基于主成分分析(PCA)方法的人臉識(shí)別

摘要主成分分析(PrincipalComponentAnalysis，PCA)是一種基于代數(shù)特征的人臉識(shí)別方法，是一種基于全局特征的人臉識(shí)別方法，它基于K-L分解。基于主成分分析的人臉識(shí)別方法首次將人臉看作一個(gè)整體，特征提取由手工定義到利用統(tǒng)計(jì)學(xué)習(xí)自動(dòng)獲取是人臉識(shí)別方法的一個(gè)重要轉(zhuǎn)變。簡(jiǎn)單的說(shuō)，它的原理就是將一高維的向量，通過(guò)一個(gè)特殊的特征向量矩陣，投影到一個(gè)低維的向量空間中，表示為一個(gè)低維向量，并不會(huì)損失任何信息。即通過(guò)低維向量和特征向量矩陣，可以完全重構(gòu)出所對(duì)應(yīng)的原來(lái)高維向量。特征臉?lè)椒ň褪菍四樀膱D像區(qū)域看作是一種隨機(jī)向量，因此，可以采用K-L變換獲得其正交K-L基底。對(duì)應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此又稱為特征臉，利用這些基底的線性組合可以描述、表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉識(shí)別。識(shí)別過(guò)程就是將人臉圖像映射到由特征臉張成的子空間上，比擬其與己知人臉在特征空間中的位置，從而進(jìn)行判別。這次設(shè)計(jì)主要是完成了基于主成分分析(PCA)方法的人臉識(shí)別，PCA方法的根本原理是：利用離散K-L變換提取人臉的主要成分，構(gòu)成特征臉空間，識(shí)別時(shí)把測(cè)試樣本投影到該空間，構(gòu)成一組投影系數(shù)，通過(guò)與特征臉的距離比擬，距離最小的特征臉對(duì)應(yīng)的即是識(shí)別結(jié)果。基于PCA的人臉識(shí)別分為三個(gè)階段，第一個(gè)階段利用訓(xùn)練樣本集構(gòu)建特征臉空間；第二個(gè)階段是訓(xùn)練階段，主要是將訓(xùn)練圖像投影到特征臉子空間上；第三個(gè)階段是識(shí)別階段，將測(cè)試樣本集投影到特征臉子空間，然后與投影后的訓(xùn)練圖像相比擬，距離最小的為識(shí)別結(jié)果。基于PCA的人臉識(shí)別其實(shí)是一種統(tǒng)計(jì)性的模板比配方法，原理簡(jiǎn)單，易于實(shí)現(xiàn)，但也有缺乏，它的識(shí)別率會(huì)隨著照顧，人臉角度，訓(xùn)練樣本集的數(shù)量而變換，但仍不失為一種比擬好的方法。結(jié)果結(jié)果關(guān)鍵詞：PCAMATLAB特征臉圖像預(yù)處理AbstractThedesignismainlybasedonprincipalcomponentanalysiscompleted(PrincipalComponentAnalysis,PCA)methodforfacerecognition,inordertofacilitatetheoperation,usingmatlabGUImadeavisualinterface,whichalsoaddedsuchasimagesmoothing,sharpening,grayscale,binary,dilation,erosion,andtheapplicationofthesecondarywaveletedgedetectionoperatorsforotherfunctions,theuseoftheseadditionalfunctionscanbedonetotreatasimplepre-identifiedimages,toimprovetherecognitionrate.ThebasicprincipleofPCAmethod:usingdiscreteKLtransformtoextractthemaincomponentoftheface,constituteafeaturefacespace,recognitionatthetimeofthetestsamplesareprojectedintothespace,constituteagroupofprojectioncoefficients,thedistancebycomparisonwiththecharacteristicsoftheface,fromthesmallestEigenfacescorrespondingtothatistoidentifytheresults.FacerecognitionbasedonPCAisdividedintothreephases,thefirstphaseoftrainingsetconstructedusingeigenfacespace;thesecondstageisthetrainingphase,mainlytotraintheimageprojectedtothesubspaceon;thethirdstageistoidentifystage,willtestthesamplesettheprojectortothesubspace,andthenaftertrainingimagewiththeprojectorcomparedtothesmallestdistancetorecognizetheresults.FacerecognitionbasedonPCAinfactastatisticalmethodthanwiththetemplate,theprincipleissimple,easytoimplement,buttherearelessthanitsrecognitionratewiththecare,faceangle,thenumberoftrainingsamplesettransformation,butstillafterall,abetterapproach.KEYWORD:PCAMATLABPreprocessingdiscreteK-LtransformImagepreprocessing1概述1.1人臉識(shí)別技術(shù)人臉識(shí)別的開(kāi)展及現(xiàn)狀人臉識(shí)別的研究已經(jīng)有很長(zhǎng)的歷史，在19世紀(jì)，法國(guó)人Galton就曾對(duì)此問(wèn)題進(jìn)行了研究，他用一組數(shù)字代表不同的人臉側(cè)面特征來(lái)實(shí)現(xiàn)對(duì)人臉側(cè)面圖像的識(shí)別。國(guó)內(nèi)外對(duì)于人臉識(shí)別的研究開(kāi)展，分別經(jīng)歷了三個(gè)階段：傳統(tǒng)的人機(jī)交互式階段、機(jī)器自動(dòng)識(shí)別初級(jí)階段、機(jī)器自動(dòng)識(shí)別高級(jí)階段。

(1)傳統(tǒng)的人機(jī)交互式階段

第一階段是以Bertilion為代表，主要研究人臉識(shí)別所需要的面部特征，該階段的識(shí)別依賴于人的操作。這些人臉識(shí)別方法都需要利用操作員的某些先驗(yàn)知識(shí)，仍然擺脫不了人的干預(yù)。

(2)自動(dòng)識(shí)別初級(jí)階段

第二階段主要是采用機(jī)器自動(dòng)識(shí)別的手段進(jìn)行識(shí)別，20世紀(jì)90年代以來(lái)，隨著高速度高性能計(jì)算機(jī)的出現(xiàn)，人臉識(shí)別方法有了重大突破，進(jìn)入了真正的機(jī)器自動(dòng)識(shí)別階段，人臉識(shí)別研究也得到了前所未有的重視。

