（计算机系统结构专业论文）基于支持向量机和遗传算法的人脸识别研究.pdf

l i l l il li i ii lll li luli ii 19 0 912 5 d i s s e r t a t i o ns u b m i t t e dt oh a n g z h o ud i a n z iu n i v e r s i t y f o rt h ed e g r e eo fm a s t e r a s t u d y o nt h ef a c e r e c o g n i t i o n b a s e do n s u p p o r t v e c t o rm a c h i n ea n dg e n e t i c a l g o r i t h m c a n d i d a t e ：m e is h e n gx i n s u p e r v i s o r ：p r o f r e ny u p r o f l o uj i a nr e n d e c e m b e r ，2 0 1 0 杭州电子科技大学 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，是本人在导师的指导下，独立进行研究 工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或 集体已经发表或撰写过的作品或成果。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。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期：2 纠峰f 月7 日 学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研 究生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证 毕业离校后，发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大 学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文 的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。( 保密 论文在解密后遵守此规定) 论文作者签名： 柚整鑫 日期：2 0 年f 月，午日 1 碱眺州月件日 杭州电子科技大学硕士学位论文 摘要 人脸识别作为模式识别的一个重要分支，在智能监控、虚拟现实、医学检测、人机交互 等方面有着广泛的应用需求。人脸识别跨越了计算机视觉、模式识别、人工智能、图像处理、 生理学等多个领域，并且人脸图像还会随自身和环境的改变而变化，因此，人脸识别研究是 一个极具挑战性的课题，还需解决诸多关键技术问题，主要包括：( 1 ) 人脸图像预处理，如图 。像增强、归一化及去除噪声等；( 2 ) 人脸图像特征的提取，包括局部特征和整体特征，可以采 、用基于统计的方法和几何方法来处理；( 3 ) 性能优越的分类和识别算法，包括各种智能分类及 模式识别算法等。 在实际运用过程中，由于受各种条件的限制，工程技术人员往往无法针对每个人都采集 大量的图像样本。相对于其维数而言，人脸的样本数很少，所以人脸识别是一个小样本问题。 对于人脸识别这样一个小样本问题，传统的分类方法一方面容易出现过学习现象，导致算法 的推广性能差：同时，另一方面，又会导致学习性能差，无法胜任人脸识别这样一个非线性 很强的分类模式。 支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 是建立在统计学习理论和结构风险最小化原 理基础之上的，结构简单、学习性能强。支持向量机方法能够有效地解决小样本问题，它一 方面可以克服神经网络等方法所固有的过学习问题，另外一方面又有很强的非线性分类能力， 通过引入核函数，将线性不可分问题投影到高维空间后转化为线性可分问题，因此支持向量 机就成为了入脸识别的首选分类器。由于支持向量机最初是为解决两类分类问题提出的，如 何将其有效应用于多类分类问题仍然是目前研究的热点，尤其是构造出学习能力强、推广性 能好的多类分类器对于将支持向量机推广到模式识别的其他领域具有重要意义。 在具体运用中，支持向量机的模型参数是影响支持向量机分类性能的关键因素。由于没 有理论上的指导，传统的参数选取多是在实验中采用反复试验的方法。该方法需要实验者的 。 先验知识作为指导，并且需要较高的时间代价，因此传统的参数选取方法限制了支持向量机 理论的发展。