（计算机科学与技术专业论文）基于支持向量机的人脸识别技术研究与实现.pdf

国防科学技术大学研究生院硕士学位论文 摘要 人脸识别技术是一种重要的生物特征识别认证技术，它利用计算机分析人脸 图像，从中提取有效的识别信息，并与人脸信息数据库中的已知人脸信息比较， 达到识别辨认身份的一门技术。经过多年的发展，已经取得很多重要的研究成果， 但是由于人脸图像对光照、表情、姿态和遮挡等引起的变化较为敏感，人脸图像 完备特征的提取难度较大，人脸图像特征的有效分类有待提高等原因，导致人脸 识别技术在具体应用中出现识别精度、识别速度和识别率不高的问题，仍然是人 脸识别技术研究过程中迫切需要解决的关键难题之所在。因此，对人脸识别技术 研究仍将还是一项具有挑战性的前沿课题，具有潜在的巨大应用价值。 本文基于静态图像的人脸识别系统流程展开分析研究，分析人脸识别系统实 现的关键步骤，重点探讨人脸图像预处理、人脸图像代数特征提取和基于支持向 量机分类器的人脸特征分类等人脸识别流程中的关键问题。 本文的主要工作和创新点包括： ( 1 ) 详细分析人脸识别系统工作流程的关键步骤，包括人脸图像预处理、特征 提取、分类器设计、人脸特征比较识别四个关键步骤，并根据此流程设计人脸识 别原型系统的框架结构。 ( 2 ) 对人脸图像预处理步骤进行分析，选择中值滤波、直方图均衡化、灰度投 影等作为提高人脸图像质量的方法，能够消除图像中的噪声、背景等对人脸主体 部分的影响，这对人脸识别是有效果的。 ( 3 ) 提出采用s v dt r i m 算法提取人脸图像奇异值新特征( s v dt r i m 特征) 的 方法。该方法是在采用奇异值分解方法提取人脸图像代数特征的基础上提出的， 通过为人脸图像奇异值特征中数值上相近的多个元素寻找数值上相近的代表元 素，而舍去其余的特征值，得到奇异值新特征向量。奇异值新特征中不仅保留了 原始奇异值特征中数值较大的部分奇异值，而且选择性地保留了原始奇异值特征 中数值较小数据中具有代表性的元素，这两部分数据元素融合后共同作为识别特 征向量，能够更加全面地表达描述人脸图像的特征。 “) 提出采用最小二乘支持向量机对人脸图像的s v dt r i m 特征分类，并基 于l s s v ml a b 编程实现对s v dt r i m 特征的分类。最小二乘支持向量机能够简 化求解过程，提高训练求解速度，对人脸图像的s v dt r i m 代数特征分类是可行 的。 ( 5 ) 根据本文分析的人脸识别系统设计的关键步骤，设计与实现一个人脸识别 原型系统。该人脸识别原型系统实现平台为v c + + 6 0 和o p e n c v 机器视觉库，包 括人脸图像预处理、奇异值新特征提取、人脸检测和静态图像人脸识别功能，通 第i 页 国防科学技术大学研究生院硕士学位论文 过实现人脸识别原型系统能够验证本文提出的方法的可行性和效果，并且这一过 程对设计与实现人脸识别系统具有借鉴意义。 主题词：人脸识别，标准支持向量机，最, j 、- - 乘支持向量机，奇异值分解， s v d - - t r i m 算法，人脸识别原型系统，特征选择 第i i 页 国防科学技术大学研究生院硕士学位论文 a b s t r a c t f a c er e c o g n i t i o ni sas o r to fi m p o r t a n tb i o m e t r i c st e c h n o l o g ya n dt h e o r yt h a t p e o p l et r yt oh a v ec o m p u t e r sw i t ht h ea b i l i t yt oa n a l y z et h eh u m a nf a c ei m a g e ，t oe x t r a c t t h ev a l i di n d i v i d u a li m a g ei n f o r m a t i o n ，a n dt oi d e n t i f yp e o p l e si d e n t i t y w h i l em u c h p r o g r e s sh a sb e e nm a d e i nf a c er e c o g n i t i o no v e rt h el a s td e c a d e s ，b u tt h ec h a n g e so ff a c e i m a g e si ni l l u m i n a t i o nd i r e c t i o n ，t h ee x p r e s s i o n ，t h ep o s eo ro r t h e rn o i s es t i l lr e m a i na sa d i f f i c u l tp r o b l e m s ot h ev e l o c i t y ，t h er e c o g n i t i o np r e c i s i o n ，t h er e c o g n i