（计算机软件与理论专业论文）基于自组织映射与k近邻算法的人脸图像识别研究.pdf

摘要 在图像识别的方法中，人们的一般性思维是寻找图像中存在的某些具体特征，然后利用这些 特征进行分类特征提取是图像处理领域重要的研究方向但事物的具体特征可能是千差万别 的，如果进行某类事物的识别都要先寻找其具体特征，那么这个过程似乎是无止境的如何避开 这一个过程，让计算机从总体上进行图像识别，是本文的研究目的 本研究的重点是利用自组织神经网络( s e l f - o r g a n i z a t i o nm a p ，s o m ) 与k - 近邻 ( k - n e a r e s t - n e i g h b o r ，k n n ) 分类算法以人脸识别系统为例实现目标图像的分类任务其中，s o m 网络将高维数据映射到低维规则网格中，可以有效地进行大规模的数据挖掘，实现小量数据近似 表示大量数据的目的利用s o m ，无需提取具体特征，可以构建任意多类的分类器，在入脸识别 这样的多类别、高维数据系统中具有明显优势k n n 方法是一种简单、实用的模式分类方法，在 s o m 算法中引入k n n 方法，主要是防止应用中s o m 输出神经元落空的情况：如果测试样本激活 的是一个训练时没有被标识的神经元，这时候就需要k n n 方法来确定被测样本分类， 具体工作中，本文分析了s o m 神经网络的工作原理，实现了基于s o m 和k n n 的人脸识别 原型系统为了克服s o m 缺陷，进一步提高性能，除了结合k n n 方法以外，主要做了如下工作： 1 降低图像维数图像数据具有冗余特性，过多的细节并不十分重要；通过图像线性压缩、主 成分分析等方法，降低图像维数，可大大减少s o m 网络计算负担 2 探索虚拟样本技术训练样本数量的多少对网络的性能有较大影响，少量样本很难充分训练 网络因此探索虚拟样本技术，增加训练样本数量，提高训练水平，是本文研究的重点之一 3 克服训练样本光照变化对网络性能的影响基于总体特征的识别算法一般对光照变化等敏 感，本文采用图像归一化等方法克服上述现象 4 提出了确定输出神经元数量的经验算法该算法克服了输出神经元数量少导致的输出分类过 于密集、输出神经元数量过多导致分类分散的缺点，提高了网络识别质量 本文设计的图像识别系统，在w i n d o w sx p 下采用m a t l a b6 5 调试通过试验表明，s o m 神经 网络找到了隐藏在图像中复杂的非线性关系，无需具体特征提取，体现了良好的实用性能 关键字：模式识别，自组织映射，人脸识别，k - 近邻分类法 a b s t r a c t f m d m gt h ef e a t u r e sa n dt h e nu s i n gt h e mt oc l a s s i f yd i f f e r e n tt h i n g si s ac o m m o nw a yi ni m a g e r e c o g n i t i o n h o w e v 盯，t h ei d i o g r a p h i cf e a t u r e sa r ev a r i o u si np r a c t i c s i fw ea l w a y sr e c o g n i z e d s o m e t h i n gw i t hi d i o g r a p h i cf e a t u r e s ，t h ep r o c e s sw o u l db ee n d l e s ss i n c ew em u s tt r yt of i n dt h o s e i d i o g r a p h i cf e a t u r e sa tf i r s t s o ，u s i n gt h es e l f - o r g a n i z i n gm a pt oi m a g er e c o g n i t i o nw i t h o u te x t r a c t i n g i d i o g r a p h i cf e a t u r e si st h ek e yr e s e a r c ho ft h i st h e s i s t h em a i ni n v e s t i g a t i o ni nt h i st h e s i si sd e s i g n i n gi m a g ec l a s s i f i e r 、衍ms e l f - o r g a n i z i n gm a pn e u r a l n e t w o r k ( s o m ) a n dk - n e a r e s t - n e i g h b o r ( a l g o r i t h m t h es o mn e t w o