（计算机应用技术专业论文）独立分量分析与流形学习研究.pdf

摘要( a b s t r a c t - ) 中文摘要 近几十年来，人脸识别技术已发展成为模式识别领域的一个研究热点，其在 身份鉴别、档案管理、信用卡验证、人机交互等方面有着广泛的应用前景。人脸 识别技术中一个关键难点在于如何提取人脸样本中的有效鉴别特征，近年来的研 究表明，人脸样本中的许多重要信息包含在样本的高阶统计量中，并且人脸样本 数据结构属于一种非线性结构，因此作为能够反映样本高阶统计信息的独立分量 分析算法以及一些适于处理非线性问题的流形学习算法引起了研究者们的广泛关 注，然而这些经典的算法在实际应用中仍存在诸多问题。本文针对独立分量分析 以及流形学习算法进行深入研究，提出了一些改进算法，并在多个人脸图像库中 验证了算法的实用性和有效性。 本文主要工作包括： 1 、基于二维图像矩阵的i c a 人脸识别( i n d e p e n d e n tc o m p o n e n t a n a l y s i s f o rf a c e r e c o g n i t i o nb a s e do nt w od i m e n s i o n a li m a g em a t r i x ) 经典的独立分量分析( 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 ) 算法能够反映 样本的高阶统计信息，因此识别效果要优于经典的主分量分析算法，然而在利用 独立分量分析进行人脸识别时，不可避免地会出现高维小样本问题( 即可用样本 数要远远少于样本维数) ，为了降低这种问题所造成的人脸识别错误率，本文提出 了一种基于二维图像矩阵的独立分量分析特征提取方法。该方法直接采用人脸图 像矩阵作为训练样本，首先利用主分量分析对训练样本进行去二阶相关和降维处 理，然后对处理后的样本利用独立分量分析提取鉴别信息，由于训练样本维数较 小( 为人脸图像样本的行数或列数) ，因此所提算法降低了传统i c a 方法中高维小 样本问题产生的识别错误率，同时能够减少计算量提高识别速度。在y a l e 人脸库 和o r l 人脸库上验证了该算法的有效性。 2 、基于分块独立分量分析的人脸识别( b l o c k b a s e di n d e p e n d e n tc o m p o n e n t a n a l y s i sa n df a c er e c o g n i t i o n ) 利用独立分量分析方法进行特征抽取，其识别率容易受到噪声的影响，同时 样本中存在的高维小样本问题会造成识别率较低且识别时间较长等问题。本文提 出了一种基于分块独立分量分析( b i c a ) 的特征提取方法，该方法通过将人脸分块 i i 摘要( a b s t r a c t ) 降低了光照条件、人脸表情等外在因素对人脸识别的影响，并先后将分块后重组 的矩阵的行和列作为训练样本提取独立分量，由于训练样本维数很小，因此它降 低了传统独立分量分析( i c a ) 方法中存在的高维小样本问题产生的识别错误率， 同时减少了识别时间。在y a l e 人脸库和a r 人脸库上验证了该算法的有效性。 3 、基于局部人脸图像的i c a 人脸识别方法( i n d e p e n d e n tc o m p o n e n t a n a l y s i so n p a r to f f a c ei m a g ea n df a c er e c o g n i t i o n ) 独立分量分析能够有效利用人脸样本的高阶统计信息抽取样本的鉴别信息， 但是提取的鉴别信息并不能反映样本的局部信息。本文提出了一种基于局部人脸 图像的i c a 方法，它首先将人脸分成若干个块，然后直接将分成的每个局部人脸 图像作为训练样本，另外由于不同图像样本的行和列间均存在相关性，本文方法 先后从训练样本的水平方向、垂直方向提取独立分量。相较于传统的独立分量分 析方法，所提方法具有如下优点：一、降低了人脸识别过程中存在的高维小样本 问题产生的识别错误率；二、将分块后的局部人脸图像作为训练样本，这不仅增 加了训练样本数，而且有利于提取人脸的局部特征；三、依次从训练样本的水平 方向、垂直方向提取训练样本特征，使得提取的特征不仅维数更小，而且能更有 效地反映样本的局部信息。在y a l e 及a r 人脸库上的实验表明，相较于其它入脸 识别方法，本文方法更稳定，识别率更高。 4 、基于i c a 和u d p 相结合的人脸识别( f a c er e c o g n i t i o nb a s e do ni c aa n d u d p ) 独立分量分析( i c a ) 是一种基于样本整体数据结构的特征抽取方法，无法反 映样本内在的数据关系，因此i c a 不利于解决人脸识别这类非线性问题，并且识 别率易受人脸姿态、光照等外在因素的影响。无监督鉴别投影( u n s u p e r v i s e d d i s c r i m i n a n tp r o j e c t i o n ，u d p ) 属于一种流形学习算法，它同时考虑到样本的局部 特征和非局部特征，这有助于解决人脸识别这类非线性问题。本文提出了一种将 i c a 和u d p 的相结合的算法，首先利用i c a 提取样本特征，然后对提取的特征利 用u d p 进一步获取有效的鉴别信息。这种方法能够反映样本潜在的数据结构，同 时能够有效降低噪声对识别率的影响。在y a l e 及f e r e t 人脸库上的实验结果验证 了该算法的有效性。 5 、增强的边际费舍鉴别分析及其在人脸识别中的应用( e n h a n c e dm a r g i n a l f i s h e ra n a l y s i sf o rf a c er e c o g n i t i o n ) 摘要( a b s t r a c t ) i l i 边际费舍鉴别分析( m a r g i n a lf i s h e ra n a l y s i s ，m f a ) 是一种有效的可处理非 线性问题的监督流形学习算法，它根据样本的近邻关系构造两个图：类内近邻图 与类间近邻图，然后根据这两个图来制定同类样本间的内聚与不同类样本间的分 离准则。