t i o nr a t e sa r e c h a l l e n g i n gi nf a c er e c o g n i t i o nr e s e a r c h a n df a c er e c o g n i t i o n i sc h a l l e n g i n gi ni m a g e p r o c e s s i n ga n da n a l y z i n ga n dh a ss i g n i f i c a n tp o t e n t i a li na p p l i c a t i o n s t h i sp a p e ri s s t a r t i n gf r o mt h ek e yi s s u e sw h i c hn e e dt ob es o l v e di nf a c e r e c o g n i t i o ns y s t e mb a s e do ns t a t i ci m a g e t h i ss t u d yp l a y se m p h a s i so nt h ef a c ei m a g e n o r m a l i z a t i o n ，t h ea l g e b r a i cf e a t u r ee x t r a c t i o no ff a c ei m a g e ，t h ec l a s s i f i e r sa n dt h ef a c e r e c o g n i t i o ns y s t e md e s i g na n ds oo n i nt h i sp a p e r ，w ed e t a i l e d l ya n a l y z e dt h ed e s i g np r o c e s so ff a c er e c o g n i t i o n s y s t e m s u c ha st h ef a c ei m a g ep r o c e s s i n g ，t h ef e a t u r ee x t r a c t i o n o ff a c ei m a g e , t h e d e s i g no fc l a s s i f i e r sa n dt h ed e s i g no ff a c er e c o g n i t i o ns y s t e m f i r s to fa l l ，t h ef a c ei m a g ep r o c e s s i n gi st h ef i r s tp h a s eo ff a c er e c o g n i t i o ns y s t e m d e s i g n w es e l e c tm e d i a nf i l t e r i n g ，h i s t o g r a me q u a l i z a t i o nt e c h n o l o g ye t ca st h em e t h o d s o fi m p r o v i n gi m a g eq u a l i t y t h e n ，w eb r i n gf o r w a r ds i n g u l a rv a l u ed e c o m p o s i t i o nt r i ma l g o r i t h m ( s v d _ t r i m ) a st h ef e a t u r ee x t r a c t i o nm e t h o do ff a c ei m a g e ，t h er e s u l t si sn e ws i n g u l a rv a l u e f e a t u r e ，n a m e ds v d t r i mf e a t u r e t h i sm e t h o dd e v e l o p e sb ys i n g u l a rv a l u ed e c o m p o s i t i o nm e t h o d i nt h i sp a p e r ，t h en e wm e t h o do ff e a t u r e ss e l e c t i o nb a s e do ns v d t r i m a l g o r i t h mi sp r o p o s e d t h en e ws v d t r i mf e a t u r e ss y n c r e t i z ew h o l ea n dp a r tf e a t u r e s o ff a c ei m a g e t h es v d t r i mf e a t u r ed e s c r i b e sf a c ei m a g em o r ec o m p l e t e l y a n dw ep u tf o r w a r da l