r kc a l lp r o j e c t h i g h d i m a n s i o n a ld a t a0 1 1al o w - d i m e n s i o n a lr e g u l a rg r i d s ot h a ti tc a nb eu t i l i z e dt oe x p l o r ep r o p e r t i e s o ft h el a r g ed a t as u c ha sf a c ei m a g e s o md o e s n tn e e ds p e c i a lf e a t u r ee x t r a c t i o na n dc a l lc o n s t r u c t m u l t i - c l a s s i f i e rn a t u r a l l y t h e r e f o r e ，a sah i g h d i m a n s i o n a ld a t a ，t h ef a c ei m a g ec a l lb em a p p e di n t o l o w m i m e n s i o n a ls p a c er e g u l a r l yb ys o m i no r d e rt oa v o i dt h eu n c e r t a i nc a s et h a tr e s u l t sf r o mw h e n t h eo u t p u t - n e u r o ni sn o tm a r k e di nt h es o mt r a i n i n g ，k n nm e t h o di su s e dh e r et oi m p r o v et h e p e r f o r m a n c e t h et h e o r yo fs o mi sf i r s t l ys u m m a r i z e di nt h i st h e s i s ，a n dt h e nt h ef a c er e c o g n t i o ns y s t e ma sa n e x a m p l ei sd e s i g n e d f o u ri m p r o v e m e n t sa r ep r e s e n t e di no u rs y s t e ma sf o l l o w s ： ( 1 ) d e c r e a s i n gd i m e n s i o no f t h ed a t a i m a g ei sar e d u n d a n c yd a t as e t ，s ot h eo v e rd e t a i l si na l li m a g e m a y n o tv e r yi m p o r t a n tt oh u m a ne y e s t h el i n e a rc o n s t r i n g e n tm o t h o da n dt h ep r i n c i p a lc o m p o n e n t a n a l y s i sc a nb eu s e dt oc o m p r e s st h ei m a g ef o rd e c r e a s i n gd i m e n s i o no ft h ed a t a t h e s em e t h o d sc o u l d s p e e dt h ec o m p u t i n go ft h es y s t e m ( 2 ) r e s e a r c h i n gv i r t u a ls a m p l e st e c h n o l o g y t h ea m o u n to ft r a i n i n gs a m p l e sh a dag r e a ti n f l u e n c e o nc a p a b i l i t yo fs o m af e wo fs a m p l e sc o u l dn o tt r a i ns o mn e t w o r kc o m p l e t e l y t h e r e f o r e ， r e s e 村c h i n gv i r t u a ls a m p l e st e c h n o l o g yt oi m p r o v et r a i n i n gi so n eo fk e yp o i i l to ft h i sp a p e r ( 3 ) o v e r c o m i n gt h ea f f e c to ft h ev a r i e di l l u m i n a t i o