基于連續(xù)隱馬爾可夫模型的人臉識(shí)別方法

1、-707-0引言人臉圖像自動(dòng)識(shí)別技術(shù)是模式識(shí)別研究領(lǐng)域一個(gè)較熱門(mén)的研究課題。計(jì)算機(jī)人臉識(shí)別技術(shù)是利用計(jì)算機(jī)對(duì)人臉圖像進(jìn)行分析,從中提取有效的識(shí)別信息,用來(lái)“辨別”身份的一門(mén)技術(shù),在商業(yè)和法律上有大量應(yīng)用。它涉及到圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)和神經(jīng)網(wǎng)絡(luò)等,與其它識(shí)別方法,如虹膜、指紋、DNA 檢測(cè)相比,人臉識(shí)別具有更加直接、快速的特點(diǎn)。雖然人類(lèi)的人臉識(shí)別能力很強(qiáng),能夠記住并辨認(rèn)上千個(gè)不同人臉,可是計(jì)算機(jī)識(shí)別則困難多了,受到許多因素影響,比如:人臉表情豐富;人臉隨著年齡增長(zhǎng)而變化;人臉?biāo)蓤D像受光照、成像角度及成像距離影響等。這都使得人臉識(shí)別成為一項(xiàng)極負(fù)挑戰(zhàn)性的課題。人臉識(shí)別系統(tǒng)主要包括兩個(gè)技術(shù)

2、環(huán)節(jié):人臉檢測(cè)和定位;特征提取和人臉識(shí)別。特征提取之前一般需要做幾何規(guī)一化和灰度規(guī)一化的工作。提取出待識(shí)別的人臉特征之后,就可進(jìn)行特征匹配。常見(jiàn)的人臉識(shí)別方法主要是基于特征和模板這兩大類(lèi),本文研究的是一種基于整體的或然率統(tǒng)計(jì)方法-隱馬爾可夫模型。早在20世紀(jì)80年代,HMM (hiddenMarkov model 已經(jīng)成功運(yùn)用到一維數(shù)據(jù)的語(yǔ)音識(shí)別中1。對(duì)于人臉識(shí)別,Samaria 最早提出了他的識(shí)別方案,隨后Nefian 2又發(fā)展這一方法,提出了用2D-DCT 特征取代Samaria 直接用灰度值作觀(guān)察值的方法。對(duì)于一幅正面的人像來(lái)說(shuō),它包括頭發(fā)、額頭、眼睛、鼻子、和嘴巴5個(gè)顯著的特征區(qū)域,它

3、們的次序從上到下保持不變,可以認(rèn)為這5個(gè)顯著區(qū)域隱含著5個(gè)“狀態(tài)”。這樣,可以把人臉圖像和隱馬爾可夫模型結(jié)合起來(lái),從上到下為人臉圖像進(jìn)行一維連續(xù)HMM 建模。1隱馬爾可夫模型1,3-51.1隱馬爾可夫模型基本概念HMM 是一種用參數(shù)表示的,用于描述隨機(jī)過(guò)程統(tǒng)計(jì)特性的概率模型。隱馬爾可夫過(guò)程是一個(gè)雙重隨機(jī)過(guò)程:一個(gè)潛在的過(guò)程稱(chēng)為“狀態(tài)”過(guò)程,另一個(gè)可觀(guān)測(cè)過(guò)程稱(chēng)為“觀(guān)察序列”,觀(guān)察序列是由隱含的狀態(tài)過(guò)程決定的。收稿日期:2007-02-12E-mail :shenjie0509基金項(xiàng)目:江蘇省高校自然科學(xué)基金項(xiàng)目(05KJB520102、07KJB520133;揚(yáng)州大學(xué)自然科學(xué)基金項(xiàng)目(KK041