la p p r o a c hf o rf a c er e c o g n i t i o nb a s e do nl e a s ts q u a r e s s u p p o r tv e c t o rm a c h i n ea l g o r i t h m ( l s s v m ) i nt h i sp a p e r w et r yt ou s el s s v ma s c l a s s i f i e ro ff a c ei m a g e s v d t r i mn u m e r i c a lv a l u ef e a t u r e t h er e s u l t ss h o w t h a tl s s v mh a sn o to n l ys i m p l e rs t r u c t u r e ，b u ta l s ob e t t e rp e r f o r m a n c e i nt h ep a p e r ，w ed e s i g nas i m p l ef a c er e c o g n i t i o ns y s t e m w es e l e c tv i s u a lc + + 6 0 a n do p e n c v1 。0a st h ed e s i g n i n gt o o l 。a n dt h es y s t e mi n c l u d e sf a c ei m a g ep r o c e s s i n g f u n c t i o nm o d u l e ，s v d _ t r i mf e a t u r ee x t r a c i o nf u n c t i o nm o d u l e ，f a c ed e t e c t i o nf u n c t i o n m o d u l e ，f a c er e c o g n i t i o nf u n c t i o nm o d u l e ，e t c i nc o n c l u s i o n ，w ea n a l y s et h ef a c er e c o g n i t i o ns y s t e ma n di t sm a i np r o c e s s e s a n d w es t u d yt h es v d t r i ma l g o r i t h m ，l s - s v mc l a s s i f i e ra n di m p l e m e n tas i m p l ef a c e r e c o g n i t i o ns y s t e m t h ee x p e r i m e n tr e s u l t sd e m o n s t r a t et h ep r o p o s e df a c ei m a g ef e a t - u r ee x t r a c t i o nm e t h o da n dl s s v mc l a s s i f i e ra r ef e a s i b l ea n da v a i l a b i l i t y ，t h es i m p l e 第i i 页 国防科学技术大学研究生院硕十学位论文 s y s t e mc a l lr e c o g n i z et h es t a t i cf a c ei m a g e t h ep r o p o s e dm e t h o di n t h i sp a p e rc a nn o t o n l yc o n t r i b u t et of a c er e c o g n i t i o nt h e o r yb u ta l s oh a v er e f e r e n c ev a l u e sf o rf a c e r e c o g n i t i o na p p l i c a t i o ns y s t e md e s i g n k e yw o r d s ：f a c er e c o g n i t i o n ，s u p p o r tv e c t o rm a c h i n e ，l e a s ts q u a r e s s u p p o r tv e c t o rm a c h i n e ，s i n g u l a rv a l u ed e c o m p o s i t i o n ， s v d t r i ma l g o r i t h m ，f a c e r e c o g n i t i o ns y s t e m ，f e a t u r e s e l e c t i o n 第i v 页 国防科学技术大学研究生院硕七学位论文 表目录 表4 1基于l s s v ml a b 分类s v dt r i m 特征数据结果。