（物理电子学专业论文）基于pca和bp_adaboost强分类器的人脸识别研究.pdf

摘要 摘要 人的脸部信息在我们日常的交流中起着重要作用，人们能够根据自己的记 忆对他人进行识别。对于计算机而言，它必须提取出人脸图像中的典型信息， 跟存储器中数据进行比对分析，才能有效地进行识别。由于利用计算机进行人 脸识别是模式识别和人工智能领域中的热门课题，而且人脸识别系统在安全监 控、刑事侦查、出入境关口管理、机场检查等领域有着广阔的应用前景，因此 吸引着广大研究人员开展人脸识别研究。 特征提取和分类器设计是人脸识别技术两个主要的研究方面。本文查阅和 分析了国内外多年来关于人脸识别的众多学术成果，对人脸识别技术相关理论 进行了分析研究。主要研究工作包括以下几个方面： 1 首先介绍了人脸识别技术的研究背景和主要方法，概述人脸识别技术存在 的技术难点，总结人脸识别技术的发展趋势。 2 分析了主成分分析法在提取特征方面的问题，通过人脸重构证明了主成分 分析能够很好的提取出人脸的特征，为接下来进行人脸分类提供了可靠的理论 支持。 3 研究分析了基于神经网络进行人脸识别的方法，并针对其优缺点，提出了 基于b p 4 在o r l 人脸图像库上进行仿真，实验的结果表明基于主成分分析和 b p a d a b o o s t 强分类器的人脸识别比其他方法具有更好的实用性和鲁棒性。 关键字：人脸识别特征提取主成分分析神经网络b p a d a b o o s t 强分类器 a b s t r a c t a b s t r a c t t h ei n f o r m a t i o no fo u rf a c ep l a y sa ni m p o r t a n tr o l ei no u rd a i l yc o m m u n i c a t i o n , p e o p l ec a nr e c o g n i z ee a c ho t h e ra c c o r d i n gt oh i sm e m o r y a sf o rt h ec o m p u t e r , i t m u s te x t r a c tf e a t u r e sf r o mt h et y p i c a lf a c ei m a g ei n f o r m a t i o n ，a n da n a l y s i sc o m p a r i n g t ot h ed a t as t o r a g e ，s oi tc a nr e c o g n i z ee f f e c t i v e l y f o ru s i n gt h ec o m p u t e rt oc a r r yo n t h ef a c er e c o g n i t i o ni sh o tt o p i ci nt h ef i e l do fp a t t e r nr e c o g n i t i o na n da r t i f i c i a l i n t e l l i g e n c e ，a n df a c er e c o g n i t i o ns y s t e mh a sw i d ea p p l i c a t i o np r o s p e c t si ns a f e t y m o n i t o r i n g , t h ec r i m i n a li n v e s t i g a t i o n , e n t r ya n de x i tp a s sm a n a g e m e n t , a i r p o r t i n s p e c t i o na r e a , a n ds oo n ，s oi ta t t r a c tt h er e s e a r c h e r st oc o n d u c tr e s e a r c h f a c er e c o g n i t i o nt e c h n o l o g ym a i n l yi n c l u d e st w op a r t s ：t h ef e a t u r ee x t r a c t i o n ， c l a s s i f i e rd e s i g n t h i sp a p e ra n a l y z e sm a n ya c a d e m i ca c h i e v e m e n ta b o u tf a c e r e c o g n i t i o na b r o a df o rm a n yy e a r s ，a n dt a k e so v e l t h er e l a t e dt e c h n o l o g yr e s e a r c h t h em a i nr e s e a r c hw o r ki n c l u d e st h ef o l l o w i n ga s p e c t s ： 1 f i r s t l y ，i n t r o d u c et h ef a c er e c o