用的线性子空间方法有特征子空间、鉴别子空间、独立成分子空间等。此外，还 有局部特征分析法、因子分析法等。这些方法也分别被扩展到混合线性子空间和非线性 子空间。t u r k 等采用特征脸( e i g e n f a c e s ) 方法实现人脸识别【3 1 。由于每个特征向量的 图像形式类似于人脸，所以称特征脸。对原始图像和重构图像的差分图像再次进行k - l 变换，得到二阶特征空间，又称二阶特征脸。p e n t l a n d 等提出对于眼、鼻和嘴等特征分 别建立一个特征子空间，并联合特征脸子空间的方法获得了好的识别结果。s h a n 等【4 l 采用特定人的特征空间法获得了优于特征脸方法的识别结果。a l b e r t 掣5 】提出了t p c a 一4 一 东北大学硕士学位论文第1 章绪论 ( t o p o l o g i c a lp c a ) 方法，识别率有所提高。p e n e v 等提出的局部特征( l o c a lf e a t u r e a n a l y s i s ，l f a ) 法的识别效果好于特征脸方法。当每个人有多个样本图像时，特征空间 法没有考虑样本类别间的信息，因此，基于线性鉴别分析( l i n e a rd i s c f i m i n a n ta n a l y s i s ， l d a ) ，b e l h u m c u r 等提出了f i s h c r f a c e s 方法，获得了较好的识别结果。b a r t l e t t 等采用 独立成分分析( i n d e p e n d e n t c o m p o n e n t a n a l y s i s ，i c a ) 【6 】的方法识别人脸，获得了比p c a 方法更好的识别效果。与p c a 相比，i c a 有两个优势：一是i c a 获得的独立成分不需 要满足正交关系，能够消除象素间的高阶统计相关性，而p c a 只能消除象素问的二阶 统计相关性；二是i c a 获得的一组向量比特征向量更具空间局部描述性，具有更好的人 脸描述能力。实际上，由于光照、姿势和表情等的影响，人脸在空间的分布是很复杂的。 m o g h a d d a m 等通过线性混合的p c a 方法 7 1 ，估计人脸的类内和类间差异的概率分布， 采用贝叶斯方法识别人脸。c a p p e l l i 等通过分割样本集，由每个子集求得相应的子空间， 然后对每个样本选用适当的子空间或多个子空问共同描述特征。k i m 等利用多个特征空 间的混合模型，提出基于多投影空间的混合l d a 方法，获得了好的识别效果。f r c y 等 采用m f a ( m i x t u r eo f f a c t o ra n a l y z e r s ) 方法识别人脸。借鉴s v m 8 】的k e r n e l 方法，p c a 、 l d a 和i c a 等都被扩展到k e r n e lp c a 、k e r n e ll d a 和k e r n e li c a 。与线性子空间方法 相比，基于k e r n e l 的方法获得了更好的识别效果，然而计算量较大。另一些试验也表明 采用混合线性模型的方法好于基于k e r n e l 的方法。 1 4 论文的主要工作 本文对人脸识别的特征提取和分类等算法进行了深入的研究，具体有如下几个方 面： ( 1 ) 本文深入的研究了人脸识别的特征提取算法，并在o r l 人脸库和y a l e 人脸库 上，采用了p c a 、2 d p c a 这两种特征提取算法对人脸库中的人脸图像进行特征提取。 利用特征提取的结果通过两种基于相似度的分类器( 相关系数分类器和欧氏距离分类 器) 进行分类，取得了较好的识别结果，并通过p c a 和2 d p c a 特征提取算法进行人脸 图像的重构。 ( 2 ) 本文对人脸识别的分类器进行了深入的研究，在通过p c a 进行特征提取后， 使用了多种分类器对特征提取的结果进行分类。