（物理电子学专业论文）人脸识别的线性降维算法研究.pdf

硕士学位论文 m a s t e r st h e s i s 摘要 人脸作为一种独特的生物特征，是一种易为人们所接受的、最常见的模式。而 人脸识别是模式识别和机器视觉领域的一个热点研究问题，成为基于生物特征识别 技术的身份认证中最主要的方法之一。由于人脸结构的复杂性、人脸表情的变化多 样性，以及在成像过程中易受诸多因素的影响，又使得人脸识别这一课题极具挑战 性。经过研究者多年的探索，现在已经涌现出大量的人脸识别算法。在研究人脸识 别应用中，其性能取决于对输入空间特征提取的有效性。由于所处理数据具有维数 高的特点，很容易出现所谓的“维数灾难”问题。本文对人脸识别的线性流形学习 算法进行研究，充分利用人脸的自然特征以及实际可获取的先验已知信息，得到两 种改进的人脸识别线性降维算法。通过在人脸库中的实验结果表明算法的有效性。 本文的主要工作和成果包括以下几个方面： 1 通过广泛的查阅文献，对人脸识别有关的算法进行比较全面的综述。 本文首先简要地回顾了人脸识别研究的历史和发展现状，之后对人脸识别中一 些主要算法作了详细地比较说明，重点介绍了最近几年人们比较关注的一些改进的 线性降维算法。 2 介绍一种改进的人脸识别方法一一基于完全二维对称主成分分析法。 首先由镜像变换得到镜像样本，然后根据原始人脸样本和相应的镜像样本矩阵 直接计算得到奇偶对称样本的特征矩阵，通过奇偶加权因子对奇偶对称样本的特征 矩阵进行组合，最后采用最近邻距离分类器来分类，在o r l 人脸数据库中的实验 表明了该方法的有效性。 3 ：针对半监督降维算法不能更好的保留图像特征且算法运行速度慢的缺陷，改 进得到一种半监督双向降维的人脸识别方法。 与半监督降维相比，该方法不仅直接利用原始图像矩阵分别从两个方向上构造 两个协方差矩阵，很好的保留图像的特征，而且能考虑低维的全局协方差结构，较 好的保持成对约束及未标记数据在低维的结构。在o r l 人脸库和y a l e 人脸库中的 实验表明，该方法能有效的提高识别的速度，并可获得更好的识别性能。 识别 关键词：主成分分析；完全二维主成分分析；镜像对称性；半监督学习；人脸 圆 ： 硕士学位论文 m a s t e r st h e s i s a b s t r a c t f a c ea sau n i q u eb i o l o g i c a lf e a t u r e w h i c hi sd i r e c t , i st h em o s tc o i n m o nm o d e lf o r p e o p l et oa c c e p t f a c er 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 nr e s e a r c ha r e ao fp a t t e m r e c o g n i t i o na n dm a c h i n ev i s i o n ，a n db eo n eo ft h em a i nb i o m e t r i c s b a s e da u t h e n t i c a t i o n m e t h o d sf o ri d e n t i t ya u t h e n t i c a t i o n c a u s eo ft h ec o m p l e x i t yo ft h ef a c es t r u c t u r e ， k i n d n e s sc h a n g e so ff a c i a le x p r e s s i o na n dt h ei n f l u e n c eo ft h ep r o c e s so fi m a g i n g ，t h e t o p i co ff a c er e c o g n i t i o nb em o r ec h a l l e n g i n g a f t e ry e a r so fe x p l o r a t i o n , al a r g en u m b e r o ff a c er e c o g n i t i o na l g o r i t h m sh a v es p r u n gu p i nt h es t u d y , f a c er e c o g n i t i o no fi t s p e r f o r m a n c ed e p e n d so nt h ei n p u ts p a c ef e a t u r ee x t r a c t i o ne f f i c i e n c y s i n c et h ed a t a p r o c e s s e db yt h ec h a r a c t e r i s t i c so fh i g hd i m e n s i o n , i ti sp r o n et os o c a l l e d ”c u r s eo f d i m e n s i o n a l i t y ”p r o b l e