n n o r m a l i z a t i o ni su s e dt or e s t r a i nt h ei n f l u e n c e o f h i g hg r a yt ol o wg r a y ( 4 ) an e ww a yt oc o n f i r mt h ea r i t h m e t i co fc o m p u t i n go u t p u tl l c u l o l aa m o u n ti sp r e s e n t e d t h e a p p r o p r i a t eo u t p u tn e u r o na m o u n ti sh e l p f u lf o rt h er a t eo f r e c o g n i t i o n t h ef a c er e c o g n t i o ns y s t e mh a sp a s s e dt h ed e b u g i n gw i t hm a t l a b6 5i nw i n d o w sx p e x p e r i m e n t a l r e s u l t ss h o wt h a tt h en o n l i n e a rs t a t i s t i c a lr e l a t i o n s h i ph i d d e ni nt h ef a c ei m a g ec o u l db ef o u n d e db y s o m ，a n di tn e e dn o te x t r a c ti d i o g r a p h i cf e a t u r e s f o ri m a g er e c o g n i t i o n i ts h o w sn i c e rp e r f o r m a n c e k e yw o r d s ：p a t t e r nr e c o g n i t i o n ，s e l f - o r g a n i z i n gm a p ，f a c er e c o g n i t i o n ，kn e a r e s tn e i g h t h o ra l g o r i t h m 宁夏人学硕l ：学位论文 口录 曼皇曼曼皇曼曼曼曼鼍p i 一_ - 一 i 一l 一 l - 曼曼曼曼! 曼曼曼曼曼皇孽曼曼! 璺 表索引 表1 1 1 人脸识别技术应用领域1 表1 - 2 1 几款成熟人脸识别系统：3 表4 - 2 1 数据预处理模块用到的主要函数2 7 表4 2 - 2s o m 竞争合作竞争过程初始化参数表2 8 表4 2 3 分类器设过程用到的主要函数2 8 表铊- 4 分类器使用过程中用到的主要函数2 9 表4 - 2 - 5s o m k n n 图像识别仿真系统的文件结构3 0 表4 3 1 训练样本维数对识别率及c p u t i m e 的影响对比表一3 2 表4 3 - 2 仅使用原始样本进行训练的s o m 网络的识别率及c p u t i m e 表3 3 表4 3 3 使用原始样本+ 虚拟样本进行训练的s o m 网络的识别率及c p u t i m e 表3 3 表4 3 _ 4 ( 4 1 ) ( 4 2 ) 式确定的神经元数营对网络识别率及c p u t i m e 影响表3 4 表4 3 5 ( 4 3 ) ( 4 4 ) 式确定的神经元数量对网络识别率及c p u t i m e 影响表3 4 表4 _ 3 石自定义输出神经元数量2 0 x1 8 对网络识别率及c p u t i m e 影响表3 5 表4 - 3 - 7 网络影响因素综合对比表3 5 表4 4 l 使用p c a + 双线性压缩方式对网络识别率及c p u t i m e 影响表3 6 表4 - 4 - 2 仅使用双线性压缩方式对网络识别率及c p u t i m e 影响表3 7 表4 4 3 原始图像使用p c a 方式对s o m 网络识别率及c p u t i m e 对照表3 7 表4 4 4 使用小波变换虚拟样本技术增加样本数量对网络识别率以及c p u t i m e 影响表3 9 表4 4 5 使用镜像+ 小波变换虚拟样本技术对网络的识别率及c l m t i m e 影响表3 9 表4 4 6 不使用虚拟样本的情况下s o m 网络的识别率及c p u t i m e 对比表4 0 表4 _ 4 - 7 归一化与不归一化方法对网络率及c p u t i m e 影响表4 0 v 宁夏人学硕l j 学位论支日录 图索引 图2 1 1 人脸识别流程图7 图2 - 2 1 主成分分析示意图8 图2 - 2 2 贝叶斯概率法示意图9 图2 2 3f i s h e r 方法判别示意图9 图2 2 - 4s v