（通信与信息系统专业论文）基于adaboost和支持向量机的人脸识别系统研究.pdf

哈尔滨= 程人学硕士学位论文 摘要 人脸识别技术是计算机视觉与模式识别领域非常活跃的研究课题，在身 份验证、人机界面、可视通信、公安档案管理、基于内容的图像检索等很多 方面都有着广泛的应用。人脸识别的过程一般可以分为人脸的检测定位、面 部特征提取、匹配识别三个部分。本文详细研究了人脸的自动检测和识别技 术，在算法实用化方面作了大量的改进工作，并在此基础上实现了一个人脸 自动识别系统的原型。 在入脸检测环节，本文采用了两种方案：基于a d a b o o s t 的人脸检测和基 于肤色的人脸检测。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。 在h d a b o o s t 方法中，检测定位是通过多分类器级联结构实现的。通过比 较我们选择扩展的i l a a r 一1i k e 特征生成弱分类器，并对强分类器的个数及其 排序方式对检测器性能的影响作了深入分析，进而得到了一组有效的参数， 并在此基础上，实现了基于h d a b o o s t 的人脸检测软件，该软件可检测多种格 式的静态正面人脸图像，检测速度快，实时性好，对c m u 人脸测试库的检测 率达到9 7 5 。 在基于肤色的方法中，首先对肤色进行光线补偿，在y c b c r 色彩空间内 对肤色非线性分段色彩变换，从而可以得到实用的肤色聚类模型，最后利用 椭圆来对人脸建模实现人脸检测。该方法可以实现对多姿态人脸的检测。 人脸识别部分，提出离散余弦变换与支持向量机相结合的识别策略。用 d c t 进行人脸特征提取，根据o c t 系数的特点进行特征选择以将降低特征的 维数，将其归一化后作为分类器的输入；分类器的设计我们选用了支持向量 机方法，采用一种分阶段淘汰的“i - i ”策略对人脸进行分类。在o r l 数据库 上得到的实验结果与其他方法相比较，识别率有了明显的提高。 关键词：人脸识别： 人脸检测； o c t ；支持向量机 哈尔滨工程人学硕士学位论文 a b s t r a c t h u m a nf a c er e c o g n i t i o niso n eo ft h em o s ta c t i v ea n dc h a 1e n g i n g t a s k sf o rc o m p u t e rv i s j o na n dp a t t e r nr e c o g n i t io n ，i tc a nb ew i d e y a p p l l e di ns u c hf i e l d s a sp e r s o n a l i d e n t i f i c a t i o n ，h u m a n c o m d u t e r i n t e r f a c e ，v i s u mc o m m u n i c a t i o n ，c r i m i n a la r c h i v ea d m i n i s t r a t i o n ， c o n t e n t b a s e di m a g er e t r i e v a ，e t c a t y p i c a l a u t o m a t i cf a c e r e c o g n i t i o ns y s t e mc o n s i s t so ft h ef o l l o w i n gt h r e ef u n c t i o n s ：f a c e d e t e c t i o na n d l c o a t i o n ， f e a t u r e e x t r a c t i o n ，r e c o g n it i o n o r v e r i f i c a t i o n t h i sd i s s e r t a t i o nm a i n l ys t u d i e st h ea p p r o a c h e st or e a l t i m ef a c ed e t e c t i o na n dr e c o g n i t i o ni ns t a t i ci m a g e s 1 _ l u c hi m p r o v e m e n t h a sb e e nm a d ei nt h ea l g o r i t h m sp r a c t i c m i t y a n dt h e na na u t o m a t e df a c e r e c o g n i t i o ns y s t e mp r o t o t y p ei se s t a b l i s h e d ， 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 o n eisu s i n ga d a b o o s tl e a r n n gm e t h o da n dt h eo t h e ri sb a s e do ns k i n c o l o rm o d e li ny c b c rc h r o m i n a n