g n i t i o nt e c h n o l o g yr e s e a r c hb a c k g r o u n da n d m a i nm e t h o d , o u t l i n et h ee x i s t i n gt e c h n i c a ld i f f i c u l t i e so ff a c er e c o g n i t i o nt e c h n o l o g y ， t h i sp a p e ra l s os u m m a r i z e st h ef a c er e c o g n i t i o nt e c h n o l o g yd e v e l o p m e n tt r e n d 2 a n a l y z et h ep r o b l e m so fp r i n c i p a lc o m p o n e n ta n a l y s i si ne x t r a c t i n gf e a t u r e s ， t h r o u g hr e c o n s t r u c t i n gt h ef a c e ，i tp r o v et h ep r i n c i p a lc o m p o n e n ta n a l y s i sc a l le x t r a c t t h e f a c ec h a r a c t e r i s t i c sv e r yg o o d ，i tc a np r o v i d e st h er e l i a b l et h e o r ys u p p o r tt o c l a s s i f yf a c e s 3 t h es t u d ya n a l y z e st h ef a c er e c o g n i t i o nb a s e do nn e u r a ln e t w o r k ，a n dp u t s f o r w a r dt h ef a c er e c o g n i t i o nb a s e do nb 石d a b o o s ts t r o n gc l a s s i f i e rf o ri t s a d v a n t a g e sa n dd i s a d v a n t a g e s 4 t h e r ei ss o m es i m u l a t i o n so no r lf a c ei m a g e s , t h er e s u l to ft h ee x p e r i m e n t s u g g e s t e dt h ef a c er e c o g n i t i o nb a s e d o nf a c t o ra n a l y s i sa n db p - a d a b o o s ts t r o n g c l a s s i f i e rh a sb e n e rt h a na n yo t h e ro ft h ep r a c t i c a b i l i t ya n dr o b u s t n e s s k e yw o r d ：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 p r i n c i p a lc o m p o n e n ta n a l y s i s i i a b s t r a c t n e u r a ln e t w o r kb pa d a b o o s tc l a s s i f i e r i i i 1 绪论 1绪论 1 1人脸识别的背景和意义 随着网络信息化社会的发展，如何快速有效地进行自动身份验证是当今信 息化时代必须解决的一个关键问题。计算机技术和生物医学工程技术的进步使 得生物识别技术( 即利用人体生物特征鉴定个人身份) 成为安全验证的首选方 式。2 0 0 7 年国际生物组织给出了生物识别各区域所占比例，如图1 1 。尽管其 他一些生物特征识别技术如指纹、虹膜、声音等可能比人脸识别技术更可靠， 但是它们需要被识别人的配合，而人脸识别技术却不需要被识别人配合，能够 主动的、友好的去检测识别，对人不会构成心理障碍，所以计算机对人脸图象 的自动识别在过去的二十几年来成为模式识别领域的重要课题乜3 。并且人脸识别 研究综合了其他多门学科，包括数字图像处理、模式识别、计算机技术等等， 因此这是一个有着广阔研究空间的领域。 各生物特征识别所占百分比 自动指纹识别系统1 指纹识别 口人脸识别 【口虹膜识别 中间件 l 掌形识别 l 语音识别 l 口静脉识别 i 多种生物识别结合l l 其他形式 图1 1 生物特征识别各区域所占比例图 人脸识别技术在国家公共安全领域的应用前景十分广阔，例如智能视频监 控、出入境管理、刑侦破案等都是典型的应用。归纳起来，人脸识别主要有以 下几种典型应用： 1 身份鉴定与确认 所谓身份确认是指将待检人员的人脸数据与已存储在存储器中的人员人脸 1 绪论 数据进行比对，如果相似度超过系统设置的阈值，则其身份得到确认。