(3)機(jī)器自動(dòng)識(shí)別高級(jí)階段

第三階段是真正利用機(jī)器進(jìn)行對(duì)人臉的自動(dòng)識(shí)別，隨著計(jì)算機(jī)的大型化、高速化和人臉識(shí)別的方法的開(kāi)展，提出了許多人臉自動(dòng)識(shí)別的系統(tǒng)。人臉識(shí)別應(yīng)用及前景在現(xiàn)代社會(huì)中，身份鑒定技術(shù)具有非常重要的應(yīng)用價(jià)值，隨著網(wǎng)絡(luò)技術(shù)的開(kāi)展，信息平安也顯示出前所未有的重要性。在金融、保安、司法、網(wǎng)絡(luò)傳輸?shù)葢?yīng)用領(lǐng)域，都需要精確的身份鑒定。作為人類，我們依靠天生的能力，通過(guò)聲音、臉形和其他特征來(lái)識(shí)別別人。而對(duì)于機(jī)器，那么必須由程序去告訴它該如何利用同樣可以觀察到的信息來(lái)識(shí)別不同的人。目前廣泛采用的身份驗(yàn)證形式主要有標(biāo)識(shí)號(hào)碼、磁卡、IC卡等，這些方式的優(yōu)點(diǎn)是技術(shù)已經(jīng)比擬成熟，并可以采用各種加密手段加以保護(hù)，但從根本上講這些驗(yàn)證手段依賴的都是后天賦予人的信息，容易喪失、被盜竊、被偽造，更為嚴(yán)重的是無(wú)法區(qū)分真正的用戶和取得用戶標(biāo)識(shí)的冒名頂替者。在這種情況下，由于人體的生理特征具有不可復(fù)制的特點(diǎn)，人們把目光轉(zhuǎn)向了生物識(shí)別技術(shù)，希望可以籍此技術(shù)來(lái)應(yīng)付現(xiàn)行系統(tǒng)平安所面臨的挑戰(zhàn)。生物特征識(shí)別技術(shù)是根據(jù)身體和行為特征來(lái)識(shí)別或驗(yàn)證一個(gè)有生命的人的自動(dòng)方法，也就是使用人體本身所固有的物理特征(如指紋、虹膜、人臉、掌紋等)及行為特征(如書(shū)寫(xiě)、聲音步態(tài)等)，通過(guò)圖像處理和模式識(shí)別的方法來(lái)鑒別個(gè)人身份的技術(shù)。應(yīng)用生物特征識(shí)別技術(shù)的優(yōu)越性在于可以以更大的可靠性、更快的速度、更便利的方式和更低廉的價(jià)格提供身份的保證，或者準(zhǔn)確地識(shí)別某個(gè)人。而人臉識(shí)別作為一種典型生物特征識(shí)別技術(shù)，以其自然性、高可接受性等優(yōu)點(diǎn)受到了人們的青睞，可應(yīng)用于各行各業(yè)中。人臉因人而異，即使一對(duì)雙胞胎，其面部也一定存在某方面的差異。人類在判斷一個(gè)人的身份時(shí)，一般都是通過(guò)人臉來(lái)判斷，從人臉得到的判斷信息要超過(guò)90％。這些給人臉識(shí)別的提出提供了理論依據(jù)和實(shí)踐根據(jù)。雖然人類在表情、年齡、發(fā)型、光線等發(fā)生巨大變化的情況下，可以毫無(wú)困難的根據(jù)人臉識(shí)別出一個(gè)人，但要建立一個(gè)能夠完全自動(dòng)進(jìn)行人臉識(shí)別的系統(tǒng)卻是非常網(wǎng)難的，它涉及到模式識(shí)別、圖像處理、計(jì)算機(jī)視覺(jué)、生理學(xué)、心理學(xué)、數(shù)據(jù)庫(kù)以及認(rèn)知科學(xué)等方面的諸多知識(shí)。與指紋、基因、掌紋等其他的生物識(shí)別系統(tǒng)相比，人臉識(shí)別系統(tǒng)更加直接、友好，使用者無(wú)任何心理障礙，并且通過(guò)人臉的表情與姿態(tài)分析，還能獲得其他識(shí)別系統(tǒng)難以得到的一些信息。人臉識(shí)別技術(shù)應(yīng)用背景廣泛，可用于公安系統(tǒng)的罪犯身份識(shí)別，駕駛執(zhí)照及護(hù)照等與實(shí)際持證人的核對(duì)，銀行和海關(guān)的監(jiān)控系統(tǒng)以及自動(dòng)門衛(wèi)系統(tǒng)、視頻會(huì)議、機(jī)器人的智能化研究、醫(yī)學(xué)等方面。863方案、國(guó)家科技支撐方案、自然科學(xué)基金都撥出?？钯Y助人臉識(shí)別的相關(guān)研究。國(guó)家“十一五〞科技開(kāi)展規(guī)劃中也將人臉識(shí)別技術(shù)的研究與開(kāi)展列入其中，明確指出：“要在生物特征識(shí)別技術(shù)領(lǐng)域縮小與世界先進(jìn)水平的差距，開(kāi)展生物特征識(shí)別應(yīng)用技術(shù)研究，人臉識(shí)別具有高平安性、低誤報(bào)率的出入口控制新產(chǎn)品。〞在這種環(huán)境下，國(guó)內(nèi)一些科研院所和院校在人臉識(shí)別技術(shù)方面取得了很大進(jìn)展。如中科院自動(dòng)化所，清華大學(xué)，中科院計(jì)算所自主開(kāi)發(fā)的人臉識(shí)別技術(shù)已經(jīng)到達(dá)了國(guó)際先進(jìn)的水平。人臉識(shí)別作為一種新興的生物特征識(shí)別技術(shù)(Biometrics)，與虹膜識(shí)別、指紋掃描、掌形掃描等技術(shù)相比，人臉識(shí)別技術(shù)在應(yīng)用方面具有獨(dú)到的優(yōu)勢(shì)：〔1〕人臉識(shí)別使用方便，用戶接受度高。人臉識(shí)別技術(shù)使用通用的攝像機(jī)作為識(shí)別信息獲取裝置，以非接觸的方式在識(shí)別對(duì)象未發(fā)覺(jué)的情況下完成識(shí)別過(guò)程?！?〕直觀性突出。人臉識(shí)別技術(shù)所使用的依據(jù)是人的面部圖像，而人臉無(wú)疑是肉眼能夠判別的最直觀的信息源，方便人工確認(rèn)、審計(jì)，“以貌取人〞符合人的認(rèn)知規(guī)律。〔3〕識(shí)別精確度高，速度快。與其它生物識(shí)別技術(shù)相比，人臉識(shí)別技術(shù)的識(shí)別精度處于較高的水平，誤識(shí)率、拒認(rèn)率較低?！?〕不易仿冒。在平安性要求高的應(yīng)用場(chǎng)合，人臉識(shí)別技術(shù)要求識(shí)別對(duì)象必須親臨識(shí)別現(xiàn)場(chǎng)，他人難以仿冒。人臉識(shí)別技術(shù)所獨(dú)具的活性判別能力保證了他人無(wú)法以非活性的照片、木偶、蠟像來(lái)欺騙識(shí)別系統(tǒng)。這是指紋等生物特征識(shí)別技術(shù)所很難做到的。舉例來(lái)說(shuō)，用合法用戶的斷指即可仿冒合法用戶的身份而使識(shí)別系統(tǒng)無(wú)從覺(jué)察?！?〕使用通用性設(shè)備。人臉識(shí)別技術(shù)所使用的設(shè)備為一般的PC、攝像機(jī)等常規(guī)設(shè)備，由于目前計(jì)算機(jī)、閉路電視監(jiān)控系統(tǒng)等已經(jīng)得到了廣泛的應(yīng)用，因此對(duì)于多數(shù)用戶而言使用人臉識(shí)別技術(shù)無(wú)需添置大量專用設(shè)備，從而既保護(hù)了用戶的原有投資又?jǐn)U展了用戶已有設(shè)備的功能，滿足了用戶平安防范的需求。〔6〕根底資料易于獲得。人臉識(shí)別技術(shù)所采用的依據(jù)是人臉照片或?qū)崟r(shí)攝取的人臉圖像，因而無(wú)疑是最容易獲得的。〔7〕本錢較低，易于推廣使用。由于人臉識(shí)別技術(shù)所使用的是常規(guī)通用設(shè)備，價(jià)格均在一般用戶可接受的范圍之內(nèi)，與其它生物識(shí)別技術(shù)相比，人臉識(shí)別產(chǎn)品具有很高的性能價(jià)格比。概括地說(shuō)，人臉識(shí)別技術(shù)是一種高精度、易于使用、穩(wěn)定性高、難仿冒、性價(jià)比高的生物特征識(shí)別技術(shù)，具有極其廣闊的市場(chǎng)應(yīng)用前景。人臉自動(dòng)識(shí)別系統(tǒng)在平安領(lǐng)域和商貿(mào)領(lǐng)域以及經(jīng)濟(jì)領(lǐng)域都有非常廣泛的應(yīng)用前景，豐要有以下四類應(yīng)用：〔1〕刑偵破案公安部門獲得案犯的照片后，可以利用人臉識(shí)別技術(shù)，在存儲(chǔ)罪犯照片的數(shù)據(jù)庫(kù)中找到最相像的人為嫌疑犯。公安部門根據(jù)目擊證人的描述，畫(huà)出犯罪分子的草圖，然后用這張草圖到人臉庫(kù)中尋找嫌疑犯。由于罪犯數(shù)據(jù)庫(kù)比擬大，有可能有幾千張甚至幾萬(wàn)張人臉。如果人工完成這項(xiàng)搜索工作，不僅搜索效率低，而且容易出錯(cuò)?！?〕證件驗(yàn)證身份證、駕駛證以及其他很多證件上都有照片，現(xiàn)在的證件驗(yàn)證一般都是由人進(jìn)行驗(yàn)證，如果利用人臉識(shí)別技術(shù)，這項(xiàng)工作就可以交給機(jī)器完成，從而實(shí)現(xiàn)自動(dòng)化智能管理。當(dāng)前普遍使用的驗(yàn)證方法有符號(hào)或條形碼標(biāo)記，比方信用卡、自動(dòng)提款機(jī)等。此類驗(yàn)證的平安性比擬低。如果運(yùn)用人臉識(shí)別技術(shù)，那么平安性將大大改善?！?〕入口控制入口控制的范圍很廣，它可以是樓宇、單位或私人住宅入口處的平安檢查，也可以是計(jì)算機(jī)系統(tǒng)或情報(bào)系統(tǒng)的入口控制。目前比擬常用的手段是檢查證件。人員頻繁出入時(shí)，保安人員再三檢查證件是比擬麻煩的，而且平安系數(shù)也不高。在保密要求非常嚴(yán)格的部門除了證件，還可以加上另外一些生物識(shí)別手段，如指紋識(shí)別、手掌識(shí)別、語(yǔ)音識(shí)別等。人臉識(shí)別與之相比，具有直接、方便和界面友好的特點(diǎn)。當(dāng)前計(jì)算機(jī)系統(tǒng)的平安管理，通常使用字符和數(shù)字組成的密碼口令管理，此口令容易被遺忘或破解，如果使用人臉作為口令那么既方便又平安?！?〕視頻監(jiān)視在許多銀行、公司、公共場(chǎng)合等處設(shè)有24小時(shí)的視頻監(jiān)視。另外偵查員在破案時(shí)也要用攝影機(jī)對(duì)人進(jìn)行跟蹤。