针对这个问题，本文提出了一种将遗传算法和支持向量机方法进行融合，用遗 传算法来优化支持向量机的模型参数，从而为支持向量机模型参数的优化筛选提供一种新的 方法，并把该方法运用到人脸识别实验当中，以增强支持向量机的分类效果，进而提高人脸 识别率。 关键词：人脸识别，支持向量机，遗传算法，人脸图像处理 杭州电子科技大学硕士学位论文 a b s t r a c t j u s ta sa r li m p o r t a n tb r a n c ho fp a t t e r nr e c o g n i t i o n , f a c er e c o g n i t i o nh a v et h ew i d e s p r e a d a p p l i c a t i o n d e m a n di nt h e f i e l d ，s u c h a s i n t e l l i g e n tm o n i t o r i n g , v i r t u a lr e a l i t y , m e d i c i n e e x a m i n a t i o n , h u m a n - c o m p u t e ri n t e r a c t i o na n ds oo n t h ef a c er e c o g n i t i o nh a sc o v e r e dc o m p u t e r v i s i o n , p a t t e r nr e c o g n i t i o n , a r t i f i c i a li n t e l l i g e n c e , i m a g ep r o c e s s i n g , t h ep h y s i o l o g ya n ds oo n a n d t h ef a c ei m a g ev a r i e dw i t hi t so w na n dt h ee n v i r o n m e n tc o n d i t i o n , t h e r e f o r e ，t h er e s e a r c ho ff a c e r e c o g n i t i o n i sa ne x t r e m e c h a l l e n g i n gs u b j e c t , b u t m u s ts o l v em a n y k e yt e c h n o l o g i e s p r o b l e m s , m a i n l yi n c l u d e s ：( 1 ) f a c ei m a g ep r e p r o c e s s i n g , s u c ha si m a g ee n h a n c e m e n t , i m a g e n o r m a l i z a t i o n ，e l i m i n a t i o no f n o i s ea n ds o ；( 2 ) e x t r a c 舡o nf r o mf a c ei m a g ec h a r a c t e r i s t i c ，i n c l u d i n g t h ep a r t i a lc h a r a c t e r i s t i ca n dt h eo v e r a l lc h a r a c t e r i s t i c ，m a yb ep r o c e s s e dw i t ht h es t a t i s t i c a lm e t h o d a n dt h eg e o m e t r ym e t h o d ；( 3 ) h i g hp e r f o r m a n 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 na l g o r i t h m , i n c l u d i n g a l lk i n d so f i n t e l l i g e n tc l a s s i f i c a t i o na n dp a t t e r nr e c o g n i t i o na l g o r i t h ma n d s oo n i nt h er e a l i t y , l i m i t e dw i t hs o m ec o n d i t i o n s ，t h ee n g i n e e r si so f t e ns h o r to ft h em a s s i v ei m a g e s a m p l eo f e a c hp e o p l e a sf a ra