c es p a c e t h ec o m m o nc h a r a c t e r i s t i co f t h ea l g o r it h m si st h er a p i dd e t e c t i o ns p e e da n da tt h es a m et h et w o m e t h o d sa r ec o m p l e m e n t a r y t h ea d a b o o s tm e t h o di sb a s e do nh a a r l l k ef e a t u r ec l a s s j f i e r c a s c a d ea n da d a 6 0 0 s ti e a r n n ga l g o r i t h m sr e c e n t l yp r o p o s e db yv i o l a a n dj o n e s w ec h o o s et h ee x t e n d e dh a a r 一1 i k ef e a t u r ea f t e rc o m p a r i s o n a n da n a l y z e dh o wt h ep a r a m e t e r ss u c ha sn u m b e ra n da r r a n g e m e n to ft h e s t a g ec l a s s i f i e f sa f f e c t e d t h es y s t e m s c a p a c i t y ar a p i df a c e d e t e c t i o ns y s t e mi sd e s i g n e da n dr e a l i z e do i lt h eb a s i so ft h ee x t e n s i o n t h es y s t e mc a nd e t e c tf r o n t a li m a g e si n c 1 u d i n gaw i d er a n g eo ff o r g i a t s t h ed e t e c t i o ne x d e r i m e n tw i t ht h ec m ud a t a b a s e ss h o w st h a tt h es y s t e m r e a c h e dah i g hh i t r a t ea n dl o wf a l s e a l a r m r a t e e s p e c i a l l y ，t h e d e t e c t i n gs p e e do ft h es y s t e mi sv e r yh i g ha n da l m o s ta t t a i n st h e 哈尔滨工程大学硕士学位论文 e r i t e r i o no fr e a l t i m e i ns k i nc o l o rm o d e lf a c ed e t e c t i o n a f t e rli g h t i n gc o m p e n s a t i o n an o n i n e a rc o l o rt r a n s f o r m a t i o nt e c h n i q u eis a p p l i e dt ot h ef a c e i m a g e si ny c b c rc h r o m i n a n c es p a c e t h e nw ec a ng e tt h ep r a c t i c a ls k i n t o n ec l u s t e rm o d e lt od e t e c tt h ep o t e n t i a lf a c e e x p e r i m e n tr e s u lt s s h o w t h a tm u l t i - p o s ef a c ei nc o l o ri m a g e sc a nb ed e t e c t e d an o v e la p p r o a c ht of a c er e c o g n i t 0 1 3h a sb e e np r o p o s e di nt h i s d i s s e r t a t i o n ，d c t s v mc o m b i n e dm e t h o d d i s c r e t ec o s i n et r a n s f o r m ( d c t ) isp r o c e s s e dt or a wf a c ei m a g e st og e tt h ef e a t u r ev e c t o r sa n dp r o p e r f e a t u r es e l e c t i o na p p r o a c hi sa p p l l e da c c o r d i n gt ot h ec h a r a c t e r i s t i c o ft h ed c tc o e f f i c i e n t s 。