已阅读5页,还剩47页未读, 继续免费阅读
(模式识别与智能系统专业论文)基于特征脸和支持向量机的人脸识别方法研究与实现.pdf.pdf 免费下载
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
东北大学硕士学位论文摘要 基于特征脸和支持向量机的人脸识别方法研究与实现 摘要 人脸自动识别技术l jj 是生物特征识别技术的重要组成部分,在近三十年里 得到了广泛的关注和研究,已经成为计算机视觉、模式识别f 2 1 领域的研究热点。 由于其很好的安全性、可靠性和有效性、在删侦破案、证件验证、门禁系统、 视频监视等领域中都具有广泛的应用前景,已成为最容易被接受的身份鉴定方法 之一。 本文对静止图像的多姿态人脸识别进行了研究,主要内容如下: ( 1 使用特征脸的方法对人脸图像进行识别。假设人脸处于线性空间,选择 一种最优特征向量集以实现最佳人脸表达方法。通过计算测试人脸图像 与特征脸的距离,对人脸图像进行分类、识别。 ( 2 ) 使用小波变换对人脸图像进行预处理,提取低频信息后,对其进行离散 余弦变换,降低特征向量维数,采用基于欧式距离度量的最近邻分类器 进行识别。这种方法在增加训练图像类别时不需要对整个训练图像重新 l 练,且取得了很好的识别效果。 ( 3 ) 使用支持向量机( s v m ) 方法对人脸图像进行识别。在对图像进行小波 变换,离散余弦变换提取特征后,将d c t 系数作为支持向量机的输入, 对n 个人分别训练,得到n 个支持向量机。在识别时,将测试人脸图像 分别交由n 个s v m 进行分类,进而确定测试人脸图像类别。 关键词人脸识别特征脸小波变换离散余弦支持向量机 i i 东北大学硕士学位论文 a b s t r a c l 、 r e s e a r c ha n dr e a l i z a t i o ni nf a c er e c o g n i t i o nm e t h o d sb a s e do n e i g e n f a c ea n ds u p p o r tv e c t o rm a c h i n e a b s t r a c t a m o m a t e df a c er e c o g n i t i o nt e c h n i q u ei so n eo ft h em o s ta t t r a c t i v eb r a n c h e so f b i o m e t r i c sa n di ti sa l s oo n eo f t 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 rc o m p u t e rv i s i o n a n dp a t t e r nr e c o g n i t i o ni nr e c e n t3 0y e a r s f o rt h eb e t t e rs e c u r i t y ,r e l i a b i l i t y ,a n dv a l i d i t y , i ti sn o to n l yw i d e l ya p p l i e di nav a r i e t yo fp e r s o n a li d e n t i f i c a t i o ns y s t e m ss u c ha s n a t i o n a ls e c u r i t y ,p u b l i cs e c u r i t y ,j u s t i c e , g o v e r n m e n t , f i n a n c e ,b u s i n e s sa n ds e c u r i t y f a c i l i t i e s b u ta l s oc a r tb eu s e di nt h ef i e l do fh u m a n - c o m p u t e ri n t e r f a c ea n dv i s u a l c o m m u n 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 of r o n t a lf a c er e c o g n i t i o ni ng r a y i m a g e s t h em a i nc o n t e n t sa r ea sf o l l o w s : ( 1 ) f a c er e c o g n i t i o nw 也e i g e n f a c em e t h o di s w e s e n t e d 。