基于子圖分割的人臉特征提取算法性能比較研究

1、基于子圖分割的人臉特征提取算法性能比較研究    摘   要 人臉識(shí)別技術(shù)是國(guó)內(nèi)外共同關(guān)注的一個(gè)前沿課題，在現(xiàn)代經(jīng)濟(jì)和社會(huì)的發(fā)展中有著十分廣泛的應(yīng)用領(lǐng)域和應(yīng)用前景，如安全系統(tǒng)、罪犯識(shí)別、電視會(huì)議等，人臉識(shí)別技術(shù)也是當(dāng)前模式識(shí)別和人工智能領(lǐng)域的研究熱點(diǎn)之一。 本文分析了人臉識(shí)別技術(shù)的研究現(xiàn)狀，結(jié)合已有的研究基礎(chǔ)提出了基于變異系數(shù)的人臉特征提取算法和基于奇異值分解的人臉特征提取算法，并結(jié)合子圖分割思想和神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)算法進(jìn)行了評(píng)價(jià)。在基于變異系數(shù)的算法中，選擇合適的變異系數(shù)代表原圖的特征減少了圖像信息的冗余。進(jìn)一步研究表明去除包含信息量少

2、的子圖能在一定程度上提高識(shí)別率并節(jié)約計(jì)算資源。在基于奇異值分解的算法中，將圖像變換后的奇異值作為特征，這具有一些良好的性質(zhì)，如穩(wěn)定性、比例不變性和旋轉(zhuǎn)不變性。和一些人臉識(shí)別方法相比，本文提出的兩種人臉識(shí)別算法具有較好的性能，基于ORL人臉庫(kù)的性能模擬實(shí)驗(yàn)表明，算法具有較高識(shí)別率。此外，本文在VC+ 6.0環(huán)境下，作者依據(jù)前期研究成果并結(jié)合圖像處理和模式識(shí)別的基本原理開(kāi)發(fā)了一個(gè)靜態(tài)人臉圖像識(shí)別演示系統(tǒng)。該系統(tǒng)能有效快捷的進(jìn)行人臉識(shí)別。   關(guān)鍵詞：人臉識(shí)別，子圖分割，變異系數(shù)，奇異值分解，反向傳播神經(jīng)網(wǎng)絡(luò) 1.     緒論 11 課題研究背景

3、人臉識(shí)別技術(shù)作為多學(xué)科領(lǐng)域的、具有挑戰(zhàn)性的難題，它覆蓋了數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)、神經(jīng)網(wǎng)絡(luò)、心理學(xué)、生理學(xué)、數(shù)學(xué)等諸多學(xué)科的內(nèi)容。同時(shí)人臉識(shí)別也具有十分廣泛的應(yīng)用意義。在國(guó)家安全方面，人臉識(shí)別技術(shù)可以應(yīng)用于對(duì)罪犯、恐怖分子的追蹤識(shí)別，對(duì)犯罪高發(fā)地區(qū)的監(jiān)視或重大嫌疑犯重點(diǎn)地區(qū)的布控系統(tǒng)，機(jī)場(chǎng)安檢口身份證檢查及結(jié)合犯罪嫌疑人識(shí)別系統(tǒng)的安檢口控制系統(tǒng)；在軍事方面，人臉識(shí)別技術(shù)可以應(yīng)用于數(shù)字化士兵的交互通訊，從而進(jìn)行敵我識(shí)別，信息提取等；在公眾安全方面，人臉識(shí)別技術(shù)應(yīng)用于智能視頻監(jiān)控、電腦網(wǎng)絡(luò)安全、訪問(wèn)控制、司機(jī)駕照驗(yàn)證、自動(dòng)門(mén)衛(wèi)系統(tǒng)，也可以應(yīng)用于各類銀行卡、金融卡、信用卡的持卡人的身份驗(yàn)證

4、；在人機(jī)交互方面，計(jì)算機(jī)可以通過(guò)人臉識(shí)別確定目前是誰(shuí)在它的視野當(dāng)中，根據(jù)不同人的身份提供不同的服務(wù)；在家庭娛樂(lè)等方面，通過(guò)人臉識(shí)別，可以實(shí)現(xiàn)能夠識(shí)別主人身份的智能玩具和機(jī)器人，具有真實(shí)人臉的虛擬游戲玩家等1,2。 在六十年代初期，人臉識(shí)別就引起了研究者的強(qiáng)烈興趣。最近幾年來(lái)，人臉識(shí)別研究越來(lái)越受到學(xué)術(shù)和商業(yè)界的關(guān)注，人臉識(shí)別的輸入圖像通常有三類情況：正面、側(cè)面、傾斜。目前，對(duì)正面人臉識(shí)別最多，它的發(fā)展主要分為三個(gè)階段： 第一階段以Bertillon，Allen和Parke為代表，主要研究人臉識(shí)別所需要的面部特征。在Bertillon系統(tǒng)中，采用一個(gè)簡(jiǎn)單語(yǔ)句與數(shù)據(jù)庫(kù)中的一張人臉建立聯(lián)系，取得了較