am u l t i s t e pa p p r o a c hb a s e do nt h eo n ea g a i n s t o n ec l a s s i f y i n gs t r a t e g yi sc h o s e nt oe x t e n ds u p p o r tv e c t o rm a c h i n e ( s v m ) c a p a b i l i t yt od e a lw i t hm u l t i c l a s sf a c er e c o g n i t i o n c o m p a r e d w j t ho t h e rm e t h o d so ft h ee x p e r i m e n t s0 no r lf a c ed a t a b a s e t h e r e c o g n i t i o nr a t eo ft h ep r o p o s e dm e t h o di m p r o v e sal o t k e yw o r d s ：f a c er e c o g o i t i o n ； f a c ed e t e c t i o n ；d c t ：s w 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的指导 下，由作者本人独立完成的。有关观点、方法、数据和文 献的引用已在文中指出，并与参考文献相对应。除文中已 注明引用的内容外，本论文不包含任何其他个人或集体已 经公开发表的作品成果。对本文的研究做出重要贡献的个 人和集体，均已在文中以明确方式标明。本人完全意识到 本声明的法律结果由本人承担。 作者( 签字) ：碰 日期：y 才年月日 哈尔滨r 程大学硕士学位论文 第1 章绪论 j 1 人脸识别的研究内容及其难点 人脸图像的检测与识别的研究因其在身份验证、人机界面、可视通信、 公安档案管理、基于内容的图像检索等很多方面的广阔应用前景而成为当前 模式识别领域的一个重要研究课题。特别是9 1 1 事件之后，能够在公共场合 自动识别出嫌疑犯的识别系统更成为研究的热点。与其它识别方法，如虹膜、 指纹、d n a 检测相比，人脸识别更加直接、快速、方便，这也是在安检系统倾 向于选择人脸识别的主要原因。随着微型计算机的普及，以及计算机及相关 技术的突飞猛进的发展，人脸识别技术应用越来越广泛。 人脸是一个信息极为丰富的模式集合，是人类互相判别、认识、记忆的 主要标志。人脸识别就是对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，则避一步的给出每个人脸的位嚣、大小和各个主要 面部特征的位置信息，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，并将其与已知人脸数据库中的人脸进行对比，从而识别每个人脸的 身份。人脸自动识别的研究涵盖了许多学科，不仅仅包括了工程技术领域的 模式识别、图像处理、计算机视觉和人工智能等，还包括了生理学、心理学 及认知学等诸多其它学科的知识，并与基于其他生物特征的身份鉴剐方法以 及计算机人机交互等研究领域都有密切联系。 人脸识别概念可简单描述为：给定某一场景的静念图片或者动态视频 图像，根据所存储的人脸库识别或确认一个或更多的人。人脸库可以同时存 储种族、年龄、性别和面部表情等数据信息以降低识别难度。人脸识别的过 程一般可以分为三个部分： l 、人脸检测定位：判断输入图像或视频序列中是否存在人脸，如果有， 则从背景中检测出人脸，并分割人脸。 2 、面部特征提取：对找到的每一个人脸，抽取其主要面部器官的特征， 包括其位置、形状等信息。 哈尔滨r ：程大学硕士学位论文 3 、匹配识别：根据面部特征定位的结果，与人脸数据库中的人脸进行比 对，判断该人脸的身份信息。 虽然人类可以毫不困难地对人脸进行快速丽准确地识别而且这种识别 能力具有惊人的稳健性，但对计算机来说，人脸自动识别仍十分困难，目前 的识别效果( 识别率、误识率、虚警率和检测速度) 不如其他的生物识别技 术，如指纹识别，虹膜识别等。主要原因在于对人类认知、思维等神经活动 机理认t 得不足以及对其细节掌握的缺乏，目前还不完全清楚人的视觉系统 和大脑的工作原理等。人脸自动识别的困难主要表现以下几个方面“1 ： i 、人脸本身差异性很大。虽然每张脸都有眼睛、鼻子、嘴，且都按照一 定的空间结构分布，但是从不同个体的肤色、大小、形状、性别到同一个体 的表情等的差异都为人脸自动检测、识别造成巨大的障碍。 2 、同一个人的脸部附属物的存在和易于变动的特性造成的障碍。如胡须、 发型、跟镜等装饰对人脸造成遮挡；人脸随年龄增长而发生变化；姿态问题 等。 3 、人脸所成图像易受坏境的影响。光照的差异、三维物体光照下的阴影 不均匀、成像角度、成像距离等。 4 、人脸图像数据量大。目前出于计算量的考虑，人脸检测、识别算法的 研究大多使用尺寸q t i d , 的图像，因此很多算法的实时性很差。 总之，这诸多因素的影响使得人脸检测和识别具有一定的难度和复杂性， 但相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将 推动模式识别、计算机视觉、入工智能、认知学等学科的发展。 