m t k st h e s i ss t u d i e st h el i n e a rr e c o g n i t i o nm e t h o d sb a s e do n m a n i f o l dl e a r n i n g ，m a k e sf u l lu s eo ft h en a t u l mc h a r a c t e r i s t i c sa sw e l la st h ea c t u a l a c c e s s i b i l i t yo fp r i o rk n o w ni n f o r m a t i o n , a n dp u t sf o r w a r dt w on o v e ll i n e a rd i m e n s i o n r e d u c t i o na l g o r i t h m sf o rf a c er e c o g n i t i o n t h ee x p e r i m e n t a lr e s u l t sa l s oi n d i c a t et h a tt h e p r o p o s e da l g o r i t h m sa c h i e v eb e t t e rp e r f o r m a n c e n em a i nr e s e a r c hw o r k sa n d c o n t r i b u t i o n sa r ea sf o l l o w i n g ： 1 t h r o u g he x t e n s i v ei n s p e c t i o n , p r o v i d e dat h o r o u g hs u r v e yo ft h er e l a t e df a c e r e c o g n i t i o na l g o r i t h m s f i r s to fa l l ，t h i sp a p e rb r i e f l yp r o v i d e da no v e r v i e wo ft h eh i s t o r ya n dd e v e l o p m e n t s t a t u so ff a c er e c o g n i t i o n a n dt h e ns o m em a i na l g o r i t h m si nf a c er e c o g n i t i o na r e i n t r o d u c e d , e s p e c i a l l yt h o s ei m p r o v e dm e t h o d so nl i n e a rd i m e n s i o n a lr e d u c t i o n 2 an e wm e t h o db a s e do nt h ec o m p l e t et w o d i m e n s i o n a l s y m m e t r i c a lp c a ( c 2 d s p c a ) i sp r o p o s e df o rf a c er e c o g n i t i o n f i r s t ，f a c ei m a g e sa r ep e d o n i l e db ym i r r o rt r a n s f o r m , a n dt h eo r i g i n a lf a c es a m p l e s a n dt h ec o r r e s p o n d i n gm i r r o rs a m p l e sa r eu s e dt oc o m p u t et h eo d ds y m m e t r ys a m p l e s a n dt h ee v e ns y m m e t r ys a m p l e s ，r e s p e c t i v e l y a f t e rt h a t ，t h ee i g e nm a t r i x e so fo d d e v e n s y m m e t r i c a ls a m p l e sa l es e p a r a t e l ye x t r a c t e dt h r o u g ht h es a m p l e sm a t r i xa n du s e dt o f o r mt h ef e a t u r e sb ya no d d e v e nw e i g h t e df a c t o r f i n a l l y , an e a r e s tn e i g h b o rc l a s s i f i e ri s e m p l o y e dt oc l a s s i f yt h ee x t r a c t e df e a t u r e s 1 1 l em e t h o di nt h ep a p e ri se v a l u a t e do nt h e o i 