分类器分别采用：相关系数分类器，欧 氏距离分类器，b p 神经网络分类器，支持向量机“一对多 和支持向量机，一对一 等分类器。在使用b p 网络分类器，本文对b p 网络进行设计，选择了学习率可变的b p 一5 一 东北大学硕士学位论文第1 章绪论 算法进行网络的学习，并且对参数进行了调节，收敛速度和识别结果都取得了好的效果。 在使用支持向量机的。一对多 和“一对一 算法进行分类时，本文选择了径向基核函 数作为支持向量机的核函数，并对惩罚因子和核参数对进行了调节，取得了好的识别效 果。 ( 3 ) 每个分类器都存在自己的缺陷，多分类器的融合能够在一定程度上弥补单个 分类器的缺陷。基于这种原因，本文在o p t , 人脸库上，利用了投票法使相关系数分类 器，b p 神经网络分类器，支持向量机“一对多 等三种分类器进行融合，融合后识别 结果优于三种分类器中的任何一个分类器。 1 5 论文的组织结构 本文主要研究多分类器的人脸识别算法，具体组织如下： 第1 章，介绍了人脸识别基本知识和目前国内外的研究现状，同时指出了本文主要 研究内容及研究的目的和意义。 第2 章，首先对广泛应用于人脸检测和识别领域的人脸数据库进行了全面的介绍， 然后详细分析了当前比较流行的特征提取和分类算法。 第3 章，研究了p c a 、2 d p c a 的原理和特点，以及在人脸识别的应用。本章分别 用p c a 、2 d p c a 作为特征提取的方法，对人脸库中的样本提取特征，然后用欧氏距离 和相关系数分离器进行识别。还通过p c a 和2 d p c a 进行人脸重构。 第4 章，系统而且全面的分析了b p 神经网络的原理和特点、结构类型、学习方法 以及b p 神经网络在人脸识别中的应用，并且对本文中所用的b p 神经网络分类器进行 了网络设计，进行了参数调节。最后，使用p c a 进行特征提取的结果在b p 神经网络分 类器中进行分类。 第5 章，系统的阐述了支持向量机的原理，对线性支持向量机和非线性支持向量机 进行了分析，本章重点对多分类支持向量机的算法进行研究，并且用基于径向基核函数 的支持向量机“一对多 和“一对一一分类方法进行人脸识别。在o r l 人脸库上，通 过投票法使相关系数，b p 神经网络，支持向量机“一对多 等三种分类器进行融合， 融合后识别效果优于三种分类器的任何一个分类器。 第6 章，给出了本课题研究的结论，并阐述了下一步研究方向。 东北大学硕士学位论文第2 章人脸识别特征提取和分类相关技术 第2 章人脸识别特征提取和分类的相关技术 2 1 人脸图像库 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的变化 情况下都能正确进行人脸识别的系统是非常困难的。因此几乎所有人脸识别的研究都是 在一定约束条件下进行的，如光照、表情和姿态变化等受到一定限制，大部分系统都未 考虑长期变化，如年龄的变化等。所以有必要建立适合不同需要的人脸数据库，以下介 绍一些典型的标准数据库【9 】。 ( 1 ) y a l e 人脸数据库 y a l e 人脸库中的图像来源于y a l ec e n t e rf o rc o m p u t a t i o n a lv i s i o na n dc o n t r o l ，其中 包括1 5 个人，每人由1 1 幅图像构成。这l l 幅图像分别为：正常光照条件下( 1 幅) 、 是否戴眼睛( 2 幅) 、不同光源( 3 幅) 、不同表情( 5 幅) 下的图像，图片大小为2 4 3 3 2 0 。 ( 2 ) o r l 单人脸数据库 英国o r l ( o l i v e t t ir e s e a r c hl a b o r a t o r y ) 单人脸数据库包括从1 9 9 2 年4 月到1 9 9 4 年4 月拍摄的一系列人脸图像，由4 0 个人的4 0 0 幅灰度图像组成，图像尺寸为1 1 2 x 9 2 ， 图像背景为黑色。