在對(duì)圖像進(jìn)行集體分析時(shí)，就要用到人臉的檢測(cè)、跟蹤和識(shí)別技術(shù)。除了上述幾局部外，人臉識(shí)別技術(shù)還可以用在視頻會(huì)議、機(jī)器人的智能化研究以及醫(yī)學(xué)等方面。人臉識(shí)別技術(shù)在相關(guān)場(chǎng)所的重要性1.在維護(hù)國(guó)家和公共的平安方面〔1〕如何在機(jī)場(chǎng)、車站、碼頭、賓館、商場(chǎng)等口岸或公共場(chǎng)所的人群中發(fā)現(xiàn)特定的目標(biāo)。平安部門、公安部門以往的做法只能是靠人工布控、蹲守。這種方式除了消耗大量的警力以外，還往往因?yàn)橛嘘P(guān)人員的疏忽而造成特定目標(biāo)漏網(wǎng)〔2〕犯罪嫌疑人在被控制以后，不愿意透露自己的真實(shí)身份，而且身上沒(méi)有任何可以證明身份的線索。公安人員往往因?yàn)闊o(wú)從確認(rèn)其身份而不得不將其釋放。在受害人身份確認(rèn)方面同樣也存在類似的難題；〔3〕在出入境管理方面，常常有受控人員使用假的身份證件而成功逃脫有關(guān)部門的監(jiān)控。而基于視頻的實(shí)時(shí)人臉識(shí)別系統(tǒng)，使用視頻圖像的比對(duì)，已經(jīng)能夠較好地滿足平安、公安部門的需求。人臉識(shí)別系統(tǒng)所具備的高速自動(dòng)識(shí)別能力很大程度上可以將公安、平安部門從以往的“人海戰(zhàn)術(shù)〞中解脫了出來(lái)，大大提升了整個(gè)國(guó)家、社會(huì)的平安防范水平，從而到達(dá)威懾犯罪、懲治罪犯、維護(hù)社會(huì)穩(wěn)定、保障國(guó)家平安的目的。2.在對(duì)門禁/出入控制系統(tǒng)的完善方面門禁及出入控制系統(tǒng)的核心在于人的身份鑒別與核查，從而確保合法用戶能夠順暢地進(jìn)入受控區(qū)域，使非法用戶被拒之門外。傳統(tǒng)的身份鑒別技術(shù)主要有如下幾種類型：(1)個(gè)人識(shí)別碼及密碼，或兩者組合使用這種方式的關(guān)鍵是用戶要牢記識(shí)別碼、密碼，假設(shè)識(shí)別碼被他人得悉，那么可輕易假冒而進(jìn)入受控區(qū)域。(2)IC/ID卡，這種方式顯然有了明顯進(jìn)步，合法用戶只需持卡即可進(jìn)入受控區(qū)，但這一身份鑒別技術(shù)的問(wèn)題在于：a卡證遺失會(huì)給合法持卡人帶來(lái)極大的不便；b存在被偽造的可能；c無(wú)法確保持卡人就是合法人，易被他人借用或冒用；d人工查驗(yàn)存在有出錯(cuò)或徇私舞弊的可能，使持卡人有可能進(jìn)入非授權(quán)區(qū)；(3)指紋、掌形、虹膜等生物特征識(shí)別技術(shù)與前兩種識(shí)別技術(shù)相比，基于人體生物特征識(shí)別技術(shù)的平安性顯然要高得多。基于指紋識(shí)別技術(shù)的系統(tǒng)從實(shí)際應(yīng)用來(lái)看，還存在著如下幾個(gè)方面的問(wèn)題：a實(shí)驗(yàn)說(shuō)明，指紋存在著被他人復(fù)制的可能，這無(wú)疑降低了系統(tǒng)的平安性。b要求用戶配合程度高，在指紋采集過(guò)程中需要直接接觸指紋采集儀，易產(chǎn)生被侵犯的感覺(jué)，導(dǎo)致用戶對(duì)指紋識(shí)別技術(shù)的接受度降低；c局部用戶的指紋難以采集，存在著較高的系統(tǒng)拒絕錄入率問(wèn)題；基于掌形、虹膜識(shí)別技術(shù)的識(shí)別精度比指紋識(shí)別技術(shù)要高，但仍存在著要求用戶配合的問(wèn)題，要使用專用設(shè)備、價(jià)格昂貴等缺點(diǎn)，難以成為市場(chǎng)主流產(chǎn)品。在不同的生物特征識(shí)別方法中，人臉識(shí)別有其自身特殊的優(yōu)勢(shì)，因而在生物識(shí)別中有著重要的地位。在典型應(yīng)用環(huán)境下，人臉識(shí)別技術(shù)的識(shí)別精度可以到達(dá)與指紋識(shí)別技術(shù)相當(dāng)?shù)某潭龋溆脩粲押眯悦黠@要高于其它的幾種生物特征識(shí)別技術(shù)。其價(jià)格適中和優(yōu)越的性能更能獲得用戶的認(rèn)可。同時(shí)，人臉識(shí)別技術(shù)可以實(shí)現(xiàn)與數(shù)字監(jiān)控系統(tǒng)的無(wú)縫集成，從而為門禁/出入控制系統(tǒng)提供了良好的審計(jì)、核查機(jī)制，大大地提高了系統(tǒng)的平安性和易用性。人臉識(shí)別的可行性論述人臉識(shí)別是屬于生物識(shí)別技術(shù)，通過(guò)檢測(cè)比照人臉圖像來(lái)到達(dá)識(shí)別的目的。人臉圖像由于年齡、姿態(tài)、表情、光照等因素而具有“一人千面〞的特點(diǎn)，因此，人臉識(shí)別技術(shù)具有極大的挑戰(zhàn)性。由于傳統(tǒng)身份識(shí)別的缺陷，全球每年涉及的詐騙案至少為信用卡5億美元、移動(dòng)10億美元和取款機(jī)30億美元。采用生物識(shí)別技術(shù)進(jìn)行個(gè)人身份鑒定，取代傳統(tǒng)的使用鑰匙、身份證、密碼等方法，可廣泛應(yīng)用于銀行、機(jī)場(chǎng)、公安等領(lǐng)域的出入管理。據(jù)各種組織和機(jī)構(gòu)的報(bào)告，2005年全球生物識(shí)別市場(chǎng)總規(guī)模大約為56億美金，同時(shí)國(guó)內(nèi)生物識(shí)別市場(chǎng)的總?cè)萘看蠹s在3.5個(gè)億的市場(chǎng)規(guī)模。保守地估計(jì)到2007年全球生物識(shí)別將形成年銷售136—170億美元的市場(chǎng)，而其中人臉識(shí)別市場(chǎng)將到達(dá)47.6—59.5億美元的市場(chǎng)規(guī)模。人臉識(shí)別中國(guó)作為開(kāi)展中國(guó)家，人臉識(shí)別技術(shù)潛在市場(chǎng)同樣巨大。在國(guó)家平安、軍事平安、金融、公安、司法、民政、海關(guān)、邊境、口岸、民航、保險(xiǎn)以及社會(huì)安防、民用安防等領(lǐng)域，急需人臉識(shí)別的相關(guān)產(chǎn)品來(lái)填補(bǔ)市場(chǎng)空白。人臉識(shí)別是將靜態(tài)圖像或視頻圖像中檢測(cè)出的人臉圖像與數(shù)據(jù)庫(kù)中的人臉圖像進(jìn)行比照，從中找出與之匹配的人臉的過(guò)程，以到達(dá)身份識(shí)別與鑒定的目的，它是同屬于生物特征識(shí)別領(lǐng)域和人工智能領(lǐng)域的一個(gè)課題。人臉識(shí)別是圖像分析與理解的一種最成功的應(yīng)用，因其在商業(yè)、平安、身份認(rèn)證、法律執(zhí)行等眾多方面的廣泛應(yīng)用，以及對(duì)人臉識(shí)別可行性技術(shù)的三十多年研究，使其越來(lái)越得到重視，并逐漸成為一個(gè)充滿活力的研究領(lǐng)域。人臉感知對(duì)于人類來(lái)說(shuō)是一項(xiàng)常規(guī)任務(wù)，但是建立一種相似的計(jì)算機(jī)系統(tǒng)是一項(xiàng)一直在進(jìn)行中的研究。人們關(guān)于人臉識(shí)別的研究至少可以追溯至20世紀(jì)50年代。到現(xiàn)在，人們對(duì)于基于計(jì)算機(jī)的人臉識(shí)別方法的研究已經(jīng)取得了豐碩的成果，但這些方法仍然受到實(shí)際應(yīng)用環(huán)境的限制。這些限制一方面主要來(lái)自于人臉面部表情、姿態(tài)、位置、頭部尺寸的變化和遮蓋物的影響，另一方面來(lái)自于人臉圖像的光照、背景等大幅度的變化。總的來(lái)說(shuō)，要找到一種真正高識(shí)別率、高魯棒性、低復(fù)雜性的人臉識(shí)別方法非常困難，需經(jīng)過(guò)長(zhǎng)時(shí)間的研究和實(shí)踐。隨著社會(huì)的不斷進(jìn)步，信息技術(shù)的不斷開(kāi)展，生物識(shí)別技術(shù)在近幾十年得到了飛速的開(kāi)展。人臉識(shí)別由于具有直接、友好、方便的特點(diǎn)，使用者無(wú)任何心理障礙，易于為用戶所接受，從而得到了廣泛的研究和應(yīng)用。例如，在司法領(lǐng)域，人臉識(shí)別技術(shù)作為輔助手段，可用于身份驗(yàn)證，罪犯識(shí)別等；在商業(yè)等領(lǐng)域，人臉識(shí)別技術(shù)常常用于銀行信用卡的身份識(shí)別、平安識(shí)別系統(tǒng)、可視、醫(yī)學(xué)、檔案管理、電視會(huì)議人機(jī)交互系統(tǒng)等方面。正是由于人臉識(shí)別系統(tǒng)的廣闊應(yīng)用前景，使得它越來(lái)越成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。人臉識(shí)別是一項(xiàng)熱門的計(jì)算機(jī)技術(shù)研究領(lǐng)域，它屬于生物特征識(shí)別技術(shù)，是對(duì)生物體〔一般特指人〕本身的生物特征來(lái)區(qū)分生物體個(gè)體。廣義的人臉識(shí)別實(shí)際包括構(gòu)建人臉識(shí)別系統(tǒng)的一系列相關(guān)技術(shù)，包括人臉圖像采集、人臉定位、人臉識(shí)別預(yù)處理、身份確認(rèn)以及身份查找等；而狹義的人臉識(shí)別特指通過(guò)人臉進(jìn)行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。人臉識(shí)別的優(yōu)勢(shì)在于其自然性和不被被測(cè)個(gè)體發(fā)覺(jué)的優(yōu)點(diǎn)，但是它本身也存在許多困難。人臉識(shí)別被認(rèn)為是生物特征識(shí)別領(lǐng)域甚至人工智能領(lǐng)域最困難的研究課題之一。人臉識(shí)別的困難主要是人臉作為生物特征的特點(diǎn)所帶來(lái)的。所有的人臉的結(jié)構(gòu)都相似，而人可以通過(guò)臉部的變化產(chǎn)生很多表情。