m 空间转换示意图1 0 图2 2 5 神经网络构造图1 0 图2 2 6 弹性匹配算法示意图1l - 图2 - 2 7g a 算法流程图1 1 图2 - 2 8 综合人脸识别算法示意图12 图3 1 1 人工神经网络示意图1 3 图3 1 2 反馈犁网络示意图1 4 图3 2 1s o m 神经网络结构图1 6 图3 3 1s o m 神经网络黑盒图1 6 图3 3 2s o m 特征映射结构图1 6 图3 - 3 3 神经网络侧向作用示意图1 7 图3 3 4 输出神经元侧向作用示意图1 7 图3 3 5s o m 正、反投影示意图1 8 图3 3 _ 6s o m 编码解码模拟器18 图3 - 3 7 神经元的二维网络示意图1 9 图3 3 8g a u s s 邻域函数图2 0 图3 4 1 、n 算法示意图2 2 图4 1 1o r l 人脸数据库2 4 图4 1 - 2 基于s o m 的人脸识别仿真系统流程图2 5 图4 - 2 1 数据准备流程图2 6 图4 - 2 2 图像向量化示意图2 6 图禾2 3s o m 分类器设计流程图2 7 图4 - 2 - 4 分类器使用方法流程图2 9 图4 - 2 54 0 x 6 训练样本人脸识别结果图3 0 图4 2 - 65 x 5 样本数训练、单样本测试结果图3 1 图4 2 7 输出神经元灰度图、结构图3 1 图4 3 1 使用虚拟样本技术对s o m 识别率影响、q m t i m e 对比图3 3 图4 3 - 2 输出神经元数量对网络识别效率、c p u t i m e 影响对比图“ 图4 4 l 图像双线性压缩示意图3 6 图4 4 2 图像水平镜像示意图3 8 图4 4 3 小波变换人脸图像的多分量图像3 9 图4 4 4 小波变换图像示例3 9 v i 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成 果尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发 表或撰写过的研究成果，也不包含为获得宁夏大学或其它教育机构的学位或证书而使 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已在论文中作了明确 的说明并表示了谢意 研究生签名： 奇网3 时间：沙。石年中月2 , o 日 关于论文使用授权的说明 本人完全了解宁夏大学有关保留、使用学位论文的规定，即：学校有权保留送交 论文的复印件和磁盘，允许论文被查阅和借阅，可以采用影印、缩印或扫描等复制手 段保存、汇编学位论文同意宁夏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 ( 保密的学位论文在解密后应遵守此协议) 研究生签名：青冈0 时间：? 口。s 年午胤口e l 导师签名： l r 时间：2 卅年阳u 日一 宁夏人学硕 j 学位论文第一章绪论 曼_ l ii|_i i 曼曼皇曼曼! 鼍 1 1 选题背景与研究意义 第一章绪论 人脸识别是生物测定学研究的内容之一，是利用计算机分析人脸图像，从中提取出有效的识 别信息，用于“辨认”身份的一门技术它的一般性概念是指根据场景中的静态图像或者视频，利 用给定的人脸数据库信息，确认或鉴别该场景中的一位或者多位人的身份的过程本文的出发点 是使用自组织映射( s e l f - o r g a n i z a t i o nm a p ，s o m ) 寻找一种模拟人脑认识、识别人脸的方法模 拟人脑思维方式的计算机工程被称为人工神经网络工程，使用神经网络来完成人脸图像识别，是 本课题的选题背景和研究方向 在传统意义上，人们习惯于使用密码或者身份卡的方式来进行识别，但这些方法有其固有的 不足：密码可能被窃取、忘记；身份卡可能丢失、被盗等以生物识别技术为代表的身份识别技 术受到了各国政府的普遍关注生物识别技术是指利用一个人固有的生理或行为特征进行自动的 身份认证一种生物特征可应用于身份识别，应具有如下特点： ( 1 ) 广泛性每个使用该身份识别系统的人都应该拥有这些特性 ( 2 ) 固有性人脸识别、指纹识别、语音识别、虹膜识别这些生物识别技术所使用的源数据 都是人体的一部分，在没有不可抗拒外力的情况下，一般不会丢失 ( 3 ) 不可复制性每个人独特的生理构造为身份识别系统的“唯一性”提供了很好的应用前提， 虽然指纹等基本特征可以模仿或者复制，但是虹膜等人的一些重要器官的特征，则不容易被复制 ( 4 ) 稳定性人脸、指纹、声音、虹膜等基本特征短时间一般不会发生很大的变化 ( 5 ) 可采集性身份识别使用的特征必须是方便采集的，并且通常不对鉴别人员造成人身伤 害 人脸的识别，对上述5 个条件都比较符合，且人脸识别系统直观明了，可以给操作人员以直 接对比的二次判断权利，因此人脸识别已经成为当前生物识别领域最重要的研究方向之一 