（信号与信息处理专业论文）人脸识别方法的研究.pdf

research on method of human face recognition a thesis submitted to chongqing university in partial fulfillment of the requirement for the degree of master of engineering by he wenjuan supervised by prof. yin yong major: signal and information processing college of communication engineering of chongqing university, chongqing, china april, 2011 重庆大学硕士学位论文 中文摘要 i 摘 要 近年来，人脸识别已成为众多的身份验证方法中最容易接受的一种方法，具 有更直接、更安全、更可靠和更有效的特点，具有极高的研究价值和应用价值， 同时作为模式识别领域的重要课题之一，也是目前非常活跃的一个研究方向。 本文首先详细介绍了人脸识别的预处理方法。预处理方法包括人眼的粗定位 和精确定位、倾斜校正、人脸区域的裁剪、尺度归一化和灰度补偿等。在人眼的 精确定位中，本文利用眼睛的灰度和形状信息，结合 sobel 算子和 hough 变换检 测圆形的原理来定位眼睛中心位置，来实现眼睛的精确定位；在进行尺度归一化 时，采用双线性插值方法进行尺度归一化和直方图均衡化方法实现灰度补偿。 然后， 本文详细介绍了分块主成分分析 （modular principle component analysis, mpca）的人脸识别方法和奇异值分解(singular value decomposition, svd)的人脸 识别方法。mpca 提取的特征向量具有很强的分类鉴别能力，但它对位移、旋转 等几何变化比较敏感，在图像平移、旋转和其他一些几何变换后识别率严重下降； svd 是一种有效的代数特征提取方法，用奇异值描述的图像特征，具有位移不变 性、旋转不变性等优点，但它本身又存在信息量不足的缺点。因此，本文提出采 用 mpca 和 svd 相结合的人脸识别算法，以 svd 特征的几何不变性来克服分块 mpca 的几何变化敏感性， 以 mpca 特征的强分类鉴别能力弥补 svd 特征信息量 的不足， 期望获得更好的识别效果。 实验结果表明， 本文提出的采用 mpca 和 svd 相结合的人脸识别算法，能有效地提高识别率。 关键词关键词：人脸识别，分块主成分分析，奇异值分解 重庆大学硕士学位论文 英文摘要 ii abstract as human face recognition has the characteristics of being more direct, safer, more effective, so that it becomes an identity recognition technique that is easily accepted and has important research and application values. meanwhile, it has been an active research topic in the pattern recognition filed. in this paper, the preprocessing method for face recognition is presented in detail firstly, which includes the rough location and precise location of human eyes, slant correction, human region cropping, size normalization, gray compensation, etc. for precise location of the eyes, a method that combines geometric characteristics with sobel operator and hough transformation is used to locate human eyes and precise