也f a c ei m a g ed a t a b a s e e x p e r i m e n t a lr e s u l t ss h o wt h ep r o p o s e dm e t h o da c h i e v e s b e t t e rp e r f o r m a n c e 3 a g a i n s tt h ed e f e c t so fs e m i - s u p e r v i s e dd i m e n s i o n a l i t yr e d u c t i o n ( s s d r ) o n p r e s e r v i n g t h ei m a g ef e a t u r e sa n dt h ec o m p u t a t i o n a le f f i c i e n c y , p r o p o s e daf a c e r e c o g n i t i o nm e t h o db a s e do ns e m i - s u p e r v i s e db i - d i r e c t i o n a ld i m e n s i o n a l i t yr e d u c t i o n 硕士学位论文 m a s t e r st h e s i s ( s s b d r ) c o m p a r e d t ot h es e m i s u p e r v i s e dd i m e n s i o n a l i t yr e d u c t i o n ( s s d r ) ，i tc a nn o to n l y c o n s t r u c t st w oi m a g ec o v a r i a n c em a t r i c e sd i r e c t l yb yt h eo r i g i n a li m a g em a t r i xi nt w o d i r e c t i o n sw h i c hc a nr e d u c et h ed i m e n s i o no ft h eo r i g i n a li m a g em a t r i xi nt w od i r e c t i o n s ， b u ta l s op r e s e r v et h ei n t r i n s i cs l m c t u r eo ft h eu n l a b e l e dd a t a 勰w e l la sb o t ht h em u s t - l i n k a n dc a n n o t - l i n kc o n s t r a i n t sd e f i n e do nt h el a b e l e d e x a m p l e s i nt h e p r o j e c t e d l o w - d i m e n s i o n a ls p a c e e x p e r i m e n t sr e s u l t sa n dt h ec o m p u t a t i o n a le f f i c i e n c yo ft h i s m e t h o dw e r eb o t hi m p r o v e do no r la n dy a l ef a c ed a t a b a s e s 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 ；c o m p l e t et w o d i m e n s i o n a lp c a ；f a c i a l s y m m e t r y ；s e m i s u p e r v i s e dl e a r n i n g ；f a c er e c o g n i t i o n 硕士学位论文 m a s t e r st h e s i s 华中师范大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作 所取得的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本l 声明的法律结果由本人承担。 作者签名： 立丽饬 i 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、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电子版，允许论文被查阅和借 阅。本人授权华中师范大学可以将本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和汇编本学位论文。同意华中 师范大学可以用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。 作者签名：立面留导师签名：练燕苡乒 允许北京万方数据电子出版社出版的中国学位论文全文数据库将本人论文 以电子、网络、镜像及其他数字媒体形式公开出版。 