si t sd i m e n s i o ni sc o n c e r n e d ，t h en u m b e ro ff a c es a m p l ea r ev e r y f e w ，t h e r e f o r et h ef a c er e c o g n i t i o ni sas m a l ls a m p l ep r o b l e m j u s ta sas m a l ls a m p l ep r o b l e m ，t h e t r a d i t i o n a lc l a s s i f i c a t i o nm e t h o d ，f o rt h eo n eh a n d , i se a s yt oo v e r f i t t i n gs t u d yh a v i n gt h ep o o r p r o m o t i n gp e r f o r m a n c e ，f o rt h eo t h e rh a n d , b r i n g sa b o u tp o o rl e a r n i n gp e r f o r m a n c el e a d i n gt ob e u n a b l et op r o c e s sw i t ht h ev e r ys t r o n gc l a s s i f i c a t i o nm o d e lo ff a c er e c o g n i t o n s u p p o r tv e c t o rm a c h i n e si sb a s e do nt h es t a t i s t i c st h e o r yo fl e a r n i n ga n dt h em i n i m u m s t r u c t u r er i s kp r i n c i p l e , i t ss t r u c t u r ei ss i m p l ea n dh a v es t r o n gs t u d yp e r f o r m a n c e t h es u p p o r t v e c t o rm a c h i n e sm e t h o dc a ns o l v et h es m a l ls a m p l ep r o b l e me f f e c t i v e l y , i tm a yo v e r c o m et h e o v e r f i t t i n gs t u d y i n gp r o b l e mo f n e u r a ln e t w o r k ，o nt h eo t h e rh a n d ，i t sn o n l i n e a ra b i l i t yo f c l a s s i f i c a t i o ni s v e r ys t r o n g t h r o u g hi n t r o d u c i n gk e r n e lf u n c t i o n ，s v mc a nc h a n g el i n e a r i n s e p a r a b l ep r o b l e mi n t ot h el i n e a rs e p a r a b l eo n eb yp r o j e c t i n gi n t ot h eh i l g hd i m e n t i o ns p a c e t h e r e f o r e , s u p p o r tv e c t o rm a c h i n e sh a sb e c o m et h ef i r s tc h o i c eo f c l a s s i f i e rf o rf a c er e c o g n i t i o n o r i g i n a l l y ，s v mi sp r o p o s e dt os o l v et h et w oc l a s s i f i c a t i o np r o b l e m n o w a d a y s ，t h eh o tr e s e a r c h t o p i ci sh o wt oa p p l ys v m t ot h eo t h e rm u l t i - c l a s s i f i c a t i o np r o b l e m ，e s p e c i a l l y , h o wt oc o n s t r u c t m u l t i c l a s s i f i c