可用于 身份证、护照、驾驶执照、工作证等证件识别系统以及对犯罪嫌疑人进行识别 安检等。也可将其作为计算机用户登录页面的确认系统，从而保护计算机用户 信息，例如面像屏幕保护程序和文件加密程序等。 2 视频监控 人脸识别系统可以通过3 6 0 。摄像的方式，达到跟踪定位检测对象的目的， 在高清摄像设备的技术支持下，只要在其监控范围内，可以在被检测对象毫不 知觉的情况采集其照片，并将其人脸图像与监控黑名单列表进行比对。此过程 实时性好，因此可应用于闭路电视监控、交通管理、敌友识别、脸部照片登记 系统、事件后分析系统，以及基于i n t e m e t 的网上追逃系统。 3 面像数据压缩 能将人脸数据压缩到占用极小的存储空间以便用于智能卡、条形码或其他 存储空间有限的设备中，可实现监控系统联动、内线电话连接、可视对讲等功 能。 1 2 人脸识别的研究概述 我们可以将人脸识别( f a c er e c o g n i t i o n ) 描述为：对由摄像采集设备得到 的图像，经过训练学习得到基本特征，经过与人脸库中的已有图像进行比对， 确认其信息的过程。一般来讲，可将这个过程分为以下三个方面“1 ： 1 人脸检测( f a c ed e t e c t i o n ) 。即从各种复杂的场景中标注出人脸所在区 域1 。在这一步骤中，光照变化、噪声、表情变化、头部倾斜度、成像质量以及 有无遮挡物都会对识别效果造成影响嗍。 2 人脸表征( f a c er e p r e s e n t a t i o n ) 。即人脸特征提取，确定以何种方式表 征人脸，包括对待识别人脸和人脸数据库中的人脸的两类描述。通常情况下， 人脸表征方法是多种多样的，有基于欧氏距离、曲率等几何概念的几何方法； 有利用奇异值、矩阵特征矢量表征的代数特征方法n 3 ；也有从固定特征模板陋1 、 特征脸等方面考虑的统计方法。 3 人脸判定( f a c ei d e n t i f i c a t i o n ) 。即用等待识别的人脸与人脸库中的人脸 进行比较分析，以判断显示待识别人员的个人信息。这一过程的关键是选择适 当的人脸分类器。 l 绪论 一个完整的人脸识别系统的框架如图l 所示。 图1 2 人脸识别基本流程图 果 作为典型的生物特征，人脸与人体的指纹、虹膜等一样与生俱来，而且比 之于其他生物特征具有更好的不易复制性和独特性，这为人脸识别的研究提供 了可靠的先天优势，因此，相比较其他生物特征识别技术，人脸识别技术具有 自身独特的优势： 1 在识别过程中，可以采用非接触式形式进行识别。人脸识别的最大特点 就是隐蔽性，即识别过程不需要被识别人员主动配合，而这一点正是当今反恐、 安防所要求的必要条件。 2 直观、准确、快速、鲁棒性强。由于鉴别身份依据是人的面部图像，所 以人们能够直观和准确的看出来陴1 。 3 良好的性价比及可扩展性。人脸识别技术能有效地识别人的身份，而所 采用的相关辅助设备仅仅是p c 机硬件及相应程序，故性价比极高。另外，我们 可以方便的更新人脸数据库，具有良好的可扩展性。 4 具有好的自学习的功能。性能良好的人脸识别系统可以方便的进行系统 升级，方便的增添数据库的成员信息，以保证在成员面相发生改变和环境变化 情况下的鲁棒性。 1 2 1人脸识别技术的国内外研究情况 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 ) 的研究论文最早见3 1 9 6 5 3 l 绪论 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 发表的技术报告阻1 ，到现在已经有近 五十年的历史。近年来，随着研究人员大量的精力投入，人脸识别领域涌现出 了很多的新技术和新方法。本文将人脸识别技术的发展历史大体划分为三个阶 段介绍们。 1 第一阶段( 1 9 6 4 一1 9 9 0 ) 。这一时期虽然时间漫长，但人脸识别技术发 展缓慢，这是因为相关学科的发展还不足以支持人脸识别技术的飞速发展，这 个时期人脸识别基本都是以人脸的几何特征为出发点的，这主要体现在人们对 于剪影( p r o f i l e ) n ”的研究上，第一篇自动人脸识别方面的博士论文于1 9 7 3 年在 京都大学完成。因此可以说，这一阶段属于人脸识别技术的初级阶段。 2 第二阶段( 1 9 9 1 1 9 9 7 ) 。虽然这一阶段仅仅持续了七年时间，但人脸 识别技术却在这一时期得到了飞速发展，研究人员在这一阶段投入了大量精力， 一些极具代表性的算法开始应用到人脸识别领域中，商业化的人脸识别系统也 开始应用到某些特殊领域。 麻省理工学院( m i t ) 的p e n t l a n d 和t u r k 提出的“特征脸( e i g e n f a c e ) 方法是这一时期极具特色的人脸识别方法。之后的大量识别算法都是对 e i g e n f a c e 算法的继承和发展，在现阶段人脸识别算法百家争鸣的局面下， e i g e n f a c e 算法与基于归一化的协相关量( n o r m a l i z e dc o r r e l a t i o n ) 识别算法成为 了衡量其他识别算法性能优劣的标准 t 2 3 。 