作者签名：立砌 i 本人已经认真阅读“c a l i s 高校学位论文全文数据库发布章程”，同意将本人的 学位论文提交“c a l i s 高校学位论文全文数据库 中全文发布，并可按“章程”中的 规定享受相关权益。回童诠塞握童卮溢卮! 旦兰生；旦= 生；旦三生筮查! 作者签名： 立币嗡 日期：州。年6 月日 孙娩咎炫趴 日期：v , o 月日 ： 硕士学位论文 m a s t e r st h e s i s 第一章前言 1 1 人脸识别的研究意义及应用前景 计算机及网络的高速发展迅速推动信息全球化时代的来临，使得人们越来越重 视信息的安全性及隐秘性。如何有效方便的进行身份验证、识别，已经成为人们迫 切需要解决的社会问题l l 】。对于一些使用证件( 如最常见的个人身份证、工作人员 的工作证、各种智能卡) ，口令密码等传统身份认证手段，不但记忆麻烦，而且很 容易被他人窃取、盗用，越来越不适应现代社会的进步与发展。与传统的身份认证 鉴别手段相比，基于生物特征识别技术作为一种高新技术为此提供了一个解决方案 1 2 1 。人脸是人类视觉中最常见的一种模式，作为一种独特的生物特征，具有直接、 友好和方便等特点，易于为人们接受【3 】。进而使得人脸识别技术倍受关注，成为基 于生物特征识别技术的身份认证中最主要的方法之一，也是模式识别和机器视觉领 域的一个热点研究问题f 4 j 。而由于人脸结构的复杂性、人脸表情的变化多样性，以 及在成像过程中易受诸多因素的影响，又使得人脸识别这一课题极具挑战性。 与其他的生物识别方法相比，如指纹匹配、虹膜识别、语音识别、掌形、签字 比对等，人脸图像识别具有如下几个主要特点【5 j 6 1 ： 1 ) 具有很强的操作隐秘性。与指纹采集、签字比对等方法相比，人脸识别是 唯一不需要使用者配合的生物识别方法。它不具有侵犯性，也不会给人带来不适应 的感觉从而被众多的人接受。 2 ) 实现的设备具有简单、通用等特点。对一个未知身份者进行生物记录时先 进行人脸图像采集，采集图像所用到的成本比一些专用d n a 鉴别仪、虹膜图像采 集仪等设备更便宜，采集后系统会自动检索整个人脸数据库与之最相似的一个照片 集合，然后对该人进行身份验证。例如，对某企业的待识别人员进行身份鉴别。此 时，管理员可以直接比对人脸图像来判别核实来者身份，对于虹膜扫描，d n a 鉴 定等方法，不仅采集设备的成本高，也不符合人们的识别习惯，并且一般人不具备 对其判别的能力。 3 ) 可交互性强。人机交互方式的整个过程可以在待识别者毫不知情的情况下 完成，便于隐蔽，更加友好、方便。在嫌疑犯跟踪、罪犯追捕、职业扒手跟踪等方 面充分发挥了其积极地作用。 从应用角度看，人脸识别技术的应用领域十分广阔。 在信息安全方面，随着科技的进步及网络技术的普及化，越来越多的用户 ： 硕士学位论文 m a s t e r st h e s i s 习惯直接访问互联网，用户可以进行计算机的登录权限设置，应用程序的 安全使用、数据库安全访问、文件加密和解密，以及对局域网、广域网的 安全控制。 在公共安全方面，包括公安布控、犯罪分子追踪与识别、刑侦追逃、边防 安全检查；在政府职能方面，如常见的：居民的户籍管理、电子政务、社 会福利和保险等。 在商业企业方面，越来越规范的互联网电子货币、电子政务和职员的考勤 记录，工资支付等。场所进出方面的军事机要部门、金融机构的门禁控制 和进出管理，以及各类银行卡、金融卡、信用卡、储蓄卡的持卡人身份验 证，还有社会保险人身份验证，出国人员的护照，学生学历的真伪鉴别等。 在家庭娱乐方面，比如能够识别主人身份的智慧玩具、家政服务机器人、 网络上流行的真实感虚拟游戏、虚拟现实的网络生活游戏等方面都有很大 的发展潜力。 综上所述，人脸识别是一种非常有潜力的身份认证方法。 1 2 人脸识别研究现状 人脸识别研究历史非常悠久，早在1 8 8 8 年c a l t o n 就在( n a t u r e ) ) 上发表了一 篇文章，关于利用人脸进行身份识别并对人类自身的人脸识别能力进行分析。经过研 究者不断地探索，现已涌现出大量的人脸识别算法。 早期的人脸识别主要是用几何特征参量来表征人脸的面部特征 7 1 【8 】。这类方法 首先定位人脸的主要器官( 如人的五官、下巴等) ，再从中选择一组反映它们之间 的结构配置特征，如嘴巴与鼻子间的距离、眼睛的间距，眼睛的轮廓、嘴巴的形状 等，然后再进行人脸匹配、识别。 在1 9 7 3 年出现了一个进步很大的系统，能实现快速、实时处理，即k a n a d e t 8 】设 计的一种基于几何特征的全自动人脸识别系统。该系统创造性地运用积分投影法从 单幅人脸图片中定位，并提取出面部特征点，然后用基于最小欧氏距离的模式分类 技术与标准人脸进行匹配。 上个世纪8 0 年代后，人脸识别研究进入基于表观描述研究的新阶段。研究更 多地利用一些低层的特征，如图像的灰度信息、小波变换等，虽然这些特征没有很 直观地物理含义，由于他们包含更多信息，在描述模式变形时具有更好的鲁棒性。 2 硕士学位论文 m a s t e r st h e s i s 1 2 1 线性流形学习算法 随着对基于表观描述方法的研究，研究者发现了这些方法都出现了一个“维数 灾难的问题。