s u p p o s et h a tt h e t h e e i m a g e sa r ei nt h el i n e a r i t ys p a c e ,s e l e c tt h ev e c t o ro p t i m i z a t i o nt oe x p r e s st h eh u m a n f a c e s c l a s s i f ya n dr e c o g n i z et h ef a c ei m a g e sb yc o m p u t i n gt h ed i s t a n c eb e t w e e nt h e e i g e n f a c ea n dt h et e s t e df a c ei m a g e s ( 2 ) am e t h o do ff a c er e c o g n i t i o nb a s e do i lw a v e l e tt r a n s f o r ma n dd i s c r e t ec o s i n e t r a n s f o r m ( d c t ) i sp r o p o s e d p r e p r o c e s st h ef a c ei m a g e sb yw a v e l e tt r a n s f o r m , t h e nt h el o wf r e q u e n c ys u b i m a g e sa r et r a n s f o r m e db yd c t a n do n l yas m a l ls e to f c o e f f i c i e n t si sr e t a i n e da sf e a t u r e s ae u c l i d e a nd i s t a n c en e a r e s t n e i g h b o rc l a s s i f i e r i sd e s i g n e dt or e c o g n i z et h ef a c e t h i sm e t h o dd o e s n tn e e dt ob er e t r a i n e di fn e w t r a i n i n gi m a g e sh a v eb e e na d d e d a n dw eh a v eo b t a i n e dl l i g hr e c o g n i t i o nr a t e ( 3 ) am e t h o do ff a c ec l a s s i f i c a t i o na n dr e c o g n i t i o nb a s e do nd c ta n ds v mi s p r o p o s e d a f t e rt r e a t i n gt h ei m a g e sb yw a v e l e tt r a n s f o r m ,t h ef e a t u r e sa r ee x t r a c t e d b yd c ta n das m a l ls e to fd c tc o e f f i c i e m sa r ei n p u tt os u p p o r tv e c t o rm a c h i n e ( s v m ) w et r a i ne v e r yp e r s o n ss v ms e p a r a t e l y ,a n do b t a i n e de a c hs v m w h e n r e c o g n i t i o n ,t h et e s t i n gi m a g e sa r ei n p u ti n t oe a c hs v m ,t h e nt ob ec o n f i r mt h e i r c l a s s i f i c a t i o n s t h ee x p e r i m e n t ss h o wt h a tt h ep e r f o r m a n c ei ss a t i s f a c t o r y k e y w o r d s :f a c er e c o g n i t i o n ,e i g e t l f a c e ,w a v e l e tt r a n s f o r m , d i s c r e t ec o s i n et r a n s f o r m ( d c t ) ,s u p p o r tv e c t o rm a c h i n e ( s v m ) u i 独创性声明 本人声明所呈交的学位论文是在导师的指导下完成的。论文中取得 的研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 同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明 并表示谢意。 学位论文作者签名:刁导磁 日期:珊上1 1 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。本人授权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。 ( 如作者和导师同意网上交流,请在下方签名;否则视为不同意。) 学位论文作者签名:玉舁t导师签名: j 签字日期:丑舢f 1 、l j签字日期: 东北大学硕士学位论文 第一章绪论 第一章绪论 1 1 人体生物特征识别技术 人体生物特征指的是包括各种人体的生理和行为特征,如人脸、指纹、手 形、掌纹、视网膜、d n a 、签名、语音等等。