人臉識(shí)別技術(shù)是采用某種技術(shù)和手段對(duì)人的身份進(jìn)行標(biāo)識(shí)，從而依據(jù)該標(biāo)識(shí)對(duì)人進(jìn)行身份識(shí)別，以到達(dá)監(jiān)督、管理和識(shí)別目的的一種技術(shù)。近年來(lái)由于在公安罪犯識(shí)別、平安驗(yàn)證、平安驗(yàn)證系統(tǒng)、信用卡驗(yàn)證等方面的巨大應(yīng)用前景而越來(lái)越成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。人臉識(shí)別由于可接受性好，在生物識(shí)別領(lǐng)域得到較快的開(kāi)展。人臉識(shí)別的研究范圍廣義上來(lái)講大致包括以下五個(gè)方面的內(nèi)容：〔1〕人臉識(shí)別〔FaceIdentification〕：即將已檢測(cè)到的待識(shí)別的人臉與數(shù)據(jù)庫(kù)中的人臉進(jìn)行比擬匹配，得出相關(guān)信息，這一過(guò)程的核心是選擇適當(dāng)?shù)娜四樀谋碚鞣绞脚c匹配策略，系統(tǒng)的構(gòu)造與人臉的表征方式密切相關(guān)。通?；蚴沁x擇全局的方法或是選擇基于特征的方法進(jìn)行匹配。顯然，基于側(cè)面像所選擇的特征和基于正面像的特征是有很大的區(qū)別的?！?〕人臉檢測(cè)〔FaceDetection〕：即從各種不同的場(chǎng)景中檢測(cè)出人臉的存在并確定其位置。在大多數(shù)的場(chǎng)合中由于場(chǎng)景較復(fù)雜，人臉的位置是預(yù)先不知道的，因而首先必須確定場(chǎng)景中是否存在人臉，如果存在人臉，再確定圖像中人臉的位置。臉部毛發(fā)、化裝品、光照、噪聲、面部?jī)A斜和人臉大小變化以及各種各樣遮擋等因素都會(huì)使人臉檢測(cè)問(wèn)題變得更為復(fù)雜。人臉檢測(cè)的主要目的是在輸入的整幅圖像上尋找人臉區(qū)域，把圖像分割成兩個(gè)局部－人臉區(qū)域和非人臉區(qū)域，從而為后續(xù)的應(yīng)用作準(zhǔn)備?！?〕人臉表征〔FaceRepresentation〕：即采取某種表示方式表示檢測(cè)出的人臉和數(shù)據(jù)庫(kù)中的人臉。通常的表示法包括幾何特征〔如歐氏距離、曲率、角度〕、代數(shù)特征〔如矩陣特征矢量〕、固定特征模板、特征臉、云紋圖等。〔4〕表情分析〔ExpressionAnalysis〕：即對(duì)待識(shí)別人臉的表情信息〔快樂(lè)、悲傷、恐懼、驚奇等〕進(jìn)行分析，并對(duì)其加以歸類?！?〕生理分類〔PhysicalClassification〕：即對(duì)待識(shí)別人臉的生理特征進(jìn)行分析，得出其種族、年齡、性別、職業(yè)等相關(guān)信息。顯然，完成這一操作需要大量的知識(shí)并且通常是非常困難和復(fù)雜的。人臉識(shí)別根本上可分為兩個(gè)方面：一是給定一幅待識(shí)別人臉圖像，判別它是否是某人，即通常所說(shuō)的身份驗(yàn)證〔Authentication〕，這是個(gè)“一對(duì)一〞的兩分類問(wèn)題；另一個(gè)是給定一幅待識(shí)別人臉圖像，判斷它是誰(shuí)，即通常所說(shuō)的身份識(shí)別〔Recognition〕，這是一個(gè)一對(duì)多〞的多類分類問(wèn)題。通常所說(shuō)的人臉識(shí)別是個(gè)“一對(duì)多〞的多類分類問(wèn)題，計(jì)算機(jī)人臉識(shí)別過(guò)程如圖1.1所示。一個(gè)典型的人臉識(shí)別系統(tǒng)包含以下各局部：(1)從圖像中提取人臉區(qū)域，檢測(cè)，定位人臉；〔2〕用適當(dāng)?shù)奶卣鞅碚魅四槪弧?〕將人臉表征進(jìn)行分類。圖1.1基于人臉圖像整體特征的人臉識(shí)別方法由于不需要提取人臉圖像中器官的具體信息，而且充分利用到人臉圖像本身具有的灰度信息，因此可獲得更高的識(shí)別性能?；谌四槇D像整體特征的人臉識(shí)別方法主要有特征臉?lè)ǎ钫_鑒別矢量集法，貝葉斯法，基于傅立葉變換特征法，彈性圖匹配法，相關(guān)方法，線性子空間法，可變形模型法和基于人工神經(jīng)網(wǎng)絡(luò)的方法等等。其中彈性圖匹配法和傅里葉不變特征法側(cè)重于表述人臉圖像；最正確鑒別矢量集法，貝葉斯法，基于人工神經(jīng)網(wǎng)絡(luò)的方法側(cè)重于分類；特征臉?lè)ê途€性子空間法等側(cè)重于人臉圖像的重構(gòu)。人臉識(shí)別技術(shù)，作為目前模式識(shí)別領(lǐng)域研究的熱點(diǎn)也是難點(diǎn)之一，其最早提出可以追溯到1888年。然而，到目前為止，由于人臉識(shí)別問(wèn)題自身的復(fù)雜性，使得雖然有眾多科學(xué)研究人員潛心研究多年，也做出了許多的成果，但離徹底解決并到達(dá)實(shí)用，仍舊有很多關(guān)鍵性的問(wèn)題需要解決。綜上所述，人臉識(shí)別技術(shù)對(duì)于維護(hù)國(guó)家平安和社會(huì)穩(wěn)定、打擊各類犯罪活動(dòng)具有十分重大的意義。在新興的信息平安應(yīng)用領(lǐng)域，人臉識(shí)別技術(shù)提供了一種更為平安可靠易用的身份鑒別手段，從而提升了整個(gè)網(wǎng)絡(luò)信息系統(tǒng)的平安性能，有效地遏止各類網(wǎng)絡(luò)違法犯罪活動(dòng)。同時(shí)，人臉識(shí)別技術(shù)在傳統(tǒng)的安防領(lǐng)域可以便捷的與原有技術(shù)實(shí)現(xiàn)緊密的結(jié)合，大大提升原有系統(tǒng)的智能化程度、平安性及易用性，拓展了原有系統(tǒng)的應(yīng)用領(lǐng)域，從而促進(jìn)了傳統(tǒng)產(chǎn)業(yè)的技術(shù)升級(jí)。人臉識(shí)別技術(shù)雖然離我們的目標(biāo)仍然有一定的差距，但是隨著科學(xué)技術(shù)的開(kāi)展及各種技術(shù)手段的綜合應(yīng)用，一定會(huì)推動(dòng)人臉識(shí)別技術(shù)不斷向前開(kāi)展。人臉識(shí)別方法的研究與分析1.人臉識(shí)別技術(shù)根本上可以歸結(jié)為以下三類(1)基于幾何特征的方法。該方法是最早、傳統(tǒng)的人臉檢測(cè)和識(shí)別的方法。在基于該方法的人臉識(shí)別系統(tǒng)中，通常需要檢測(cè)出重要面部特征的形狀、相對(duì)位置以及這些特征之間的距離等相關(guān)參數(shù)，以構(gòu)成一個(gè)可以代表人臉的特征向量，其特征分量通常包括兩點(diǎn)間的歐式距離、曲率和角度等。在使用幾何特征時(shí)最重要的一件事就是對(duì)圖像進(jìn)行適當(dāng)?shù)臉?biāo)準(zhǔn)化。(2)基于模板的方法。這類技術(shù)的核心在于利用整幅圖像的灰度級(jí)模板。與基于幾何特征的方法一樣，圖像首先需要進(jìn)行標(biāo)準(zhǔn)化。最簡(jiǎn)單的模板匹配就是把一幅圖像看做是強(qiáng)度值的二維排列，然后利用適宜的尺度(典型的如歐幾里德距離)與單獨(dú)的代表整臉的模板進(jìn)行比照匹配。基于模板的方法可以分為基于相關(guān)的方法、特征臉?lè)椒ā⒕€性判別分析方法、神經(jīng)網(wǎng)絡(luò)方法、動(dòng)態(tài)連接匹配方法等。(3)基于模型的方法。該方法利用數(shù)學(xué)模型將具有不同人臉尺度和人臉?lè)较虻牟煌四槍?shí)例的信息合并，故相對(duì)基于模板的方法來(lái)說(shuō)，該方法對(duì)于自然的人臉變形和光照條件具有更大的彈性?；谀Ｐ偷姆椒ɡ媚Ｐ蛥?shù)來(lái)進(jìn)行人臉識(shí)別，其典型方法是基于隱馬爾可夫模型的方法。2.常用人臉識(shí)別方法(1)基于主元分析的人臉識(shí)別方法主元分析法(PCA)是基于KL正交變換(Karhunen-Loevetransform)的一種方法,采用PCA的目的主要在于對(duì)人臉圖像空間進(jìn)行降維并取得能夠代表人臉的特征向量。PCA方法最早由Sirovitch和Kirby引入人臉識(shí)別領(lǐng)域。20世紀(jì)90年代初,由Turk和Pentland提出的特征臉(Eigenfaces)方法是該類別中最具代表性的方法,并成為應(yīng)用于人臉識(shí)別問(wèn)題的最流行的算法之一。特征臉?lè)椒ㄅc經(jīng)典的模板匹配算法一起成為測(cè)試人臉識(shí)別系統(tǒng)性能的基準(zhǔn)算法。Turk等人通過(guò)實(shí)驗(yàn)指出,特征臉?lè)椒ㄔ诠庹兆兓碌恼_識(shí)別率為96%,在人臉朝向變化下的正確識(shí)別率為85%,而在圖像尺寸變化下的正確識(shí)別率為64%。特征臉?lè)椒m然在一定程度上有良好的應(yīng)用,但是其對(duì)于輸入的人臉圖像的歸一化要求較高,而且其系統(tǒng)性能容易受到光照和姿態(tài)變化的影響。因此在特征臉技術(shù)根底上,研究者提出了各種各樣的改良版本或擴(kuò)展方法。Belhumeur等人提出了Fisherfaces方法。Fisherfaces由Fisher線性判別式(Fisher’slineardiscriminant,FLD)思想派生而來(lái),同時(shí)考慮類間離散度和類內(nèi)離散度,使這兩者的比率到達(dá)最大。Belhumeur的實(shí)驗(yàn)證明,Fisherfaces的性能優(yōu)于Eigenfaces。但即便如此,Fisherfaces還是存在兩個(gè)明顯的問(wèn)題,即小樣本問(wèn)題(樣本數(shù)目小于樣本維數(shù)),以及多數(shù)實(shí)際問(wèn)題屬于非線性可分,傳統(tǒng)的Fisher線性分析在這些問(wèn)題上不能取得良好的結(jié)果。因此,一系列Fisherfaces的改良方法被提出。Mika等人提出了KFDA方法,將核技術(shù)引入Fisher判別分析中;Baudat等人提出了利用核的廣義的判別分析法;Lu等人提出了KDDA方法。近期,厲小潤(rùn)等人提出了一種改良的核直接Fisher描述分析方法;Yu等人的直接LDA方法也是為了解決這兩個(gè)問(wèn)題而提出的;周大可等人基于此法并引入加權(quán)函數(shù)提出了一種改良的線性判別分析方法。