5、好的識(shí)別效果。Allen為待識(shí)別的人臉設(shè)計(jì)了一個(gè)有效特征，從而提高了人臉的識(shí)別率。Parke把它用計(jì)算機(jī)實(shí)現(xiàn)，并產(chǎn)生了較高質(zhì)量的人臉灰度圖模型。這一階段的特點(diǎn)是識(shí)別過(guò)程幾乎完全依賴于操作人員3,4,5。 第二階段是人機(jī)交互識(shí)別階段。Goldstion等人用幾何特征參數(shù)來(lái)表示人臉正面圖像，采用21維特征矢量表示人臉面部特征，并設(shè)計(jì)了基于這一特征表示法的識(shí)別系統(tǒng)。Kaya和Kobayashi采用統(tǒng)計(jì)識(shí)別的方法，用歐氏距離來(lái)表征人臉特征?？偟膩?lái)說(shuō)，這類方法需要利用操作員的某些先驗(yàn)知識(shí)，還是擺脫不了人的干預(yù)。 第三階段可以說(shuō)是真正的人臉識(shí)別階段，近幾年來(lái)，隨著高性能計(jì)算機(jī)的發(fā)展，人臉識(shí)別的方法有了較大

6、的突破，目前已經(jīng)提出了多種機(jī)器全自動(dòng)識(shí)別系統(tǒng)。國(guó)內(nèi)關(guān)于人臉自動(dòng)識(shí)別的研究始于80年代，我國(guó)許多高校、研究機(jī)構(gòu)在圖像處理和模式識(shí)別領(lǐng)域有很好的研究基礎(chǔ)，積極開(kāi)展了對(duì)包括人臉識(shí)別在內(nèi)的基于人體生物特征識(shí)別技術(shù)的基礎(chǔ)研究和應(yīng)用開(kāi)發(fā)工作。本文相信在不久的將來(lái)，這一研究領(lǐng)域的研究和產(chǎn)品開(kāi)發(fā)工作將處于世界的前列?？傊?，人臉識(shí)別技術(shù)有著非常廣闊的應(yīng)用前景，自動(dòng)的人臉識(shí)別系統(tǒng)在各種不同的領(lǐng)域中的應(yīng)用必將對(duì)人們的生活產(chǎn)生深遠(yuǎn)的影響6,7。 12 課題研究?jī)?nèi)容 人臉識(shí)別技術(shù)就是利用計(jì)算機(jī)分析人臉圖像，進(jìn)而從中提取出有效的識(shí)別信息，用來(lái)“辨認(rèn)”身份的一門(mén)技術(shù)。從廣義上來(lái)講，人臉識(shí)別大致包括以下五個(gè)方面的內(nèi)容3： (

7、1)人臉的定位與檢測(cè)：即從靜態(tài)圖片或者視頻序列中是否檢測(cè)出人臉的存在并且確定其位置，最后分離出來(lái)。然而，人臉是一個(gè)極為復(fù)雜的、多維的、典型的非剛性模式，其中蘊(yùn)含的信息也遠(yuǎn)遠(yuǎn)多于人身體的其他部位。因此，要對(duì)人臉做出準(zhǔn)確的檢測(cè)與定位，將是一個(gè)非常具有挑戰(zhàn)性的任務(wù)。首先，人臉具有相當(dāng)復(fù)雜的細(xì)節(jié)變化，不同的外貌如臉形、膚色等，不同的喜怒哀樂(lè)表情，以及局部特征如眼睛、嘴的開(kāi)和閉等。其次，人臉還受到光照和復(fù)雜的背景的影響。人臉定位檢測(cè)是人臉識(shí)別的前期工作，所以人臉檢測(cè)與定位是人臉識(shí)別過(guò)程的一個(gè)重要環(huán)節(jié)。 (2)人臉的表征：確定表示檢測(cè)出的人臉和數(shù)據(jù)庫(kù)中的已知人臉的描述方式。通常表示的方法包括幾何特征(如歐