由于人工智能、图像处理及模式 识别技术的飞速发展为这种鉴别技术提供了技术支持:社会的迅速发展也提出 了对这种鉴别技术的需求。要把人体的特征用于身份识别,这些特征必须具有 唯一性和稳定性。据研究表明,人的指纹、手型、面孔、虹膜、视网膜、骨架 等都具有唯一性和稳定性的特征,即每个人的这些特征都不相同、且终生不变, 因此就可以据此识别出入的身份。基于这些特征,人们发展了指纹识别、人脸 识别、声音识别以及虹膜识别等多种生物特征识别技术【3 1 ,解决了一些传统身 份鉴别方法存在的问题,提供了相对方便、快速、准确的身份识别方法。 1 1 1 人体生物特征识别技术简介 比尔盖茨认为:“以人类生物特征( 指纹、语音、人脸识别等方式) 进行身 份验证的生物识别技术,在今后数年内将成为i t 产业的最为重要的技术革命”。 如果将生物识别技术成功运用于监控系统当中,必将引发监控行业的技术革命。 由于生物特征识别技术使用人体唯一的、可靠的和稳定的生物特征来鉴别 人的身份,目前人体生物特征识别技术仍然处于发展阶段,一个有效的生物识 别系统,首先要解决好以下几个关键技术问题: ( 1 ) 生物特征信息的获取。生物特征信息的获取可以有多种方法,但目前其 获取质量仍然不能达到令人满意的程度,如虹膜信息的提取,目前还没有一个 完整的实用的提取方法。相对虹膜信息的提取,人脸信息的获取比较容易实现。 ( 2 ) 生物特征数据库建立和管理。如何有效地将生物信息组织在数据库中, 实现快速检索和匹配是一个值得深入研究的课题。人的生物特征信息数据量大, 数据维数高,尤其是在大规模应用中,如何建立和管理生物信息数据库目前还 存在很多问题。随着多媒体数据库技术的发展,人脸信息的存储、管理目前相 对成熟,但人脸的匹配由于数据量特别巨大,匹配算法复杂,不能达到实时检 测的目的,因此,快速实时匹配算法一直是研究的重点和难点。 ( 3 ) 生物特征的提取和匹配。生物特征提取就是选择一个能最好的表示个体 1 东北大学硕士学位论文第一章绪论 的最优特征集。例如关键特征点、纹理特征、形状特征、线条特征等,特征提 取不仅是进行数据压缩,还要剔除对识别无关的冗余信息,以便于快速识别和 匹配,提高系统实时性。 1 1 2 生物识别技术研究内容 ( 1 ) 指纹识别( f i n g e r p r i n tr e c o g n i t i o n ) 基于指纹的生物识别技术应用最早、比较成熟,人们利用指纹进行身份识 别已经有好几个世纪了。每个人都有自己唯一的、持久不变的指纹。在实际应 用中,由于预先建立了指纹数据库,新的指纹图像获取非常方便,如人的手指 在采集仅上轻轻一按就完成了采集工作,所以应用起来十分便捷。再加上计算 机对人体指纹的特征计算和指纹比对,很快就可以得出被检人的身份。 但指纹识别技术要求在按指纹时手指保持洁净、光滑,脏东西、疤痕或者 长茧都会给识别带来困难。指纹识别虽然可靠性较高,但是辨识过程的数据库 检索需要较长的响应时问,比对速度慢,有时还会出现误识。另外,由于指纹 特征比较细小,因此对指纹采集设备精度的要求也非常高。 ( 2 ) 虹膜识别( i r i sr e c o g n i t i o n ) 虹膜识别,作为重要的身份鉴别特征,具有唯一性、稳定性、可采集性、 非侵犯性等优点。人眼中的虹膜是由一种随瞳孔直径变化的复杂的纤维组织所 构成。在出生前的生长发育过程中,形成了人们各自虹膜组织结构的细微差别。 因而没有任何虹膜的形状是完全相同的,即使是同一个人的左眼和右跟的虹膜 形状也不完全相同,使虹膜具备了区别个体的条件。 尽管虹膜扫描识别系统能够取得很高的识别率,但也存在缺点:很难将图像 获取设备的尺寸小型化;需要昂贵的高分辨率摄像头;镜头可能会使图像畸变 而使得可靠性大为降低;黑眼睛极难读取;需要一个比较好的光源等等。这些 缺点限制了它的应用范围。 ( 3 ) 语音识别( v o i c er e c o g n i t i o n ) 在语音识别中,需要说话人讲句或几句测试短旬,对它们进行某些测薰, 然后计算量度矢量与存储的参考矢量之间的一个( 或多个) 距离函数,最后进行 模式识别。 语音信号获取方便,需要时还可以通过电话进彳亍鉴别;不依赖于特定文字 的语音鉴别方法具有很高的安全性。但在有噪声的环境中如公共场所或经过电 话传输时带来的声音畸变以及人们在生病尤其是感冒时都可能使识别率明显下 2 东北大学硕士学位论文 第一章绪论 降。尤其是人们故意改变自己或模仿他人的声音或者经过某种特殊处理的录音 不但可能使识别率明显下降,甚至可能欺骗语音识别系统。这些原因使语音识 别系统的应用范围受到很大的限制。 ( 4 ) 笔迹识别( h a n d w r i t i n gr e c o g n i t i o n ) 各种在法律上有效的文件经常需要签名,然而事实表明人们的签名在不同 的时期和不同的精神状态下是不一样的。另外还要注意所使用的钢笔以及由于 经历了长时间后严重磨损的可读表面情况等。所有这些都增加了签名识别系统 的识别难度,同时降低了识别结果可靠性。 ( 5 ) 人脸识别( f a c er e c o g n i t i o n ) 人脸是人类视觉中最为普遍的模式,人脸所反映的视觉信息在入与人的交 流、交往中有着重要的作用和意义。计算机人脸识别技术试图使计算机具有人 的识别能力,由于其广泛的应用领域,人脸识别技术在近三十年里得到了广泛 的关注和研究。依托于图像理解、模式识别、计算机视觉和神经网络等技术, 入脸识别技术在一定应用范国内获得了成功。并且正在被推向应用领域。 1 2 人脸识别技术 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 其与已知入脸库中的入脸进行对比,从而识剐每个人脸的身份。 计算机人脸识别【4 】的研究内容从广义上讲大概包括以下几个方面的内容: ( 1 ) 人脸检测( f a c ed e t e c t i o n ) ,就是从各种不同的场景中检测出人脸的存在并 确定其位置。这方面的研究主要受光照、噪声、面部倾斜度以及各种各样的遮挡的 影响。 。 ( 2 ) 人脸表征( f a c er e p r e s e n t a t i o n ) ,就是采取某种表示方法表示检测出的人脸 和数据库中的已知人脸。通常的表示法包括几何特征( 如欧式距离、曲率、角度等) 、 代数特征( 如矩阵特征矢量) 、固定特征模板、特征脸、云纹图等。 ( 3 ) 人脸识别( f a c er e c o g n i t i o n ) ,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,这个过程是选择适当的人脸表征方式与匹配策略。整个识别系统的 构造与入脸的表征方式密切相关。 ( 4 ) 表情姿态分析( e x p r e s s i o ng e s t u r ea n a l y s i s ) ,就是对待识别人脸的表情或 者姿态信息进行分析,并对其避行分类。 3 东北大学硕士学位论文第一章绪论 ( 5 ) 生理分类( p h y s i c a lc l a s s i f i c a t i o n ) ,就是对待识别人脸的生理特征进行分析, 得出其年龄、性别等相关信息。 人脸检测,人脸表征,人脸识别是通常意义上的建立人脸自动识 别系统的三个方面。人脸自动识别系统包括两个主要的技术环节,首先是人脸的检 测和定位,即从输入图像中找到人脸存在的位置并将人脸从背景中分割出来( 即 人脸检测) ,然后才是对归一化的入脸图像进行特征提取与识别( 即人脸表征与人 脸识别) 。 1 2 1 人脸识别技术简介 人脸识别的研究p j 始- t 6 0 年代末,b l e d s o e 以人脸特征点的间距、比率等参数 为特征,建成了一个半自动的人脸识别系统。而且早期人脸识别研究主要有两 大方向:一是提取人脸几何特征的方法,包括人脸部件归一化的点间距离和比率 以及人脸的一些特征点,如眼角、嘴角、鼻尖等部位所构成的二维拓扑结构; 二是模板匹配的方法,主要是利用计算模板和图像灰度的自相关性来实现识别 功能。 目前的研究主要有两个方向:是基于整体的研究方法,它考虑了模式的整 体属性,包括特征脸( e i g e n f a c e ) 【6 】、奇异值分解( s i n g u l a r v a l u e d e c o m p o s i t i o n ) 1 、人脸等密度线分析匹配、弹性图匹配( e l a s t i cg r a p hm a t c h i n g ) 、隐m a r k o v 模型( h i d d e nm a r k o vm o d e l ) 【8 1 以及神经网络9 1 方法等;二是基于特征分析的方 法,也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类 别参数等一起构成识别特征向量。这种基于整体脸的识别不仅保留了人脸部件 之间的拓扑关系,而且也保留了各部件本身的信息,而基于部件的识别则是通 过提取出局部轮廓信息及灰度信息来设计具体识别算法。 近年来的一个趋势是将人脸的整体识别和特征分析的方法结合起来,如 k i n - m a n l a r n 提出的基于分析和整体的方法,a n d r e a sl a n i t i s 提出的利用可变形 模型( f l e x i b l em o d e l s ) 来对人脸进行解释和编码的方法。 从目前的研究成果来看,就二维图像而言,成功的人脸识别至少需要考虑 以下几个方面: ( 1 ) 由于外部干扰不可避免,预处理的效果将会影响到识别结果,好的人脸 模型应能够在识别的同时,抑制并分离外在干扰的影响。 ( 2 ) 细节是区分不同人脸的关键,因此很多识别方法都十分注重细节,如弹 性模板匹配中的局部细节,就是通过节点的小波变换特征加以表达,而在灰度 4 。 东北大学项士学位论文第一章绪论 形状分离的可变模型中,局部灰度投影分布也描述了人脸细节,另外,传统的 点和曲线的方法更是直接从局部细节入手。 ( 3 ) 在匹配的时候,不仅要考虑各种因素所导致的人脸微小变形,而且在容 忍变形的同时,还不能损害到人脸识别的有效性。 ( 4 ) 对于表达人脸的各种特征需要进行比较和选择,以找出人脸最活跃的特 征。