location of the eyes is obtained. bilinear interpolation is used to normalize the size, and histogram equalization is used to obtain gray compensation. modular principle component analysis (mpca) algorithm and singular value decomposition (svd) algorithm for face recognition are discussed in detail. mpca can extract features which have a strong ability to identify human. however, as a sub-space method, mpca is sensitive to translation, rotation and other geometric transform so that its recognition rate gets lower when changes in light intensity and facial expression is radical. svd algorithm is an effective algebraic feature extraction method. the singular value feature has the advantage of translation invariance and rotation invariance. but svd has not information enough to identify faces. therefore, a human face recognition method of combing mpca with svd is proposed to expect higher recognition rate. the geometry invariance of svd can compensate the geometry sensitivity of mpca, and the advantage of mpca strong ability to identify faces can make up the disadvantage of svd inadequate information to identify faces. experimental results show that the proposed method can obtain higher recognition rate. keywords: face recognition, modular principle component analysis, singular value decomposition 重庆大学硕士学位论文 目 录 iv 目 录 中文摘要中文摘要 . i 英文摘要英文摘要 . ii 1 绪绪 论论 . 1 1.1 课题研究的背景及意义课题研究的背景及意义 . 1 1.2 人脸识别的研究进展与现状人脸识别的研究进展与现状 . 2 1.2.1 人脸识别的研究进展 . 2 1.2.2 人脸识别的研究现状 . 3 1.3 本文研究的主要内容本文研究的主要内容 . 7 1.4 本文的结构安排本文的结构安排 . 8 2 人脸图像预处理人脸图像预处理 . 9 2.1 人眼的定位人眼的定位 . 9 2.1.1 人眼水平位置的粗定位 . 9 2.1.2 人眼的精确定位 . 12 2.2 人脸图像的归一化人脸图像的归一化 . 17 2.2.1 人脸图像的倾斜校正 . 17 2.2.2 人脸图像的裁剪 . 18 2.2.3 尺度归一化 . 19 2.2.4 灰度补偿 . 20 2.3 本章小结本章小结 . 21 3 人脸识别人脸识别 . 22 3.1 基于主成分分析的人脸识别基于主成分分析的人脸识别 . 22 3.1.1 k-l 变换 . 22 3.1.2 最小距离分类器 . 24 3.1.3 pca 人脸识别 . 24 3.2 分块主成分分析分块主成分分析 . 26 3.3 奇异值分解奇异值分解 . 