尽管实验结果证明m f a 比其它一些常用人脸识别算法( 例如p c a 、l d a 、 l p p ) 等更有效，但是对于任一样本在构造它的类间图时均是建立在整个样本数据 集上的，因此计算量十分繁重。本文提出了一种增强的边界费舍线性鉴别分析方 法，首先根据每类样本的均值之间的近邻关系寻找每类样本的k 个最近类，然后 可在每类样本的最近类中寻找边际点，所提方法能够减少大量计算且能够有效避 免异常值现象。在o r l 及f e r e t 人脸库上的实验表明，本方法要优于其它人脸 识别方法。 关键词：特征提取；主分量分析；二维独立分量分析；分块独立分量分析； 局部人脸图像；流形学习；局部特征；非局部特征；无监督投影鉴别分析；增强 的费舍鉴别分析；人脸识别； 摘要( a b s t r a c t ) v a b s t r a c t i nr e c e n ty e a r s ，f a c er e c o g n i t i o nt e c h n i q u eh a sb e c o m eac e n t r a li s s u ei ns u c ha f i e l da sp a a e mr e c o g n i t i o n ，a n di th a sb e e nw i d e l yu s e di ns u c ha p p l i c a t i o n sa si d e n t i t y r e c o g n i t i o n ，r e c o r d s - m a n a g e m e n t ，v e r i f i c a t i o nf o rc r e d i tc a r d s ，a n dh u m a n - c o m p u t e r i n t e r a c t i o ne t c o n eo ft h ek e yp r o b l e m si nf a c er e c o g n i t i o ni sh o wt oe x t r a c te f f e c t i v e d i s c r i m i n a n tf e a t u r e si nt h ef a c ei m a g e r e c e n t l y , s t u d i e sh a v es h o w nt h a t ，h i 曲- o r d e r s t a t i s t i c sc o n t a i n sm u c hi m p o r t a n ti n f o r m a t i o n ，a n dm o r e o v e r , t h ed a t ao fe a c hf a c e i m a g ei so fan o n - l i n e a rd i s t r i b u t i o n ，t h e r e f o r e ，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 sw h i c h c a l lr e f l e c t h i 曲o r d e r s t a t i s t i c a li n f o r m a t i o ne f f e c t i v e l ya n ds o m em a n i f o l d l e a r n i n g - b a s e da p p r o a c h e sw h i c ha r es u i t a b l et os o l v en o n l i n e a rp r o b l e m sh a v eb e e n a t t r a c t e dm u c ha t t e n t i o n h o w e v e r , t h e r ea r es t i l ls o m ep r o b l e m si nt h o s ea l g o r i t h m s w h e nb eu s e di nr e a lc o n d i t i o n ，t os o l v et h e s ep r o b l e m s ，w ed oa ni n - d e p t hr e s e a r c ho n 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 sa n dm a n i f o l dl e a r n i n g b a s e da l g o r i t h m s ，a n dd e v e l o p s e v e r a le f f e c t i v ef e a t u r ee x t r a c t i o nm e t h o d s t h ee x p e r i m e n t a lr e s u l t so ns o m ef a c e d a t a b a s e sv a l i d a t et h ee f f e c t i v e n e s so fo u rp r e s e n t e dm e t h o d s t h em a j o rw o r k si nt h i sp a p e ra r ei n c l u d e da sf o l l o w s ： 1 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 f o rf a c er e c o g n i t i o nb a s e do nt w o d i m e n s i o n a li m a g em a t r i