这可以通过如下两种途径:是比较同一个人的多张图片,以得到稳定的特 征;另一种方法就是比较不同人的图片,以得出该人最“与众不同”之处。 ( 5 ) 使用的识别系统还必须考虑计算复杂度。 1 2 2 常用的人脸检测和识别方法 目前常用的人脸检测 10 】和识别方法可以归纳为四大类: ( 1 ) 基于知识的方法( k n o w l e d g e b a s e dm e t h o d s ) 。这些基于规则的方法将典型的 人脸形成知识库编码人脸。通常,这种方法通过获得人脸面部的特征,对人脸图像 进行识别。 ( 2 ) 特征不变方法( f e a t u r ei n v a r i a n ta p p r o a c h e s ) 。这些算法的目的是即使姿态、 视角或光照条件改变,也能找到存在的结构特征,然后使用找到的特征确定人脸。 常用的人脸特征和方法如下: 面部特征( f a c i a lf e a t u r e s ) :l e u n g 等人开发一种基于局部特征检测器和任 意图匹配的概率方法在复杂场景中定位人脸。其目标是找到确定的面部特征 的排列。典型的人脸用5 个特征( 2 只眼睛、2 个鼻孔和鼻子与嘴唇的连接处) 来描述。对于任何一对相同类型面部特征( 如左眼和右眼) ,计算它们的相 对距离,图像的整体距离用g a u s s i a n 分布建模。人脸模板通过多方向、多尺 度g a u s s i a n 滤波器( 面部特征内部的象素数) 在数据集中通过的人脸像素的 平均响应进行定义。 纹理( t e x t u r e ) :人脸有着明显的纹理,可以用来分开人脸和其他的对象。 这种方法采用的是颜色信息和人脸纹理结合的模型,其优点是可以检测到不 是垂直的或存在一些类似胡须和眼镜等特征的人脸。 皮肤颜色( s k i nc o l o r ) :皮肤颜色已经被使用并已被证明是很有效的特征。 虽然不同的人有不同的皮肤颜色,几项研究已经表明主要的不同在于它们的 亮度而不是它们的色度,比较常用的标注皮肤像素的颜色空间包括r g b , h s v 等。皮肤颜色通常不能独自有效地检测和追踪人脸。近年来,基于肤色 的人脸识别被扩展到形状分析、颜色分割和运动信息结合的模块化系统,并 5 东北大学硕士学位论文 第一章绪论 且已经获得了很好的识剐效果。 多特征( m u l t i p l ef e a t u r e s ) :利用全局特征如皮肤、大小和形状找到人脸候 选区,然后利用局部的、详细的特征如眼眉、鼻子和头发检验这些候选区。 ( 3 ) 模板匹配方法( t e m p l a t em a t c h i n gm e t h o d s ) 。这种方法存储几种标准的人脸 模式,用来分别描述整个人脸和面部特征,通过计算输入图像和存储模式之间的相 巨关系,对人脸图像进行检测。这些方法主要用来进行人脸定位和检测。 这种方法使用眼睛、鼻子、嘴和人脸轮廓等子模板建模人脸。每一个子模板按 照线分割定义。在输入图像的线是基于最大梯度变化提取的,然后与子模板匹配。 首先计算子图像和轮痹模板之间的相互关系检测人脸的候选区域。然后完成用其它 子模板在候选区的匹配。 可变形模板:使用可变形模板建模人脸特征,拟合先前的用于人脸特征的( 如 眼睛) 弹性模型,人脸特征通过参数化的模板描述。在追踪非刚性的特征上有好的 性能,但这种方法的缺点是必须在重要的对象近邻初始化。 ( 4 ) 基于外观的方法( a p p e a r a n c e b a s e d m e t h o d s ) 。模板匹配中的模板是由专家预 定义的,和模板匹配中的方法不同,基于外观方法中的“模板”是通过训练图像中 的样本学习得到的。再将这些学习到模型应用到人脸图像的检测和识别中。 通常,基于外观的方法依赖于统计分析和机器学习技术找到不同的人脸图像之 间的特征差别,在不同类的人脸之间找到判别函数( 也就是决策面、分隔超平面、 阈值函数) 。基于外观的方法主要有以下几种: 特征脸( e i g e n f a c e s ) 1 i :属统计分析的范畴,将表达人脸的大量图像数据 降维后进行模式分类。 神经元网络( n e u r a ln e t w o r k s ) :神经元网络已经成功地应用到许多模式识 别问题,对于人脸识别使用神经元网络的优点是训练获得人脸模式的复杂类 条件密度系统的可行性。而缺点是通常需要将人脸作为一个一维向量输入, 因此输入节点庞大,其识别改进的一个重要目标就是降维处理。 支持向量机( s u p p o r tv e c t o rm a c h i n e ) 【1 2 】:大多数训练分类器的方法( 如 b a y e s i a n 、神经元网络或径向基函数r b f ) 是基于最小化训练的错误,也就 是经验风险的。s v m 操作是另一个指导原则,称作结构风险最小化,其目的 是最小化期望的推广性错误上界。s v m 分类器是线性分类器,其分类超平面 接近未知测试样本的最小化分类错误。所谓最优分类就是要求分类不但能够 将两类无错误的分开,而且要使两类分类间隔最大。无错误分开是保证经验 风险最小,而使分类间隔最大实际上就是使置信范围最小,从而使真实风险 6 东北大学硕士学位论文 第一章绪论 最小。