1 2 人脸检测与人脸识别的研究现状 1 2 1 人脸检测的研究现状 人脸检测实际上是个两类的人脸鉴别问题，即在一幅图像中只有“人 脸”和“非人脸”之分。其基本思想是基于知识或统计的方法对人脸建模， 然后比较所有可能的待检测区域与已建立模型的匹配度，从而得到可能存在 的人脸区域。 人脸检测作为人脸识别的关键的第一步，具有一定的难度和复杂性。早 2 哈尔滨一i ：程大学硕士学位论文 期主要是在特定的环境下获得人脸( 其应用背景主要是人脸鉴别) ，这使得人 脸的检钡, r t h 对比较容易，并未受到重视。近几年随着电子商务等应用的发展， 人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识 别系统能够对一般环境图像具有一定的适应能力，由此所面临的一系列问题 使得人脸检测受至0 研究者的重视，国内外很多研究人士也提出了很多方法， 并在不同领域取得了一定的成果”1 。下面从方法论的角度概要地总结一下现 有的几种重要的人脸检测方法。 人脸检测方法大致可以分为以下几类：基于知识的方法、基于外观的方 法、基于特征的方法、基于模板匹配的方法。 ( 一) 基于知识的人脸检测 这种方法是基于我们在认识人脸的过程中所总结出来的一些先验知识， 把它们归结成为一些复杂程度由简而繁的规则”3 。人脸局部总是存在一定的 规律，例如；人的两个眼睛总是对称分布在人脸的上半部分，鼻子和嘴唇中 心点的连线与两眼之间的连线大体垂直，灰度图像中眼睛要比脸上其他地方 暗等。这些规则可以表述为人脸局部特征之间的相对距离和位置关系，当满 足这些规则的图像区域找到后，贝日认为一幅人脸己被检测出来，然后可以对 候选的人脸区域作进一步验证。以确定候选区域是否包含人脸。 ( 二) 基于外观的人脸检测 这种方法遵循一种统一的模式，即首先通过学习，在大量训练样本集的 基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检 测图像进行全局扫描，用分类器检测扫描到的图像窗口是否包含人脸。若有， 则给出人脸所在的位置。 采用这种检测模式的理论依据是：人脸具有统一的结构模式( 都是由眉 毛，眼睛，鼻子和嘴唇等人脸器官构成) ，如果把所有的图像集看作一个高 维线性空间，那么整个人脸图像集仅对应于其中的某个子空间。于是可以通 过检验待测图像窗口是否落在这个子空阀中来判断其是否为人脸。因此，可 以通过大量的人脸和非人脸样本来建立一个分类器，使它能够正确分辨这两 种不同的图像模式，再利用训练好的分类器在未知的图像中检测人脸。采用 这种检测策略的关键在于如何选取大量的具有代表性的图像样本，特别是非 人脸图像样本，柬训练分类器。具体分类器的实现可以采用不同的策略，如 哈自；滨丁程大学硕士学位论文 采用神经网络的方法和传统的统计方法等。采用这种方法进行人脸检测的例 子有s u n g 币h p o g g i o 提出的基于样本学习的人脸检测方法，r o w l y ”“”等实现的 基于神经网络的方法，t u r k ，p e n t l a n d ，m o g h a d d a m ”4 等提出的基于主成分 分析( p c a ) 的人脸检测方法，o s u n a 等。的基于支持向量机( s v m ) 的方法， p a u lv i o l a 和m i c h a e lj o n e s “提出的基于a d a b o o s t 的人脸检铡算法等等。 ( 三) 基于特征的人脸检测 基于特征的人脸检测方法将人脸视为显著器官的组合，通过不同的方法， 检测出不同的人脸面部特征的位置，然后根据它们之问的空间几何关系来定 位入脸：或者根据人脸所固有的不变的特性，如轮廓规则、肤色、纹理规则 等，通过检测是否满足这些规则来检测、定位人脸。这类方法主要有基于 肤色的人脸检测“”( 包括多个彩色空间) 、基于局部特征的人脸检测“、基 于多个特征综合的检测方法等。 ( 四) 基于模板的人脸检测 所谓基于模板( t e m p l a t e b a s e d ) 的方法，是指从构造人脸或某个面部 器官的模板( 模型) 出发，通过各种模板搜索与匹配算法，结合对模板参数 的调整，达到检测和定位的目的。模板匹配方法通常是基于特征的方法的进 一步确认。 早期的基于模板匹配“”的方法是这样做的：首先建立一个标准的人脸模 板，由包含局部入脸特征的子模板构成，然后对幅输入图像进行全局搜索， 对应不同尺度大小的图像窗口，计算与标准人脸模板中不同部分的相关系数， 通过预先设置的阈值来判断该图像窗口中是否包含人脸。这种简单模板匹配 的方法易于实现，但是也存在着缺点：图像噪声对检测结果影响很大，因此 需要对输入图像作适当的预处理，而且模板的大小是人为设定的，因此不能 动态检测眼睛等器官的位置。 y u l l i e 等人“”提出了基于弹性模板的方法，用于人脸特征的抽取。弹性 模板是由一个根据被测物体形状而设定的参数化的可调模板和与之相应的能 量函数所构成，能量函数要根据图像的灰度信息、被测物体轮廓等先验知识 来设计。当用弹性模板进行人脸检测时，首先，将可调模板在待测图像中移 动，并动态她调整其参数，计算能量函数。