4 9 第1 i i 页 国防科学技术大学研究生院硕士学位论文 图1 1 图2 1 图2 2 图2 3 图2 4 图2 5 图2 6 图2 7 图2 8 图2 图3 图3 图3 图3 图4 图4 图4 9 1 2 3 图4 4 图5 1 图5 2 图5 3 图5 4 图5 5 图5 6 图5 7 图5 8 图5 9 图5 1 0 图5 1 1 图5 1 2 图目录 人脸识别系统流程图5 二值、灰度和彩色图像的矩阵描述方式9 o p e n c v 体系结构图l0 中值滤波示意图。1 1 人脸图像的垂直投影和水平投影1 4 规范化人脸图像1 4 中值滤波15 直方图均衡化16 人脸图像的垂直水平投影曲线。17 预处理结果1 7 单张o r l 人脸库中样本的奇异值特征曲线2 5 人脸图像奇异值特征曲线2 6 单张预处理后的人脸图像特征曲线2 8 一类预处理后的人脸图像特征曲线比较图一2 9 最大间隔超平面一3 3 支持向量机原理图3 7 基于支持向量机人脸识别流程图。4 3 基于l s s v m 人脸奇异值新特征分类框架。4 7 人脸识别系统设计流程图。5 2 人脸识别系统结构图5 3 人脸识别原型系统中部分类、属性和方法。5 4 人脸识别原型系统界面。5 5 预处理功能模块5 5 奇异值新特征计算功能模块5 6 人脸检测功能模块5 6 最小二乘支持向量机实现分类功能模块5 7 静态人脸图像识别模块工作流程5 7 静态人脸图像识别功能模块5 8 单类人脸样本匹配识别工作图5 8 多类人脸样本匹配识别工作图5 8 第1 v 页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意。 学位论文题目：基王玄挂囱量扭鲍厶脸迟墨挞苤堡究曼塞理 学位论文作者娩皿! 艮 日期： 矽年 棚 日 学位论文版权使用授权书 本人完全了解国防科学技术大学有关保留，使用学位论文的规定。本人授权 国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；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，可以采用影印、缩印或扫描等复制手段保存汇编学位论文。 ( 保密学位论文在解密后适用本授权书。) 学位论文作者签名：1 丑海军 作者指导教师签名： 日期：秒年，易月，r 日 日期：1 f 年z 月- ，日 国防科学技术大学研究生院硕士学位论文 第一章绪论弟一早三百t 匕 人脸识别就是从可能包括人脸目标的对象中，检测定位并识别出入脸的技术， 是一种重要的、理想的生物特征识别技术，根据人脸目标的承载对象，可分为基 于视频和基于静态图像的人脸识别技术两大类，应用领域十分广阔。基于静态图 像的人脸识别技术是利用计算机分析待识别的人脸图像，提取有效的特征识别信 息，并与人脸特征数据库中已计算出的人脸特征信息进行比较，从而得出比较决 策结果的一种技术，达到识别辨认身份的目的。该过程包括人脸图像预处理、特 征计算和分类器设计等关键步骤。本文研究的是基于静态图像的人脸识别技术， 研究的重点是人脸图像的奇异值新特征提取和最小二乘支持向量机分类器设计。 本章简述人脸识别技术的发展、现状、内容、主要技术和前景，并概括了全文的 主要工作、创新点和论文结构。 1 1 概述 人脸识别技术就是利用计算机分析人脸图像，从中提取有效的识别信息，用 来辨认身份的一门技术，具有很高的理论研究价值和学术研究价值，已经成为科 技研究热点。人脸识别技术可用来作为认证、识别、登录等的生物特征口令，在 自动识别系统、机器人智能化系统、人机交互系统、身份防伪识别系统、安全验 证系统、信用卡验证系统、自动门卫系统、档案管理系统、身份证及驾驶执照证 件验证系统、公安刑侦破案罪犯身份识别系统、视频会议系统、图像检索系统、 银行及海关监控系统等领域和场所，维系着公共安全、个人人身、财产安全等方 面，发挥着特殊作用，有巨大的应用前景，发展前途十分广阔n 1 。 人脸识别相对于掌纹识别、指纹识别、视网膜识别、虹膜识别、语音识别、 笔迹识别和步态识别等其它生物特征识别技术，具有非接触式的人脸图像采集方 式，人脸识别系统可以开发的友好简洁，用户容易接受。同时，还可以从人脸图 像的深入分析，获取表情，姿态，年龄等更多的信息，应用于表情识别、人机交 互、行为建模推理等方面，因此，人脸识别不仅仅能作为一项安防技术来研究， 而且还可以作为一项跨学科跨领域的具有综合应用价值的研究课题。但是，人脸 图像由于年龄、姿态、表情、光照、遮挡、成像等因素的影响而具有“一人干 面”的特点晗1 。因此，利用计算机进行完全自动的人脸识别仍然存在许多困难， 人脸识别的研究挑战性非常强。 但是，对人脸识别的深入研究具有十分重要的意义。我们知道，在现代信息 社会中，电子技术、网络技术和移动技术等信息技术给人们的生活工作带来了翻 第l 页 国防科学技术大学研究生院硕士学位论文 天覆地的变化，极大地方便了人们的生活工作；同时，也给人们在信息安全、身 份认证和个人信息保密等方面带来了越来越大的挑战，目前的诸如证件、密码等 认证方式根本满足不了社会信息化网络化发展的步伐，尤其是面向服务的应用技 术和云计算技术等新的信息技术的出现，对信息的安全性提出了更加艰巨的挑战。 