8、式距離、曲率、角度)、代數(shù)特征(矩陣特征向量)、固定特征模板、特征臉等。人臉圖像信息數(shù)據(jù)量巨大，為了提高檢測(cè)和識(shí)別的運(yùn)算速度，提高圖像傳輸和匹配檢索速度，必須對(duì)圖像進(jìn)行數(shù)據(jù)壓縮，降低向量維數(shù)，即用盡可能少的數(shù)據(jù)表示盡可能多的信息。人臉表征在提取人臉特征的同時(shí)，也實(shí)現(xiàn)了對(duì)原始圖像的數(shù)據(jù)降維。 (3)人臉識(shí)別：就是將待識(shí)別的人臉與數(shù)據(jù)庫(kù)中的己知人臉進(jìn)行比較，得出相關(guān)信息。這一過(guò)程的核心是選擇適當(dāng)?shù)娜四槺硎痉绞胶推ヅ洳呗浴Ｄ壳皣?guó)內(nèi)外研究人臉識(shí)別的方法層出不窮，根據(jù)人臉表征方式的不同常用的方法總體可以分為：基于幾何特征的識(shí)別方法、基于統(tǒng)計(jì)特征的識(shí)別方法和基于連接機(jī)制的識(shí)別方法?；趲缀翁卣鞯姆椒ㄊ峭ㄟ^(guò)

9、人臉面部拓?fù)浣Y(jié)構(gòu)幾何關(guān)系的先驗(yàn)知識(shí)，利用基于結(jié)構(gòu)的方法提取人臉面部主要器官特征，將人臉用一組幾何特征矢量表示。統(tǒng)計(jì)特征的識(shí)別方法將人臉用代數(shù)特征矢量來(lái)表示。代數(shù)特征有圖像本身的灰度分布決定，它描述了圖像的內(nèi)在信息。這種識(shí)別方法通過(guò)對(duì)圖像灰度進(jìn)行各種代數(shù)變換和矩陣分解，從整體上捕捉和描述人臉的特征。連接機(jī)制的識(shí)別方法主要有彈性圖匹配方法，這類方法采用屬性拓?fù)鋱D代表人臉，它對(duì)光線、尺寸、角度具有一定的不變性，并能在一定程度上容忍表情和視角的變化。 (4)表情/姿態(tài)分析：即對(duì)待識(shí)別人臉的表情或姿態(tài)信息進(jìn)行分析，并對(duì)其加以歸類。 (5)生理分類：即對(duì)待識(shí)別人臉的生理特征進(jìn)行分析，得出其年齡、性別等相關(guān)

10、信息，或者從幾幅相關(guān)的圖像推導(dǎo)出希望得到的人臉圖像，如從父母圖像推導(dǎo)出孩子的臉部圖像、基于年齡增長(zhǎng)的人臉圖像估算等。 13 論文組織結(jié)構(gòu) 本文的組織安排如下： 第一章 緒論 討論課題研究的背景歷史和研究?jī)?nèi)容。 第二章 人臉識(shí)別綜述 主要介紹目前常用的人臉識(shí)別方法，按照識(shí)別特征的不同進(jìn)行了分類綜述，討論各種方法的關(guān)鍵技術(shù)和優(yōu)缺點(diǎn)。 第三章 神經(jīng)網(wǎng)絡(luò)概述 闡述神經(jīng)網(wǎng)絡(luò)的基本理論和BP算法，討論將反向傳播神經(jīng)網(wǎng)絡(luò)應(yīng)用于模式識(shí)別的理論。 第四章 基于子圖分割的人臉識(shí)別系統(tǒng) 詳細(xì)介紹子圖分割思想和本文提出的基于變異系數(shù)和奇異值分解的人臉識(shí)別方法，并介紹了人臉識(shí)別系統(tǒng)的整體結(jié)構(gòu)和程序的運(yùn)行流程。 第五章

11、性能分析 融合子圖分割思想和人工神經(jīng)網(wǎng)技術(shù)分別對(duì)兩個(gè)算法進(jìn)行了模擬實(shí)驗(yàn)，給出實(shí)驗(yàn)結(jié)果及針對(duì)實(shí)驗(yàn)結(jié)果展開(kāi)分析，根據(jù)分析結(jié)果對(duì)兩種算法的性能進(jìn)行評(píng)價(jià)， 第六章 靜態(tài)人臉圖像識(shí)別演示系統(tǒng) 簡(jiǎn)要介紹了作者基于VC+開(kāi)發(fā)的靜態(tài)人臉圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。         2.     人臉識(shí)別綜述 21 特征提取算法 211 基于幾何特征的方法 基于幾何特征的方法是早期的人臉識(shí)別方法之一8。常采用的幾何特征有人臉的五官如眼睛、鼻子、嘴巴等的局部形狀特征。臉型特征以及五官在臉上分布的幾何特征。提取特征時(shí)往往要用到人臉結(jié)構(gòu)的幾