x c l a s s i c a li 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 ) i sa b l et od i s c o v e rt h eh i 曲- o r d e r i n f o r m a t i o nt h a tc o n t a i n sm u c hs i g n i f i c a n td i s c r i r n i n a n ti n f o r m a t i o ne x i s t i n gi nd a t a , t h u si tc a no b t a i nh i g h e rr e c o g n i t i o na c c u r a c yt h a np 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 ) h o w e v e r , w h e nt a k i n gi c aa saf e a t u r ee x t r a c t o rf r o mf a c ei m a g e s ，t h ep e r f o r m a n c ei s i n e v i t a b l yi n f l u e n c e db yt h es o - c a l l e ds m a l ls a m p l es i z e ( s s s ) p r o b l e m ( i e t h en u m b e r o fa v a i l a b l et r a i n i n gs a m p l e si sm u c hl e s st h a nt h ed i m e n s i o no ft h eu n d e r l y i n gv e c t o r ) t oa l l e v i a t et h ew r o n ga c c u r a t et a k e nb yt h i sp r o b l e m ，i nt h i sp a p e r , w ed e v e l o pan o v e l f e a t u r ee x t r a c t i o nm e t h o dc a l l e dt w o d i m e n s i o n a li 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 ( t d i c a ) w h i c ht a k e st h ei m a g em a t r i xa st r a i n i n gs a m p l e sd i r e c t l y t h ep r o p o s e d m e t h o dc o n s i s t so ft w os t e p s ，f i r s t l y ，i tu s e sp c ar e m o v es e c o n d - o r d e rc o r r e l a t i o n v i 摘要( a b s t r a c t ) b e t w e e ns a m p l e s ，a n ds e c o n d l y , i tt a k e si c at oe x t r a c tf e a t u r e sf r o mt h ep r e p r o c e s s e d s a m p l e s t h ee x p e r i m e n t a lr e s u l t so nt h ey a l ea n do r lf a c ed a t a b a s e sv a l i d a t et h e e f f e c t i v e n e s so ft h ep r o p o s e dm e t h o d 2 b l o c k - b a s e di n d e p e n d e n tc o m p o n e n t a n a l y s i sa n df a c er e c o g n i t i o n w h e nc a p i t a l i z i n go ni c af o rf e a t u r ee x t r a c t i o n , t h er e c o g n i t i o nr a t ei su n d e rt h e i n f l u e n c e so fn o i s e sa n dt h es m a l ls a m p l es i z e ( s s s ) p r o b l e m , i na d d i t i o n , m u c ht i m e m a yb ec o s t i nt h i sp a p e r , w ep r o p o s ean e wf e a t u r ee x t r a c t i o nm e t h o dc a l l e d b l o c k - b a s e di 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 ( b i c a ) ，w h i c hi sa b l et o m i t i g a t et h e i n f l u e n c eo fn o i s e ss u c ha sl i g h ta n df a c ep o s e s ，a n dt a k e st h er o wv e c t o ra n dc o l u m n v e c t o ro fe a c hr e c o n s t r u c t e dm a t r i xa s t r a i n i n gs a m p l e st o e x t r a c ti n d e p e n d e n t c o m p