这就迫切需要快速有效的信息保护技术和验证方式。因此，利用人脸的特征作为 信息安全的认证密码就顺势而生，人脸特征识别作为信息安全技术，具有唯一性、 自然性、可靠性、无需记忆、交互友好、易被采集等优秀特性。 因此，人脸识别技术可以被广泛应用在社会生活的很多领域，人脸识别技术 在人们社会生活中的重要性是不言自明的，尤其是在如今的信息社会中它能够极 大地方便人们的生活，增强人们的安全感。此外，对人脸识别技术的研究，除了 获得脸型、五官特征和五官分布等特征数据外，还能够获得肤色特征、表情特征 和情绪特征等，可以通过对肤色、情绪和表情特征进行研究，达到对人体的健康 状况、情绪和心理状况进行诊断的目的，可以用于疾病治疗和心理治疗等。目前 已有学者利用人脸识别技术进行人的情绪、情感、心理和健康等的相关研究1 。 因此，人脸识别技术成为理论研究和工程研究的热点，受到广泛关注，具有广阔 的应用前景，人脸识别研究的意义十分重大。 1 2 人脸识别技术发展现状及应用前景 人脸识别研究从起源到作为独立的学科进行研究，历经几十年的发展历史。 目前，其发展历史大致经历了四个主要阶段，第一阶段是2 0 世纪6 0 年代开始的 简单背景的人脸识别阶段；第二阶段是2 0 世纪7 0 年代开始发展的基于多姿态和 表情的人脸识别阶段；第三阶段是2 0 世纪9 0 年代末发展的动态跟踪人脸识别阶 段，此时，人脸识别开始逐步进入实际应用；第四阶段是近几年发展起来的三维 人脸识别、基于视频的人脸识别和基于红外图像的人脸识别阶段h 】 瓤。 人脸检测与识别受到了国内学术界的较大关注，得到迅速发展。近年来，通 过中国知网检索到的相关人脸检测与识别的论文每年都达到数百篇之多。证明国 内进行生物识别研究的人员规模不断扩大，水平在不断提高。目前在人脸识别研 究领域产生了很多具有标志性的事件，国内也已建成世界上较全面、规模最大的 东方人脸图像数据库，中国科学院计算所的“面像检测与识别核心技术”取得关键 性的研究成果，清华大学的攻关项目“人脸识别系统”取得重大突破，都达到了国际 先进水平，标志着国内在人脸识别这一科研领域掌握了一定的关键、核心技术， 与国外差距也在不断缩小。同时，这些成熟的技术正逐步走向实际应用，推动着 人脸识别研究的理论成果向工程应用的转化。 人脸识别技术虽然经历了长期的发展过程，并在社会生活中有了初步的实际 第2 页 国防科学技术大学研究生院硕十学位论文 应用，但就人脸识别技术本身而言，由于人脸模式细节的复杂性，该技术还存在 诸多期待解决的关键问题，如姿态、光照、遮挡等各种变化因素对人脸模式的影 响，人脸识别的实时性等，这些问题仍然是人脸识别技术发展过程中期待解决的 关键核心问题。 从未来的发展来看，人脸识别技术可能的突破方向在于以下关键问题的有效 解决：( 1 ) 模式识别、人工智能理论和方法取得关键性的进展，并将这些成果应用 于人脸识别技术；( 2 ) 对人的大脑和眼睛生物结构和工作机理的解密，可以推动人 脸识别技术取得突破性的发展；( 3 ) 能从根本上解决目前人脸识别领域中经典问题 的新理论和新方法的逐步成熟。但这些理论与方法的研究任重道远，不是指日可 待的事情。目前人脸识别技术主要发展的趋势是多种基本方法的融合、新的理论 方法应用于人脸识别技术、人脸特征信息高效表示、高效实时的特征提取和分类 识别算法的研究等。典型的有红外图像人脸识别技术3 ，三维人脸识别技术 3 ， 基于视频的人脸识别研究1 。总体说来，随着信息技术和生物技术等的发展，将 推动人脸识别技术取得实质性的进展。 1 3 人脸识别技术的研究内容 人脸识别技术主要研究人脸检测与定位、人脸图像预处理与规范化、特征提取 和人脸检索比较匹配四个主要方面的内容，这些内容就构成了一个人脸识别系统 的关键步骤。这四个方面的研究内容，在设计人脸识别系统过程中具有相互依赖， 相互促进的作用，每一个步骤的处理结果都会影响后续步骤的处理和效果，并且 每一个方面对最终识别率和检测率都会产生重大影响，并且影响识别精度和速度。 人脸检测与定位就是对输入图像进行处理，首先判断输入图像中是否存在人 脸，如果图像中存在人脸，则确定图像中人脸的位置和大小，如果图像中不存在 人脸，则返回图像不包含人脸的标志信息。人脸检测与定位广泛应用于人脸识别、 基于内容的检索、数字视频处理等方面。人脸检测分为对静态图像的静态检测和 对视频的动态检测两个方面。其中，静态检测是从静态图像中判断并找出人脸， 如果存在人脸，则将人脸的数目、每个人脸的位置及其大小作为结果输出；动态 人脸检测是在视频图像中捕获并跟踪人脸的位置，动态地计算并输出人脸位置、 大小等信息。由于人脸检测与定位技术应用广泛，而影响人脸检测结果的因素众 多，如人脸的遮挡、人脸图像的采集、人脸在图像中的角度等都会影响人脸检测 的结果，因此，人脸检测与定位无论是作为人脸识别的一个组成部分，或是作为 一个独立的学科，都具有较高的研究价值。 