作为生物识别研究领域的一个重要研究方向，人脸识别技术应用背景广泛，如表1 1 1 所示： 表1 1 1 人脸识别技术应用领域 应用领域具体应用 身份识别 公共安全 访问控制 人机交互 信用卡、驾驶证、护照、身份证等个人身份证明中，进行自动身份辨识 犯罪人辨识、嫌疑犯照片的识别匹配、网上追缉逃犯、丢失儿童的查找等方面 访问控制的范围相当广，小到个人计算机的使用权限控铜，大到杀伤性武器的发射控 制，它可能是政府部门、厂矿企业、事业单位或高档住宅区入口处的门卫检查，也可 能是大型计算机系统或军事情报部门的入口控制 虚拟游戏、自动登陆系统、自动代理系统等 除表1 1 1 所述外，人脸识别还具有重要的理论研究价值由于人脸模式的特殊性，人脸识 宁夏人学硕 j 学位论文第一章绪论 别的研究涉及图像处理、模式识别、计算机视觉、认知科学、生理学、心理学等多个学科领域， 更是模式识别、人工智能和计算机视觉的典型案例之一研究和解决这一问题，有助于分析和解 决其它模式识别问题，推动相关学科的理论与应用发展 1 2 人脸识别、神经网络的发展及研究现状 1 2 1 人脸识别的发展及研究现状 人脸识别技术的发展一般可分为三个阶段：【1 】【2 】【3 】 第一阶段：非自动识别阶段以a l l e n 、b e r t i l l o n 和p a r k e 为代表，他们主要研究人脸识别所 需的面部特征为了提高脸部识别率，a l l e n 在其开发的系统中为待识别脸设计了一种有效和逼真 的特写而在b e r t i l l o n 开发的系统中，则用一个简单的语句与数据库中的某一张脸相联系，同时 还与指纹分析相结合，是一个具有较强识别能力的识别系统p a r k e 用计算机实现了这一想法，并 且开发出较高质量的人脸灰度图模型但是这一阶段工作的特点是所有的识别过程几乎全部依赖 于操作人员，很明显这不是一种可以完全自动完成识别的系统 第二阶段：人机交互识别阶段该阶段以g o l d s t i o n 、h a r m o n 和l c s k 的研究成果为代表他 们所做的工作主要是用几何特征参数来表示人脸正面图像在他们设计的系统中采用二维特征矢 量表示人脸面部特征此外k a y a 和k o b a y a s h i 采用了统计识别方法，他们用欧氏距离来表征人脸 特征，比如鼻子与嘴唇之间的距离，嘴唇的高度等而t k a n a d ( m n a g a o ) 设计了一个有一定知识 导引的半自动回溯识别系统，并且他创造性地运用积分投影法从单幅人脸图像中计算出一组脸部 的特征参数，然后利用模式分类技术与标准人脸相匹配k a n a d 开发的系统实现了实时、高速的 处理，是一个很大的进步b a r o n 所做的工作是先将图像灰度归一化，然后用4 个掩模( i i i 曼、鼻、 嘴及眉毛以下的整个脸部) 来表示人脸，再分别计算这4 个掩模与数据库中的每幅标准图像的相应 掩模之间的相关系数，以此作为判别是否一致的依据总的来说，上述方法都需要利用操作人员 的某些先验知识，还是摆脱不了人的干预 第三阶段：机器自动识别阶段近十余年来，由于高速度、高性能计算机的出现和发展，加 之9 1 1 后人们对生物识别技术的重视，使人脸识别方法有了较大的突破，出现了多种机器全自动 识别系统除了基于k l 变换的特征脸方法与奇异值特征为代表的代数特征方法外，人工神经 网络、隐马尔可夫模型、小波变换、支持向量机等也在人脸识别研究中得到了广泛的应用 人脸识别在2 0 世纪9 0 年代以来更成为科研热点，关于人脸识别的技术综述也层出不穷现 在，全世界从事人脸识别研究的科研机构很多，国外的大学一般都有c o m p u t e rv i s i o n ( 计算机视 觉) 研究组，并有专门从事人脸图象处理的研究机构，其中著名的大学包括m r r 、c m u 等。国 内的清华大学、浙江大学、哈尔滨工业大学和中国科学院的些研究机构等也在从事这方面的研 究，也出现了一批提供人脸识别相关产品的科研机构或公司，比较成熟的人脸识别系统如表l - 2 1 所示： 2 宁夏人学硕 + 学 童沦文第一章绪论 表卜2 i 几款成熟人脸识别系统 1 2 2 神经网络的发展及研究现状 神经网络又称人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) 【4 】，是一种模仿动物神经网 络行为特征，进行分布式并行信息处理的算法数学模型这种网络依靠系统的复杂程度，通过调 整内部大量节点之间相互连接的关系，从而达到处理信息的目的关于神经网络的定义目前尚不 统一，按美国神经网络学家h e c h tn i e l s e n 的观点，对神经网络的定义：“由多个非常简单的处理单 元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来 