o n e n t ss e q u e n t i a l l y s i n c et h ed i m e n s i o no f e a c hs a m p l ei sm u c hs m a l l e rt h a ni c a ， i tc a l lr e d u c et h ef a c er e c o g n i t i o ne r r o rc a u s e db ys s sp r o b l e mi nt r a d i t i o n a li c a ，a n d d e c r e a s et h ec o n s u m i n gr e c o g n i t i o nt i m es i m u l t a n e o u s l y t h ee x p e r i m e n t a lr e s u l t so n t h ey a l ea n da rf a c ed a t a b a s e sd e m o n s t r a t et h ee f f e c t i v e n e s so fb i c a 3 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 so np a r to f f a c ei m a g ea n df a c er e c o g n i t i o n 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 ) i sa b l et od i s c o v e rt h eh i g h - o r d e r i n f o r m a t i o n , b u tt h ee x t r a c t e dd i s c r i m i n a n ti n f o r m a t i o nm a yf a i lt or e v e a lt h el o c a l r e l a t i o n s h i pb e t w e e nd a t as a m p l e s i nt h i sp a p e r , w ep r o p o s ea ni n d e p e n d e n tc o m p o n e n t a n a l y s i so np a r to ff a c ei m a g ef o rf a c er e c o g n i t i o n f i r s t l y , t h ep r o p o s e dm e t h o d p a r t i t i o n se a c hf a c ei m a g ei n t os e v e r a lb l o c k s ，s e c o n d l y , i tt a k e se a c hb l o c ka sat r a i n i n g s a m p l e ，w h i l es i n c et h e r e sc o r r e l a t i o nb o t hb e t w e e nr o w sa n dc o l u m n si ns a m p l e s , t h e p r o p o s e d m e t h o de x t r a c t s i n d e p e n d e n tc o m p o n e n t sh o r i z o n t a l l ya n dv e r t i c a l l y s e q u e n t i a l l y - c o m p a r e dw i t ht h et r a d i t i o n a li c a ，o u rm e t h o dh a sa t l e a s tt h r e e d i s a d v a n t a g e s f i r s t l y , r e d u c et h ew r o n gr e c o g n i t i o na c c u r a c yd u et ot h es s sp r o b l e m s e c o n d l y , t a k i n ge a c hb l o c ka sat r a i n i n gs a m p l ed o e sn o to n l yi n c r e a s et h en u m b e ro f t o t a l s a m p l e s ，b u t a l s oi ss u i t a b l ef o rf e a t u r e e x t r a c t i o n m o r e o v e r , e x t r a c t i n g i n d e p e n d e n tc o m p o n e n t sh o r i z o n t a l l ya n dv e r t i c a l l ys e q u e n t i a l l yc a nb ea b l et oo b t a i n f e a t u r e sw i t ham u c hs m a l l e rd i m e n s i o na n df i tt or e f l e c tt h el o c a lf a c ei n f o r m a t i o n s i m u l t a n e o u s l y t h ee x p e r i m e n t a lr e s u l t so nt h ey a l ea n da r f a c ed a t a b a s e ss h o w st h a t o u rm e t h o di sm o r es t a b l ea n dc a no b t a i na s i g n i f i c a n th i g h e rr e c o g n i