人脸图像预处理与规范化是人脸识别过程中的重要步骤。人脸图像的预处理与 规范化过程可以校正人脸在噪声、遮挡、尺寸、旋转和光照等方面的变化，能够 第3 页 国防科学技术大学研究生院硕士学位论文 去掉背景、头发、服饰等与人脸特征无关信息的干扰，降低人脸关键特征提取的 难度和计算复杂度。该过程通常包括滤波增强、噪声消除、光线补偿、边缘检测、 人脸关键部件特征定位、裁剪缩放等步骤。 人脸图像特征提取是作为人脸识别系统中的核心步骤。人脸图像信息直接作为 识别信息包括大量冗余，大部分信息对识别没有贡献，决定识别精度和识别率的 主要是人脸的关键部件的特征，这些关键特征有人脸轮廓、眼睛位置和大小、眉 毛位置、嘴巴位置等。因此，为了提高计算速度，识别精度和识别率，特征提取 就是非常必要的。根据人脸特征表述方式的不同，可以提取人脸的几何特征、数 值特征、拓扑结构特征、像素统计信息特征和变换系数特征等，这些提取的特征 就可以作为人脸图像的表征，用于进行识别，不仅有效地降低了人脸图像的复杂 度，大大降低了人脸图像的维数，提高了计算速度。 人脸识别，这里是狭义上讲的人脸识别，又称为人脸分类，其实质就是利用分 类算法对人脸特征进行比较匹配。利用分类算法，将待测人脸的特征与人脸库中 人脸特征数据进行比较，分类识别出待测人脸。人脸匹配分类是在特征数据库上 进行的，分类算法处理的对象就是人脸的特征数据，因此，分类算法的选择和算 法的性能是取得优秀分类结果的关键，分类算法的研究发展非常迅速，新的分类 算法不断提出，其中，可拓学方法、人工神经网络、支持向量机、最小二乘支持 向量机等智能算法是研究的热点旧1 。 终上所述，一个基本的人脸识别系统包括人脸检测与定位、人脸图像预处理与 规范化、人脸特征提取和人脸分类识别四个主要步骤，完成对应的功能，四个步 骤之间是相辅相成，前序步骤是后续步骤的基础，每一个环节都是关键，每一个 环节都影响全局，人脸识别的流程包括训练和识别两个阶段，每个阶段都包括上 述同样的四个步骤，人脸识别系统流程图如图1 1 所示。 目前，已经有较为成熟的人脸识别系统进入实际应用领域。每个系统实现的技 术各具特点，主要的区别在于两个方面：一是人脸特征模式的选择和提取，不同 的系统选择提取不同类型的人脸特征；二是选择分类器上具有较大的差别，不同 的系统选择不同的分类算法作为分类器，对特征库的特征进行分类，完成人脸分 类识别。据此对人脸识别技术进行分类，可以有以下几种类型。一是提取人脸几 何特征向量的算法。如标准几何特征提取算法、几何模板算法等。二是提取人脸 代数特征的算法。如奇异值分解提取特征的算法和提取变换系数特征的算法等。 三是结合机器学习的算法。如支持向量机算法、隐马尔科夫模型算法、神经网络 算法等。四是其他算法。如基于小波变换的算法、基于距离测度的算法、基于万 有引力定律的人脸识别算法、仿生学的人脸识别算法等。此外，三维人脸识别方 法和基于红外图像的人脸识别方法等成为近年来人脸识别领域研究的热点之一。 第4 页 国防科学技术大学研究生院硕十学位论文 本文主要关注基于支持向量机的人脸识别研究与实现。支持向量机人脸识别技 术与系统实现的关键步骤仍然是如图1 1 所示的四个主要过程，但该技术独特的地 方体现在支持向量机作为分类器这一过程。支持向量机是以统计学习理论为基础 建立起来的解决两类分类问题的机器学习算法，而统计学习理论专门解决小样本 情况下机器学习问题的，同时，作为人脸识别这个分类问题，多数情况下具有类 别多，每个类别的样本数量少的特点，因此，支持向量机用于人脸识别具有天然 的优势。目前，基于支持向量机的人脸识别研究发展非常迅速，主要研究的方向 是在支持向量机作为分类器的基础上，选择不同的人脸特征提取技术获得不同性 质的人脸图像特征，再用支持向量机分类这不同性质的人脸特征，达到识别人脸 的目的。常见的有结合其它智能算法的支持向量机人脸识别研究和结合不同的人 脸图像特征提取技术的支持向量机人脸识别研究等，这里关注的是后一种支持向 量机人脸识别研究的方法。 图1 1 人脸识别系统流程图 1 4 论文主要工作及结构 本文主要研究的是基于支持向量机的人脸识别技术，以设计一个人脸识别系统 为主要思路展开课题的研究，按照人脸识别系统的流程将其分解成人脸检测与定 位、人脸图像预处理与规范化、人脸特征提取和人脸分类匹配四个主要步骤，研 究了其中涉及的主要技术，并重点对人脸特征提取和人脸分类器分类进行研究。 第5 页 国防科学技术大学研究生院硕十学位论文 全文主要工作包括以下内容： 第一，分析研究了人脸样本的预处理和规范化技术。包括人脸图像增强和人脸 图像规范化。本部分对中值滤波算法、直方图均衡化算法、人脸图像水平垂直投 影算法和几何变换算法进行了分析，并基于o p e n c v 机器视觉库进行了实验。 第二，提出采用s v dt r i m 算法( s v d t r i ma l g o r i t h m ) 提取人脸图像奇异值新 特征( s v dt r i m 特征) 的方法。