b e l h u m e u r 等提出的“f i s h e r 脸 法n 3 3 是这一时期的又一个重要成果。该方 法在采用p c a 法对图像进行降维的基础上，采用线性判别分析l d a ( 1 i n e a r d i s c r i m i n a n ta n a l y s i s ) 的方法对经主成分分析处理过的图像进行变换，以得到“尽 可能大的类间散度和尽可能小的类内散度 ，目前依然广泛应用在人脸识别领 域，并且产生了很多不同的演化方法，比如子空间判别模型n 钔，增强判别模型n 射、 直接的l d a 判别方法n 等。 弹性图匹配技术n 刀也是在这一阶段提出的，弹性图匹配方法的优点是在保 留了面部的全局结构特征的基础之上，对人脸的面部器官的分布进行了数学建 模，这一思维的提出大大拓宽了人脸识别技术思路，一些对该方法的扩展方案 也大量涌现。 总体来看，这一阶段是人脸识别技术发展的黄金期，几种典型算法在成像 质量高、被检测者配合、待检测人员不多的情况下达到了非常好的性能，归纳 起来，基于2 d 图像统计特征的人脸识别是这一阶段被广泛采用的方法。 4 1 绪论 3 第三阶段( 1 9 9 8 一至今) 。上世纪9 0 年代以来，识别市场的巨大需求极 大的推动的人脸识别研究的发展，使得研究人员投入了大量的精力和资金。由 于现存的一些常用人脸识别算法对非理想采集条件下( 例如光照、姿态变化， 被检测者不配合) 识别效果较差，因此研究重心逐渐转移到光照、姿态等问题。 另一方面，人脸识别系统的商业化进一步发展，使得性能良好的人脸识别系统 作为产品早日普及成为现实。 在这个阶段中，基于统计学习理论的人脸识别算法( 支持向量机( s v m ) n 】、 神经网络( a n n ) n 町) 这一理论开始开始在人脸识别领域中应用开来。 基于3 d 模型的人脸识别算法也在这一阶段出现，最初是由b l a n z 和v e t t e r 等 人提出的，该方法很好屏蔽掉了姿态、光照对人脸图像的影响，取得了较理想 的识别效果，这对于人脸识别的发展来说具有里程碑的意义。通过实验也能看 到，该方法在多姿态、多光照和复杂表情的人脸库上达到了相当高的识别率， 证明了该人脸识别方法的有效性啪1 。 总体来看，研究人员正在将研究重点逐步转移到在非理想条件下的人脸识 别，例如光照、姿态多变，待识别对象不配合，人脸数据库人员庞大情况下人 脸识别。从人脸识别的发展的历程来看，人脸识别的最新发展方向是向统计理 论及3 d 方向发展的，已经出现的方法有非线性模型法啪1 ，基于b o o s t i n g 的学习 技术1 ，基于3 d 模型的人脸建模方法3 等。 人脸识别在国内的发展还比较短暂，最早的研究开始于2 0 世纪8 0 年代，在 近三十的研究中，也取得了许多有价值的理论成果。特别是9 0 年代中后期以来， 在国内众多学者的精力、资金投入之下，一大批研究机构和大学开始了对人脸 识别技术的积极探索，在人脸检测、特征提取与识别方面做出了丰硕的理论研 究，为之后的人脸识别研究的飞速发展提供了可靠的技术支持，极大地推动了 我国人脸识别技术的发展。 在现有的国内识别市场上，已经出现了识别性能良好的人脸识别系统。在 竞争激烈的识别市场上，中科院a u t h e n m e t r i c 红外人脸识别系统和汉王科技的 “汉王人脸通 系统是具有代表性的人脸识别产品，其中“汉王人脸通”系统 在国际人脸识别领域也处于领头羊位置。a u t h e n m e t r i e 红外人脸识别系统的优点 在于，它能够在光照多变的情况下仍能有鲁棒的识别效果，并且在识别率和识 别速度上领先于其他人脸识别系统，在2 0 0 8 年北京奥运举办过程中，此系统运 用射频技术、电子标签等技术，对北京奥运会的观众进退场、场馆安保方面进 5 1 绪论 行识别监控，为北京奥运会的成功举办做出了巨大贡献。在操作使用该系统时， 需事先对观众提交的人脸身份照片进行扫描，提取人脸特征，并录入信息数据 库，而在观众进入现场时，利用图像采集设备对入场券持有者进行现场人脸图像 采集，并与数据库中的人脸图像进行对比，从而实现人脸身份识别。“汉王人脸 通 是全球首款嵌入式双摄像头人脸识别机，此系统是对人脸识别的智能化、集 成化。2 0 0 8 年1 2 月，在北京举行的中国国际社会公共安全产品博览会上，该系 统在众多门禁领域中脱颖而出，获得了“创新产品奖”，这是对我国商用人脸 识别系统的巨大肯定，促使我国人脸识别技术不断发展。 1 2 2 人脸识别技术存在的难点 现有的人脸识别系统在理想的情况下( 即待识别人员积极配合、光照变化 不明显等) 可以取得令人满意的结果。但是，如果对于被检测拒绝配合，采集 图像条件不够理想( 如光照多变、有遮挡、图像成像质量差) 的情况下，现有 识别系统的识别率将不能达到实用要求。因此，要将人脸识别技术普及应用到 实际生活中还存在着许多挑战性的问题心副。 1 复杂背景下人脸的检测问题 人脸检测是人脸识别系统的一个重要环节，它的性能好坏直接决定着人脸 识别系统的准确性，现有的算法在背景复杂的情况下，不能很好的检测并标注 人脸，因此，如何在复杂背景下准确检测定位人脸是一个极具挑战性的难题。 