27 3.4 分块分块 pca 和奇异值分解相结合的算法和奇异值分解相结合的算法 . 29 3.4.1 融合的依据 . 29 3.4.2 算法流程图与步骤 . 30 3.5 本章小结本章小结 . 35 4 实验结果与分析实验结果与分析 . 36 重庆大学硕士学位论文 目 录 v 4.1 实验实验 1 . 36 4.1.1 标准人脸库 . 36 4.1.2 实验结果与分析 . 37 4.2 实验实验 2 . 39 4.2.1 自建人脸库 . 39 4.2.2 实验结果与分析 . 41 4.3 本章小结本章小结 . 42 5 总总 结结 . 43 致致 谢谢 . 45 参考文献参考文献 . 46 附附 录录 . 50 a. 研究生期间发表或录用的论文研究生期间发表或录用的论文 . 50 重庆大学硕士学位论文 1 绪 论 1 1 绪 论 1.1 课题研究的背景及意义 当今社会，计算机网络技术高速发展，信息安全显示出越来越重要的作用。 身份的识别与鉴定是系统安全的至关重要的保证，在国家安全、公安系统、司法 部门、电子商务、银行及海关的监控系统及自动门卫系统等应用领域，都有着广 泛的应用。目前，个人身份鉴别主要依靠 id 卡（如身份证、银行卡等）和密码的 方式，而这些方式存在容易丢失、密码易被遗忘和破解等诸多劣势。因此，目前 广泛使用的依靠证件、个人识别号码、口令密码等传统方法来鉴别个人身份的技 术面临着前所未有的挑战，已经不能适应当今科技的发展和社会进步的需要。 因而，人们希望有一种更加方便更加可靠的方法来进行身份鉴别，生物特征 识别技术使得这一愿望有可能得以实现。生物特征识别技术是根据人体特有的生 理或行为特征来进行身份鉴别的，也就是利用人与生俱来的生理特征（如指纹， 人脸，虹膜等）以及后天习惯养成的行为特征（如签名，声音步态等） ，通过一定 的图像处理和模式识别的方法来鉴别个人身份的技术1-2。生物特征识别技术的优 越性在于能够以更可靠的、更快速的，更便利的方式进行身份鉴定与识别。人脸 识别技术是典型的生物识别技术之一，它是利用计算机分析人脸图像，从中提取 有效的识别信息，用来辨别人的身份的一种技术。对已知人脸图像进行标准化处 理后，通过一定的方法与人脸数据库中的人脸进行匹配，寻找人脸数据库中对应 人脸及相关信息。与其他身份识别技术方法比较，人脸识别具有更直接，更友好、 更方便和鲁棒性强等特点，尤其是对于使用者而言，没有任何心理障碍，通过对 人脸的表情、姿态的分析，还能获得其他识别系统难以获得的一些信息。因此， 人脸识别是模式识别领域中的重要课题，也是目前非常活跃的一个研究方向。 人脸识别技术应用前景广泛，在安全领域和经济领域都有着广泛的实际应用 前景3-6： （1）公安系统破案。公安部门可以利用人脸识别技术将获得的案犯的照片与 存储罪犯照片的数据库的照片进行匹配，从而找到与案犯最像的嫌疑犯。由于数 据库比较大，可能包含有成千上万张照片，如果仅靠人工完成这项工作，不但效 率低下，而且还容易出错。 （2）证件照的验证核对。身份证、学生证、驾照以及其它许多证件上都有照 片，需要人为地进行证件验证并核对。其实，可以利用计算机使用人脸识别技术 来完成这项工作，这样也可以减少大量的人力，从而提高了效率。 （3）重要场所的视频监控。在银行、公司、超市等一些重要场所处都设有视 重庆大学硕士学位论文 1 绪 论 2 频监控。在对视频序列中的图像进行分析时，人脸检测、跟踪和识别技术是必需 的。 （4）入口控制。主要应用于一些重要场合进出的安全控制。它可以是楼宇、 单位等处的安全检查，也可以是计算机系统或情报系统的入口控制。目前常用的 方法是检查证件。但是，由于人员频繁出入时，保安人员再三检查证件是非常麻 烦的，并且安全系数也低。在一些保密要求非常严格的部门，还另外增加了一些 生物识别手段，如指纹识别，语音识别等，但人脸识别技术更方便、更友好、更 安全。 此外，人脸识别技术还可以应用在视频会议、员工考勤、机器人智能化研究 等方面，应用前景非常广泛7。 1.2 人脸识别的研究进展与现状 1.2.1 人脸识别的研究进展 一个人一生中能识别成千上万张不同的人脸，即使分别很多年依然能一眼辨 别出熟悉的面孔。人类的这种识别技能是相当强大的，鲁棒性相当好，不因由于 不同的视觉、表情、年龄，以及戴眼镜、长胡须、换发型而导致大变化的视觉刺 激的影响而有所改变。尽管人类擅长于识别人脸，但是人脑如何对待识别的人脸 进行编码却是不可知的。