通过对样本的训练构造最优分类超平面,从而将学习到的训练机用于 未知样本的检测中。 ( 5 ) 隐m a r k o v 模型( h i d d e nm a r k o vm o d e l ,删) 。隐m a r k o v 模型假设模式可 以被刻画成参数的随机过程,这个过程的参数可以被精确地、很好地定义的方式估 计。在h m m 用于模式识别问题时,首先需要确定许多隐藏的状态形成一个模式。 然后,可以训练h m m 从样本中学习传统状态间的概率,每一个样本被表示为观察 序列。训练h m m 模型以后,观察的输出概率确定了其所属的类别。 1 2 3 人脸识别研究的难点 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。由于相关的照相机一脸姿( 正面的、4 5 度、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( 传感器的响应、透镜) 影响人脸的外观。 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 2 4 人脸识别的应用前景 人脸识别技术在国家安全、军事安全和公共安全,智能门禁、智能视频监 控、公安布控、海关身份验证、司机驾照验证等领域得到了广泛的应用【l3 j ;在 民事和经济领域,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, 具有真实面像的虚拟游戏玩家等等。 1 - 3 人脸数据库 任何人脸识别系统的开发都需要建立一个包含人脸图像或图像系列的数据 7 东北大学硕士学位论文 第一章绪论 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。 ( 1 ) 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。 该数据库包括从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9 2 1 1 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。 ( 2 ) 英国m a n c h e s t e r 人脸数据库。 该数据库由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,而在测试集中则变化多端。测试集还增 加了两级难度: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。 虽然m a n c h e s t e r 数据库远比o r l 数据库测试更为全面,但因发表的比较 结果不够多。从而远不如o r l 使用广泛。 ( 3 ) 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。 f e r e t 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11 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。 ( 4 ) 日本a t r 数据库。 该数据库考虑了除人脸特征外的其他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。 ( 5 ) 欧洲m 2 v t s 多模型人脸数据库。 该数据库用于测试多模型身份鉴别。目前该库由3 7 人组成,每人有5 个图 8 东北欠学硕士学位论文 第一章绪论 像序列,拍摄时间间隔一周左右。其中至少有一个序列提供合成语音。 其他数据库还有:c m u ( c a r n e g i em e l l o nu r t i v e r s i t y ) i e 面人脸数据库,m i ,1 1 单人脸数据库等。o r l 人脸数据库仍是目前使用最广泛的标准数据库,它含有 大量的比较结果。本文所使用的是o r l 人脸数据库。 1 4 本文的安排 本文对多姿态灰度人脸图像识别问题,进行了分析和研究。通过特征脸 ( e i g e n f a c e s ) 1 4 1 、小波变换( w a v e l e tt r a n s f o r m ) 1 15 1 、离散余弦变换( d i s c r e t e c o s i n e t r a n s f o r m ) 1 6 1 、支持向量机( s u p p o r t v e c t o r m a c h i n e ) 1 1 7 1 等方法综合实 现对人脸图像的识别,共分为六章。 ( 1 ) 第一章,绪论。 介绍了数字图像处理【1 8 1 的概念,并概述了生物特征识别技术及其发展方向、 应用背景和研究意义,重点描述了人脸识别技术的研究内容、研究方法、难点 以及应用前景,对人脸自动识别技术进行了综述。并介绍了广泛应用在人脸检 测和识别领域的人脸数据库。 ( 2 ) 第二章,特征脸的人脸识别。 