Bartlett等人提出,傳統(tǒng)的PCA方法只依靠像素間的二階關(guān)系來(lái)尋找人臉根底圖像,而重要的信息卻可能包含在像素間的高階關(guān)系中,人們自然就希望可以利用這些高階統(tǒng)計(jì)信息尋找到更好的根底圖像,因此他們提出了一種廣義的PCA方法,即獨(dú)立成分分析法(independentcomponentanalysis,ICA)用于人臉特征提取。之后,學(xué)者們一般將PCA與ICA結(jié)合來(lái)進(jìn)行人臉圖像的特征提取。

如今,人工神經(jīng)網(wǎng)絡(luò)因其重要的實(shí)用價(jià)值而滲透在各個(gè)學(xué)科領(lǐng)域,近年來(lái)也被廣泛應(yīng)用于人臉識(shí)別當(dāng)中。將PCA理論與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法也成為人臉識(shí)別領(lǐng)域中的熱門方法。其中,BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)是兩種應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)。(2)基于奇異值分解的人臉識(shí)別方法

洪子泉和楊靜宇首次提出了基于奇異值分解(SVD)的人臉識(shí)別方法,建立了基于Sammon最正確判別平面的Bayes分類模型。他們指出奇異值的三個(gè)特性使之能作為一種特征在圖像識(shí)別中得到應(yīng)用:a)圖像的奇異值具有良好的穩(wěn)定性;b)圖像的奇異值反映了圖像的一種代數(shù)本質(zhì),這種本質(zhì)不是直觀的,而是一種內(nèi)在屬性;c)圖像的奇異值具備代數(shù)和幾何上的不變性。同時(shí),在文獻(xiàn)中也證明了SV特征向量的五個(gè)特性,即穩(wěn)定性、轉(zhuǎn)置不變性、旋轉(zhuǎn)不變性、位移不變性和鏡像變換不變性。為得到較高的識(shí)別率,通常將SVD與其他識(shí)別算法組合進(jìn)行人臉識(shí)別。

杜干等人認(rèn)為傳統(tǒng)的基于SVD的方法只是利用全局信息,假設(shè)將人臉?lè)殖刹煌瑓^(qū)域,利用人臉的局部信息能夠更好地描述人臉特征,從而提高識(shí)別率。高全學(xué)等人通過(guò)深入分析奇異值指出,圖像奇異值是圖像在特定基空間分解得到的,這個(gè)基空間是由圖像本身決定的。他們的研究還指出不同人臉圖像對(duì)應(yīng)的奇異值向量所在的基空間不一致、奇異值向量與人臉圖像之間并不存在一一對(duì)應(yīng)關(guān)系以及奇異值向量具有不可分割性,此三者導(dǎo)致了基于SVD人臉識(shí)別算法識(shí)別率低;最后他們提出了類估計(jì)基空間識(shí)別算法。(3)基于幾何結(jié)構(gòu)特征與灰度特征融合的人臉識(shí)別方法

近年來(lái),基于幾何結(jié)構(gòu)特征與灰度特征融合的算法日趨完善。Cootes提出的主動(dòng)外觀模型(activeappearancemodel,AAM)將幾何特征統(tǒng)計(jì)分析與灰度分布統(tǒng)計(jì)分析相結(jié)合,既可以用于圖像合成又可以用于圖像分析的特征提取和匹配,已經(jīng)吸引了越來(lái)越多的注意。彈性圖匹配技術(shù)是由Wiskott等人提出的,它基于幾何特征與對(duì)灰度分布信息進(jìn)行小波紋理分析相結(jié)合的識(shí)別算法。該算法較好地利用了人臉的結(jié)構(gòu)和灰度分布信息,且還具有自動(dòng)精確定位面部特征點(diǎn)的功能,因而具有良好的識(shí)別效果;缺點(diǎn)是計(jì)算量大,實(shí)現(xiàn)復(fù)雜。Wurtz別離了人臉圖像的背景信息,提出了多層次的金字塔結(jié)構(gòu)屬性圖,利用在該金字塔結(jié)構(gòu)中從上至下、從粗糙到精確的匹配來(lái)建立圖像與原型圖之間的映射。在匹配過(guò)程中保存良好的對(duì)應(yīng)點(diǎn),丟棄相似性極小的節(jié)點(diǎn)。該方法總能產(chǎn)生與給定圖像極其相似的原型圖,并對(duì)圖像的背景變化、小幅變形和轉(zhuǎn)換有一定的魯棒性。孫大瑞等人提出了一種局部特征與整個(gè)人臉相結(jié)合的方法,首先利用Gabor小波變換對(duì)幾個(gè)區(qū)域特征分別提取特征矢量,然后進(jìn)行彈性變形,得到各個(gè)特征匹配度量的加權(quán)和作為分類標(biāo)準(zhǔn)。張海旸等人基于當(dāng)今流行的網(wǎng)格技術(shù)提出了一種自適應(yīng)的彈性圖人臉匹配方法,他們將人臉?lè)殖啥鄠€(gè)子區(qū)域,用不同密集度的彈性圖劃分和不同的變形粒度實(shí)現(xiàn)彈性變形,采用了確定性的退火算法找到彈性變形的最正確匹配。該方法在較大的人臉數(shù)據(jù)庫(kù)和非約束環(huán)境中,識(shí)別速度和識(shí)別率均有提高。(4)非線性建模人臉識(shí)別方法

1998年Scholkopf等人提出了核主成分分析,利用積分算子核函數(shù)來(lái)分析觀測(cè)空間數(shù)據(jù)集的結(jié)構(gòu);2000年Tenebaum等人提出了等度規(guī)映射(isometricmapping,ISOMAP),認(rèn)為當(dāng)數(shù)據(jù)集具有嵌入歐式空間的內(nèi)在流形結(jié)構(gòu)時(shí),可以通過(guò)保距映射來(lái)獲得觀測(cè)空間數(shù)據(jù)集在低維結(jié)構(gòu)的對(duì)應(yīng)描述;同年,Roweis等人提出了局部線性嵌套(locallylinearembedding,LLE)算法,其主要思想是如果存在一組具有嵌套流形的數(shù)據(jù)集,那么在嵌套空間與內(nèi)在低維空間局部領(lǐng)域間的數(shù)據(jù)點(diǎn)的序應(yīng)該是保持的；2001年Belkin等人基于譜圖理論提出了拉普拉斯特征映射(Laplacianeigenmap),與LLE算法類似,它也是基于局部保序思想來(lái)獲得高維觀測(cè)空間與低維結(jié)構(gòu)在局部意義下的對(duì)應(yīng)。之后,對(duì)于以上述非線性方法為根底的人臉建模方法研究在逐步深入。(5)基于隱馬爾可夫模型的人臉識(shí)別方法