处理信息”综合神经网络的来源、特点和各种解释，它可简单地表述为旨在模仿人脑结构及其功 能的信息处理系统阁 a n n 的发展历程如下【6 】【7 【s 】： 第一阶段：启蒙期 a n n 的研究始于1 9 4 3 年，心理学家w m c c l l o c h 和数理逻辑学家w p i t t s 首先提出了神经 元的数学模型此模型直接影响着这一领域研究的进展1 9 4 8 年，冯t 诺依曼提出以简单神经元构 成的再生自动机网络结构1 9 4 9 年，d h e b b 认为信息能被存储在神经元的联结上，提出了更新神 经元联结的学习机制，目前被称为h e b b 学习规则1 9 5 8 年，e r o s e n b l a t t 提出了感知机，它通过 修改连接权值完成一定的模式分类因感知器的概念简单，首次提出时很受重视，但最后m i n s k y 和p a p e r t 从数学上证明：感知器不能完成复杂的逻辑函数，并使神经网络的研究进入低潮期。 第二阶段：低潮期 虽然2 0 世纪6 0 年代至l j 7 0 年代人工神经网络的研究进入了低潮，但还是有一些重大的研究进展 2 0 世纪6 0 年代初，b w i d r o w 和m h o 行提出了a d a l i n e ( a d a p t i v e l i n e a re l e m e n t ) 理论，a d a l i n e 采 用最小均方( l t 冶s tm e a ns q u a r e ，l m s ) 算法调节权值，使输出与期望输出的差最小2 0 世纪7 0 年 代，当p a u lw e r b o s 研究社会科学问题时，发现了b p 算法的数学原理1 9 8 2 年。k o h o n e n 发展了 3 宁夏人学硕卜学位论文第一翠绪论 i l l iii_ii i i 自组织映射【9 1 ，即s o m ，由此，人工神经网络开始渐渐进入一个新的研究热潮 第三阶段：复兴期 s o m 的研究带领人工神经网络进入复兴阶段，从上世纪8 0 年代至今，是神经网络理论研究的 主要发展时期成果如下：1 9 8 2 年，j h o p f i e l d 提出t h o p f i e l 神经网络，同年。m a r r 将视觉信息与神 经实现机制联系起来中国生物物理学家汪云九提出了视觉神经元的广义g a b o r 函数模型以及有 关立体视觉、纹理检测、运动方向检测、超视觉度现象等的计算模型2 0 世纪8 0 年代中期，r u m e l h e r t 和他的同事们对b p 算法进行了详尽的分析，解决了长期以来没有权值调整有效算法的难题1 9 9 1 年，h a k e n 把协同学习引入神经网络，在他的理论框架中，认知过程是自发的，并断言模式识别 过程即是模式形成过程；中国学者吴佑寿等人提出了一种激励函数可调的神经网络模型【l o l ，试图 对先验知识加以利用1 9 9 4 年，廖晓昕关于细胞神经网络的数学理论与基础( 1 l l 【1 2 】的提出，带来 了这个领域新的进展 随着人工神经网络2 0 世纪8 0 年代在世界范围内的复苏，国内也逐步掀起了研究热潮1 9 8 9 年 1 0 月和1 1 月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理神经网 络学术会议；1 9 9 0 年2 月由国内八个学会( 中国电子学会、人工智能学会、自动化学会、通信学会、 物理学会、生物物理学会和心理学会) 联合在北京召开“中国神经网络首届学术会议”这次大会 以“八学会联盟，探智能奥秘”为主题，收到了3 0 0 多篇学术论文，开创了中国人工神经网络及神 经计算机方面科学研究的新纪元经过十几年的发展，中国学术界和工程界在人工神经网络的理 论研究和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加 国际上，1 9 8 7 年在美国加洲召开了第一届国际神经网络学会此后每年召开两次国际神经网 络联合大会( i j c n n ) ，并创办了刊物 j o u r n a ln e u r a ln e t w o r k s ，另有十几种国际著名的神经网络 学术刊物相继问世至此，神经网络理论研究在国际学术领域获得了其应有的地位 1 2 3 自组织映射( s o m ) 国内研究现状 2 0 0 7 年，中国知网上按”题名”以“自组织映射”、“s o m ”、“自组织特征映射”搜索到的文章分 别为1 4 篇、7 0 篇、1 5 篇，主要研究方向有入侵检测、数据挖掘、负荷监测、图像分割、数据聚 类、图像识别等多个领域具体应用更为广泛，例如重庆邮电学院白洁、吴渝、王国胤等使用s o m 方法进行i n t e m e t 的入侵监测研究 1 4 l ，准确地判断了攻击与否并进一步指出攻击的具体类型；华 