t i o nr a t et h a no t h e r 摘要( a b s t r a c t ) v i i a p p r o a c h e s 4 f a c er e c o g n i t i o nb a s e do ni c aa n du d p 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 ) i su s e da sae f f e c t i v ef e a t u r ee x t r a c t i o n t e c h n i q u ef o rf a c er e c o g n i t i o n ，h o w e v e r ，i t sb a s e do nt h eg l o b a ld a t as t r u c t u r e ，w h i c h m a yf a i lt or e v e a lt h ei n t r i n s i cr e l a t i o n s h i pb e t w e e ns a m p l e s ，s oi c ad o e s n to n l yf i tt o s o l v es u c hn o n l i n e a rp r o b l e ma sf a c er e c o g n i t i o nb u ta l s ot h ep e r f o r m a n c ei sa p tt ob e i n f l u e n c e db yf a c ep o s e sa n dl i g h tc o n d i t i o ne t e u n s u p e r v i s e dd i s c r i m i n a n tp r o j e c t i o n ( u d p ) b e l o n g s t oak i n do fm a n i f o l dl e a r n i n g b a s e dm e t h o d ，a n di tc o n s i d e r sb o t hl o c a l a n dn o n - l o c a ls t r u c t u r e si nd a t ap o i n t st h a tl e tu d pi sa p p r o p r i a t et oa p p l i e dt os u c h a p p l i c a t i o na s f a c er e c o g n i t i o n i nt h i sp a p e r , w ed e v e l o pan o v e la l g o r i t h mt h a t i n t e g r a t e si c aa n du d p , w h i c ho b t a i n sf e a t u r e sv i ai c af i r s t l y , a n dt h e nf u r t h e r m o r e c o p e sw i t ht h ee x t r a c t e df e a t u r e sb yu d et h ep r e s e n t e da p p r o a c hc a nr e v e a lt h e p o t e n t i a ld a t as t r u c t u r ei n t u i t i v e l y , a n ds i m u l t a n e o u s l ya l l e v i a t et h ei n f l u e n c e so fn o i s e s e f f e c t i v e l y e x p e r i m e n t sc a r r i e do u t o nt h ey a l ea n df e r e tf a c e sd a t a b a s e sv a l i d a t et h e e f f e c t i v e n e s so ft h ep r o p o s e dm e t h o d 5 e n h a n c e dm a r g i n a lf i s h e ra n a l y s i sf o rf a c er e c o g n i t i o n m a r g i n a lf i s h e ra n a l y s i s ( m f a ) i sa ne f f e c t i v es u p e r v i s e dm a n i f o l dl e a r n i n g b a s e d m e t h o df o rs o l v i n gn o n l i n e a rp r o b l e m s ，w h i c hn e e d st oc o n s t r u c tt w og r a p h s ：i n t r a - c l a s s g r a p ha n di n t e r - c l a s sg r a p hf i r s t l y , a n dt h e nd e v e l o p ac r i t e r i o nt oc h a r a c t e r i z e i n t r a - c l a s sc o m p a c t n e s sa n di n t e r - c l a s ss e p a r a b i l i t yi na c c o r d a n c ew i t ht h et w og r a p h s m f ah a v eb e e np r o v e db em o r ee f f e c t i v et h a ns o m eo t h e rp o p u l a rm e t h o d sa sp c a ， l d aa n dl p