这是在分析采用奇异值分解提取人脸图像奇异值特 征的基础上，提出并实现s v dt r i m 算法对高维的奇异值特征向量计算处理，得 到维数较低，但能够较为充分表征原始人脸图像的s v dt r i m 特征，并作为人脸 图像的识别特征。 第三，提出采用最d x - 乘支持向量机对人脸图像s v dt r i m 特征进行分类识 别。本部分对支持向量机与最小二乘支持向量机数学模型和算法进行分析，对最 小二乘支持向量机在m a t l a b 环境下的l s s v ml a b 工具箱进行分析，并在分析的 基础上进行人脸图像s v dt r i m 特征的分类实验。 第四，设计实现一个基于静态图像的人脸识别原型系统。系统功能包括人脸图 像预处理和几何变换、基于s v d t r i m 算法提取人脸图像奇异值新特征、基于 o p e n c v 机器视觉库的人脸检测与定位、基于静态图像的人脸识别等，并完成基于 l s s v ml a b 的分类s v dt r i m 特征的仿真实验。 本文的创新点主要包括： 第一，采用s v d t r i m 算法提取人脸图像奇异值新特征( s v dt r i m 特征) 的方 法，是本文的一个创新点。 第二，提出采用最d x - 乘支持向量机对人脸s v dt r i m 数值特征进行分类是本 文另一个创新点。 根据课题的研究思路，将全文分为六章。 第一章概述，介绍目前研究人脸识别的意义，人脸识别研究的现状、存在的 问题和发展的趋势，人脸识别的典型流程和主要的技术。 第二章是基于o p e n c v 体系结构的人脸样本预处理，本部分针对性地选择了 图像处理算法，完成了对人脸样本进行预处理的步骤，有利于提高识别精度和识 别率。 第三章是基于s v dt r i m 算法的人脸图像特征提取。由于奇异值特征本质上 的优点，结合s v dt r i m 算法计算人脸样本的奇异值新特征，获得人脸图像样本 的s v dt r i m 识别特征，在表达人脸图像特征上较为全面。 第四章是基于最小二乘支持向量机的人脸图像特征识别方法。本部分对支持 向量机和最小二乘支持向量机原理、模型和算法进行分析，并基于l s s v ml a b 对s v dt r i m 特征数据进行分类，验证了s v d t r i m 算法的可行性和l s s v m 算 第6 页 国防科学技术大学研究生院硕士学位论文 法的分类效果。 第五章是人脸识别原型系统设计与实现部分。根据本文研究内容，设计和实 现人脸识别原型系统。 第六章是结束语，对全文的主要工作和贡献进行总结。 第7 页 国防科学技术大学研究生院硕士学位论文 第二章基于o p e n c v 机器视觉库的人脸图像预处理 人脸图像预处理是人脸识别过程的基础环节。人脸识别研究中，预处理能够 有效消除和降低人脸图像中噪声、光照、背景等带来的不利于提高识别率的方面， 而恢复、保留和增强有利于提高识别率的关键图像特征信息，并能有效降低图像 维数，降低特征提取、检测和识别的复杂度。本章有选择性地重点分析人脸识别 预处理过程中图像增强和规范化两类数字图像处理算法，主要有中值滤波算法、 直方图均衡化算法、灰度投影算法、几何变换算法等。并且在o p e n c v 机器视觉 库的基础上实现所分析的算法，并在o r l 人脸库上进行实验。 2 1 概述 数字图像处理( d i g i t a li m a g ep r o c e s s i n g ，d i p 是对图像进行分析、研究和应用的 方法集合。在图像模式识别领域对图像样本进行处理能够有效保留对模式识别分 析研究有效用的图像主体和关键特征信息，而能够消除或弱化对模式识别不利的 噪声、光照等负面信息的影响。在模式识别领域，可将其划分为人工智能的一个 分支，目的是模仿人类的视觉，从这个意义上数字图像处理属于弱人工智能方向 ( w e a ka i ，a na t t e m p tt oe m u l a t eh u m a nv i s i o ni sc a l l e dw e a ka i ) u 引。数字图像处理 的最终目的就是让计算机像人一样能够识别各种各样的物体，实现这一目的任重 而道远，但目前数字图像处理技术发展迅速，计算机已经能够很容易地识别几何 体的大小、形状和以及具有一定复杂度的物体，并给出识别分析结果。因此，数 字图像处理研究发展对推动人脸识别的发展具有重要的实践价值和现实意义。 图像的数字化处理过程是将模拟图像经过离散化之后，得到用数字表示的图 像。它是在电子计算机为中心的包括各种输入、输出及显示设备在内的数字图像 处理系统上进行，将连续的模拟图像变成离散的数字图像，在特定的物理模型和 数学模型基础上，在编制的程序的控制下，按要求完成的种种处理过程。从人类 认识事物的角度讲，数字图像处理就是对图像信息进行加工以满足人的视觉心理 或应用需求的行为。在人类获取信息中，视觉信息约占6 0 ，视觉是人类从大自 然中获取信息的主要手段，而图像正是人类获取视觉信息的主要途径【1 1 1 。数字图 像通常可以分为二值( 黑白) 图像、灰度图像和彩色图像。通常是用一个数值方式来 描述表示一个图像。