a t i o nc l a s s i f i e rt h a th a v ev e r ys t r o n gl e a r n i n ga n dp r o m o t i n gp e r f o r m a n c ew h i c hi s v e r yi m p o r t a n tf o rs v ma p p l y i n gt ot h e o t h e rf i e l d si nt h ep a t t e r nr e c o g n i t i o n i nt h er e a li m p l e m e n t a t i o n ，t h ep a r a m e t e ro fs v mm o d e li st h ek e yf a c t o rw h i c ha f f e c t st h e c l a s s i f i c a t i o na b i l i t yo fs v m h a v i n gn o tt h e o r e t i c a li n s t r u c t i o n ，t h et r a d i t i o n a lm e t h o d sf o r p a r a m e t e rs e l e c t i o ni st h er e p e a t e dt e s t i n go n e i nt h ee x p e r i m e n t t h i sm e t h o dn e e d sr e s e a r c h e r s h 杭州电子科技大学硕士学位论文 p n o r ik n o w l e d g et og u i d e ，i ta l s os p e n d sl o t so ft i m e t h e r e f o r e ，缸l et r a d i t i o n a lp a r a m e t e rs e l e c t i o n m e t h o dh a sl i m i t e dt h ed e v e l o p m e n to f t h es v mt h e o r y f o rt h i sq u e s t i o n ，t h i sp a p e rp r o p o s e san e w m e t h o dt h a ti n t e g r a t e sg e n e t i ca l g o r i t h ma n ds u p p o r tv e c t o rm a c h i n e ，w h i c ho p t i m i z i n gt h em o d e l p a r a m e t e ro fs v mb yg e n e t i ca l g o r i t h m t h e n t h i sm e t h o dp r o v i d e san e wa t t e m p tf o rt l l ep a r a m e t e r s e l e c t i o no fs v m ，i tc a l lp r o m o t et h ec l a s s i f i c a t i o ne f f e c to fs v m , w i l li m p r o v et h er a t eo ff a c e r e c o g n i t i o nb ya p p l y i n gt h i sm e t h o d t ot h ee x p e r i m e n to ff a c er e c o g n i t i o n k e y w o r d s ：h u m a nf 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 ，g e n e t i ca l g o r i t h m ，f a c ei m a g e p r o c e s s m g 1 1 1 杭州电子科技大学硕士学位论文 目录 摘要i a b s t r a c t i i 第一章绪论1 1 1弓l 言l 1 2人脸识别的发展历史与研究现状2 1 - 3人脸识别的挑战3 1 4论文研究意义及内容结构5 第二章支持向量机7 2 1理论基础7 2 1 1基于先验知识的方法8 2 1 2经验风险最小化原理8 2 1 3结构风险最小化原理。9 2 2两种典型支持向量分类机l o 2 2 1 最优分类超平面1 0 2 2 2 线性支持向量分类机1 1 2 2 3 非线性支持向量分类机1 4 2 3 支持向量机模型及参数选取15 2 3 1 核函数介绍1 6 2 3 2模型选择的常用方法19 2 3 3支持向量机模型选择的几点探讨2 1 2 4本章小结2 4 第三章人脸识别方法原理、算法分类比较2 5 3 1基于连接机制的人脸识别方法。