2 光照变化问题 光照问题是人脸识别中存在已久的问题，尽管多年来大量研究人员针对光 照问题提出了较多的解决方案，但是现有的处理光照的方法远未达到人脸识别 系统所要求的程度，因此，还需要研究人员做大量的工作。 图1 - 3 人脸库中人脸图像的光照变化 3 姿态表情问题 人的喜怒哀乐能够直接反映在人脸之上，因而人脸的姿态变化是极其复杂 翟 1 绪论 的，人脸识别系统对多姿态的人脸图像识别起来是极其困难的，加之目前针对 姿态变化的研究比较少，当发生头部扭动幅度比较大的条件下，人脸识别算法 的识别率会陡然下降，因此，如何使得人脸识别系统更好的适应姿态变化是人 脸识别技术研究中一个难度很大的问题。 图1 4 人脸库中人脸图像的姿态表情变化 4 年龄变化问题 我们知道人的脸部会随着年龄的变化而变化，这在身体发育迅速完善的青 少年身上尤其明显。针对于不同的年龄群体，人脸识别算法的识别效果也良莠 不齐。研究人员必须要正视年龄因素对人脸识别算法的影响，尽可能的剔除它 对识别效果的干扰。 5 遮挡问题 在被检测人员不配合的情况下，必须要注意待识别人员的刻意遮挡问题。 在识别系统采集人脸图像的时候，如果待识别人员通过眼镜、帽子、胡须等饰 物进行遮挡，这会造成人脸定位不准确，这样会影响后续的人脸表征与人脸识 别工作，甚至会导致人脸检测的错误。如何有效地屏蔽掉遮挡物的影响是一个 非常值得探索的研究课题。 图1 5 人脸库中人脸图像的遮挡问题 6 大规模人脸识别问题 通过实验我们可以知道，人脸识别算法的性能优劣受到人脸数据库的影响， 人脸数据库规模越大，识别系统学习时间越长：人员类别越多，人脸识别算法 7 1 绪论 的识别率将随之受到影响，如何维持或提高人脸识别算法在大规模人脸库中的 识别率是一个不可避免的问题。与此同时，如何更好的建立、维护、存储和检 索大规模人脸数据库也是非常值得研究的问题。 7 低质量照片问题 目前研究人员在对人脸识别研究进行算法设计的时候基本上都针对的是实 验室条件下即图像质量很高的情况，但在智能监控、犯罪嫌疑人照片对比等领 域内，其照片质量不可能达到如实验室条件下的效果，这些人脸图像往往比较 模糊、噪声高、分辨率极低。如何提高人脸识别系统对这些低质量照片的识别 效果也是人脸识别领域需要研究人员投入巨大精力的问题。 8 小样本学习问题 从人脸识别技术近半个世纪的发展概况来看，基于统计学习的人脸识别算 法是目前较为常用的算法，单张人脸图像是人脸图像的高维空间中的一个点， 即使是训练样本也只是这个高维空间的一个极小的集合。对于统计学习算法而 言，海量的训练数据是必不可少的。但是如果样本空间过大，现有的识别算法 由于计算复杂度太高，训练过程也难以快速有效进行，严重者会导致系统崩溃。 故二者是相互矛盾的。因此，如何在选取样本数据空间以及如何在此空间中快 速有效地进行统计学习也是一个亟待解决的难题。 9 由人脸图像采集设备带来的问题 在现有技术条件下，我们对人脸图像的获取主要是通过摄像头来进行的， 由于市场上摄像头种类是千差万别的，他们在传感方式、采样和量化精度存在 差异，即使是同一型号的摄像头，一些采集参数( 如焦距、光圈、增益、白平 衡等) 的设置值也不尽相同，以上种种原因会使得采集的人脸图像模式不能完 全相同，因此，如何去除人脸图像采集设备带来的问题同样值得研究人员思考。 与此同时，需要指出的是：以上所述问题并不是单独出现的，很多问题都 是同时出现的，而这进一步增加了解决问题的难度，现有的一些研究成果，通 常都是尝试解决其中某个问题，而当这些问题同时出现时的解决方案，还需研 究人员往前继续探索。 1 2 3 人脸识别技术的发展趋势 人脸识别涉及众多学科，经过几十年的快速发展，克服了众多技术难题， 取得了丰硕的研究成果。即便如此，人脸识别领域仍然存在很多难点需要进一 8 1 绪论 步解决，综合来看人脸识别技术的发展现状。我们可以发现人脸识别有向以下 几个方面发展的趋势啪3 ： 1 j 动态实时跟踪的人脸识别系统研究 目前人脸识别技术更多的运用在一些特定的场合，比如实验室门禁系统等， 而在一些特殊的场合例如军事禁区、机场车站等需要对视频监控下的人流进行 动态跟踪和定位识别，特别是“9 1 1 ”恐怖袭击之后，增强人流量大的场合的安 全防范能力及识别系统实时性的要求日益凸显，因此安全领域对动态人脸识别 研究成果早日转化为产品的需求是极为迫切的。 2 多数据融合的人脸识别研究 经过近五十年的发展，国内外大量的人脸识别技术研究报告给我们提供了 很多构建人脸识别系统的具体思路，事实证明，这些思路都是行之有效的，但 是不可避免的，每一个技术方法都有其特定的使用环境，并且都有其优势与劣 势，因此，如何通过数据融合理论，将不同的算法取长补短，使其有机的结合 成为一个整体，以达到更好的识别效果，成为人们新的追求目标。 3 基于小波神经网络的人脸识别研究 小波自上世纪8 0 年代问世以来，无论是理论和应用都取得了长足的发展， 而随着神经网络理论的成熟与深入，将神经网络、小波、混沌、模糊聚类等非 线性学科有机结合成为了一个新的发展方向。小波的优点在于时频局部特性良 好和变焦特性出色，而神经网络的鲁棒性、自适应性、自学习能力、容错性能 都极为突出，因此如何将二者的优势综合利用，需要在接下来的研究中进一步 探索。 