通过对人脸识别长达 20 多年的研究，发现因为人脸是复 杂的，多维的视觉刺激，所以构建一个人脸识别系统是相当困难的。因此，人脸 识别是一项高水平计算机视觉任务，其中，许多早期的视觉技术被涉及到7。 人脸识别的研究有着悠久的历史，最早始于上世纪 60 年代末。近些年来，人 脸识别的研究引起了学术界和工业界愈来愈多的关注。人脸识别的发展大致分为 以下三个阶段8-11： 第一阶段主要研究人脸识别所需的脸部特征，以 bertillon12和parke13为主要 代表。bertillon 在他设计的系统中，运用一个简单的语句与数据库中某一张人脸图 像相联系，结合指纹分析，取得了不错的识别效果。而 parke 则是利用计算机生成 质量较高的人脸灰度模型来完成人脸识别过程的。这一阶段的工作完全依靠人工 完成，是不能完成自动识别过程的阶段。 第二阶段是依靠人机交互完成识别过程，以 harmon14，goldstein 和 lesk15， kaya 和 kobayashi16等为主要代表。 harmon， goldstein 和 lesk 等人采用几何特征 参数表示正面人脸图像，并设计了基于几何特征表示方法的识别系统。kaya 和 kobayashi 采用统计识别的方法，利用欧几里得距离表征人脸特征。伴随着人脸识 别技术的进一步发展，takeo kande17设计了一个半自动回溯识别系统，该系统是 高速的，并具有一定的知识引导性，takeo kande 创造性地运用积分投影法从一副 重庆大学硕士学位论文 1 绪 论 3 图像上计算出一组面部特征参数，再使用图像处理与模式识别的方法与标准人脸 进行匹配。尽管这样，但这个阶段的人脸识别仍然需要操作者的干预，因为需要 利用操作者的某些先验知识。 第三阶段是真正发展到实用化的机器自动识别阶段。由于图像处理、模式识 别以及计算机技术的日益成熟，越来越多的研究者参与到人脸识别的领域，人脸 识别的方法也有了很大的突破。现在使用的很多人脸识别方法都是在这个阶段诞 生的。 国外的人脸识别研究早国内二三十年，最著名的国际研究机构包括有：美国 麻省理工学院人工智能实验室(ai lab)、卡内基-梅隆大学(cmu)机器人研究及交 互实验室，南加州大学(usc)等。另外，一些国家和地区也有不少专业研究人员在 人脸识别领域从事大量的研究工作。 国内的人脸识别研究开始于 80 年代10,目前清华大学、 上海交通大学、 中科院 计算技术研究所和中科院自动化所等科研机构都有大量的专业人士从事人脸识别 研究方面的工作。随着人脸识别技术的发展，新方法、新技术层出不穷，国内已 有一些机构推出基于人脸识别的智能监控系统，人脸识别技术得到广泛的应用。 例如，清华大学电子工程系人脸识别课题组负责人苏光大教授主持承担的国家“十 五”攻关项目，于 2005 年 1 月通过公安部组织的专家鉴定。该项目成功推出一套 大型人脸识别系统，该系统在人脸识别算法上有多项创新并具有自主知识产权， 如改进的线段 hausdroff 距离人脸识别方法18、 用于人脸识别的下颌轮廓线分类方 法19等都具有鲜明的创新特点。目前，该系统在大型数据库上运行，得到的识别 率和比对速度都处于国内领先水平，并在公安系统中得到了实际应用。中科院自 动化研究所经过长期的研究，研发了高性能的人脸识别技术，并将其 rfid 射频卡 技术进行有机结合，为 2008 北京奥运会构建了自动人脸识别快速身份验证系统。 这是奥运史上首次将人脸识别技术引入安保，为奥运保安系统提供了可靠性依据， 提供了极大的便利。 人脸识别技术涉及到众多学科知识，这给研究带来一定的难度。而且，由于 种族、皮肤的迥异，造成标准人脸库以及识别算法的差异，这给具体应用也带来 了困难与不便。但同时也给具体研究带来了机遇，因为国外已经开发成功的商用 软件在中国应用范围是有限的，不太可能形成垄断，这为国产人脸识别系统的生 存留下了巨大的发展空间。 1.2.2 人脸识别的研究现状 人脸识别的图像通常有正面、侧面以及倾斜的三种情况。一般实际情况要求 要求对正面人脸图像研究较多。人脸是个非刚性模型，识别存在的困难有：人 脸会因为各种各样的表情有所不同；胡须、发型、化妆等导致同一张人脸在不 重庆大学硕士学位论文 1 绪 论 4 同时间呈现多样性；获取人脸的过程中受光照强度，光源方向等影响也会造成 人脸的差异。人脸的识别主要依据人脸部的特征，即依据那些在不同人之间存在 较大差异而对同一个人却比较稳定的度量。 