基于隱馬爾可夫模型的人臉識(shí)別方法是基于模型的人臉識(shí)別方法的典型代表。隱馬爾可夫模型(HMM)的根本理論形成于20世紀(jì)60年代末期和70年代初期。Samaria等人最早建立了關(guān)于人臉的隱馬爾可夫模型,他認(rèn)為人臉圖像從上至下包含額頭、眼睛、鼻子、嘴巴和下巴五個(gè)顯著特征區(qū)域,隱含五個(gè)狀態(tài)。他將圖像用一個(gè)矩形窗從上到下分成假設(shè)干塊,將窗口內(nèi)的像素點(diǎn)排成列向量,用每個(gè)區(qū)塊的像素值作為觀察序列來(lái)進(jìn)行人臉識(shí)別。該方法需要占用較大的存儲(chǔ)空間并且有較高的計(jì)算復(fù)雜性。利用像素值作為觀察序列有兩個(gè)弊端:a)像素值作為特征不夠健壯,同時(shí)其對(duì)圖像噪聲、光照強(qiáng)度改變等非常敏感；b)高維的觀察序列導(dǎo)致了訓(xùn)練和識(shí)別系統(tǒng)的高計(jì)算復(fù)雜性,增加了識(shí)別時(shí)間。Nefian等人提出了一種基于二維離散余弦變換(2-dimensionaldispersecosinetransform,2D-DCT)特征向量提取的新方法。該方法將人臉圖像分成假設(shè)干個(gè)有交疊的模塊,從每個(gè)模塊中提取一組2D-DCT系數(shù)作為HMM的觀察序列。與Sama-ria的方法相比,他的方法在一定程度上降低了計(jì)算的復(fù)雜性并占用較小的存儲(chǔ)空間。

劉小軍等人吸收了Samaria和Nefian的思想,借鑒Nefian的模塊分區(qū)方法,將各模塊利用奇異值分解提取特征向量作為觀察序列。因?yàn)槠娈愔迪蛄康囊恍┝己锰匦?使得該方法取得了較高的識(shí)別率。(6)基于圖像重建和圖像融合的人臉識(shí)別方法為防止光照和姿態(tài)大幅度變化對(duì)人臉識(shí)別的影響,許多研究者提出了基于圖像重建和圖像融合的人臉識(shí)別方法。

由于人臉圖像是三維人臉在二維平面上的投影,多姿態(tài)導(dǎo)致的人臉圖像變化與三維人臉的旋轉(zhuǎn)和變形存在嚴(yán)格的對(duì)應(yīng)關(guān)系,三維人臉識(shí)別是解決多姿態(tài)問(wèn)題的有效手段。三維人臉識(shí)別技術(shù)也可以分為兩種:a)進(jìn)行純?nèi)S之間的比照,即通過(guò)對(duì)人臉的多角度拍攝,系統(tǒng)生成人臉的三維模型,然后將該模型與數(shù)據(jù)庫(kù)中的三維模型進(jìn)行比擬；b)根據(jù)獲得的二維人臉圖像,算出人臉的姿態(tài)偏轉(zhuǎn)角度,將數(shù)據(jù)庫(kù)中的三維模型按同樣的角度偏轉(zhuǎn)后投影至二維平面上得到二維圖像,再將它與原來(lái)的二維人臉圖像進(jìn)行匹配。