4 复杂背景下的人脸分割 目前人脸识别研究大体上都是基于单一背景下的，而在复杂背景下如何有 效地对人脸进行分割越来越吸引着研究人员的注意。虽然弹性图匹配等方法取 得了一些效果，但他们的检测效果还不能令研究人员满意，因此，如何在复杂 背景中快速有效地检测分割出人脸考验着研究人员。 5 三维人脸识别研究 在人脸识别技术发展迅速的今天，基于二维信息的人脸识别仍然是主流技 术，但客观世界中的人脸是三维立体的，三维图像比之于二维图像有着更天然 的优势即它能更有效地描述人脸。但人脸的三维建模又是一个极具挑战性的课 题，因此，如何有效地将人脸进行三维建模已经成为了人们研究的重点，如何 9 l 绪论 有效的利用三维图像的发展成果进行人脸识别的研究，有着极大的发展空间。 6 全自动人脸识别系统 由于人脸识别最终是要服务于人的，因此全自动人脸识别系统的研究尤其 受到研究人员的青睐。目前关于全自动人脸识别系统的研究才刚刚起步，识别 效果还远远达不到人们实用的要求，关键在于还没有一种特别行之有效的人脸 表征算法。预计在未来的一段时间内，必然会有效果良好的全自动人脸识别系 统出现。 1 2 4 人脸识别系统的性能指标 一般来讲，人脸识别系统的性能是很难进行评价的，这主要是因为人脸识 别系统的评价标准取决于使用者对人脸识别系统的客观需求不同，这就妨碍了 学术界定义人脸识别系统的性能指标。但作为一个实用系统，不可避免的要定 义它的性能指标啪1 。总结各种研究成果来看，通常有这样几个评价标准： 1 识别率 在人脸识别系统中，正识率和拒识率是两个从识别率角度定义的概念。正 识率：人脸识别系统正确识别出库中已有人员的图像占测试人脸图像总数的百 分比：拒识率：人脸识别系统正确识别出非库中人员人脸图像数占测试图像总 数的百分比。这两个定义都属于正确识别率范畴，对识别系统而言，识别率和 拒识率总是越高越好的。在实际的应用过程中，当需要正确判断待识别人脸非 库中人员的时候，系统通常会通过设置阈值来实现。 2 识别时间 由于人脸识别系统最终是要投入实际应用的，因此实时性是必须要着重考 虑的的一个重要指标。这里我们可将识别时间分为两个方面，e p - i l l 练阶段识别 系统所耗费的时间和识别阶段所需时间。在我们构建人脸识别系统的时候通常 我们会引入离线训练的概念，即一次训练，可将训练结果保存，以供下次识别 调用，故可将人脸识别系统训练阶段需要的时间忽略。因而，系统分类时间就 显得尤为重要了，它是人脸识别系统实时性直接影响，是人脸识别系统能否用 于实践的关键所在。 3 数据存储量 在人脸识别系统中，系统的存储量也是一个不能忽视的问题。一方面，如 果人脸数据库过大，识别系统在训练学习、分类阶段耗费的时间会大大增加， 1 0 1绪论 增加了识别系统的负担，如果硬件配置较低，系统会陷入崩溃状态。另一方面 过小的人脸数据库又不能很好的表征人员信息，因此，在研究人脸识别算法时， 系统存储量的大小应该是一个必须要着重考虑的因素。 4 可扩展性 在设计人脸识别系统过程中，要充分考虑到人脸数据库中人员增减情况， 对人脸数据进行实时维护，或删除某些人员信息，或添加某些人员信息。因此， 如何保持人脸数据库的可扩展性也是研究人脸识别技术中需要考虑的一个问 题。 除上述指标外，还应注意人脸识别系统的自动化程度、人机交互界面是否 人性化以及对识别系统的硬件要求等。 1 2 5 常用人脸库 通常情况下人脸识别的研究都是基于人脸数据库完成的，在我们进行人脸 识别算法的研究、开发、仿真的时候，必须要在人脸数据库上进行，因此人脸 数据库的存在具有重大意义。在人脸识别系统的实用化过程中，必须要构建一 个有大量人员面部信息的人脸数据库。目前国际上常用的人脸数据库有： 1 m i t 人脸库：由麻省理工学院创建，包含1 6 个人，每人1 6 2 张图片， 共计2 5 9 2 张不同尺寸、光照和表情的面部图像。 2 m p l 人脸库：包含了2 0 0 人的头部三位结构数据和1 4 0 0 张多姿态的人脸 图像。 3 y a l e 人脸库啪1 ：由耶鲁大学创建，包括1 5 位志愿者的1 6 5 张在不同姿态、 表情和光照下的面部图像，图片像素数为1 0 0 1 0 0 。 4 f e r e t 人脸库啪3 ：由美国国防部的f e r e t 项目创建，包括2 0 0 个人， 每人7 幅，共1 4 0 0 张不同姿态、不同光照的灰度图，此库在人脸识别研究中被 广泛采用，是人脸识别技术领域中的代表性人脸库之一。 5 a r 人脸库b 钉：本库由西班牙巴塞罗那大学创建，包含1 1 6 人的3 2 8 8 幅 图像，本库的采集条件比较严格，其背景、光照、采集设备等都严格设定，在 人脸识别领域有一定的应用。 6 o r l 人脸库n 幻：是英国剑桥大学a t & t 实验室创建，包括4 0 人的4 0 0 张 面部图像，图像大小为9 2x1 1 2 像素，库中人员图像姿态、表情都有一定变化， 部分图像还佩戴了饰物。 