近些年来，随着对人脸识别研究的深入，人脸识别方法的综述性文献也越来 越多3,4,20。目前常用的人脸识别方法可以归纳为基于几何特征的方法、基于统计 特征的方法、基于神经网络的方法。 基于几何特征的方法 基于几何特征的方法是最早的、传统的人脸识别方法。使用此方法时，用几 何特征向量来表示人脸，用模式识别中层次聚类的思想来设计分类器。要求选取 的几何特征向量不仅能够反映不同人脸的差异，且不受时间跨度、光照强度等的 影响。几何特征向量是以人脸重要面部特征的形状、相对位置以及这些特征之间 的距离等相关参数作为基础的，其分量应当包括人脸指定两点之间的欧几里得距 离、角度以及曲率等。一般可以通过面部拓扑结构几何关系的先验知识，用基于 结构的方法在知识的层次上提取面部重要器官特征，可以用包括这几个重要器官 的人脸模板来提取特征。然后根据提取到的特征，建立统计模型确定是否存在人 脸。brunelli 和 poggio 采用了基于几何特征的识别器20，用改进的积分投影法提 取 35 维的人脸特征向量。积分投影法得到的波峰波谷分别对应于不同的人脸器官 的关键点，然后根据人脸结构的先验知识，判定出人脸各个器官间的几何位置关 系。 该识别器在一个包含有 47 个人的人脸库上进行实验， 正确的识别率达到 90%。 基于几何特征的人脸识别方法符合人类识别人脸的机理，易于理解，且对每 幅图像只需存储一个几何特征向量，占用空间小。但是该方法提取的几何特征比 较简单，只描述了人脸的基本形状和人脸器官的结构关系，忽略了局部细微特征， 导致部分信息丢失，故不适合精确分类。研究表明，基于几何特征的方法更适用 于粗分类识别的场合。 基于统计特征的方法 当人脸图像特征分布的统计特性已知或者能够推断时，可采用基于统计特征 的方法来进行人脸识别。基于统计特征的方法有以下几种常用方法：主成分分析、 fisherface 法、支持向量机、隐马尔科夫模型等方法。 1）主成分分析 主成分分析(principal component analysis, pca)的方法已经成为人脸识别方法 的典型方法之一，也叫特征脸方法。pca 方法是由 turk 和 pentland 于 1991 年提 出的，它的基础就是 karhunen-loeve 变换(简称 k-l 变换),是一种常用的正交变换 21。turk 等在文献中论述了 pca 方法在人脸识别中的潜力，并指出，在特征提取 方面，从信息论的角度出发，提取最相关、最重要的信息，提取特征的简单方法 重庆大学硕士学位论文 1 绪 论 5 就是描述样本的统计变化，从而引入了 pca 方法在人脸识别中的应用21。该方法 先采用 pca 提取样本图像特征，然后采用最小距离分类器进行分类识别，完成了 检测、定位和识别的全自动人脸识别系统。该方法原理简单，易于实现。但是随 着光照条件变化，识别率将急剧下降。针对 pca 算法的这个缺点，l.zhao 和 y h. yang 对该算法进行了改进，提出了对每个人只应用三幅在不同光照条件下采集的 图像来计算总体散布矩阵的方法，由此可以解除光照影响的问题22。rajkiran 等提 出了分块 pca 的方法，该方法在提取 pca 特征之前，先将样本图像分成若干块， 再对这若干个子块进行特征提取，再采用最小距离分类器进行分类，实验结果表 明在光照变化，表情变化时仍具有较高的识别率23。 到目前为止，仍然有很多研究者致力于对 pca 算法的研究，其中不乏有也有 很多独创的思想涌现，pca 方法已经是人脸识别主要方法之一。本文采用的识别 方法也是在基于 pca 基础之上的分块 pca 算法。 2）fisherface 法 fisher 线性判别准则(fisher linear discriminant, fld)也是经典的人脸识别方 法之一。该方法利用了类别归属信息，其基本思想是使经过变换之后的模式具有 不同类别样本之间的距离尽可能远，同一类别样本之间的距离尽可能近的分布特 征。强调了不同类别人脸的差异，同时弱化了同一类别人脸由于光照、视角以及 表情而引起的变化，获得了较好的识别效果。belhumeur 等提出了 fisherface 人脸 识别方法，他们提出：首先用 pca 方法求取人脸本征空间，然后再对其进行 fld 分析，从而求得 fisherface 子空间24。 fisherface 法使得样本类间距离最大，类内距离最大，其得到的特征比直接使 用 pca 提取的特征更有利于人脸的分类识别。 