2 5 3 1 1 基于神经网络的方法2 5 3 1 2 基于弹性图匹配的方法2 6 3 2 基于统计特征的人脸识别方法2 7 3 2 1 马尔科夫模型方法2 7 3 2 2 子空间方法。2 7 i v 杭州电子科技大学硕士学位论文 3 3 基于几何特征的人脸识别方法2 9 3 4本章小结2 9 第四章人脸图像预处理3 0 4 1人脸图像预处理基本方法3 0 4 1 1 人脸图像的几何归一化3 0 4 1 2 人脸图像的光照归一化3 4 4 1 3 对比试验3 7 4 2常用的边缘检测器介绍3 7 4 2 1r o b e r t s 检测器3 8 4 2 2p r e w i t t 检测器3 8 4 2 3s 0 b e l 检测器3 8 4 2 4l a p l a c e 检测器3 9 4 3基于中值滤波的l a p l a c e 边缘检测器。3 9 4 3 1 基于l a p l a c e 检测器的边缘检测模型3 9 4 3 2 基于中值滤波的l a p l a c e 边缘检测器4 0 4 3 3 设置边缘检测器的最优门限4 l 4 3 4 对比实验。4 2 4 4本章小结4 2 第五章基于支持向量机和遗传算法的人脸识别方法4 4 5 1遗传算法的基本操作4 4 5 1 1 选择、复制算子4 4 5 1 2 交叉4 5 5 1 3 变异4 7 5 1 4 标准遗传算法的流程4 8 5 2遗传算法的改进4 9 5 2 1 并行遗传算法4 9 5 2 2 混合遗传算法5 0 5 2 3 分层遗传算法5 0 5 3人脸图像的特征提取5 l 5 3 1核独立成分分析方法51 5 3 2基于p c a 和k i c a 的特征提取方法。5 2 5 3 3基于p c a 和k i c a 的人脸特征提取实验5 5 5 4基于支持向量机和遗传算法的人脸识别方法一5 6 v 杭州电子科技大学硕士学位论文 5 4 1 基于遗传算法的支持向量机模型参数选择5 7 5 4 2 仿真实验5 8 5 5 本章小结5 9 第六章总结和展望6 0 6 1总结6 0 6 2 未来工作展望6 0 致谢6 2 参考文献6 3 附录6 6 v i 杭州电子科技大学硕士学位论文 第一章绪论 本章首先介绍了机器视觉及人脸识别算法研究的历史来源，现实情况及未来的发展趋势； 介绍了支持向量机在模式识别领域的优越性能；概述了国内外在人脸识别方面的研究历史及 现状。接下来，结合支持向量机算法在人脸识别领域的优势及不足，论述了其在人脸识别应 用过程中遇到的难点，提出利用遗传算法来优化支持向量机的模型参数的策略，并在理论基 础上阐述了如何将遗传算法和支持向量机两种智能算法整合在一起并应用到人脸识别上。最 后讲述了本课题研究对于现实应用方面的意义以及对各相关学科发展建设方面的推动作用。 1 1 引言 机器视觉可以帮助机器人摆脱键盘之类的被动输入方式，而使它们更加主动便捷的与人 进行交流，并完成人们的指令。机器视觉是一种仿生学的方法。婴儿从出生开始学的第一件 事就是要认出自己的妈妈的脸，然而让冰冷的计算机和人一样看到并理解所看到的东西并不 是一件简单的事，研究者们花了3 0 年的时间才逐渐让计算机认出人类这个“妈妈 。计算机 人脸识别技术，就是指使用计算机软硬件技术对人脸图像进行检测分析，从中提取出有效的 人脸识别信息，用于辨别身份的一种生物认证技术。作为上世纪末期才兴起并活跃起来的一 个研究领域，它跨越了图象处理、模式识别、计算机视觉、生理学和神经网络等诸多学科， 是一个典型的多学科相互融合的交叉应用方向，在当前建设信息化社会和加强安保方面具有 广阔的应用前景。计算机人脸识别技术起源于2 0 世纪6 0 年代，在9 0 年代末期逐渐成为科研 和工程应用的热点。 虽然人类可以轻而易举地根据人脸来辨别一个人，但利用计算机进行完全自动的人脸识 别仍存在许多困难，这主要表现在n 1 ：人脸是非刚体，存在丰富的表情；人脸随年龄增长而 变化；发型、眼镜等附加物对会遮挡部分人脸；人脸所成图像受光照、成像角度、成像距离 等因素的影响。此外人脸识别技术研究与相关学科的发展及人脑的认识程度紧密相关。这诸 多因素使人脸识别研究成为一项极富挑战性的课题。早在2 0 世纪6 0 年代末，人脸识别即引 起了研究者的强烈兴趣，但早期的人脸识别一般都依赖人的某些先验知识，无法摆脱人的干 预。9 0 年代后，由于计算机软硬件的迅猛发展，人脸识别方法取得了重大进展，进入了真正 的机器自动识别阶段，人脸识别研究在相关领域得到了前所未有的重视，国际上发表有关人 脸识别等方面的论文数量大幅度增加，仅从1 9 9 0 年到2 0 0 9 年之间，可检索到的相关文献多 达上万篇嘲。 