当能量函数达到最小值时，根据 4 哈尔滨i ：程大学硕+ 学位论文 其位置和参数所决定的可调模板形状应该达到与人脸形状的最佳拟和，这样 就检测到了一幅人脸。 人脸检测方法分为以上四大类，而事实上，对于一些人脸检测方法的分 类是比较困难的，因为有些方法从不同的角度分析它时，完全可以将它归纳 到不同类别。比如：基于模板匹配的人脸检测方法通常使用一个人脸模型以 及一系列的子模板来提取人脸器官特征，从而基于知识的人脸检测方法与基 于模板的人脸检测方法的界线就比较模糊了。同时，很多时候研究者可能综 合了多种方法的思想，形成一种新的人脸检测方案，来提高检测的效果。 1 2 2 人脸识别的研究现状 我们这里说的人脸识别，指的是人脸识别过程的中的第三步，即将待识 别的人脸数据库中的已知人脸比较，得出相关信息。人脸识别主要依据那些 在不同个体之间存在较大差异而对于同一个人则比较稳定的特征。具体的特 征形式随识别方法的不同而不同。 人脸识别最早是由b 1 e d s o 于1 9 6 4 年提出的，迄今为止已形成了几十种 较为成熟的识别方法，如：特征脸“、f i s h e r f a c e “1 、弹性模板”“圳、神 经网络“。删、s v m “4 ”3 、h m m “6 。”1 、基于几何特征的方法。7 1 等，很多研究者对这 些方法进行了比较和总结。“2 。1 。这里主要介绍几种常用的静态图像的识别方 法。 ( 一) 基于特征脸的方法 对人脸识别技术影响最大的是特征脸技术。t u r k 和p e n t l a n d 提出特征脸 的方法，它根据一组人脸训练图像构造主元予空间，由于主元具有脸的形状， 也称为特征脸。识别时将测试图像投影到主元子空间上，得到一组投影系数， 和各个已知人的人脸图像进行比较进行识别。在 1 7 中p e n t l a n d 等报告了相 当好的结果，在2 0 0 个人的3 0 0 0 幅图像中得到9 5 的正确识别率，在f e r e t 数据 库上对1 5 0 幅正面人脸像只有一个误识别。但系统在进行特征脸方法之前需要 作大量预处理工作如归一化等。 特征脸技术主要是利用样本集合整体散射来评估转换算子，但是考虑到 整体散射包含了样本集合中类问散射和类内散射，应该尽量降低类内散射， 增大类闻散射，即不同类样本尽可能远，同类样本尽可能近。所以b e t h u m e u r 哈尔溟_ 丁程大学硕士学位论文 提出了特征脸的改进方法f i s h e r f a c e 方法。 特征脸方法简单，识别速度快，但由于它本质上依赖于训练集和测试集 图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的 局限性。 ( 二) 基于弹性模板的方法 l a d e s 等人提出了弹性模板的方法，即针对畸变不变性的物体识别提出了 动态链接模型( d l a ) ，将物体用稀疏图形来描述，其顶点用局部能量谱的多尺 度描述来标记，边则表示拓扑连接关系用几何距离来标记，然后应用弹性图 形匹配技术来寻找最近的已知图形o “”3 。 w i s c o t t 等人在此基础上作了改进，他们利用g a b o r 函数对人脸图像进 行变换，将得到的变换系数作为特征用于识别，并利用弹性匹配法以达到模 板的尽量匹配从而能够最大地消除由于小的形变带来的干扰：又由于g a b o r 变换具有局部性、带通性以及方向选择性能够很好地提取目标的本质特征， 对于目标局部变换、小的旋转、以及光照改变等情况都能得到较好的识别。 弹性模板的方法考虑了人脸的特征和非刚性，因此该方法的识别率较高，但 是计算最非常巨大。 ( 三) 基于几何特征的方法 这类识别方法将人脸用一个几何特征矢量表示，用模式识别中的层次聚 类的思想设计分类器达到识别目的，这就要求选取的几何特征矢量具有一定 的独特性，能够反映不同人脸之间的差别，同时又具有一定的弹性，以消除 时间跨度、光照等的影响。几何特征矢量是以人脸器官的形状和几何关系为 基础的特征矢量，其分量通常包括人脸指定两点间的欧氏距离、曲率、角度 等。常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等的局部形状特征， 脸型特征以及五官在脸上分布的几何特征。提取特征时往往要用到人脸结构 的一些先验知识。在这种基于几何特征的识别中，识别总归为特征矢量之间 的匹配，基于欧氏距离的判决是最常用的识别方法。 例如，p o g g i o 和b r u n e l l i 用改进的积分投影法提取出用欧氏距离表征 的3 5 维人脸特征矢量用于模式分类。他们的系统获得了9 0 以上的识别率。 h u a n gc h u n g l i n 和c h e nc h i n g w e n 使用了另一种几何特征提取机制， 即采用动态模板与活动轮廓模型提取出人脸器官的轮廓。用动态模板与活动 6 哈尔滨工程大学硕士学位论文 轮廓提取出的人脸器官轮廓，对人脸具有较为精确的描述能力，为几何特征 矢量的生成打下了坚实的基础。 ( 四) 基于神经网络的方法 神经网络由于其固有的并行信息处理方式以及分布式的编码存储方式， 故可用于模式识别，并且不受目标形变的影响。神经网络在人脸识别中的应 用很广，它有其特殊的适合于人脸识别的优势，该方法把模型的统计特征隐 含于神经网络的结构和参数中。