也就是基于表观的方法在处理时存在维数非常高的现象，这样迫切 地需要寻求能降低维数的方法。实验发现人脸图像各像素点之间存在很强的相关 性，而人脸图像可以描述成高维图像空间中的一个子空间。这个时期出现了一种经 典的线性降维方法，即麻省理工学院( m i t ) 媒体实验室的t u r k 和p e n t l a n d 提出基 于主成分分析方法( 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 ) 【9 j 。 降低维数也就是所谓的维数约简，它与流形学习联系密切，文献中常常将这两 个概念等同看待。如果观察数据集的潜在流形是线性的，则流形学习就称为线性流 形学习，相应的维数约简就称为线性降维。反之如果观察数据集的潜在流形是非线 性的，则流形学习就称为非线性流形学习，相应的维数约简就称为非线性降维。 此后有很多人脸识别算法都是在p c a 方法的基础上发展起来的。m i t 的 m o g h a d d a m 提出一种基于双子空间进行贝叶斯概率估计的人脸识别方法，该方法用 相似度的概率取代主成分分析方法中的欧氏距离度量【1 0 1 【1 1 】。此外，l z h a o 和 h y a n g i l 2 j 提出了不同光照影响计算散度矩阵的方法解决p c a 方法中的光照影响问 题。y a n g 等【1 3 j 提出了一种二维主成分分析法( t w o d i m e n s i o n a lp c a , 2 d p c a ) ，并 将此方法用于图像重构，取得了很好的识别效果。针对如何更好的利用图像数据计 算特征向量，x u 等【1 4 j 在2 d p c a 的基础上提出了一种完全二维主成分分析法 ( c o m p l e t et w o d i m e n s i o n a lp c a ，c 2 d p c a ) 。还有c h e n 等人【l5 j 提出增强的 ( p c ) 2a 的人脸识别、t a n 等人【1 6 1 提出适应加权的子模式主成分分析等。 b e l h u m e u r 等【f 7 】提出f i s h e r f a c e ( 又称为线性判别分析l i i l e a rd i s c d m i n a n t a n a l y s i s ，l d a ) 从高维图像将样本投影到低维特征空间的方法，该方法目前仍然是 主流的人脸识别方法之一。s s h a h 等人【l8 】为解决f i s h e r 脸方法中训练图像的选择 问题，提出利用简单的几何变换和灰度变换，从一幅图像生成了同一个人在不同光 照及表情下的多幅人脸图像的方法。a m m a r t i n e z 等人【1 9 1 研究，当训练样本较少 时，p c a 与f i s h e r 方法进行人脸识别的性能比较。李进等人1 2 0 提出基于改进零空 间法的人脸识别研究。y a n g 等【2 1 1 和l u o 等人1 2 2 1 分别提出二维线性转换方法、对称 二维线性判别分析( s y m m e t r i ct w od i m e n s i o n a ll i i l e a rd i s c r i m i n a n ta n a l y s i s ， s 2 d l d a ) ，y o u 等人冈j 提出邻域判别投影的流形学习算法，目的是保持图像空间 类内邻域结构，同时使不用类别的样本距离越远。除以上方法外还有非负矩阵因子 ( n o n - n e g a t i v em a t r i xf a c t o f i z a t i o r t , n m f ) 【2 4 】和一种统计信号处理技术一一独立成 3 硕士学位论文 m a s t e r st h e s i s 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 ) 【2 5 】 2 6 1 ，19 9 7 年b a r t l e t t 将此方法应 用到人脸识别中，实验表明i c a 方法得到的特征更有利于人脸的分类。 随后出现了一种新的子空间分析方法，局部保距投影( l o c a l i t yp r e s e r v i n g p r o j e c t i o n , l p p ) 【2 7 】。与p c a 算法不同的是，p c a 提取的是最有代表性的特征，而 l p p 算法是在提取最有代表性特征的同时，还解决了传统线性方法难以保持原始数 据非线性流形的缺点，保留样本内在的局部流形结构不变。c h e n 等人圆】提出基于 局部特征分析法，z h a n g 等人1 2 9 提出基于全局特征的监督l p p 的人脸识别。 以上介绍的线性降维方法有的只利用了大量的无标记样本，有的是只利用了有 标记样本的信息。在实际应用中，通常可以获取大量的无标记样本，而对于有标记 的样本获取是比较困难和昂贵的。如何从样本的利用角度出发，更好地利用样本信 息引起了人们的极大重视，这就出现了半监督学习问题。基于半监督学习的方法就 是利用少量标注样本和大量未标注样本进行机器学习，获得良好性能和推广能力的 学习，能很好地提高无监督方法的性能，故已受到机器学习等多个相关领域的广泛 关注【3 0 1 。 