北电力大学的牛东晓、刘达、邢棉等使用自组织映射及支持向量机进行电价预测【l5 】避免单一模型 不能全面反映不同时点电价特性的缺陷；清华大学的杨荣峰、魏义祥【l6 】使用s o m 进行室性早搏 ( p v c ) 真阳性心电号分析，检出率达到9 9 1 ，且聚类效率比a r t - 2 网络方法，优势明显；西安 电子科技大学计算机网络与信息安全教育部重点实验室d r m 研究中心的范科峰、裴庆祺、王占 武等使用s o m 进行虹膜识别【i7 】取得了良好的效果：北京理工大学的潘丽敏、邓建钢、罗森林等 使用s o m 进行胰岛素敏感状态下基因数据处理i 埔j 发现不同胰岛素敏感状态下的大鼠基因变化所 隐藏的表达模式，从而为进一步分析胰岛素抵抗发生的分子机理提供了可能；吉林大学教育部符 号计算和知识工程重点实验室的裴志利及内蒙古大学的陈劲等使用s o m 进行蛋白质亚细胞的位 置监测【1 9 】，较之随机监测方法准确率高出3 0 多个百分点等等s o m 的应用范围涉及到农业、气 4 宁夏人学顾f j 学位论文第一章绪论 象、生物、商业等多个领域，研究成果颇多，限于篇幅，本文未一列出 人脸识别方面，从1 9 7 9 年到2 0 0 8 年3 月2 9 日，中国知网中国期刊全文数据库、中国期刊 全文数据库世纪期刊、中国博士学位论文全文数据库、中国优秀硕士学位论文全文数据库四库 中可查阅的标题中包含“人脸识别”的文章共9 4 3 篇，其中使用s o m 方法的仅有年南京大学软件 新技术国家重点实验室的谭晓阳、刘俊、，张福炎使用s o m 进行的基于“s o m 脸”的选择性单 训练样本人脸识别【2 0 】，发表在2 0 0 5 年的南京航空航天大学学报上该文使用o r l 人脸数 据库进行试验，将人脸分块，使用s o m 对每块人脸进行分析，统计人脸局部区域与样本间的关 系，然后依靠这些关系进行分类该算法的在单样本情况下识别成功率为8 0 左右，但没有进行 多样本的试验另外，同样在南京大学，周志华等人也进行了相似的研究，请参照参考文献 2 1 1 本 文使用的方法不同于上述几人的研究，在训练时不对图像分块，整个图像做训练，使用s o m 自 动揭示隐藏在图像中的非线性关系，实验效果良好，最高识别率可达9 5 1 3 人脸识别技术优势及难点 人脸作为生物识别的主要应用方向，有如下的优势及特点： ( 1 ) 自然性所谓自然性，是指该智能识别方式同人类( 甚至其它生物) 进行个体识别的方 式相同，例如人脸识别是人类进行个体区分最自然的一种方式具有自然性的识别还有语音识别、 体形识别等，而指纹识别、虹膜识别等则不具有自然性 ( 2 ) 非接触及隐蔽性使用非接触方式，可使被测试用户在不知不觉中完成身份验证，一般 不会给使用者造成心理上的障碍 ( 3 ) 采样设备价格便宜视频获取设备( c c d c m o s 摄像机、摄像头) 的技术已经相当成 熟，价格也十分便宜，一个普通的3 0 0 万像素的摄像头的市场价格在1 0 0 元左右( 2 0 0 8 年1 月份 价格) ，视频获取设备已经成为电脑用户的标准配置 ( 4 ) 通过人脸可获取更多信息通过人的表情以及姿态，可获取更多的信息，例如痛苦、无 奈、兴奋等个人感情信息 虽然人脸识别有很多其它识别无法比拟的优点，但它本身也存在许多困难，被认为是生物特 征识别领域甚至人工智能领域最困难的研究课题之一，其困难主要是人脸作为生物特征的特点所 带来的，入脸在视觉上的特点是： ( 1 ) 不同个体之间的区别不大所有的人脸的结构都相似，甚至人脸器官的结构外形都很相 似，这样的特点对于人脸具体特征定位是有利的，但是对于利用人脸区分不同个体是不利的 ( 2 ) 人脸的外形很不稳定人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸 的视觉图像也相差很大 ( 3 ) 环境的影响人脸识别受光照条件( 例如白天和夜晚，室内和室外等) 、遮盖物( 例如 口罩、墨镜、头发、胡须等) 、年龄、背景等多方面因素的影响 ( 4 ) 数据量庞大三维人脸投影在二维的图像上，虽然有信息的损失，包含了复杂的高维像 素数据，并且每一像素都携带了大量的信息 为了便于研究应用，在人脸识别系统中，应该扩大( 1 ) 中对于不同个体的差异，削弱( 2 ) s 宁夏人学硕l 学位论文第一章绪论 中同一个体的不同；对于( 3 ) 应采用直方图均衡化、图像差值等方法消除环境对摄像效果的影 响；对于( 4 ) ，则应该寻找既能降低维数、加快训练速度，又不影响训练效果，甚至提高训练水 平的方法 1 4 课题研究的主要内容 本课题的主要研究内容是人工神经网络中的白组织映射( s o m ) ，整理探索s o m 的工作原 理、数学模型、学习步骤，完成s o m 在人脸识别领域的应用，主要做了如下工作： ( 1 ) 构建s o m 训练、识别网络搭建基本的训练识别网络，包括：图像数据结构化、归一 