belhumeur 等通过相关的对比实验， 证明了 fisherface 法能抑制图像中与类别无关的信息(如光照、表情等的差异)24。 fisherface 法也可以单独用于人脸识别， 一般情况下它比 pca 方法能获得更高的识 别率。但有文献表明，只有当训练样本较少时，pca 方法优于 fisherface 法，并且 pca 方法对训练样本的选取不敏感25。 3）支持向量机 支持向量机(support vector machines, svm)是一种 vapnik 新的统计学习理论， 是基于结构风险最小化原理的统计学习理论用于分类与回归问题，在解决小样本、 非线性以及高维模式识别问题中有突出的优势26。 为了确保结构风险最小化， svm 中的最优分类面不仅要把两类准确无误地分开，而且要求使两类的分类间隔最大， 从而使错分率对训练样本和非训练样本都最小。svm 其实是一种线性分类器，如 果需要对非线性可分的模式空间分类， svm 首先需通过非线性变换(可以用适当的 内积函数来实现非线性变换)将这个非线性可分的模式空间变换到一个高维空间， 重庆大学硕士学位论文 1 绪 论 6 然后在这个新的高维空间中来求取最优线性分类面。 svm 作为一种新的分类方法，其在人脸识别中的应用前景得到了研究者极大 的关注。 目前， 大多的研究主要集中在如何选取训练样本和人脸特征， 才能使 svm 获得更好的分类效果。y. wang 等人提出基于形状和纹理特征的 svm 人脸识别方 法，该方法利用 gabor 变化得到纹理特征，从三维深度图中获得人脸的形状特征， 在包含 50 个人的不同表情、不同视角条件下的图像的数据库上进行实验，实验结 果表明，该方法比单一地使用形状和纹理特征的方法具有更好的性能27。姜文瀚 等提出了一种新的类内模式选择方法，即子空间样本选择的方法，该方法以选择 集子空间逼近原类别样本子空间的思想为出发点，通过迭代，逐一选择那些到已 选样本集所在子空间距离最远的样本，然后以线性核支持向量机作为分类器28 svm 以其坚实的理论基础和良好的泛化性能被广泛应用于模式识别的诸多领 域中，然而，该方法在求解凸二次规划时计算量很大，占用大量的空间和时间， 不适应用于大规模的数据集。 4）隐马尔科夫模型 隐马尔可夫模型（hidden markov models, hmm） 29是一种典型的数学建模方 法，它采用概率统计的方法描述时变信号，常用于离散时间序列的建模，它已成 功地应用在语音信号处理和说话人识别方面。 hmm 是在马尔科夫链的基础上发展 起来的一种双重随机过程，其中之一的 markov 链是基本的随机过程，用来描述状 态的转移；而另一个随机过程则用来描述状态和观察值之间的统计对应关系。对 于观察者来说，只能看到观察值而不能直接看到状态，于是需要通过一个随机过 程去感知状态的存在及其特性，故称为“隐”马尔可夫模型。hmm 有三个问题，分 别为评估、估计和解码。我们关心的是前两个问题：评估用于解决模式识别问题， 通常采用比较有效的“向前向后”法；估计用来生成用于模式识别的 hmm，采 取 baum-welch 方法30,31。 hmm 人脸识别方法在人脸有表情变化， 角度变化情况下仍然有不错的识别效 果，但该方法只使用正样本作为训练样本，不能保证实际风险小，且训练时间耗 时巨大，计算量有待进一步减小。 基于连接机制的方法 基于连接机制的方法主要有基于神经网络的方法和基于弹性图匹配的方法。 1）基于神经网络的方法 神经网络的方法不仅可以用来检测人脸，也可以用来识别人脸，并且已经有 很长的历史了。人们提出了许多不同的神经网络来提高人脸识别效果,多层感知器 和反向传播神经网络经常被用到。lawrence 等用自组织特征映射神经网络与卷积 神经网络组成一个系统，在一个包含 40 个人，每人 10 幅图像的数据库上进行实 重庆大学硕士学位论文 1 绪 论 7 验32。自组织特征映射网络可以将图像样本量化到降维的拓扑空间，这样可以使 原空间中相邻输入点在输出空间仍然是相邻的；卷积神经网络中集成了相邻像素 间的相关性知识，所以可以在一定程度上实现图像平移、旋转、尺度和局部变形 的不变性，故可以取得较满意的识别效果。白雪飞和李茹提出了一种基于 2dpca 和 rbf 神经网络的人脸识别方法，她们先采用 2dpca 方法提取人脸样本图像的 特征，然后通过 rbf 神经网络进行训练和识别33。