通常所说的监督信息包括样本标记、成对约束或样本之间的对比关系等。要研 究成对约束信息，是因为我们可能不知道样本的真实标记，但却很容易知道这些成 对约束信息，即知道两个样本是否属于同一类，或者不属于同一类。并且成对约束 可从样本标记中自动生成，相反而不成立，所以利用成对约束更实际有效。 半监督学习的思想在线性降维中也得到应用。在特征抽取方面，余诗鹏等人【3 8 j 提出了e m 框架下的半监督概率p c a ，蔡登等人【3 9 j 提出融入流行正规化的半监督 判别分析，s u g i y a m a 等人 4 0 l 提出半监督局部f i s h e r 判别分析，张道强等人【4 l 】提 出结合无标记样本和样本间成对约束的半监督降维算法( s e m i s u p e r v i s e d d i m e n s i o n a l i t yr e d u c t i o n , s s d r ) 。y a n g 等心j 人提出的非监督判别投影，对比l d a 没有使用类别标记，使局部最小化，全局最大化。h a m 等人【4 3 】通过给出部分样本 的嵌入结果作为监督信息，并用其指导其他无标记样本来进行降维。韦佳等人 4 4 1 提 出的基于局部与全局保持的半监督维数约减方法，不仅能保持成对约束，而且能保 持数据集在低维的局部与全局信息。在特征选择方面，h a n d l 和k n o w l e s 4 5 】提出基 于多目标优化的半监督特征选择等。 1 2 2 非线性流形学习算法一 由于人脸数据呈现出非线性结构特点，而线性降维方法无法揭示其固有的复杂 的非线性流形结构。随着神经生理学的发展，2 0 0 0 年在s c i e n c e ) ) 上，s e u n g 4 6 1 提 4 硕士学位论文 m a s t e r st h e s l s 出入的感知以流形方式存在。感知和流形的关系，即人脸图像实质上由光线亮度， 头部姿势等少数几个因素决定。如果将每张人脸图片看作个模式，则变化的模式 实质上是位于一条光滑流形上的不同的点。关于流形学习，最具影响力的是2 0 0 0 年j b t e n e b a u m 等提出的等距特征映射( i s o m a p ) 【4 7 】以及s t r o w e i s 等的局部线 性嵌入( l l e ) 【4 8 】。i s o m a p 算法使用最邻近图中的最短路径得到近似的测地线距 离来代替不能表示内在流形结构的欧式( e u c l i d e a n ) 距离，然后输入到多维尺度分析 ( m u l t i - d i m e n s i o n a ls c f l i n g m d s ) 中处理，进而得到嵌入在高维空间的低维坐标。 m d s 4 9 1 与p c a 的前提假设一样都是基于全局线性结构，两者的区别是以不同的度 量形式来描述数据的整体结构和数据间的关系，m d s 是根据数据间的相异度( 如 距离) 寻找数据在低维空间中的近似，并尽可能地保留每对观测数据之间的相似性 关系。 l l e 算法是利用线性重构的局部对称性质，学习非线性流形的全局结构。把流 形上每一个局部邻域内的任意一点用其邻域内的其他的点线性表示，各个邻域间的 连接信息也可以用相互重叠的部分描述，保持这种线性关系在投影时不变，那么就 可以把输入的数据映射到一个全局低维的坐标系统里，在这个低维的坐标系统里 l l e 可保留数据点的邻接特性。另外l l e 算法还有旋转不变、尺度不变和平移不 变等性质，优化过程不包含局部极小，算法中的可变参量少。 除以上两种较为经典的流形方法外，还有b e l k i n 和n i y o g i 等人提出的拉普拉 斯特征映射( l a p l a c i a ne i g e n m a p ，l e ) 1 5 0 l 、浙江大学张振跃等人提出局部切空间排 列( l o c a lt a n g e n ts p a c ea l i g n m e n t ，l t s a ) 算法1 5 1 1 。此后还有大量以这些方法为基 础进行改进的算法，基于i s o m a p 改进的有：v d es i l v a 和j b t e n e b a u m p z 】提出 c i s o m a p ( c o n f o r m a l i s o m a p ) 算法，邵超等人1 5 3 】提出p i s o m a p ( p r u n e d i s o m a p ) 算法， 周红等人【州提出s i s o m a p ( s u p e r v i s e d i s o m a p ) 算法等。基于l l e 算法改进的有： 曹顺茂等【5 5 1 、l i 等【5 q 提出局部线性嵌入算法，z h a n g 等【5 7 】提出l l e 用于降维的 方法，h a n 等人网提出邻域判别的l l e ，p a n 等 5 9 1 和m e k u z 等 6 0 1 分别提出加权 的l l e 和加权重l l e 的人脸识别，张振跃等人1 6 i 】提出基于概率的l l e ，y a n g 等 人【6 2 】提出半监督的非线性降维法和y o u 等人【6 3 】提出邻域判别投影的人脸识别。 