介绍了通过特征脸方法进行识别的理论原理,把一批人脸图像转换成一个特征 向量集,称为“e i g e n f a c e s ”,即“特征脸”,它们是最初训练图像集的基本组件。 识别的过程是把一幅新的图像投影到特征脸子空间,并通过它的投影点在子空间的 位置以及投影线的长度来进行判定和识别。 ( 3 ) 第三章,小波和离散余弦变换的人脸识别。 介绍了小波变换的内容和及其在图像处理的意义,离散余弦变换( d c t ) 的内容【1 9 】。使用基于整体特征的人脸识别方法:使用小波变换得到人脸图像的 低频子图像,对分解后的低频子图像进行d c t 计算,用d c t 系数作为特征进 行识别。 ( 4 ) 第四章,支持向量机的人脸识别。 系统而且全面的介绍了支持向量机的原理【2 0 1 和特点以及支持向量机在人脸 识别中的应用2 ”。本章使用的方法,是通过小波变换和离散余弦变换之后提取 到的d c t 系数,作为支持向量机的输入,构造支持向量机,实现对人脸图像的 识别。 ( 5 ) 第五章,总结与展望。 人脸识别是一个跨学科极富挑战性的前沿课题。但目前人脸识别还只是处 9 - 东北大学硕士学位论文 第一章绪论 在研究阶段,尚不是实用化领域的活跃课题。因此,在总结了本文所做的工作 和取得的成绩之后,对援下来的工作方向和本文进一步需要完善之处进行分析 展望。 1 0 东北大学硕士学位论文 第二章特征脸的人脸识别 第二章特征脸的人脸识别 2 1 特征脸方法 2 1 1 特征脸方法介绍 特征脸方法( e i g e n f a c e ) 是目前静止图像的人脸识别方法的主要研究方向之 一,主成分分析伊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 ) 【2 2 】实质上是k - l 变换 f k a r h u n e n l 0 6 v e ) 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,高维的图像空间经过k l 变换后得到一组新的正交基,保留其中重 要的正交基,由这些基可以组成低维线性空间。如果假设人脸在这些低维线性 空间的投影具有可分性,就可以将这些投影用作识别的特征向量。对应其中较 大特征值的基底具有与人脸相似的形状,利用这些基底的线性组合描述、表达 和逼近人脸图像,被称为特征脸( e i g e n f a e e ) ,因此可以进行人脸的识别与合成, 这就是特征脸方法的基本思想。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,比较其与己知人脸在特征脸空间中的位置。 这种人脸识别的方法包括下面的初始化系统: ( 1 ) 获得初始人脸系统作为训练系统; ( 2 ) 通过训练系统计算特征脸,如果有新的人脸加入,则需要重新计算特征 脸: ( 3 ) 通过将人脸图像映射为人脸空间,计算每一个权空间的值; 系统初始化之后,通过接下来的步骤来识别新的人脸图像: ( 1 ) 计算新输入的人脸图像的权值,并将输入图像映射到特征脸空间,得到 一组权值; ( 2 ) 通过计算待识别图像和人脸空间的距离,根据权值模式判断他为数据库 中的某个人; 2 1 2 特征脸方法的优缺点 特征脸方法是一种基于k l 变换的人脸识别方法。k - l 变换是图像压缩中 的一种最优正交变换,用于人脸识别可以取得很好的识别效果,其识别率从7 0 到1 0 0 不等,这取决于人脸库图像的质量。从压缩能量的角度来看,k l 变换 东北大学硕士学位论文第二章特征脸的人脸识别 是最优的,它不仅使降维前后的均方误差最小,而且变换后的低维空间有很好 的人脸表达能力,但是它并不能区分这些差异是由入脸本身带来的还是外在因 素带来的,所以并不表明它有很好的人脸辨别能力。具体分析如下: ( 1 ) 特征脸方法的优点: 图像的原始灰度数据可直接用来学习和识别,不需任何低级或中级处理。 不需入脸的几何和反射知识。 通过低维子空间表示对数据进行有效压缩。 与其他匹配方法相比,识别简单有效。 ( 2 ) 特征脸方法的缺点: 增加或减少训练图像时,需要重新计算特征脸。 在姿态发生变化时,即人脸是仰视、俯视、左视或右视姿态时,识别率 明显下降。 在光照发生变化时,识别率明显下降。 2 2 特征脸算法 一幅n x n 的二维图像l ( x ,力,将被看作是一个2 维的向量形式,那么所 有的人脸图像,将变成一个巨大的数据空间。因此,为了得到相对低维的子空 f l j :j ,通过p c a 或者k l 变换的方法找到能够最好的说明入脸图像的特征向量, 这些向量定义了人脸图像的子空间,称之为人脸空间。 2 2 1 特征脸空间的形成 特征脸空间由人脸训练图像数据的协方差矩阵的特征向量构成。对应于扔 方差矩阵非零特征值的特征向量组成正交基,然后将疗维空间中的原图像投影 到该特征空间。此时,原始图像爿的大小是玎维的特征向量。 假设人脸库中有n 个图像,用向量表示为x ,工:,x 。( 向量维数为n ) , 其人脸平均图像为瓦。= 寺x ,由此可得到每幅图像的均差为 o n = l 置= x t 一爿。;i = 1 , 2 ,n , ( 2 1 ) 这样可以计算协方差矩阵: c 5 亩萋z ( 彰) 7 ( 2 - 2 ) 求解协方差矩阵c 的七个非零特征值 ,如,厶以及所对应的特征向量 1 2 东北大学硕士学位论文 第二章特征脸的人脸识别 2 。