4、3160。作者簡(jiǎn)介:沈杰(1974-,男,江蘇鹽城人,碩士研究生,研究方向?yàn)槿斯ぶ悄芘c模式識(shí)別;王正群(1965-,男,江蘇南通人,博士,副教授,研究方向?yàn)槟Ｊ阶R(shí)別、人工智能;鄒軍(1983-,男,江蘇無(wú)錫人,碩士研究生,研究方向?yàn)橹讣y識(shí)別;侯艷平(1983-,女,山西陽(yáng)泉人,碩士研究生,研究方向?yàn)槭謱?xiě)體漢字識(shí)別。基于連續(xù)隱馬爾可夫模型的人臉識(shí)別方法沈杰,王正群,鄒軍,侯艷平(揚(yáng)州大學(xué)信息工程學(xué)院,江蘇揚(yáng)州225009摘要:提出了一種基于連續(xù)隱馬爾可夫模型的人臉圖像識(shí)別方法,主要內(nèi)容包括以下方面:由于奇異值向量具有穩(wěn)定性、轉(zhuǎn)置不變性等特點(diǎn),對(duì)歸一化的人臉圖像,采用奇異值分解抽取人臉圖像特征作為

5、觀(guān)察值序列;在人臉識(shí)別中應(yīng)用連續(xù)隱馬爾可夫模型,采用雙高斯概率密度函數(shù)訓(xùn)練、建立HMM 模型,再利用建好的HMM 模型進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果顯示,所提出的方法減少了數(shù)據(jù)計(jì)算量,運(yùn)行速度快,并提高了識(shí)別率,完全滿(mǎn)足人臉識(shí)別系統(tǒng)實(shí)時(shí)性要求。關(guān)鍵詞:模式識(shí)別;隱馬爾可夫模型;連續(xù)隱馬爾可夫模型;奇異值分解;人臉識(shí)別中圖法分類(lèi)號(hào):TP391.4文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1000-7024(200803-0707-03Approach of face recognition based on continuous hidden Markov modelSHEN Jie,WANG Zhen-qun,ZOU J

6、un,HOU Yan-ping(School of Information Engineering,Yangzhou University,Yangzhou 225009,China Abstract :A human face recognition approach based on the continuous hidden Markov model is proposed,its essential contents list as follows :With the stability and the transposes the invariability,singular val

7、ue decomposition is used to extract the character of the face image as the observed value array for the normalized face image.In the face automatic recognition system,a continuous HMM method is used to recognize face and the two Gaussian pdf is adopted to build up the HMM model,and then the model co

8、uld be used in identifying face.The results of experiments show that the method proposed reduces the computing time,runs faster,and the recognition rate is in-creased,so it can satisfy the needs of real-time face recognition.Key words :pattern recognition;hidden Markov model;continuous hidden Markov

9、 model;singular value decomposition;face recognition 2008年2月計(jì)算機(jī)工程與設(shè)計(jì)Feb.2008第29卷第3期Vol.29No.3Computer Engineering and Design-708-一個(gè)HMM 的構(gòu)成元素如下:(1ÊÇ״̬¼¯ºÏ£¬ Ôò1 , , µÄ״̬¼ÇΪ

10、61;ÜÊǹ۲ìÐòÁеij¤ ¶È¡£Ä£Ð;-ÀúµÄ״̬ÐòÁмÇΪ2, ,觀(guān)察符號(hào)數(shù)。設(shè)=2 , 其中 (1=,¡£ÆäÖ&#

11、208;Ô¼ÊøÌõ¼þΪ£º0 ,1,1k M 。 此處= 2 , = ,¡Ü µÄµÚ ,£¬· ½²îΪµÄ¸ß˹¸ÅÂÊÃܶȺ¯Êý£

12、;¬¡±¡£ÆäÖлìºÏϵÊýÂú×㣺=1。(5 =。 =1 =¡Ü=,= = =2,。(2給定一個(gè)HMM 模型,A ,B 和一個(gè)觀(guān)察值序列1 , ,在最佳意義上確定確定一個(gè)狀態(tài)序列 *2,=2,=最大。這3個(gè)問(wèn)題的解決是把HMM 模型應(yīng)用到實(shí)際中去的基礎(chǔ),可以通過(guò)下面的3個(gè)基本算法來(lái)實(shí)現(xiàn)。前向-后向算法是Baum 等人提出的,用來(lái)計(jì)算給