对于人脸这类复杂的、难以显示描述的模型， 基于神经网络的方法具有独特的优势。 神经网络方法主要缺点是运算速度较慢。r o w e y 统计过单纯用人工神经 网的方法，在1 7 0 m h zr 1 0 0 0 0 s g i 工作站上处理3 2 0 2 4 0 像素的图像大约需要 1 4 0 s 。 ( 五) 基于的隐马尔科夫模型的方法 隐马尔科夫模型( h i d d e nm a r k o vm o d e l ，h m m ) 是一组用于特征化信号的 统计特性的模型，它包含两个相关的过程：一个是隐含的、不可见的有限状 态马尔可夫链，它具有初始状态概率分布函数和状态转移概率矩阵及一组与 状态有关的概率密度函数。l m m 的基本理论是由b a u m 和w e l c h 等人于2 0 世 纪6 0 年代末7 0 年代初建立，在语音识别中应用较多。 在人脸谚 别方面，c a m b r i d g e 大学的s a m a r i a 。2 1 首先将h m m 用于人脸识 别研究，并取得了比较好的效果，他们采用的是一维的隐马尔可夫模型，将 人脸图像按某种顺序划分为若干块，对各块进行k l 变换，选取f i i 若干变换 系数作为观测向量训练h m m ；n e f i a n 等人对h m m 用于人脸识别方法进行了改 进，采用了伪二维的h m m 模型，提高了识别速度和识别率。 1 3 人脸表示 人脸表示是人脸识别系统中很重要的一个问题。所有的人脸都必须以一 定的格式存储起来，新的( 检测到的) 人脸也必须按相应的格式表示以便有 效地执行识别中的匹配过程。人脸的表示应具有紧致性“”，同时尽量保持人 脸表示的完整性，不丢失或尽量少丢失信息。表示的本质与识别时的匹配策 略相互影响。目前常见的表示方法有两种：二维灰度图像表示法和特征向量 哈尔滨上程大学硕十学位论文 表示法。 二维灰度图像表示法是一种最直接、最简单的人脸表示方法。它将人脸 原始二维数字图像的灰度值用一个二维数组直接存储起来。通过计算输入图 象与库中人脸模板的相关量来寻求最佳匹配。这种表示方法的最大特点是鲁 棒性好，缺点是冗余数据量较大。 特征向量法就是使用面部特征空间构型的几何特征描述方法。这种方法 首先定位一些人脸图像特征点或区域，如眼睛虹膜，鼻侧翼点，嘴角，下巴 轮廓线等；然后在此基础上计算出反映该人脸的特征距离，角度，曲线 等几何特征量，从而用这些几何特征量描述该人脸。特征向量法充分考虑了 人脸图像所固有的统计特性、结构特性、模糊特性和知识特性，因此具有存 储量小、后续处理简单等特点，但在围绕选取哪些特征、选取多少特征、如 何选取特征以及它们对检测、识别效果有何影响等方面尚无定论。 1 4 几个术语 本小节简单介绍几个人脸检测和入脸识别中常用的术语。 1 、检测率：就是检测器在一副图像中被正确检测到的人脸的个数与原图 像内包含的人脸数的比值。检测率越高，说明检测系统对人脸的接受能力越 强。 2 、误检率( 或虚警率、误报率) ：被误检为人脸的非人脸子窗口数与原图 像内被检测的所有非人脸子窗口数的比值。假设原图像内被检测的所有非人 脸子窗口数为n ，被误检为人脸的非人脸子窗口数为n 。那么误检率= i 2 ；n ，。 检测率无法反映系统对非人脸的排除能力，有可能出现这种情况：所有人 脸都被检测到，同时很多非人脸区域也被误认为是人脸。因此引入误检率来 衡量系统对非人脸样本的排除能力。误检率越低，说明检测系统对非人脸的 排除能力越强。 3 、识别率：被正确识别的人脸样本数与测试样本总数的比值。 4 、误识率：错分的人脸样本数与测试样本总数的比值。 检测率、误检率、检测速度和鲁棒性是人脸检测的主要评价标准；识别 率和误识率是人脸识别的主要评价标准。一个优秀的人脸识别系统，就是提 哈尔滨- r 程大学硕士学位论文 高检测率、识别率，降低误检率、误识率，满足实时性的要求。 1 5 本文主要工作 人脸识别研究是当前模式识别领域的一个热点研究课题。本文工作的主 要目标是研究、改进人脸检测、人脸识别的算法，在自口人研究成果的基础上， 在人脸检测和识别领域作了一些有意义的探索和研究，并在算法实用化方面 做了大量工作，在此基础上，实现了个人脸自动识别系统的原型，系统结 构如图1 1 所示： 图i 1 人脸识别系统结构 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：基于a d a b o o s t 的人脸检测和基于肤色的人脸检测。 基于a d a b o o s t 的人脸检测出p a u lv i o l a 和m i c h a e ij o n e s 提出，该方 法简单、实时性好，但在实验中发现，特征和参数的选择，对检测速度和检 测效果影响很大。本文通过对h a r r - i i k e 特征及由其构成分类器的方法进行 了研究，通过比较，选择了扩展的h a a r l i k e 特征，并深入分析了强分类器 的个数及其排序方式对检测器性能的影响，得到了一组有效的参数。在此基 础上，实现了基于a d a b o o s t 的人脸检测软件，该软件有3 个主要功能：载入 待检测图像、检测图像及保存检测结果，可检测多种格式的静态图片。