在 orl 人脸库上的实验结果 表明，该方法不仅获得较理想的识别效果，而且明显缩短了运行时间。 神经网络方法具有较强的适应性和鲁棒性，可以有效地应用于多人脸、不同 姿态、不同光照、不同复杂等情况。但该方法有着一定的局限：神经元数目众多 导致训练时间过长，且对样本的依赖性很强，在训练过程中可能导致不收敛。 2）基于弹性图匹配的人脸识别方法 实际上，弹性图匹配(elastic graph matching, egm)的方法是基于局部统计特 征的，它实际是一种动态链接结构在人脸识别方向上的直接应用34。人脸存在各 种形变，如由表情、年龄、化妆等变化引起人脸变形，由于这些形变的存在，使 得很多人脸识别算法的识别率大大降低了。基于此，wiskott 等提出一种具有形变 不变性的算法，它采用动态链接结构来描述人脸特征，用弹性图匹配技术来进行 匹配35。该方法首先将一个二维网格叠加到一幅人脸图像上，然后对人脸图像进 行 gabor 小波变换，求得图像各网格点上的 gabor 特征，以此来表示人脸特征。 wiskott 等在 feret 人脸库上进行了实验，获得了 97.3%的正确识别率。该方法都 光照、位移、旋转等变化不敏感，但对每个存储的人脸需要计算模型图，计算量 巨大，存储占用空间大。 egm 算法具有独特的特征表示方法和匹配方法，对人脸的表情，姿势等变化 不敏感，具有较好的鲁棒性。该算法的缺点是计算量大，识别速度慢，以及如何 选取人脸网格点有待于更深入的研究。 1.3 本文研究的主要内容 一个完整的人脸识别系统包括：人脸图像的采集、人脸的检测、特征提取和 人脸的分类识别。本文的主要研究工作是研究人脸识别方法的基本原理和关键技 术。 在人脸图像预处理中，首先利用人脸的几何特征和 hough 变换相结合的方法 对人眼进行精确定位，并对人脸图像进行倾斜校正，然后根据两眼瞳孔之间的距 离按照人脸的几何比例关系将人脸图像中主要器官部分裁剪出来，利用双线性插 值方式对它进行尺度归一化，最后进行灰度值直方图均衡化。为后续的人脸特征 提取和识别奠定基础。 重庆大学硕士学位论文 1 绪 论 8 分块主成分分析(modular principle component analysis, mpca)的人脸识别方 法提取的特征向量具有较强的分类鉴别能力，但该方法对位移、旋转等几何变化 比较敏感，而用奇异值描述的图像特征，具有位移、旋转不变性等优点；但奇异 值分解算法本身又存在信息量不足的缺点。针对这些优缺点，本文提出采用将分 块 pca 和奇异值分解相结合的方法， 以奇异值特征的几何不变性来克服分块 pca 的几何变化敏感性，以分块 pca 特征强分类鉴别能力的优点弥补奇异值特征信息 量不足的缺点，该方法要优于单一的分块 pca 方法和单一的 svd 方法，从而一 定程度上提高了识别率。在标准 orl 人脸库和自建的人脸库上分别进行了验证实 验，都取得了不错的识别效果，实验证明本文提出的算法有效提高了识别率。 1.4 本文的结构安排 本文共分为五章，具体章节内容如下： 第一章为绪论部分，首先介绍本课题研究的背景和意义；然后从人脸识别问题 的提出讲到国内外人脸识别的研究进展情况以及研究现状，最后介绍了本文的主 要研究内容和具体章节结构安排。 第二章为本文的人脸图像预处理部分。主要阐述本文如何对人脸图像进行人眼 的粗定位、精确定位、倾斜矫正、人脸裁剪、尺度归一化以及灰度补偿等工作。 第三章是本章的重点部分，即人脸特征提取和识别部分。本章详细介绍了主成 分分析(pca)算法以及分块主成分分析（mpca）的基本原理以及在人脸识别中的 应用；详细介绍了奇异值分解(svd)原理与特点。针对分块 pca 和奇异值分解各 自的优缺点，提出了将分块 pca 和奇异值分解相结合的算法，该方法要优于单一 的分块 pca 方法和单一的奇异值分解方法。 第四章是本文的实验结果与分析部分，主要分在标准 orl 人脸库和自建的人 脸库上进行了实验，实验结果，本文提出的算法有效地提高了识别率。 第五章是对全文的总结，并指出了进一步的研究方向。 重庆大学硕士学位论文 2 人脸图像预处理 9 2 人脸图像预处理 预处理是人脸识别中必不可少的重要步骤。预处理的对象是检测到的人脸图 像，其目的是消除姿势、光照等的变化对人脸图像的影响，为后面的人脸识别打 好基础。通常，由于光照的明暗程度、人脸自身姿势的偏转以及设备性能的优劣， 检