pi ns e v e r a le x p e r i m e n t s ，h o w e v e r ，t h ec o n s t r u c t i o no fi n t e r c l a s sg r a p ho f e a c hp o i n ti sb a s e do nt h ew h o l ed a t as e t ，w h i c hi su s u a l l yt i m e c o n s u m i n g i nt h i s p a p e r , w ei n t r o d u c ean o v e la l g o r i t h mt e r m e de n h a n c e d m a r g i n a lf i s h e ra n a l y s i s ( e m f a ) e m f af i r s t l yf i n d st h ek n e a r e s tc l a s s e so f e a c hc l a s su s i n gt h em e a nv e c t o r o f e a c hc l a s s ，a n dt h e nt h em a r g i n a lp o i n t sc a nb es t r a i g h t f o r w a r ds e l e c t e di nt h e i r n e a r e s tc l a s s e s c o m p a r e d 、) l ，i mt h eo r i g i n a lm f a ，t h ep r o p o s e dm e t h o dh a sab e a e r e f f i c i e n c yf o rf a c er e c o g n i t i o n ，a n dc a na v o i do v e r f i t t i n ge f f e c t i v e l y e x p e r i m e n t a l r e s u l t so nt h eo r la n df e r e tf a c ed a t a b a s e ss h o wt h a te m f ac a no u t p e r f o r mo t h e r m e t h o d s v i i i 摘要( a b s t r a c t ) k e y w o r d s ：f e a t u r ee x t r a c t i o n ；p r i n c i p a lc o m p o n e n ta n a l y s i s ；t w od i m e n s i o n a l 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 ；b l o c k - b a s e di 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 ；p a r to f f a c ei m a g e ；m a n i f o l dl e a r n i n g - b a s e d ；l o c a lf e a t u r e ；n o n l o c a lf e a t u r e ；u n s u p e r v i s e d p r o j e c t i o nd i s c r i m i n a n t ；e n h a n c e dm a r g i n a lf i s h e ra n a l y s i s ；f a c er e c o g n i t i o n 黄璞独立分量分析与流形学习研究 7 5 扬州大学学位论文原创性声明和版权使用授权书 学位论文原创性声明 本人声明：所呈交的学位论文是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，本论文不包含其他个人或集体已经发表 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。 本声明的法律结果由本人承担。 学位论文作者签名： 7 菇漫 签字日期： 劲卜年f 月，甲日 学位论文版权使用授权书 本人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学位论文的复印件和电子文档，允许论文被查阅和借阅。 本人授权扬州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， 可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。同时授权中国科学 技术信息研究所将本学位论文收录到中国学位论文全文数据库，并通过网络向 社会公众提供信息服务。 学位论文作者签名： 缓渡 导师签名：抛 签字日期：矽i 年f 月l 中日签字日期：b 如年， 月f 垆日 黄璞独立分量分析与流形学习研究 第一章绪论 1 1 人脸识别背景知识概述 1 1 1 人脸识别技术发展历史 人脸识别技术属于一种生物特征识别技术，简单地讲，就是利用计算机提取 人脸的特征，并根据这些特征自动进行身份验证的技术【l 】。由于人脸属于一种与生 俱来的生物特征，具有稳定性和个体差异性 2 1 ，且与其它生物特征识别技术( 例如 指纹、虹膜等) 相比具有更友好、更方便等特点，因此人脸识别技术被广泛用于 身份鉴别、档案管理、信用卡验证、人机交互等方面。下面简单介绍一下人脸识 别技术的发展历史。 人脸识别研究起步于2 0 世纪6 0 年代末至7 0 年代初【1 1 。最早的研究者是 b l e d s o e 【3 j ，他建立了一个半自动的人脸识别系统，主要是以人脸特征点的间距、 比率等参数为特征。早期的人脸识别方法有两大特点：1 大多数识别方法是基于 部件的，它们利用人脸的几何特征进行识别，且提取的鉴别特征是人脸主要器官 的特征信息及其之间的几何关系。