圖像融合有三個(gè)層次,即像素級(jí)融合、特征級(jí)融合以及決策級(jí)融合。像素級(jí)融合一般采用小波變換的方法,特征級(jí)的融合可以基于PCA、LDA等傳統(tǒng)的特征提取方法。文獻(xiàn)提出了將紅外圖像與可見(jiàn)光圖像進(jìn)行融合的方法:在小波領(lǐng)域進(jìn)行基于圖像的融合,在特征空間領(lǐng)域進(jìn)行基于特征的融合,兩種情況下均采用遺傳算法來(lái)尋找最優(yōu)策略。1.2PCA方法概述PCA方法主要通過(guò)訓(xùn)練樣本的散布矩陣特征值分解，給出一組數(shù)量遠(yuǎn)遠(yuǎn)小于樣本空間維數(shù)的正交基來(lái)表示訓(xùn)練樣本張成的特征子空間，然后對(duì)樣本在正交子空間的投影向量進(jìn)行分類。由于傳統(tǒng)PCA方法需要將人臉圖像矩陣預(yù)先轉(zhuǎn)化成一維向量進(jìn)行特征提取,而轉(zhuǎn)化后的一維向量維數(shù)較高，造成特征提取的困難，使得后續(xù)算法的計(jì)算復(fù)雜度較高。二維PCA方法不需要預(yù)先將人臉數(shù)據(jù)矩陣展開(kāi)成一維向量，訓(xùn)練樣本散布矩陣可直接由二維數(shù)據(jù)矩陣構(gòu)建，有效的提高了散布矩陣特征分解的速度，并且提高了人臉的識(shí)別率。人臉識(shí)別是對(duì)于輸入的圖像或者視頻流，首先判斷其中是否存在人臉，如果存在人臉，那么進(jìn)一步的給出每個(gè)人臉的位置、大小和各個(gè)主要面部器官的位置信息，并依據(jù)這些信息或者人臉圖像的整體信息，進(jìn)一步提取每個(gè)人臉中所蘊(yùn)含的身份特征，并將其與己知入臉庫(kù)中的模板信息進(jìn)行比照，從而識(shí)別每個(gè)人臉的身份，到達(dá)身份鑒別的目的。從廣義上講，其研究?jī)?nèi)容主要包括以下五個(gè)方面：(1)入臉檢測(cè)；即從各種不同的場(chǎng)景中檢測(cè)出所有人臉的存在并確定其具體位置和主要特征的位置，這一任務(wù)受光照、噪聲、頭部?jī)A斜度以及各種遮擋的影響。(2)特征提?。杭创_定表示檢測(cè)出的人臉和數(shù)據(jù)庫(kù)中的人臉模板的描述方式。通常的表示方法包括幾何特征(如歐氏距離、曲率、角度等)、代數(shù)特征(如矩陣特征矢量)、固定特征模板、特征臉、云紋圖等。(3)人臉鑒別：即通常所說(shuō)的人臉識(shí)別，就是將待識(shí)別的人臉與數(shù)據(jù)庫(kù)中的人臉比擬，得出相關(guān)信息。這一過(guò)程的核心是選擇適當(dāng)?shù)娜四槺硎痉绞脚c匹配策略以及適當(dāng)?shù)钠ヅ溟撝怠?4)表情分析：即對(duì)待識(shí)別人臉的表情進(jìn)行分析，并對(duì)其加以分類。(5)物理分類：即對(duì)待識(shí)別人臉的物理特征進(jìn)行分類，得出其年齡、性別、種族等相關(guān)信息。從狹義方面來(lái)說(shuō)，一個(gè)人臉識(shí)別系統(tǒng)不涉及表情分析和物理分類，基于這種觀點(diǎn)，一個(gè)典型的人臉識(shí)別系統(tǒng)由人臉檢測(cè)、特征提取、人臉鑒別三局部組成。特征提取是人臉識(shí)別系統(tǒng)中諸多組成局部的一員，也是最為重要的一個(gè)組成。主成分分析(PCA)方法是目前應(yīng)用最廣泛的特征提取方法之一，也是一種統(tǒng)計(jì)學(xué)方法，在信號(hào)處理、模式識(shí)別、數(shù)字圖像處理等領(lǐng)域己經(jīng)得到了廣泛的應(yīng)用。豐成分分析方法的根本思想是提取出空間原始數(shù)據(jù)中的主要特征(主成分)，減少數(shù)據(jù)冗余，使得數(shù)據(jù)在一個(gè)低維的特征空間被處理，同時(shí)保持原始數(shù)據(jù)的絕大局部的信息，從而解決數(shù)據(jù)空間維數(shù)過(guò)高的瓶頸問(wèn)題。在人臉識(shí)別中，可利用PCA對(duì)人臉進(jìn)行特征提取和特征選擇。PCA算法將人臉圖像區(qū)域看作一種隨機(jī)向量，利用K-L變換得到正交變換基，對(duì)應(yīng)較大的特征值的基底具有與人臉相似的形狀。PCA算法利用這些基底的線性組合來(lái)描述、表達(dá)人臉和逼近人臉，實(shí)現(xiàn)人臉圖像的特征提取和特征選擇，從而提高人臉的識(shí)別和重建的效率。人臉識(shí)別就是把待識(shí)別的人臉映射到由特征臉張成的子空間中，與庫(kù)中人臉的子空間位置進(jìn)行比擬。人臉的重建就是根據(jù)待識(shí)別人臉在子空間的位置，復(fù)原到人臉空間中。但單一的PCA算法的識(shí)別率并不高，因此通?？梢栽赑CA根底上結(jié)合其它算法進(jìn)行人臉的特征選擇，以提高識(shí)別率。隨著社會(huì)的開(kāi)展，各個(gè)方面對(duì)快速有效的自動(dòng)身份驗(yàn)證的要求日益迫切。由于生物特征是人的內(nèi)在屬性，具有很強(qiáng)的自身穩(wěn)定性和個(gè)體差異性，因此是身份驗(yàn)證的理想依據(jù)。這其中，利用人臉特征又是最自然直接的手段，相比其他生物特征，它具有直接、友好、方便的特點(diǎn)，易于為用戶接受。人臉識(shí)別概念可簡(jiǎn)單的描述為：給定某一場(chǎng)景的靜態(tài)圖片或動(dòng)態(tài)視頻圖像，根據(jù)所存儲(chǔ)的臉面數(shù)據(jù)庫(kù)識(shí)別或確認(rèn)一個(gè)或更多的人。在計(jì)算機(jī)視覺(jué)領(lǐng)域里，人臉識(shí)別過(guò)程分為人臉檢測(cè)(FaceDetection)、特征提取(FeatureExtraction)、識(shí)別或確認(rèn)(FaceRecognition)三局部完成。特征提取是其中一項(xiàng)非常重要的組成局部。特征提取是指將數(shù)據(jù)從原始空間變換到特征空間的過(guò)程，該變換使得原始數(shù)據(jù)由維數(shù)較少的“有效〞特征數(shù)據(jù)來(lái)表示，而不減少原始數(shù)據(jù)所包含的內(nèi)在信息量。目前，已經(jīng)提出了許多特征提取的方法，其中基于主成分分析(PCAPrincipleComponentAnalysis)的Eigenface算法及其變形已經(jīng)成為測(cè)試人臉識(shí)別系統(tǒng)性能的基準(zhǔn)算法，該方法是模式識(shí)別判別分析中最常用的一種線性映射方法，是根據(jù)樣本點(diǎn)在多維模式空間的位置分布，以樣本點(diǎn)在空間中變化最大方向，即方差最大的方向作為判別矢量來(lái)實(shí)現(xiàn)數(shù)據(jù)的特征提取與數(shù)據(jù)壓縮的。主元分析法(PCA)是基于KL正交變換(Karhunen-loevetransform)的一種方法，采用PCA的目的主要在于對(duì)人臉圖像空間進(jìn)行降維并取得能夠代表人臉的特征向量。PCA方法最早由Sirovitch和Kirby引人人臉識(shí)別領(lǐng)域。20世紀(jì)90年代初，由Turk和Pentland提出的特征臉(Eigenfaces)方法是該類別中最具代表性的方法，并成為應(yīng)用于人臉識(shí)別問(wèn)題的最流行的算法之一。特征臉?lè)椒ㄅc經(jīng)典的模板匹配算法一起成為測(cè)試人臉識(shí)別系統(tǒng)性能的基準(zhǔn)算法。Turk等人通過(guò)實(shí)驗(yàn)指出，特征臉?lè)椒ㄔ诠庹兆兓碌恼_識(shí)別率為96％，在人臉朝向變化下的正確識(shí)別率為85％，而在圖像尺寸變化下的正確識(shí)別率為64％。特征臉?lè)椒m然在一定程度上有良好的應(yīng)用，但是其對(duì)于輸入的人臉圖像的歸一化要求較高，而且其系統(tǒng)性能容易受到光照和姿態(tài)變化的影響。因此在特征臉技術(shù)根底上，研究者提出了各種各樣的改良版本或擴(kuò)展方法。Belhumeur等人提出了Fisherfaces方法。Fisherfaces由Fisher線性判別式(Fisher‘slineardiscriminant，F(xiàn)LD)思想派生而來(lái)，同時(shí)考慮類間離散度和類內(nèi)離散度，使這兩者的比率到達(dá)最大。Bel．httmeur的實(shí)驗(yàn)證明，F(xiàn)isherfaces的性能優(yōu)于Eigenfaces。但即便如此，F(xiàn)isherfaces還是存在兩個(gè)明顯的問(wèn)題，即小樣本問(wèn)題(樣本數(shù)目小于樣本維數(shù))，以及多數(shù)實(shí)際問(wèn)題屬于非線性可分，傳統(tǒng)的Fisher線性分析在這些問(wèn)題上不能取得良好的結(jié)果。因此，F(xiàn)ished'aces的改良方法被提出。Mika等人提出了KFDA方法，將核技術(shù)引入Fisher判別分析中；Baudat等人提出了利用核的廣義的判別分析法；Lu等人提出了KDDA方法。近期，厲小潤(rùn)等人提出了一種改良的核直接Fisher描述分析方法；Yu等人引的直接LDA方法也是為了解決這兩個(gè)問(wèn)題而提出的；周大可等人基于此法并引人加權(quán)函數(shù)提出了一種改良的線性判別分析方法。Bartlett等人提出，傳統(tǒng)的PCA方法只依靠像素間的二階關(guān)系來(lái)尋找人臉根底圖像，而重要的信息卻可能包含在像素間的高階關(guān)系中，人們自然就希望可以利用這些高階統(tǒng)計(jì)信息尋找到更好的根底圖像，因此他們提出了一種廣義的PCA方法，即獨(dú)立成分分析法(independentcomponentanalysis，ICA)用于人臉特征提取。之后，學(xué)者們一般將PCA與ICA結(jié)合來(lái)進(jìn)行人臉圖像的特征提取。如今，人工神經(jīng)網(wǎng)絡(luò)因其重要的實(shí)用價(jià)值而滲透在各個(gè)學(xué)科領(lǐng)域，近年來(lái)也被廣泛應(yīng)用于人臉識(shí)別當(dāng)中。將PCA理論與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法也成為人臉識(shí)別領(lǐng)域中的熱門方法。其中，BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)是兩種應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)。PCA(principalComponentAnalysis)是一項(xiàng)在計(jì)算機(jī)視覺(jué)中用于降低維數(shù)、提取特征的技術(shù)，它被認(rèn)為是人臉識(shí)別的有效方法之一，Sirovish和Kirby首先提出應(yīng)用Karhunen-Loeve變換表征人臉，即人臉由被稱之為特征臉向量的帶權(quán)特征向量的線性組合表征。PCA算法將人臉圖像看作隨機(jī)向量,采用K-L變換得到所有人臉空間樣本的正交變換基,這些基向量具有與人臉相似的形狀，表征了人臉區(qū)別于其他物體的特征，因此被稱為特征臉向量。對(duì)應(yīng)特征值的絕對(duì)值越大，其特征向量對(duì)構(gòu)造人臉的作用越大。選擇作用最大的局部特征向量作為人臉空間的基向量，如此可以降低人臉空間維數(shù)，而對(duì)人臉重構(gòu)的影響很微弱。利用這些基向量的線性組合描述、表達(dá)人臉和逼近人臉,進(jìn)行人臉的識(shí)別和重建。將人臉映射到由特征臉向量構(gòu)成的空間中，得到區(qū)別于其他人臉的特征。識(shí)別過(guò)程就是把待識(shí)別人臉特征,與庫(kù)中人臉特征進(jìn)行比擬。人臉的重建就是根據(jù)待識(shí)別人臉特征,復(fù)原到人臉空間中。PCA亦稱特征臉?lè)椒ò讶四槇D像作為一個(gè)整體來(lái)編碼，而不關(guān)心眼、嘴、鼻等單個(gè)特征，從而大大降低了識(shí)別的復(fù)雜度。此方法的主要缺點(diǎn)是目前還沒(méi)有一個(gè)快速的求解特征值和特征向量的算法，每一張新臉入庫(kù)，都要重新計(jì)算特征值和特征向量，費(fèi)時(shí)較多。優(yōu)點(diǎn)是:圖像的原始灰度數(shù)據(jù)可直接用來(lái)學(xué)習(xí)和識(shí)別，不需要任何初級(jí)或中級(jí)處理；不需要人臉的幾何和反射知識(shí)；通過(guò)低維子空間表示進(jìn)行有效壓縮；與其他匹配方法相比，識(shí)別簡(jiǎn)單有效。為了解決上述缺點(diǎn)，研究人員在此根底上開(kāi)展了許多改良方法:如將特征臉與線性判別函數(shù)相結(jié)合，可以使得對(duì)光照及人臉表情不太敏感，樣本集小波變換預(yù)處理減少運(yùn)算量，利用奇異值分解求特征值，2DPCA等等。2人臉圖像預(yù)處理與MATLAB仿真軟件當(dāng)今的信息化社會(huì)，圖像是人類賴以獲取信息的最重要的來(lái)源之一。隨著計(jì)算機(jī)技術(shù)的迅猛開(kāi)展，圖像技術(shù)與計(jì)算機(jī)技術(shù)不斷融合，產(chǎn)生了一系列圖像處理軟件，如VC、MATLAB，這些軟件的廣泛應(yīng)用為圖像技術(shù)的開(kāi)展提供了強(qiáng)大的支持。MATLAB已成為國(guó)際公認(rèn)的最優(yōu)秀的科技應(yīng)用軟件之一，具有編程簡(jiǎn)單、數(shù)據(jù)可視化功能強(qiáng)、可操作性強(qiáng)等特點(diǎn)，而且配有功能強(qiáng)大、專業(yè)函數(shù)豐富的圖像處理工具箱，是進(jìn)行圖像處理方面工作必備的軟件工具。2.1MATLAB幾個(gè)根本術(shù)語(yǔ)在運(yùn)用MATLAB進(jìn)行數(shù)字圖像處理之前，我們必須明確幾個(gè)根本術(shù)語(yǔ)：(1)位圖：是根據(jù)圖像的尺寸和分辨率創(chuàng)立和保存的圖像，由掃描輸入。(2)矢量圖：使用專用軟件繪制的，以數(shù)學(xué)方程式的方式保存的圖像，所以矢量圖的清晰度與分辨率無(wú)關(guān)。(3)像素：是圖像在計(jì)算機(jī)顯示中的度量單位，可以變化，可大可小。(4)分辨率：是用于度量圖像在顯示器中清晰程度的一個(gè)參數(shù)，分辨率越高，圖像越清晰。分辨率是與象素相關(guān)的，即單位長(zhǎng)度上的象素?cái)?shù)就是分辨率。由此可知，分辨率越高，象素的幾何尺寸就越小。(5)圖像文件的大?。褐敢环鶊D像在計(jì)算機(jī)中保存時(shí)所占用的磁盤空間，其大小與所用的顏色模式有關(guān)。灰度圖像中的每一個(gè)灰度象素只占用一個(gè)字節(jié)〔8位〕，RGB圖像中紅、綠、藍(lán)各占用一個(gè)字節(jié)。另外，圖像文件的大小也直接與其分辨率有關(guān)，原因是當(dāng)分辨率增加時(shí)，一幅圖像所包含的象素量急劇增加。(6)句柄：通俗地說(shuō)就是對(duì)象的代號(hào)或標(biāo)志，它能使計(jì)算機(jī)方便地從眾多對(duì)象中找到所需要的對(duì)象并對(duì)之加以相應(yīng)的操作。MATLAB中的句柄圖形對(duì)象包括軸、文本、菜單、控制框、圖像等。2.2MATLAB圖像文件格式簡(jiǎn)介針對(duì)MATLAB的數(shù)字圖像處理功能，我們討論它可以處理的幾種圖像文件格式：〔1〕PCX格式?？商幚?、4、8、16、24位等圖像數(shù)據(jù)。文件內(nèi)容包括文件頭、圖像數(shù)據(jù)、擴(kuò)展調(diào)色板數(shù)據(jù)。〔2〕BMP格式，即位圖文件，整幅圖可視為一個(gè)數(shù)字矩陣。它包括1、4、8、24位非壓縮圖像，8位RLE〔行程編碼〕圖像。文件內(nèi)容包含文件頭、位圖信息數(shù)據(jù)塊和圖像數(shù)據(jù)。選擇BMP格式保存一幅灰度模式圖像時(shí)，可選擇以Windows格式保存。而且在選中4位或8位位圖時(shí)，還可選壓縮〔RLE〕項(xiàng)，在用RLE方式壓縮保存后圖像將毫無(wú)損失。這是用得最廣的圖像格式之一，在本文中都對(duì)這種格式的圖像進(jìn)行操作?！?〕HDF格式。有8位，24位光柵圖像數(shù)據(jù)集?！?〕JPEG格式。是一種聯(lián)合圖像專家組的圖像壓縮格式，是目前所用對(duì)靜止灰度或彩色圖像的壓縮標(biāo)準(zhǔn)。它實(shí)際上定義了3種編碼系統(tǒng)：a．基于DCT的有損編碼根本系統(tǒng)，可用于絕大多數(shù)壓縮場(chǎng)合；b．用于高壓縮比、高精度或漸進(jìn)重建應(yīng)用的擴(kuò)展編碼系統(tǒng)；c．用于無(wú)失真應(yīng)用場(chǎng)合的無(wú)損系統(tǒng)。JPEG沒(méi)有規(guī)定文件格式、圖像分辨率或所用的彩色空間模型，這使它就有可能適用于MATLAB?！?〕TIFF格式。處理1、4、8、24位非壓縮圖像，1、4、8、24位packbit壓縮圖像，1位CCITT壓縮圖像等。文件內(nèi)容包括：文件頭、參數(shù)指針表與參數(shù)域、參數(shù)數(shù)據(jù)表和圖像數(shù)據(jù)四局部。它是一種用途廣泛的文件格式，其特點(diǎn)是可移植性好，幾乎所有的掃描儀及在Windows、Macintosh平臺(tái)上常用的版面設(shè)計(jì)軟件都支持TIFF文件格式。以這種格式保存的圖像文件結(jié)構(gòu)比擬復(fù)雜，在不壓縮存放時(shí)文件比擬大?！?〕XWD格式。1、8位Zpixmaps,Xybitmaps,1位XYPixmaps?！?〕TGA格式。處理1、4、8、16、24位非壓縮圖像和行程編碼圖像。文件包由5個(gè)固定長(zhǎng)度字段和3個(gè)可變長(zhǎng)度字段組成。2.3MATLAB圖像文件類型根據(jù)數(shù)據(jù)矩陣和圖像象素點(diǎn)顏色的匹配關(guān)系，MATLAB中的圖像可分為三類：索引圖像、灰度圖像和RGB圖像。(1)索引圖像：它的數(shù)據(jù)信息包括一個(gè)數(shù)據(jù)矩陣和一個(gè)雙精度色圖矩陣，它的數(shù)據(jù)矩陣中的值直接指定該點(diǎn)的顏色為色圖矩陣中的某一種。色圖矩陣中，每一行表示一種顏色，每行有三個(gè)數(shù)據(jù)，分別表示該種顏色中紅、綠、藍(lán)的比例情況，所有元素值都在[0，1]內(nèi)。(2)灰度圖像：它的數(shù)據(jù)矩陣中的元素值一般都在[0，1]或[0，255]之間，灰度圖像根據(jù)這些數(shù)據(jù)利用線性插值來(lái)和色圖中的顏色種類匹配。(3)RGB圖像：圖像中每個(gè)象素的顏色用三個(gè)數(shù)據(jù)來(lái)存儲(chǔ)，分別指定紅、綠、藍(lán)三原色在象素顏色中的比例關(guān)系，組成一個(gè)三維數(shù)組。2.4MATLAB中圖像的存儲(chǔ)運(yùn)算和顯示方式在MATLAB中，數(shù)值一般都采用double型〔64位〕存儲(chǔ)和運(yùn)算，為了節(jié)省存儲(chǔ)空間，MATLAB為圖像提供了特殊的數(shù)據(jù)類型uint8〔8位無(wú)符號(hào)整數(shù)〕，以此方式存儲(chǔ)的圖像稱為8位型像。函數(shù)image能夠直接顯示8位圖像，但8位型數(shù)據(jù)和double型數(shù)據(jù)在image中意義不一樣，對(duì)于索引圖像，數(shù)據(jù)矩陣中的值指定該像素的顏色種類在色圖矩陣中的行數(shù)。當(dāng)數(shù)據(jù)矩陣中的值為0時(shí)，表示用色圖矩陣中第一行表示的顏色繪制；當(dāng)數(shù)據(jù)矩陣中的值為1時(shí)，表示用色圖矩陣中的第二行表示的顏色繪制該像素，數(shù)據(jù)與色圖矩陣中的行數(shù)總是相差1。所以，索引圖像double型和uint8型在顯示方法上沒(méi)有什么不同，只是8位數(shù)據(jù)矩陣的值和顏色種類之間有一個(gè)偏差1。調(diào)用格式均為image(x);colormap(map);對(duì)于灰度圖像，uint8表示范圍[0，255]，double型表示范圍[0，1]?？梢?jiàn)，double型和uint8型灰度圖像不一樣，二者轉(zhuǎn)換格式為：I8=uint8(round(I64*255));I64=double(I8)/255;反之，imread根據(jù)文件中的圖像種類作不同的處理。當(dāng)文件中的圖像為灰度圖像時(shí)，imread把圖像存入一個(gè)8位矩陣中，把色圖矩陣轉(zhuǎn)換為雙精度矩陣，矩陣中每個(gè)元素值在[0，1]內(nèi)；當(dāng)為RGB圖像時(shí)，imread把數(shù)據(jù)存入到一個(gè)8位RGB矩陣中。2.5人臉圖像預(yù)處理預(yù)處理是人臉識(shí)別過(guò)程中一個(gè)重要環(huán)節(jié)，其主要目的是消除圖像中的冗余信息，濾除干擾、噪聲，增強(qiáng)有關(guān)信息的可檢測(cè)性，從而提高識(shí)別的可靠性。在預(yù)處理階段，對(duì)圖像進(jìn)行優(yōu)化，盡可能去除或者減小外部環(huán)境對(duì)預(yù)處理圖像的干擾，為后續(xù)處理提高質(zhì)量。