,2 :,以。一般来讲,训练图像数量p 远远小于一幅图像的像素值h ,所以协 方差矩阵c 最多有对应于非零特征值的p 个特征向量,所以k p 。按照特征值 从大到小的顺序排列特征向量,对应于最大特征值的特征向量反映了训练图像 间的最大差异,而对应特征值越小的特征向量,反映图像间的差异越小。所有 的非零特征值对应的特征向量“,:,儿组成特征空间,就是所谓的“特征脸” 空间。 2 2 2 特征脸方法的人脸识别 通过特征脸空间投影来识别人脸一般经过三个步骤:首先利用训练图像数 据构建特征脸空间,然后将训练图像投影到特征子空间上,最后待识别图像也 投影到特征子空间上,并且与投影后的训练图像相比较,得出识别结果。 具体步骤为: ( 1 ) 通过训练图像数据构建特征脸空间 所有训练图像首先要经过图像中心化,如式( 2 1 ) ,将每一个原始训练图 像数据减去平均图像得到中心化后的图像。 然后创建协方差矩阵:将中心化后的矩阵乘以它的转置矩阵,通过式( 2 2 ) 得到协方差矩阵c 。 接下来计算矩阵c 的特征值五和对应特征向量雄。这样,每一幅图像都可 以投影到由m ,:,t 。张成的子空间中。因此每一幅图像对应于子空间中的 个点,同样,子空间中的每个点对应于一幅图像,由于这些求出的特征向量所 形成的向量空间,可表示人脸图像的主要特征信息,所以他们被称为“特征脸”。 ( 2 ) 将训练图像投影到特征子空间上 将人脸图像库中个训练图像均向此空间投影,得到各自的投影向量 一,匕,l _ ,( f ) 2 = 【y ny ,2 y 女】,i = 1 , 2 ,n , y = ( “,) 。x f , j = 1 , 2 ,k ( 2 3 ) ( 3 ) 识别测试样本图像 对于待识别人脸图像爿,计算其与k 差的投影向量j ,: y ,= 似,) 。( z 一工。) , ,= 1 , 2 ,k ( 2 4 ) 再与人脸图像库中个人脸图像对应的投影向量e ,e ,k 比较,按照一 定的距离准则完成识别。如采用e u c l i d i a n 距离,计算q = i i r - z8 ,i = 1 , 2 ,n 。 则识别人脸图像为第力个模式, 1 3 东北大学硕士学位论文 第二章特征脸的人脸识别 n = a r g m i n ( e 。) 】 ( 2 ,5 ) f i = 1 2 。 实际计算中,将每幅图像的均差形成一个矩阵: x = f :,z ,x j 】 ( 2 ,6 ) 则协方差矩阵可写成 c = l 工1 f x l l 7( 2 7 ) h 根据线性代数理论,将计算x ( x ) 7 的本征值k 和对应的本征向量”。的问 题转化为求。) 。x 。的本征值以和对应本征向量v 。) 7 x 。的大小仅为 n n ,一般都远小于工工,故简化了计算。在求出v 。后,可由下式得到: 1 “= x 。v k ( 2 8 ) 特征脸法将图像看作矩阵,计算特征值和对应的特征向量作为代数特征进 行识别,无需提取眼嘴鼻等几何特征。 2 3 特征向量的选取 遥常由图像直接获得的数据量是很大的,为了有效地进行分类,就要对原 始数据进行变换,得到最能反映分类本质的特征,这就是特征提取和选择的过 程。通过变换,可以把维数较高的测量空间中的表示模式,变为在维数较低的 特征空间的表示模式。特征提取与选择是模式识别的一个关键问题,由于在很 多情况下,常常不容易找到那些最重要的特征,这就使得特征选择和特征提取 成为构造模式识别系统最困难的任务之一。 由于特征选择和提取的基本任务是如何从许多特征中找到那些最有效的特 征,因此人们通常用物理和结构特征来识别对象,因为这样的特征容易被视觉、 触觉和其他感觉器官所发现。但在使用计算机去构造识别系统时,应用这些特 征比较复杂,而其在抽取数学特征的能力方面则又比人有很大的优势。因此, 本文讨论的重点是根据学习样本来选择并提取数学特征。 特征的选择和提取一般分成三个步骤:特征形成、特征提
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年村务工作题库(含答案)
- 消防设施操作员初级技能考试备考指南及答案
- 船舶通信原理与设备练习题及答案
- 质量检测与安全考试模拟试卷及答案
- 统计学在环境监测数据共享中的应用备考习题集及答案
- 初级经济师金融产品销售模拟试题及答案
- 2026年二级营销师考试题库带答案
- 2026年基金从业资格考试证券市场基础知识专项训练题库及答案
- 药理学药物药代模拟试题及答案
- 房地产经纪人考试房地产法律法规专项练习题库及答案
- 骨髓移植后血型鉴定课件
- 肾动脉栓塞介入术
- 《邮轮烹饪英语》-《邮轮烹饪英语》-Appendixes
- 魅力辽宁课件
- 天津市2021-2024年中考满分作文59篇
- 口腔正畸接诊流程技巧
- 军队职工抚恤管理办法
- GB/T 39542.3-2025技术制图活动铅笔第3部分:黑铅芯HB铅芯弯曲强度
- 班级历程回顾
- 森林旅游学习通超星期末考试答案章节答案2024年
- 县乡教师选调进城考试-教育法律法规题库含答案(突破训练)
评论
0/150
提交评论