l 绪论 _ - _ - - _ - - _ - - - _ _ - _ _ - - _ - _ _ - - - - _ _ _ _ - _ - - - - - _ _ - _ _ _ - - _ - o o - _ _ _ o _ o - - _ - - _ - _ - o _ _ _ - - _ - - - _ _ _ - _ - _ _ - o _ _ _ - _ _ i i _ _ - _ _ - _ o 一 7 p i e 人脸库嘲1 ：由美国卡耐基梅隆大学创建，p i e 是p o s e ( 姿态) 、 i l l u m i n a t i o n ( 光照) 和e x p r e s s i o n ( 表情) 的缩写，包括6 8 位志愿者的4 1 3 6 8 张面部图像。 。 8 中国人脸图像库( c a s p b 虬) ：这是我国国内建立的有实用价值的人脸 库之一，由中科院负责构建，它采集了5 9 5 位男性，4 4 5 位女性的共9 9 4 5 0 幅人 脸图像】。该库根据各种变化将人脸图像分为7 个变化模式分库，即姿态库、 表情库、饰物库、光照库、背景库、距离库、时间跨度库。在针对国人的人脸 识别研究中，此库取得了较好的实验效果。 1 3 本文的主要工作及结构 本文的研究内容包括以下4 个方面： 1 概述人脸识别技术的研究内容，技术难点等，讨论当前人脸识别的研究 现状和常用的识别方法。 2 总结如何利用主元分析方法从人脸图像中提取特征向量，将庞大的图像 矩阵在低维空间中表达。 3 讨论如何将神经网络分类器应用于人脸图像的识别。将经主成分分析法 降维的人脸图像特征向量输入至i j b p 神经网络分类器中，使b p 网络通过训练学习 快速识别出待识别的人脸图像。 4 针对b p 神经网络的不足之处，将a d a b o o s t 联合b p 神经网络进行人脸识 别，并将两种方法进行比较讨论。 本文共分五章，各章内容安排如下： 第一章讨论分析了人脸图像识别的背景和意义，概述人脸识别技术的的研 究内容、技术难点等，列举了目前常用的人脸识别方法并分析其发展趋势。 第二章讨论了p c a ( 主成分分析) 的基本原理和其在人脸识别的应用。 第三章论述了人工神经网络的基本原理和人工神经网络分类器的分类原 理。针对b p 神经网络的不足之处，将a d a b o o s t 联合b p 神经网络进行人脸识别。 第四章在m a t l a b 环境下仿真，讨论如何采用主元分析的方法将人脸图像特征 向量降维，并将得到的特征矩阵输入到b p 神经网络中和a d a b o o s tb p 强分类器 中进行识别，并对比分析仿真结果。 第五章总结全文并指出在本文研究成果的基础上进一步研究的方向。 1 2 2 基于p c a 的人脸特征提取 2 基于p c a 的人脸特征提取 特征主要包括三种类型：物理的、结构的和数学的。对人类而言，识别其 他人更多的是靠其面部的皮肤、肌肉和器官的组合，但对于计算机来说，人脸 图像仅仅是像素的灰度值矩阵。在计算机中究竟用何种形式来表达人脸就成为 发人深思的问题。由于视觉、触觉以及其他感觉器官容易感知物理和结构特征， 所以人类通常是利用这些特征来识别对象的。对于计算机而言，虽然模拟人类 感觉器官是很难实现的，但由于计算机擅长处理数据，因而计算机可以利用数 学特征进行识别人脸，因此我们主要通过协方差矩阵、相关系数和统计平均值 等数学特征来构建人脸识别系统m 3 。 人脸表征，也称人脸特征提取，或人脸特征抽取，也有文献称为人脸表述、 人脸表示，它是对人脸进行特征建模( 精细建模) 的过程，目的是将高维人脸 空间转化为低维人脸空间，以达到便于分类的目的汹1 。采用怎样的方法表征人 脸是人脸识别中的核心问题，表征方法的优劣直接影响到识别效果的好坏。通 常情况下人脸表征应该达到这样两个目的，即提取的人脸特征应该是人脸的内 在属性，能准确的描述人脸，并且能够和其他人脸有效区分；另外提取的特征 信息应该尽量处于较低维度的空间，以便有利于分类器的设计。 特征提取和特征选择的基本任务就是从许多特征中找出那些最有效即最能 描述人脸特征的信息。在样本数不是很多的情况下，可以利用这些特征进行人 脸分类器的设计，但是在大多数情况下，由于图像矩阵的维数很高，直接在其 中进行分类器的设计是极其困难的。因此，较低维度特征空间如何在充分描述 人脸图像的前提下表征高维特征空间，以适合人脸识别系统的判定分类，就成 为了一个重要的课题m 1 。 2 1基于统计特征提取的理论基础 在模式识别理论中，待识别对象通常要通过一种特殊的表达方式表征出来， 数字信号和模拟信号有各自的表征方法，例如当待识别对象是人脸图像的时候， 我们可以用图像矩阵来表征，当待识别对象是某种物理过程的时候，我们可以 用仪器将其测量出来，对于这些特征，我们称之为原始特征。通常情况下，由 1 3 2 基于p c a 的人脸特征提取 于原始特征一般都处于较高维度的空间中，完全依据原始特征来进行识别是十 分困难的，因此，为了得到更好的识别效果，我们需要对原始特征进行变换， 以降低其维度，这个过程叫做特征提取。经过转换后的特征叫做二次特征，是 原始特征的某种线性组合陋刀。由于采用何种特征提取方式，就需要针对此种方 式选择合适的识别算法，因此，特征提取是人脸识别中极其重要的一个步骤。 