其中人脸脸部表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着、 戴或不戴眼镜等，人脸姿态也有变化，其深度旋转和平面旋转可达2 0 度，人脸的尺寸 也有最多1 0 的变化。这是目前使用最广泛的人脸数据库。 ( 3 ) p u r d u e a r 数据库 p u r d u ea r 数据库来自于p u r d u e 大学人脸数据库，包括有问隔1 4 天的两个时段拍 摄背景为白色的同样一批人的人脸图像，由包括7 0 男和5 6 女的1 2 6 人的每人约2 8 张 彩色正面图象构成。它们在服装、眼镜、装饰物、化妆或者发型方面没有限制。每人的 两组不同时期的照片中含有中立、微笑、愤怒和尖叫等不同面部表情；左侧光照、右侧 光照、双侧光照的不同光照条件；以及太阳镜或者围巾的部分面部遮挡。 ( 4 ) m a n c h e s t e r 人脸数据库 英国m a n c h e s t e r 人脸数据库由3 0 个人的6 9 0 幅图像组成，其中训练集和测试集分 开，有不同的光照和背景特征，而且对于每个人而言，前后两张照片之间的时间间隔至 少有3 周。训练集对光源有一定的约束，而在测试集中则存在很多变化。测试集还增加 一7 一 东北大学硕士学位论文第2 章人脸识别特征提取和分类相关技术 了两级难度：其一是对于其中的相似人脸，仅有发型、背景以及戴眼镜等变化；其二是 特征遮挡，如头发、黑眼镜、手臂等。 ( 5 ) f e r e t 人脸数据库 美国f e r e t ( f a c er e c o g n i t i o nt e c h n o l o g y ) 人脸数据库是目前最大的人脸数据库， 由美国军方研究实验室提供，其中每人8 张照片，两张正脸，3 张从右到左不同侧面角 度的照片，有些人还提供了更多不同视点和不同表情的照片。该数据库中不包含戴眼镜 的照片，拍摄条件也有一定的限制，人脸大小约束在规定范围内。到1 9 9 6 年6 月，该 数据库已存储了1 1 9 9 个人的1 4 1 2 6 幅图像，而且逐年增加。但到目前为止，该数据库 并未提供运动图像系列或包含语音信息。f e r e t 数据库的最大缺点是非美研究机构的 获取不便。 ( 6 ) a t r 数据库 该数据库考虑了除人脸特征外的其它信息在人脸识别中的作用，提供人脸和语音的 合成，由6 0 人组成。但其中人脸图像是静止的而非运动图像序列。 ( 7 ) p i e 人脸数据库 p i e 人脸数据库由美国卡耐基梅隆大学创建，包含6 8 位志愿者的3 6 8 张多姿态，光 照和表情的面部图像，其中的姿态和光照变化图像也是在严格控制的条件下采集的，目 前已经逐渐成为人脸识别领域的一个重要的测试集合。 本文的实验都是在o r l 和y a l e 人脸数据库上进行的。 2 2 人脸识别的特征提取方法 在数学上，特征提取就是从测量空间r n 到特征空间r m 的映像。映像通常要遵守 两个准则，即特征空问必须保留测量空间中的主要分类信息，特征空间的维数应大大低 于测量空间的维数。 在模式识别中，由被识别的对象产生一组基本特征，当识别对象是波形或数字图像 时，这些特征可以是计算出来的，当识别对象是实物或某种过程时，也可以是用仪表或 传感器测量出来的，这样产生出来的特征称为原始特征。原始特征的数量可能很大，或 者说样本是处于一个高维空间中，通过映射( 或变换) 的方法可以用低维空间来表示样 本，这个过程称为特征提取。映像后的特征叫二次特征，他们是原始特征的某种组合( 通 常是线性组合) 。所谓特征提取在广义上就是指一种变换。若y 是测量空间，x 是特征 空间，则变换a ：y x 就叫做特征提取器。和其它的模式识别一样，特征提取是人脸 一8 一 东北大学硕士学位论文第2 章人脸识别特征提取和分类相关技术 识别非常重要的一步。 2 2 1 基于各种主成分的特征提取 主成分分析( p r i n c i p a lc o