12、何關(guān)系。識(shí)別所采用的幾何特征是以人臉器官的形狀和幾何關(guān)系為基礎(chǔ)的特征矢量，本質(zhì)上是特征矢量之間的匹配，其分量通常包括人臉指定兩點(diǎn)間的歐式距離、曲率、角度等。 文獻(xiàn)中記載最早的人臉識(shí)別方法就是Bledsoe提出的基于幾何特征的方法，該方法以面部特征點(diǎn)之間的距離和比率作為特征，通過(guò)最近鄰方法來(lái)識(shí)別人臉。以該方法建立的人臉識(shí)別系統(tǒng)是一個(gè)半自動(dòng)系統(tǒng)，面部特征點(diǎn)必須由人手工定位。也正是由于人工的參與，該系統(tǒng)對(duì)光照變化和姿態(tài)變化不敏感。 Kanade首先計(jì)算眼角、鼻子、嘴巴、下巴等面部特征之間的距離和它們之間的角度以及其它幾何關(guān)系，然后通過(guò)這些幾何關(guān)系進(jìn)行人臉的識(shí)別工作。在一個(gè)20人的數(shù)據(jù)庫(kù)上識(shí)別率為45

13、%-75%。Brunelli和Poggio9通過(guò)計(jì)算鼻子的寬度和長(zhǎng)度、嘴巴位置和下巴形狀等進(jìn)行識(shí)別，在一個(gè)47人的人臉庫(kù)上的識(shí)別率為90%。然而，簡(jiǎn)單模板匹配方法在同一人臉庫(kù)上的識(shí)別率為100。側(cè)影(Profile)識(shí)別10也是早期基于幾何特征人臉識(shí)別的一個(gè)重要方法，其基本原理是從人臉的側(cè)影輪廓線上提取特征點(diǎn)，將側(cè)影轉(zhuǎn)化為輪廓曲線，從中提取基準(zhǔn)點(diǎn)。根據(jù)這些點(diǎn)之間的幾何特征來(lái)進(jìn)行識(shí)別。由于側(cè)影識(shí)別相對(duì)較簡(jiǎn)單且應(yīng)用面小，對(duì)側(cè)影識(shí)別的研究較少。 基于幾何特征的方法非常直觀。識(shí)別速度快，內(nèi)存要求較少，提取的特征在一定程度上對(duì)光照變化不太敏感。但是，當(dāng)人臉具有一定的表情或者姿態(tài)變化時(shí)，特征提取不精確，而

14、且由于忽略了整個(gè)圖像的很多細(xì)節(jié)信息，識(shí)別率較低，所以近年來(lái)已經(jīng)很少有新的發(fā)展。 目   錄 摘 要.I ABSTRACT.II 1. 緒論 1 11 課題研究背景 1 12 課題研究?jī)?nèi)容 2 13 論文組織結(jié)構(gòu) 3 2. 人臉識(shí)別綜述 4 21 特征提取算法 4 211 基于幾何特征的方法 4 212 基于模型的方法 5 213 基于統(tǒng)計(jì)的方法 5 214 彈性圖匹配方法 6 22 基于三維數(shù)據(jù)的人臉識(shí)別的方法 7 221 基于曲率的方法

15、0;7 222 基于模型合成的方法 7 23 分類算法 7 231 基于神經(jīng)網(wǎng)絡(luò)的方法 7 232 多分類器集成方法 8 24 總結(jié) 8 3. 神經(jīng)網(wǎng)絡(luò)概述 10 31 人工神經(jīng)網(wǎng)絡(luò)概述 10 32 神經(jīng)元模型 10 33 BP神經(jīng)網(wǎng)絡(luò)分類器 11 331 BP神經(jīng)網(wǎng)絡(luò)模型 11 332 BP網(wǎng)絡(luò)學(xué)習(xí)算法 12 4. 基于子圖分割的人臉特征提取算法與人臉識(shí)別系統(tǒng) 15 41 子圖分割思想 15 42子圖分割與變異系數(shù)相結(jié)合的人臉特征提取算法

16、60;15 421變異系數(shù)的傳統(tǒng)意義及其在圖像處理中的應(yīng)用 15 422變異系數(shù)的幾何意義及其在圖像處理中的應(yīng)用 16 423變異系數(shù)的選取 18 43 子圖分割與奇異值分解相結(jié)合的人臉特征提取算法 20 431 奇異值的代數(shù)特性及其在圖像處理中的應(yīng)用 20 432 奇異值的降維壓縮 21 433 奇異值的選取 22 44 系統(tǒng)框架 23 441 圖像預(yù)處理 23 442 特征提取算法中系數(shù)選取的方案 24 443 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì) 25 5. 性能分析 27 51 人臉數(shù)據(jù)庫(kù) 27 52 實(shí)驗(yàn)結(jié)果 28 6. 靜態(tài)人