13、定一個(gè) 觀(guān)察值序列1, , 和一個(gè)模型,A ,B , 由模型 的概率。Viterbi 算法是一種廣泛用于通信領(lǐng)域的動(dòng)態(tài)規(guī)劃算法,該算法解決了給定一個(gè)觀(guān)察值序 列1 , ,和一個(gè)模型,A ,B ,在最佳意義上確定一個(gè)狀態(tài)序列 *2 ,= , ,¸ö¹Û²ìÖµÐòÁУ¬Æ äʱ¼ä³¤¶ÈΪ , 。定義過(guò)渡概率處于狀態(tài)+1處于狀態(tài),(

14、1 為了防止前向概率和后向概率的結(jié)果溢出,在實(shí)際的運(yùn)算中我們采用動(dòng)態(tài)標(biāo)定的方法, 引入標(biāo)定系數(shù) < <(2利用式(2,可以計(jì)算出HMM 模型的轉(zhuǎn)移概率 = 1 , 1,(3對(duì)于常用的從左到右單向結(jié)構(gòu)的HMM 來(lái)說(shuō),初始概率可以取數(shù)值: 時(shí)刻處于狀態(tài)個(gè)混合高斯元的輸出概率,我們稱(chēng)其為混合輸出概率, 即,= < < × , = ,(6 = ,(72用于人臉識(shí)別的HMM 模型及特征抽取對(duì)于一幅人臉圖像,我們首先要確定隱馬爾可夫模型與它的關(guān)系,確定為人臉圖像建立數(shù)學(xué)模型的依據(jù)。對(duì)于正面人臉圖像特征區(qū)域,如頭發(fā)、額頭、眼睛、鼻子、嘴巴的關(guān)系具有自上而下的自然順序,每個(gè)臉

15、部區(qū)域可以分配一個(gè)HMM 狀態(tài),是一個(gè)自左到右的一維HMM 過(guò)程,因此用于人臉圖像識(shí)別的HMM 模型狀態(tài)結(jié)構(gòu)及非零轉(zhuǎn)移概率, 高度為,高度為, 采樣數(shù)為 =+1(8圖1用于人臉識(shí)別的左右型HMM頭發(fā)額頭眼睛鼻子嘴巴1234 5 22 44 12 34-709-由采樣塊生成觀(guān)察值序列的方法有很多種,Samaria 用采樣窗內(nèi)的灰度值作為觀(guān)察向量,Nefian 2用二維離散余弦變換對(duì)采樣窗進(jìn)行特征抽取,我們采取的方法是對(duì)采樣窗矩陣進(jìn)行奇異值分解6-7,用奇異值向量作為觀(guān)察向量,實(shí)驗(yàn)證明它的效果明顯要優(yōu)于前兩種方法。3人臉HMM 模型的訓(xùn)練8人臉HMM 模型的訓(xùn)練就是要為人臉庫(kù)中的每一個(gè)人訓(xùn)練一個(gè)優(yōu)化了的HMM 模型,這里采用的方法是用同一個(gè)人的多幅人臉圖像來(lái)訓(xùn)練一個(gè)HMM 模型。訓(xùn)練可按以下步驟進(jìn)行:(1對(duì)要訓(xùn)練的人臉圖像進(jìn)行采樣,然后計(jì)算每一個(gè)采樣窗矩陣的奇異值,將其作為觀(guān)察值序列。(2建立一個(gè)通用HMM 模型,A ,B ,確定模型的狀態(tài)數(shù),允許的狀態(tài)