国内关于人脸识别的关注始于八十年代，很多高校和研究机构的研究组开始对 人脸识别进行研究。九十年代中后期以来，在国家自然科学基金，8 6 3 计划等资助 下，越来越多的研究者积极开展了对人脸识别更深入的研究及其应用开发工作。如 在2 0 0 0 年由8 6 3 计划智能计算机主题专家组和中国科学院自动化研究所发起，在 北京举办了“第一届中国生物特征识别学术会议 ，并建立了学术网站。 5 ： 硕士学位论文 m a s t e r st h e s i s 另外，随着国内大型活动的日益增加，各种基于身份的识别系统在一些公共场 所得到了应用。2 0 0 9 年9 月据有关报道，上海银晨公司与中科院计算所合作，把人 脸识别带向了产业化应用，一套全球规模最大、专为上海世博会设计的人脸识别系统 已问世1 6 4 1 。在2 0 1 0 年世博会上，进出世博园区约5 0 万持证人员和7 0 0 0 万人次游客 都将拥有人脸通行证”，该系统将协助安保人员为世博园“站岗放哨”。据悉，这种上 海研发的高新技术今年还在湖南有了用武之地。长沙的4 0 0 多台银行a t m 机上，已 安装了人脸识别装置，安装至今这套系统已协助警方侦破了多起a t m 机诈骗案件。 很多国家的大学和研究机构以及公司投入了研究力量，并在2 0 世纪末有了较 快速的发展。除了传统的国际知名会议，如模式识别( i c p r 、c v p r ) 、计算机视觉 ( i c c v 、e c c v ) 、图像处理( i c i p ) 等，近年来又出现a v b p a ( a u d i oa n dv i d e o b a s e d p e r s o na u t h e n t i c a t i o n ) ，i c b a ( i n t e m a t i o n a lc o n f e r e n c eo nb i o m e t r i ca u t h e n t i c a t i o n ) ， a f g r ( a u t o m a t i ef a c ea n dg e s t u r er e c o g n i t i o n ) 等一些有关生物特征识别技术的专 业学术会议。 2 0 0 3 年，在国际生物识别委员会发布的生物识别技术市场份额报告中，预测人 脸识别技术的市场未来会更大。图1 1 是m a c h i n er e a d a b l et r a v e ld o c u m e n t s ( m r l d ) 系统对一些典型的用于识别的生物特征兼容性进行的评价。 o f o c e f i r o e rh a n dv o i c e e y e $ 1 9 n o t u r e 图1 1 基于m r t d 系统兼容性的各种特征评价 美国等发达国家也有很多研究小组在从事生物识别技术的研究，这些研究受到 政府、企业的高度重视与资助。特别是“9 1 l 恐怖袭击事件后，国际恐怖主义形 势弄得人心惶惶、严重威胁了人们的身心安全。生物特征识别以其强大有效的应用 性得到各大国政府的认可和支持，并作为关系国家安全的重大关键技术被重点发 6 鲥 硝 - o 堂卷g&罢lci釜 ： 一， 硕士学位论文 m a s t e r st h e s i s 展，渐渐大幅度地投入到实际应用。 人脸识别实用化的主要障碍是在非理想采集条件下识别性能的迅速下降，产生 的原因有数据样本获取自身的稳定性，识别所采用的特征对采集条件变化的鲁棒 性，还有核心的识别算法的拓扑稳定性与泛化能力。要解决这些问题一方面要进一 步对现有算法进行改进，对新算法、新模型的探索，另一方面依赖于全球科技水平 的提高，基础理论研究的发展。 1 3 人脸识别研究内容 人脸识别是一个视觉模式识别问题。人脸识别系统一般包括四个模块：人脸检 测( f a c ed e t e c t i o n ) ，人脸对齐( f a c ea l i g n m e n o ，特征提取( f e a t u r ee x t r a c t i o n ) 和特征匹 - d ( f e a t u r em a t c h i n g ) 。先对人脸图像进行局部化和标准化( 即人脸检测和人脸对齐) ， 然后进行人脸识别( 人脸特征提取和匹配) ( 如图1 2 所示) 。 图1 - 2 人脸识别过程 人脸检测就是判断计算机获取的或者给定的图像中是否存在人脸，如果存在， 给出人脸的具体位置、大小等信息。在视频的情况下，需要利用人脸跟踪技术进行 实时的检测人脸。近几年来，从实用的角度考虑，需要研究人脸识别时不受环境和 背景的影响，于是人脸检测的研究工作成为独立的研究方向倍受人们关注。 人脸对齐就是对人脸的一些主要特征进行更精确的定位，如确定眼睛的轮廓或 者中心，嘴巴的中心，鼻子的位置等。另外要对这些特征建立相应的模型以便对关 键点进行定位。最后利用这些关键点对人脸进行进一步的规范化，包括照明和灰度 条件的归一化。 人脸特征提取是人脸识别的最关键、核心的部分。