化s o m 训练神经网络的搭建、s o m 神经网络的使用、识别率的统计等 ( 2 ) 确定s o m 网络输出神经元数量的自动确定算法输出神经元数量保证了s o m 分类不至 于过于密集与离散 ( 3 ) 探索图像降维方式，减少网络学习i l l 练时间主要方法包括双线性差值方法、主成分分 析方法等，并给出这些方法的适用范围 ( 4 ) 虚拟样本技术的探索，充分训练s o m 网络一定范围内的增加样本数量可大大提高识 别质量，这些方法中主要包括镜像方法、小波变换方法等 ( 5 ) 修改识别落空情况对识别时测试样本激活了无分类标识神经元的情况，使用kn n 算 法为其分类 ( 6 ) 采用能量归一化方法克服光照影响能量归一化将所有样本能量统一到单位能量上，平 抑了不同样本灰度值的差异 1 5 本文内容安排 第一章绪论主要介绍选题依据及背景、人脸识别、人工神经网络的发展及现状，对人脸识别 以及人工神经网络的历史做简单介绍，并进一步介绍几款较为成熟的人脸识别系统；第一章第三 节主要介绍入脸识别的长处及不足，对课题研究的总体方向具有指导意义；最后简要介绍本课题 主要工作，使读者对本课题研究的主要内容有基本的了解 第二章主要介绍生物识别的相关技术，其中人脸识别是重点在人脸识别的相关技术中，本 文将人脸识别的主要相关方法分为三大类，并在第二章第二节进行了较为详细的讲解 第三章介绍自组织网络以及k n n 的相关概念、方法从人工网络开始，重点介绍s o m 的基 本原理、数学模型、学习算法 第四章主要是基于第三章理论进行的系统仿真设计从系统设计的角度出发，介绍了系统流 程，完成了系统的设计及实现，并在试验中给出影响s o m 神经网络识别质量的影响因素及改进 方法，给出输出神经元数量的计算方法，介绍了降低图像维数的双线性压缩、p e a 方法及增加样 本的镜像方法、小波变换等方法，给出克服不同灰度值( 光照影响) 影响的归化方法 第五章总结及展望该章总结本课题的研究理论、成果及程序实践中存在不足，并对后续研 究的主要内容做了简要介绍 6 宁夏人学硕l ：学位论文 第二章人脸识别的t 要方泫 曼曼皇曼皇曼曼曼曼量皇i 一 一 一_ 一l m _ i m 量奠曼曼皇 2 1 人脸识别流程 第二章人脸识别的主要方法 从人认识事物的一般性规律来说，要想对一个事物进行准确的识别，必须有训练准备的必要 阶段，这个阶段形成了对某一类个体特征的记忆，依靠这些记忆信息，便可以对原有事物、新事 物进行或准确或大致的分类在人脸识别系统中，把形成特征记忆的过程称为“训练”，利用这些 记忆进行分类的过程称为“识别”，一个典型的人脸识别系统流程如图2 1 1 所示： ? 。1 1l i t i 练； ；过； ；程： ：； ? 一一。1 ：识i ! 剐 l 过； 程； ：； 图2 1 1 人脸识别流程图 圈厶- 1 疋八胜眵 刖尔统的一般步骤，但具体步骤需根据算法特点来确定，例如本文提出的 基于s o m 的人工神经网络的识别算法，没有特征提取这一过程，但先训练再识别这一总体过程， 是所有人脸识别系统的共同特点 2 2 人脸识别技术 人脸识别算法经过4 0 年的发展，出现了诸如主成分分析( 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 ) 、f i s h e r 线性判别、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 ，s v m ) 、人工神经网络( a r t i f i c i a l n e u r a l n e t w o r k s ，a n n ) 等众多人脸识别算法使用某一类标准很难将这些人脸识别算法进行分类，本文 只从静态( 非视频) 图像人脸识别的角度出发，重点总结下面几种常见的人脸识别算法 2 2 1 基于几何特征的人脸识别方法 基于几何特征的入脸识别，主要是利用了人的脸型、主要器官的几何距离等特征进行分类识 别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，识别是对 特征矢量之间的匹配，基于欧氏距离的人脸识别技术的研究的判决是最常用的识别方法侧影识 - 7 - 宁夏人学硕f ：学位论文第：章人脸识别的卜要方法 曼曼量曼舅曼曼曼曼皇! ! 曼曼曼曼曼詈曼! 曼曼曼曼曼曼曼! 曼皇舅= ：= i = i i = i：= i i = i i = - = i 曼曼曼曼曼曼曼曼! ! 曼! 曼曼曼! ! ! 笪巴量曼曼皇皇鼍 别是最早的基于几何特征的人脸识别方法，主要从人脸侧面轮廓线上提取特征点入手，一般将侧 影简化为轮廓曲线，从中抽取若干基准点，用这些点之间的几何特征来进行识别，例如计算鼻子 到眼睛中心的距离、眼睛之间的距离等 基于几何特征的人脸识别一个最大的优点是对照片中光源的暗弱不敏感，并且