早期的人脸识别技术在特征提取阶段主要是致力于人的面部器官的位置及 相互之间的几何关系，例如鼻子与眼角、眉心、唇角之间的距离和角度，这种 看法往往忽略了视觉激励之于识别的贡献。现代信息理论认为，人脸的局部或 者全局的特征对于人脸图像编解码具有极为重要的作用瑚1 i 这种特征是和人脸 图像的统计特征决定的，而并不和人的面部器官直接相关。 用信息术语来讲，提取人脸图像特征最有效、简单的方法是对一组人脸图 像集进行学习，并且获取他们各帧图像的差别，这些差别跟人脸的面部器官之 间无直接联系，之后再用这些信息对人脸图像编码、比较。而从数学角度来看， 我们希望得到人脸图像集的协方差矩阵的特征向量，可以将这些特征向量当作 是一组特征，这些特征合起来就能描述人脸图像之间的变化。每一个人脸图像 对每一个特征向量都有一定的影响m ，。 主成分分析( p r i n c i p a lc o m p o n e n t sa n a l y s i s ，即p c a ，也称为k - l 变换) ，是 图像编码中的一种最优正交变换m 1 。p c a 是提取图像统计特征构成子空间这一 类模式识别的基础。它从图像整体统计特征出发，从图像的总体信息出发来提 取特征进而进行分类识别。s i r o v i c h 和k i r b y 首先将k - l 变换应用到人脸图像的 特征提取h 。t 咄和p e n t l a n d 在随后的研究中进一步描述了“特征脸 ( e i g e n f a e e ) 的方法1 。主成分分析法认为，大量人脸图像描述了一个高维空间，单张人脸 图像只是这一高维空间中的一个随机向量，也可认为是其中的一个点，故可以 采用k - l 变换来获得高维空间的k l 基底，在这个过程中，该方法认为较大特 征值的基底对于人脸图像的描述有相对大的贡献，将这些特征值较大的基底通 过各种线性组合可以有效地描述人脸，由此可以进行人脸的识别与重构。识别 过程就是将人脸图像映射到由特征脸张成的子空间上，然后将得到的特征矩阵 作为分类器的输入信号，经过分类器的训练学习，达到识别的目的“射。 1 4 2 基于p c a 的人脸特征提取 2 2p c a 人脸特征提取方法 特征脸法是根据主成分分析法( p c a ) 衍生出的一种人脸特征描述技术， 在人脸识别研究中得到了极为广泛的应用，在特征脸法的基础上，很多改进的 人脸识别新方法也层出不穷。我们来看特征脸法的具体实现步骤： 设人脸图像的列向量描述为 ， 肠7 1 ，= 加 x = 协l ，x 2 ”，x 。j ( 2 1 ) 其中，力为全部训练样本的数量，特征值为丑，其对应的相应的特征向量为 o 训练样本集的协方差矩阵可采用如下公式定义为： s 丁= 亡( 而一) ( t 一) r ( 2 2 ) ，i = 1 其中为训练样本均值，可以由下式定义： l 晶 = = 乙x ， ( 2 3 ) 。一j、o， ，i - - 1 假设单张图片像素为，我们可以通过式2 2 容易看出，样本集协方差& 是的维数为2 2 ，这里来看o r l 人脸库，单张图像的大小是9 2 1 1 2 ，拉伸 为一维列向量其维数为1 0 3 0 4 x 1 ，故爵的维数为1 0 3 0 4 x 1 0 3 0 4 ，要对维数这么高 的矩阵进行特征值和特征向量的求解，对于计算机来讲都是极其困难的，即使 在数学计算程序m a t l a b 中也会出错，造成程序崩溃。即使通过高性能计算机可 以解决计算的问题，整个计算过程中消耗的时间是漫长的，不具备使用价值。 但是奇异值分解定理( s v d 定理) 可以轻松解决这个问题。 用奇异值来解决人脸识别问题最初是由h o n gz qh 胡等人提出来的。图像 的内在信息是通过图像本身的像素值分布来描述的，图像的像素分布反映了图 像的本质特征。在对图像矩阵进行矩阵变换时，通过某种特定的代数变换抽取 出图像的特征矩阵，从而可以将这些特征矩阵用于模式识别中。这种方法虽然 对光照变化不敏感，但对入脸的表情变化和姿态变化有一定程度的容忍，加之 算法简单鲁棒，因此广泛应用于基于人脸特征提取领域。 s v d 定理设彳是一介秩为，的n r 维矩阵，则存在两个正交矩阵： 1 5 2 基于p c a 的人脸特征提取 v = ，“2 ，掰，】r 卅 u r u = i ( 2 4 ) v = 【h ，v 2 ，v r 】r r r y = i ( 2 5 ) 设对角矩阵为 a = d i a g ；h ，如，乃】r 一7 ，且 如以( 2 6 ) 使得 l a = u a 2 y r ( 2 7 ) 其中：a o = 1 ，2 ，) 为矩阵州r 和a 7 爿的特征值，和m 分别为a a 7 和 彳7 彳对应于丑的正交归一化特征向量。以上求解叫做矩阵彳的奇异值分解 ( s i n g u l 甜v a l u ed e c o m p o s i t i o n ，简称s v d ) 。丑为a 的奇异值。 推论： 三 u = av a 2 ( 2 8 ) 由于协方差矩阵 墨= 肠1( 2 9 ) 故引入造矩阵尺： r = x r x r m 。 ( 2 1 0 ) m 为训练样本的总数。 这里可以容易得到构造矩阵尺的特征值丑及相应的特征向量1 o = 1 ，z 。2 , 0 。 因此，由