实验 结果表明，该软件在p c 机( p 42 8 g ，2 5 6 m 内存) 上，对c m u 人脸测试库的检 测率达到9 7 ，5 。 针对a d a b o o s t 方法目前仅限于正面人脸检测，因此，本文又实现了基于 肤色的人脸检测方法“。基于肤色的人脸检测姿态鲁棒性较好，可以检测任 意姿态的人脸。该方法首先对肤色进行光线补偿，然后在y c b c r 色彩空间内 对肤色非线性分段色彩变换，从而可以得到实用的肤色聚类模型，进而实现 9 哈尔滨i ：程人学硕十学位论文 了基于肤色的人脸检测。 人脸识别部分，提出了d c t s v m 的人脸识别方法。v a p n i k 在1 9 6 3 年提 出了支持向量机( s u p p o r tv e c t o rm a c h i n e ) 。，用于解决模式识别问题。s v m 开辟了学习高维数据新的天地，这种新的学习算法可以替代多层感知机、r b f 神经网络和多项式神经网络等已有的学习算法。目前己被用于人脸识别的分 类。针对特征向量的提取决定s v m 分类器的识别率，本文提出利用离散余弦 变换( d c t ) 提取人脸特征向量，作为s v m 分类器的输入，借鉴了前人提出了 s v m 多类分类器的卜1 判别策略，完成了从特征提取到分类器设计到人脸识 别的全部工作；对o c t 系数的选取，d c t 系数的个数及s v m 核参数对识别率 的影响作以详尽的分析。实验表明，支持向量机和离散余弦变换技术的结合 用于入脸识别，大大提高了识别的速度和识别率。 具体章节安排如下： 第章，介绍了人脸识别问题的研究内容及目前的研究发展情况，重点 介绍了目前比较流行的各种人脸检测和识别方法，对人脸识别的难点问题进 行了详尽的阐述；介绍了人脸表示的常用方法及人脸检测与识别中的几个常 用术语；最后给出了本文的主要研究工作及各章内容安排。 第二章，实现了基于a d a b o o s t a d a h o o s t 的人脸检测算法的基本原理 的人脸实时检测算法。介绍了基于 重点讨论了各项参数的选择及其对检 测器性能的影响，并对算法的实现过程作以详尽的分析，最后给出实验结果 及总结。 第三章，实现了基于肤色的人脸检测算法。详细介绍了算法所用得的色 彩空间、肤色模型及在此基础上实现的椭圆人脸建模，最后给出具体检测流 程图及检测结果。 第四章，实现了基于d c t s v m 的人脸识别。介绍了d c t 和s v m 的基本原 理，详细描述了的训练算法以及识别过程，最后给出实验结果并同其他识别 方法作以了比较。 第血章，对本文对以上的工作进行了总结并对未来的工作进行展望。 哈尔滨工程大学硕士学位论文 第2 章基于a d a b o o s t 的人脸检测算法 p a u lv i o l a 等提出了基于a d a b o o s t l l 练的层叠人脸检测分类器“，在取 得与c m ur o w l e y 方法相同检测性能的情况下其速度大大提高，这使人脸检测 研究取得重大进展，引起了这一领域的广泛关注。 该算法有三个主要特点： 1 、提出一种新的图像的表示方法积分图像( i n t e g r a li m a g e ) ，利 用它可以快速计算h a a r 1 i k e 特征。 2 、利用a d a b o o s t 机器学习算法将由h a a r 一1i k e 特征生成的简单分类器 ( b a s i cc l a s s i f i e r ) 叠加( b o o s t ) 成为强分类器( s t a g ec l a s s i f i e l ) 。 3 、将强分类器串联而成为分级分类器( c l a s s f i e rc a s c a d e ) 用于检测 人脸。 2 1h a a r iik e 特征及特征值的计算 我们已经知道人脸可以用特征来表示，a d a b o o s t 用于人脸检测时，需要 从人脸中抽取大量简单特征。特征的选择和提取对于后面分类器的设计和性 能至关重要。p a p a g e o r g i e u 。”在应用h a a r d 、波变换从人脸图像中提取特征 时，提出了最初的局部h a a r l i k e 特征概念。 该特征库包含有3 种类型4 种形式的特征。3 种形式分别为2 矩形特征、 3 一矩形特征、4 一矩形特征。如图2 1 所示： 图2 1 最初4 种形式的h a a r 一1i k e 特征 一个2 一矩形的特征的特征值是这两个矩形各自内部的所有像素和的差 值，这两个矩形拥有相同的大小和形状，并且是垂直或者水平相邻的。个3 一矩形的特征的特征值是由两边两个矩形各自内部的所有像素和与中间矩形 哈尔滨上= 程人学硕十学位论文 内部所有像素的和的差值得到的。最后，一个4 一矩形特征的特征值是由对角 线上两个矩形各自内部的所有像素和的和与另一对角线上两个矩形各自内部 的所有像素和的和之间的差值得到的。 r a i n e rl i e n h a r t ”7 1 等在此基础上提出了扩展的h a a r l i k e 特征，如图 2 2 、2 3 、2 4 所示：每个特征原型出2 3 个矩形组成，分别检测边界、细线、 中心特征，从这些矩形特征原型可派生出丰富的矩形特征，派生方法是：对 没有旋转的矩形特征原型来说，可以垂直或水平地改变矩形的边长；对于旋 转4 5 度角的矩形特征原型来说，可以沿正( 负) 4 5 度角改变矩形的边长。 