虽然这类方法比较简单，但是比较容易丢失人 脸的有用信息，因此在视角、表情等变化较大情况下识别能力差。鉴于这种情况， 后来出现了性能较优的模板匹配方法，即根据图像库中的人脸模板与待识别人脸 模板在灰度上的相似程度来实现人脸识别，这类方法在一定时期内占据主流。2 人 脸识别研究主要是在较强约束条件下的进行人脸图像识别，即假定图像背景单一 或无背景，人脸位置己知或很容易获得，因此这类方法对现实场景产生的图像处 理效果不佳。 2 0 世纪9 0 年代以来，随着计算机软硬件性能的迅速提高，以及对人脸识别 能力的更高要求，使得发展更具鲁棒性的人脸识别方法成为时代的必然。于是， 基于整体的识别方法应运而生，并且很快成为了研究的重点，如特征脸方法【4 】和弹 性图匹配方法【5 】。基于整体的识别方法充分利用了人脸各个特征点之间的拓扑关系 和各个器官自身的信息，可以避免提取面部局部特征的操作，使识别鲁棒性有所 提高。此时，在人脸识别的研究领域出现了基于整体的方法和基于部件的方法齐 头并进的局面。9 0 年代中期以来，人脸识别方法向着整体识别和部件分析相结合 2 扬州大学硕士学位论文 的趋势发展。研究人员开始逐渐认识到人脸识别算法必须能够充分地利用人脸的 各种特征信息，融合人脸的形状拓扑结构特征、局部灰度特征和全局灰度分布特 征等多种特征。因此，出现了很多新的算法，这些算法是将原先单一的算法结合 起来，共同完成人脸的识别。灰度和形状分离的可变形模型方法【6 】就是其中之一。 9 0 年代后期，一些商业性的人脸识别系统开始逐渐进入市场，人脸识别技术成为 当今国际安全防范最重要的手段之一。但是，这些技术和系统离实用化还有一定 的距离，性能和准确率有待提高。 2 0 0 0 年前后，人脸识别方法的性能虽然有了一定的提高，但与人们的要求仍 有一定的差距，现有方法对光照、年龄、表情、姿态、距离等条件的变化比较敏 感，当某些条件发生变化时，识别效果很不理想。目前，人脸识别技术仍只能用 于某些对识别准确率要求不高的场合。 1 1 2 人脸识别的主要内容 如图1 所示，一个完整的人脸自动识别系统主要包括两个部分i _ 7 l ： 步骤一：检测步骤二：识别 图1 1 1 人脸识别过程 f i g u r e1 1 1p r o c e d u r eo f f a c er e c o g n i t i o n ( 1 ) 人脸检测及定位【9 1 5 】：检测图像中是否有人脸，若有，则将其从背景中 分割出来，并确定其在图像中的位置。在某些可以控制拍摄条件的场合，如警察 拍罪犯照片时将人脸限定在标尺内，此时人脸的定位很简单。证件照背景简单， 定位也比较容易。在另一些情况下，人脸在图像中的位置预先是未知的，比如在 复杂背景下拍摄的照片，这时人脸的检测与定位将受以下因素的影响：1 人脸在 图像中的位置、角度和不固定尺度；2 发型、眼镜、胡须等遮挡物以及人脸的表 情变化等；3 图像中的噪声；4 光照的影响。 ( 2 ) 特征提取与识别【1 6 d 8 1 ：特征提取之前一般需要做对人脸图像作归一化和 灰度归一化的处理。前者是指根据人脸定位结果将图像中的人脸变化到同一位置 黄璞独立分量分析与流形学习研究 3 和大小，后者是指对图像进行光照补偿等处理，以克服光照变化的影响。提取出 待识别的人脸特征之后，即可进行特征匹配。这个过程是一对多或一对一的匹配 过程，前者是确定输入图像为图像库中的哪一个人，后者是验证输入图像的人的 身份是否属实。 1 1 3 人脸识别技术的挑战性 人脸识别技术的研究目的是为建造能够自动识别人脸的各种智能系统提供技 术支撑，而能否快速有效地提取人脸鉴别特征( 即特征抽取) ，就成了能否成功建 造人脸自动识别系统的关键。在利用特征抽取算法提取人脸样本特征时，常会受 图像中人脸的姿势、装饰、遮挡、眼镜、表情以及人的年龄的影响 1 9 - 2 1 】，现在的 特征抽取算法对这些外在因素较敏感。另外人脸识别效果受所能获取的训练样本 数影响也较严重，当训练样本较少时，难以全面地提取人脸图像有效的鉴别信息， 且容易引起典型的小样本问题。 在实际问题中，如何让计算机最大限度地把握人脸外观本质的一些特征，既 能很好地容忍同一个人的各种人脸外观变化，又能准确地区分不同人的人脸外观 特征，这是人脸识别必须要解决的问题，也是人脸识别的关键所在。 1 2 线性特征抽取方法 线性特征抽取方法的主要目的是在高维输入空间中寻找一个有效的低维子空 间，当嵌入在输入空间的数据结构是线性时，能够获得一个原数据集紧致的低维 表示。其中比较常用的算法有主成分分析( p r i r i p a lc o m p o n e n ta n a l y s i s ，p c a ) 2 2 、 独立分量分析( 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 3 - 2 6 、费舍线性鉴别分析 ( f i s h e rl i n e a rd i s c r i m i n a n ta n a l y s i s ，l d a ) 2 7 】等。 1 2 1 主分量分析 主分量分析( p c a ) 试图用一组维数为数不多的特征去尽可能精确地表示样本 的特征【2 8 】，它通常采用训练样本总体协方差矩阵的特征向量系作为展开基( 即k - l 坐标轴) ，而那些对应若干个最大特征值的特征向量则被称为主分量或主成分 ( p r i n c i p a lc o m p o n e n t s ) 。模式样本在这些主分量上线性投影后，所得的投影系数即 为主分量特征。主分量分析的具有两大优点：1 、消除了模式样本之间的相关性；2 、 实现了模式样本的维数压缩。k l 变换能将高维的模式样本压缩为更易于处理的低 4 扬州大学硕十学位论文 维样本，换而言之，主分量分析给出了高维数据的一种简约的表示。由于以上优 点，主分量分析被广泛地用于模式识别、数据压缩等领域。k i r b y 和s i r o v i c h