s v m 是建立在统计学习理论n 1 基础之上的一种新型机器学习方法，它是对结构风险最小 化原则的近似，而这要通过s v m 在固定学习经验风险条件下最小化v c 维置信度来实现。由 于s v m 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广 杭州电子科技大学硕士学位论文 到函数拟合等其它机器学习问题中，所以将其作为人脸特征分类器是一种合理的选择。但在 实际运用中，支持向量机的泛化性能取决于其核函数的类型h 1 、核函数的参数以及惩罚系数c 。 文献晦3 采用改变高斯核的方法来提高基于高斯核s v m 的分类性能，但每种核函数都有其优缺 点，很难说某一个核函数在所有的问题中都是最好的，但可以充分利用各种核函数的优点。 文献哺1 提出了混合核函数的支持向量机模型并指出其有较强的分类能力。针对当前支持向量 机在模式识别领域的研究热点，本文采用混合核函数的支持向量机，并提出了用遗传算法来 优化s v m 模型参数的方法，然后把该方法应用于人脸识别。实验结果表明，该方法具有较 好的人脸识别效果。 ， 1 2 人脸识别的发展历史与研究现状 早在2 0 世纪7 0 年代，人脸识别就开始被人所关注，直到现在人脸识别一直是计算机视 觉领域中的经典和热点问题h 1 。早期的人脸识别技术主要有两种方法：一是通过提取人脸几 何特征而进行识别的方法，提取的特征主要包括人脸部件归一化的点间距离和比率以及人脸 的一些关键特征点，如眼角、嘴角、鼻尖等部位所构成的二维拓扑结构。基于几何特征的识 别方法具有存储量小、对光照不敏感的特点，但该方法对所获图像的质量要求却很高，对特 征点的定位要求非常准确，倘若人脸有一定的转向或有装饰物则会影响识别率。所以这种方 法做为早期的识别方法，现在通常是作为其它识别方法的辅助手段。二是基于模板匹配的方 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。这些方法通常只能适用于 简单背景和准正面的人脸识别，要求人脸图像与人脸训练库的光照差异不大。这提高了人脸 识别系统运行的环境条件，从而限制了人脸识别技术的应用。因此，人脸识别没有受到研究 人员的青睐，很少进入工程应用项目中。这种情况一直到2 0 世纪9 0 年代，才得以改善，这 时计算机软硬件技术都出现了大幅度的发展，视频编码技术开始出现。人脸识别技术逐渐成 为各国专家学者的热门研究领域，关于人脸识别的算法也层出不穷。 这些算法大体上可以分为三类：基于整体识别和特征分析相结合的人脸识别，基于连接 机制的人脸识别，基于统计学原理的人脸识别。 其中k i n - m a nl a i n 哺1 提出了基于分析和整体的人脸识别方法。特征分析就是将人脸关键点 的相对比率和描述脸部特征的类别参数或形状参数等一起构成识别特征向量；基于整个脸部 的识别不但保留了人脸局部特征之间的拓扑关系，而且也保留了人脸各关键点本身的信息， 如关键点的位置以及局部的形状分析等。这种方法整合了特征分析和整体研究两种方法的优 势，从而为人脸识别提供了新的思路。而a n d r e a sl a n i t i s 嘲提出的利用可变形模型来对人脸 进行解释和编码是应用基于整体识别和特征分析相结合方法的典型代表。 基于连接机制的人脸识别方法包括一般的神经网络方法和弹性图匹配方法。采用神经网 络方法进行人脸识别比其它类型的方法有其独到的优势，避免了复杂的特征提取工作，神经 元通过学习可以获得人脸识别规律和规则的隐性表达。另外神经网络可以用硬件实现，以并 行方式处理信息，显著提高了识别速度。由于神经网络方法也存在神经元数目多，网络训练 2 杭州电子科技大学硕士学位论文 耗时、收敛缓慢、容易陷入局部最小等缺点。弹性图匹配方法是一种基于动态链接结构 ( d y n a m i cl i n ka r c h i t e c t u r e ，d l a ) 的方法。该方法用格状的稀疏图表示人脸，图中的节点由 图像位置的g a b o r 小波分解得到的特征向量标记，图的边用连接节点的距离向量标记。匹配 时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产 生一个变形图，由节点位置逼近输入图像模型图的对应点的位置进行识别。弹性图匹配方法 对光照、位移、旋转及尺度变化都不敏感，是一种优于本征脸的人脸识别方法。w i s c o t t n 町等 使用弹性图匹配方法，用f e r e t 图像库数据测试，识别准确率高达9 7 3 。