特征提取就是从对齐了的人 脸中提取能区分不同人的特征。只有提取了那些具有较大区分能力的特征，才能更 好的进行人脸匹配，然后通过一对一的比较特征描述的图像信息，选出与测试图像 身份相符者。 7 硕士学位论史 m a s t e r st h e s i s 1 4 本文主要研究内容及结构安排 本文的研究重点是集中在人脸特征提取部分，人脸图像信息数据量很大，为了 满足检测和识别实时性的要求，需要对原始图像的数据降维，用尽可能少的数据表 示尽可能多的信息。通过广泛调研，针对之前传统算法的不足之处，在现有人脸识 别算法的基础上得到改进的算法。充分利用人脸的自然特征以及实际可获取的先验 已知信息，使得改进后的算法不仅实现简单，而且能达到提高人脸识别的性能。 本文结构安排如下： 第一章：前言 主要概述了人脸识别的研究意义及应用前景，国内外研究现状。许多机器学习 的性能取决于对输入空间特征提取的有效性，如本文研究人脸识别应用中，由于所 处理数据具有高维数的特点，如果不对其进行有效的特征提取，则很容易出现所谓 的“维数灾难”问题。因此，维数约简的有效性是非常关键的，本文对现阶段的人 脸识别主要降维算法进行综述。 第二章：基于主成分分析的人脸识别 主要介绍了几种典型的基于主成分分析的算法原理及流程，然后对这些方法作小结。 第三章：基于完全二维对称主成分分析的人脸识别 详细介绍了本文新的改进算法并在标准人脸库进行实验仿真。在人脸图像中人 脸轮廓及其脸部各器官都表现出一定的镜像对称性，这可以给人脸识别提供许多有 用信息。该方法利用人脸的自然镜像性特征，首先对人脸样本进行镜像变换，根据 原始人脸样本和相应的镜像样本矩阵直接计算得到奇偶对称样本的特征矩阵，通过 奇偶加权因子对奇偶对称样本的特征矩阵进行组合，最后采用最近邻距离分类器来 分类。在o r l 人脸数据库中的实验表明了该方法的有效性。 第四章：半监督双向降维的人脸识别 半监督方法综合学习标记样本与无标记样本，利用样本的先验信息以达到提高 无监督方法性能的目的，故已受到机器学习等多个相关领域的广泛关注。本文改进 的半监督双向降维方法与半监督降维相比，该方法不仅直接利用原始图像矩阵分别 从两个方向上构造两个协方差矩阵，很好的保留图像的特征，而且能考虑低维的全 局协方差结构，较好的保持成对约束及未标记数据在低维的结构。在o r l 人脸库 和y a l e 人脸库中的实验表明，该方法能有效的提高识别的速度，并可获得更好的识 别性能。 第五章：总结展望 主要对全文进行总结和展望。 8 硕士学住论文 m a s t e r st h e s i s 第二章基于主成分分析的算法 主成分分析的核心思想是k a r h u n e n l o e v e ( k l ) 展开，是一种在人脸识别领域较 好的对高维图像数据进行压缩和特征提取的重要理论基础。t u r k 与p e n t l a n d 根据主 成分分析技术提出了“特征脸叫的概念，此后有许多的研究者对主成分分析法进 行了改进。本章的主要目的是详细的介绍基于k l 展开算法的原理，为本文研究的 算法做理论基础。下面主要介绍其中的几种方法。 2 1 主成分分析法 2 1 1 基本原理 主成分分析是一种统计方法，根据k l 展开，寻找一组相互正交的基函数，这 组基函数能代表数据分布方差最大的方向，这样就可以用较少数量的特征对原始样 本进行描述，以达到降低特征空间维数的目的。 设在珂维空间有随机向量1 9 ，若对其进行零均值处理，z = , 9 - e ( 8 ) ，那么 e ( z ) = 0 。对z 用一组完备的正交基t 展开，口f 为相应的展开系数， z = 口f 匆( i = 1 ，2 ，z ) ( 2 1 ) 其中t t 乃= ：二i ： z ，2 ，2 ，刀。 如果只选取前f 项进行重构，则 = q 毛( i = 1 ，2 ，r ) ( 2 2 ) 均方误差占为：g = e ( 形一砒) ( z 一如) t 。 因为z = q 毛( i - - 1 ，2 ，行) ，所以q = 岛t z ( i = 1 ，2 ，丹) 。 s = e l 窆( 口j 墨) ( q 恕) tl = 窆毛t e ( 嬲t ) 毛：窆墨t z k , ( 2 3 ) k i ；f + lji = t + li 爿+ l 9 其中= e ( z z t ) = e ( | 9 一e ( 1 9 ) 1 9 一e ( 1 9 ) t ) ，是随机向量t 9 的总体协方差矩阵。 如果要满足均方误差最小，那么可以引入拉格朗日因子五，则有 t ，( 砖) = 电t 耽一丑( 毛t 毛一1 ) ( 2 4 ) 对上式求导数取极值，有 ( 一五j ) 毛= 0 ，i = ，+ 1 ，刀 ( 2 5 ) 如果将本征值从大到小排列a 五五，那么当选取总体协方差矩阵的 前t 个最大非0 本征值时，在相等的截断长度下所获得所有正交展开中最小截断均 方误差为 = 以 ( 2 6 ) 上述变换称为k l 展开。 2 1 2p c a 特征提取 最早将主成分分析法应用于人脸识别的是p e n t l a n d ，因为方法有效而很快流行， 并成为人脸识别中一种经典的方法。 设有n 幅像素为w i d t h x h