口嗣 ( a )( b )( c )( d ) 图2 2 边界特征 珊咖日冒 ( a )( b )( c ) ( d ) ( e )( f ) ( g ) ( h ) 图2 3 线特征 回 ( a )( b ) 图2 ，4 中心特征 每个特征可表示为： f e a t u r e j = c o ，r e c t s u m ( r , ) ( 2 1 ) l e ( 1 ，n ) 其中( d t 为矩形一的权，r e c t s u m ( r , ) 为矩形所围图像的灰度积分，n 是 组成f e a t u r e ，的矩形个数，铡如对于第三个线特征，它出三个矩形组成，如 果选q = i ，印2 = - 2 ，c 0 3 = l 则其特征值为： f e a t u r e 3 = qr e c t s u m ( r ) 。= r e c t s u m ( r 0 2 r e c t s u m ( r 2 ) + r e c t s u m ( r 3 ) e ( 1 ，2 ，3 ) ( 2 2 ) 哈尔滨工程大学硕七学位论文 矩形f 所围图像的灰度积分r e e t s u m ( r , ) 为第i 个矩形内所有象素欢度值 之和。仅在2 4 2 4 的窗口中就包含1 1 7 9 4 1 个矩形特征，如果每次计算特征值 时都要分2 次统计矩形内所有象素值之和，那么如此大的计算量将大大降低训 练和检测的速度。p v i o l a 。“利用图像的快速积分算法可以方便地计算特征 值：引入了一种新的图像的表示方法积分图像( i n t e g r a li m a g e ) ，利用 它可以快速计算h a a r 一1ik e 特征。 定义积分图像如下： 己知输入图像i ，在点( x ，y ) 处的积分图像值定义为： i i ( x ，y ) = 姬，y ) ( 2 3 ) 。e j ，y p 如图2 5 所示，等于图中阴影部分的所有象素灰度值的和。 图2 5 点( x ，y ) 处的积分图像值 为了得到输入图像i 的积分图像，需要逐点扫描图像一次，设i ( x ，y ) 为输 入图像各点的像素狄度值， s ( x ，y ) = i ( x ，y ) 为原图像点( x ，y ) 所在列纵坐 ， ， 标不超过该点的所有象素灰度值之和，则图像i 的积分图像值计算可按如下递 推公式计算： s ( x ，y ) = 5 ( t y - 1 ) + ( w ) ( 2 - 4 ) l i i ( x ，y ) = i i ( x l ，y ) + s ( x ，y ) 在得到图像i 的积分图像后，就可以方便快捷的计算图像i 中任意矩形内 所有像素灰度积分，如图2 6 中，点1 的积分图像i i 的值为： i i = r e e t s u m ( a ) ( 2 - 5 ) 同理，点2 、点3 、点4 的积分图像分别为： 晗尔滨上穰人学硕士学位论文 i i 2 = r e c t s u m ( a ) + r e c t s u m ( b ) ( 2 6 ) i i 3 = r e c t s u m ( a ) + r e c 心u m ( c ) ( 2 7 ) i i 4 = r e c t s u m ( a ) + r e c 心u m ( b ) + r e c t s u m ( c ) + r e e t s u m ( d ) ( 2 - 8 ) 图2 6 利用积分图计算矩形d 的所围图像灰度积分 如果想要计算矩形d 内的所有像素灰度积分，则可由各点的积分图像值 得到： r e c t s u m ( d ) = i i 4 + i i 】一( i i 2 + i i a ) ( 2 9 ) 在v i o l a 的系统中，每个矩形的灰度积分的计算，最多只需要从积分图象 中取9 个元素做加减法，而且在进行多尺度检测时，仍然可以使用同一个积分 图象，这使得整个检测过程。只扫描了原图一遍，便可在任意尺度搜索，这 也是v i o l a 方法速度非常快的根本原因。 2 2 机器学习的基本概念 由于a d a b o o s t 算法和第三章的支持向量机都是机器学习算法，我们首先 介绍机器学习的一些基本理论。 机器学习。”1 是一种不完全归纳法，其目的是根据给定的训练样本对某系 统输入输出之间的依赖关系进行估计，使它能够对未知输出做出尽可能准确 的预测。根据样本进行学习的模型如图2 7 所示。其中： l 、g ：产生器，产生随机向量，x r “，他们是从固定但未知的概率分 布函数f ( x ) 中独立抽取的。 2 、s ：训练器，对每个输入向量x 返回一个输出值y ，产生输出的根据是 同样固定但未知的条件分布函数f ( y | x ) 。 哈尔滨。t ：程大学硕士学位论文 3 、l m ：学习机器，它能够实现一定的函数集f ( x ，d ) ，a 人其中人是 参数集合。这里参数n a 并不一定必须是向量，它们可以是任意的抽象参 数，因此我们实际上考虑的是任意的函数集。 图2 7 根据样本学习的一个模型 机器学习的问题就是从给定的函数集f ( x ，a ) ，a a 中选择出能够最 好地逼近训练器响