图像是二维的，矩阵也是二维的，所以可以用整数矩阵来描 述数字图像。 二值图像是指图像的每个像素只能是黑或者白，没有中间的过渡，故又称为 二值图像。二值图像的像素值为o 、1 ，如图2 1 ( a ) 所示。灰度图像是指每个像素的 第8 页 国防科学技术大学研究生院硕士学位论文 信息由一个量化的灰度级来描述的图像，没有彩色信息。如图21r b l 所示。彩色图 像是指每个像素的信息由r g b 三原色构成的图像，其中r g b 是由不同的灰度级 柬描述的。但彩色图像不能用一个矩阵来描述，一般是用三个矩阵同时来描述。 如图2 1 ( c ) 所示。 1 0 0 _= lo ol l l i 1 0 j 妇) 黑白图像 0 ，= 1 1 2 0 2 5 0 ( b ) 灰度图像 r = l2 5 5 1 5 0 8 0 2 0 0 i | 01 0 01 8 0 l b = 0 0 2 2 0 l 2 5 52 5 52 5 5 l ( c ) 彩色图像 图21 二值、灰度和彩色图像的矩阵描述方式 数字图像通过图像采集设备得到，根据不同类别的图像进行正确描述，在矩 阵描述的基础上，就可以在建立的物理模型和数学模型的基础上设计处理程序， 实现具体的应用和研究。由原始数据到数字图像需要经过感知、获取、取样、量 化和数字表示等主要步骤，其过程为从感知的数据中产生数字图像，这就涉及到 对获取的图像进行采样和量化，采样和量化的结果是一个整数矩阵，那么，一幅 图像f ( x ，p 被取样，则产生的数字图像有m 行和n 列坐标( x ，y ) 的值变成离散 ff ( 0 ，0 )f ( 0 ，n 一1 ) 1 量，圈像可以表示为f ( x ，) = l ； ! l ，此表达式右侧采 l ，( l ，一1 ，0 )f ( m l ，n 一1 ) j 第9 页 卯o鲫竹鲐0 巧0 l i g 圃防科学技术人学二究生院硕十学位论文 j 1 矩阵方式定义了幅数字图像。通过形式化描述，一幅图像可定义为个二维 函数f ( x ，y ) ，已为，= f ( x ，y ) 。这罩x 和y 是空问啦标，而在任何封空删坐标( x ，y ) l 的幅值“x ，y ) 称为该点圈像的强度或灰度。当x ，y 和幅值坟x ，y ) 为有限的、离敞 的数值时，称睦矧像为数字图像：数字图像处理是指用数字计算机处理数字图像， 数字图像是l h 有限的元素组成的，每一个元素有一个特定的位置和幅值，这些元 素称为图像元素或像素”“。 本文所做的一部分分析研究是在o p e n c v 体系结掏的基础上进 于的。o p e n c v 足i n t e l 公司开发的图象处理和计算机视觉函数库，它是。套山一些c 函数和c 十+ 类所组成的库，并且代码是基于i n t e l 处理器指令集进行了优化，对于丌发实时应 用程序其有很强的针对| 生，支持多核处理器，图像和矩阵运算能力强，独屯于操 作系统和硬件。包括c v 函数库、c v a u x 辅助函数库、c x c o r e 函数库、h i g h g u l 图像界面晒数库、m l 机器学习幽数库和c v c a m 函数库等功能模块。可以实现下 述功能：( 1 ) 对例象数据的操作，包括分配、释放、复制和转换数据：( 2 ) 对图象和 视频的输a 输出，文件和摄缘头作为输入，图象和视频文件作为输出：( 3 ) 具有对 矩砗和向最的操作以及线| 生代数的算法程序，包括距阵、解方程、特征值以及奇 异值计算：( 4 ) 。对各种动志数据结构如列表、队列、集台、树和图等进行操作： ( 5 ) 具有慕本的数字图象处理能力，可进行滤波、边缘检测、角点检测、采样与差 蹦2 2o p e n c v 体系结输图 值、色彩转换、形态操作、直方图和图象会字塔等操作：( 6 ) 可对各种结构进行分 析，包括连接部件分析、轮廓处理、距离变换、各种距的计算、模扳匹配、h o u g h 变换、多边形逼近、直线拟台、椭圆拟台等；( 7 ) 可封摄像头的定标，包括发现与 跟踪定标模式、定标、基本矩阵估计、齐次矩阵估计和立体对应等；( 8 ) 对运动的 分析，如刘光流、运动分割和跟踪的分析；( 9 ) 对目标的谚 另u ，可采用特征法和聪 马尔科夫模型( h m m ) 洼；f i o ) 具有基奉的g u i 功能，包括图像与视频显示、键盘 第l o 页 国防科学技术人学研究生院硕士学位论文 行标注，能书写文字，o p e n c v 体系结构如图2 2 所示。 2 2 图像增强 人脸图像中不是所有的信息对人脸识别都产生正的积极效用，噪声信息不能 避免。为提高人脸识别效果，必须增强图像质量，就必须消除图像中的噪声信息 达到不同程度地提高人脸图像关键识别特征的质量。针对人脸图像的特点和效果 应选择采用不同的图像增强的算法【l “。文中有针对性地采用了中值滤波和直方图 均衡化等方法来增强人脸图像消除图像噪声，提高图像质量，从而达到提高识 别率和识别精度的目的。 22 1 中值滤波 数字图像处理中消除噪声的算法较多，有中值滤波算法、均值滤波算法等，