l e e 等n 妇提出了 一种基于弹性图动态链接模型的方法，具有更高的识别速度，也获得了较高的识别率，在一 定程度上克服了之前的方法在识别速度与识别率之间折中的缺点。 基于统计的人脸识别方法是近年来发展较快的人脸识别方向，该方法有强大的统计学理 论的支持。具体方法中性能较好的有特征脸( e i g e n f a c e ) 方法、隐马尔可夫模型( h m m ) 方法和 支持向量机方法；尤其以支持向量机方法的前景最为明朗。v a p n i kvn n 2 1 以1 9 9 5 年率先 提出了支持向量机理论。由于s v m 在解决小样本、非线性及高维模式识别问题中表现出许 多特有的优势，并能够推广到函数拟合等其它机器学习问题中，所以本文将其作为人脸特征 分类器。 当前，在人脸识别领域研究比较成熟的国外科研院所中，比较著名的有m i t ，c m u ( c a r n e g i em e l l o nu n i v e r s i t y ) , u r o c ( u n i v e r s i t yo fi l l i n o i sa tu r b a n a c h a m p a i g n ) 等；国内的微软 中国研究院、清华大学、哈尔滨工业大学、中科院自动化所和计算所等都有人员从事人脸识 别相关的研究n 纠司。m p e g 7 标准组织成立了关于人脸识别草案小组。随着在人脸识别方面的 研究的加深，相关主题的科研论文在国际顶级期刊上的发表量也大逐渐增加，据有关数据统 计，每年发表的关于人脸研究方面的论文中有2 3 是关于人脸识别的。从中可以看出人脸识 别研究已经发展为一个重要的学科领域了。 1 3 人脸识别的挑战 尽管有些人脸识别方法在实验室环境下，对待识别图像进行了严格限制之后，识别率已 经达到了理想的效果，但人脸识别是一个跨学科极富挑战性的前沿课题，目前的很多方法仍 停留在研究阶段，其识别效果离实用还有较大的差距，人脸识别面临的挑战主要有以下两方 面： ( 1 ) 人脸自身特点所引起 1 ) 人脸的表情：人脸是人体各个部位中变化最丰富的，它包含4 4 块肌肉，这些肌肉组 织通过相互挤压和拉伸可以摆出5 0 0 0 多个表情来。就微笑这种动作，就可以用1 8 种表 情来表达； 2 ) 人脸的姿势：现实生活中的人脸可能有各种姿态，如仰视、俯视、斜转、正面、侧面； 3 ) 人脸的全局特征：如人脸的形状、大小，肤色等在不同的人种，不同地区的人之间存 在着巨大的差异； 。 3 杭州电子科技大学硕士学位论文 ( 2 ) 外部因素所引起 1 ) 光照不同造成的影响，如图像中的亮度、灰度、对比度等都是因为光照改变而引起的； 2 ) 成像角度的变化使人脸图像的姿态不一，例如上下位移、深度旋转以及平面内旋转， 尤其以深度旋转对图像产生的影响最大； 3 ) 图像的采集条件不一，如摄像设备质量、焦距，获取图像的技巧等； 4 ) 人脸数目的非可预知性，除非某些特殊场合，通常图像中的人脸数目是非可预知的。 以上人脸识别技术难点可以分为几个子问题来解决： ( 1 ) 准确、鲁棒的特征定位问题 脸部突出特征的自动定位是人脸识别的前提和关键，它决定了对人脸进行建模的精 度和识别性能。现存的很多定位算法的精度都随着姿态、光照等条件变化而变化，所以， 迫切需要研究准确、鲁棒的特征定位问题。 ( 2 ) 人脸信息质量导致的问题 首先是所获图像质量的问题。摄像头是目前主要的人脸图像采集设备，不同摄像头 的采样和计算精度等各不相同，成像时的焦距、光圈、白平衡、增益等参数也存在区别。 这些变化因素导致获取的人脸图像信息差别巨大。 其次是照片质量问题。目前的人脸识别算法主要针对图像质量很好的情况，但对智 能监控、实时识别、安保系统犯罪嫌疑人照片比对等应用而言，由于其来源不一，照片 的质量差异很大，比如高噪声、模糊、分辨率极低等。因此，如何提高对低质量照片的 识别能力非常重要。 最后，人脸年龄问题。人脸随着年龄的增长而不断变化，但保存的照片不变，进而 引起识别困难。所以，如何识别同一个人不同时期的人脸也是人脸识别亟待解决的关键 问题之一。 ( 3 ) 光照、姿态的自适应变化问题 工程应用上的识别系统往往是2 4 小时全天候工作的，检测到的人脸图像的光照条件 变化很大。尽管一些学者已经提出了部分解决方案，但多数算法是基于实验室条件下的 点光源环境和l a m b e r t 模型n 力假设，因此并不完整。与光照变化相比，姿态变化也是人 脸识别工程应用的又一个障碍，因此，如何快速准确地估计姿态并进行相应的矫正定位， 从而与人脸库的原型脸准确匹配是一个极具挑战性的课题。 ( 4 ) 鲁棒的核心识别算法 表情、姿态、光照、背景等外部条件的诸多变化以及特征定位的精度都会极大地影响 人脸图像的表观，从而降低了特征提取和识别的精度。因此，研究鲁棒的人脸特征提取 和识别算法极为迫切。 ( 5 ) 算法的泛化能力和自适应学习问题 在人脸识别中，任何算法都是从给定的样本中学习人脸的特征，所以，数据的覆盖 情况和数据量的大小往往是成功的关键；遗憾的是已知的数据往往不能反映不同应用中 4 杭州电子科技大学硕士学位论文 的实际数据的分布情况，甚至会出现严重的偏差，导致算法的泛化能力差。因此，如何 提高识别算法的泛化能力以及对新的环境或者数据的自适应学习能力至关重要。 ( 6 ) 人脸图像人为改变问题 首先，人为的化妆，整容带来的问题。在人脸美容整形技术日臻成熟的今天，人脸 表观变化之快，对人脸识别提出了巨大的挑战，需要从特征提取、信号传感等多个环节 来共同解决该问题。 其次，由于帽子、墨镜等附加物遮挡导致人脸图像信息不完备；在全自动的安全监控 中，带识别的图像往往带有帽子、墨镜等饰物，只能获得部分人脸图像，从而造成信息 的缺失，如何解决好该问题也是一个值得关注的方向。 1 4 论文研究意义及内容结构 随着当前国际形势的变化，高科技犯罪的突显，传统和非传统领域的安全问题越来越多， 尤其是9 1 l 事件之后，各国越来越重视一些关键场所的安全保障工作；现有的身份认证手段 越来越显得“力不从心，这些识别方法大都要求待识别者或多或少的配合，有些还会附加 苛刻的条件，这些方法被认为是非人性化的；同时在识别速度方面也存在缺点，因此，迫切 需要种新的人性化的，高速的人脸识别方法。在这样的需求下有关人脸识别的研究重新得 到了人们的关注，其中主要包括人脸检测和人脸识别。 人脸检测就是指从一帧视频或者一副图片中标定出待检测人脸的轮廓和位置，简答地说 人脸检测就是人脸图像的的获取过程。而人脸识别则是指将视频图像或静态图像中检测出的 人脸图像与数据库中的人脸图像进行比照，从中找出与之匹配的人脸的过程，以达到身份识 别与鉴定的目的，它是同属于生物特征识别领域和人工智能领域的一个课题n 引。在安全监控 技术日益所需的今天，利用人脸识别技术可以帮助我们从特定人群中快速、准确地识别出目 标人脸。 近二十年以来科研人员不断推出许多新的人脸识别研究成果，但这些成果在现实日常生 活中的应用可谓甚少，迄今为止，还没有一个通用稳定的人脸识别系统问世。这其中一个很 重要的因素就是没有一个准确、高效、鲁棒的人脸识别算法能够在各种复杂环境下很好地工 作，因此，即使是已经成功地检测出了人脸，如果不能对其进行快速、准确的识别，那么整个 人脸识别系统都将功归于溃。人脸识别算法就是在得到人脸图像之后对其进行识别的至关重 要的一步。人脸识别不但是全自动人脸识别系统的关键步骤，而且本身也可以独立的应用于 视频监控、智能楼宇、图像检索等领域，所以具有重要的研究价值。 人脸识别作为模式识别的一个重要分支，在智能监控、虚拟现实、医学检测、人机交互 等方面有着广泛的应用需求。在实际运用过程中，由于受各种条件的限制，工程技术人员往 往无法针对每个人都采集大量的图像样本。相对于其维数而言，人脸的样本数很少，所以人 脸识别是一个小样本问题。对于人脸识别这样一个小样本问题，传统的分类方法一方面容易 出现过学习现象，导致算法的推广性差；同时，另一方面，又会导致学习性能差，无法胜任 5 杭州电子科技大学硕士学位论文 人脸识别这样一个非线性很强的分类模式。而支持向量机( s u p p o r tv e c t o rm a c h i n e ，简称s v m ) 恰好能够在学习性能和推广能力上找到一个平衡点n 町，从而使得其分类性能既具有较好的推 广性，又能达到较强的分类效果。 本文通过对各种人脸识别算法的研究、对比，提出一种鲁棒、准确、高效的人脸识别算 法。其中主要利用了支持向量机的强大分类能力和遗传算法的进化搜索性能，利用遗传算法 来优化支持向量机的模型参数，进而用于人脸识别。此算法主要的特点是识别速度快，识别 正确率较高，对现实环境下的人脸识别很有参考价值，适合于硬件条件不是很好的嵌入式设 备。 本文共分六章，全面地介绍了支持向量机和遗传算法的理论基础，各种人脸识别算法的 原理与比较，人脸图像预处理及人脸识别过程等。本文各章的组织结构如下： 第一章绪论，主要介绍了人脸识别的发展历史与研究现状、人脸识别的挑战与应对方法， 以及论文的研究意义及内容结构。 第二章在介绍支持向量机的理论基础之上，给出了两种典型支持向量分类机的详细论述， 结合支持向量机在应用中的效率问题，重点探讨了支持向量机模型的选取及参数的选择策略。 第三章详细论述了各种人脸识别方法的原理，并对这些方法在性能、应用方面进行了比 较总结。 第四章根据人脸图像预处理的基本原理，结合常用的边缘检测器，提出了一种基于中值 滤波的l a p l a c e 边缘检测器，通过实验，表明这种边缘检测器能够很好地进行人脸图像预处 理。 第五章给出了一种基于p c