常用的圖像預(yù)處理方法有1直方圖均衡化

直方圖是圖像的最根本的統(tǒng)計(jì)特征，它反映的是圖像的灰度值的分布情況。直方圖反映了圖像的明暗分布規(guī)律同態(tài)濾波，可以通過(guò)圖像變換進(jìn)行直方圖調(diào)整，獲得較好的視覺(jué)效果。直方圖均衡化是在每個(gè)灰度級(jí)上都具有相同的象素點(diǎn)數(shù)的過(guò)程，目的是使圖像在整個(gè)灰度值動(dòng)態(tài)變化范圍內(nèi)分布均勻化，改善圖像的亮度分布狀態(tài)，增強(qiáng)圖像的視覺(jué)效果。

均衡化處理的步驟為：

〔1〕對(duì)給定的待處理圖像統(tǒng)計(jì)其直方圖，求出〔2〕根據(jù)統(tǒng)計(jì)出的直方圖采用累積分布函數(shù)做變換，,求變換后的新灰度；

〔3〕用新灰度代替舊灰度，求出，這一步是近似過(guò)程，應(yīng)根據(jù)處理的目的盡量做到合理，同時(shí)把灰度值相等或近似的合并到一起。

2灰度拉伸

灰度拉伸又叫比照度拉伸，它是最根本的一種點(diǎn)操作，根據(jù)原始圖像中每個(gè)像素的灰度值，按照某種映射規(guī)那么，將其變換為另一種灰度值。通過(guò)對(duì)原始圖像中每個(gè)像素賦一個(gè)新的灰度值來(lái)到達(dá)增強(qiáng)圖像的目的。一般有線性變換〔最常用的是按比例線性變換和分段線性變換〕和非線性變換〔常用對(duì)數(shù)擴(kuò)展和指數(shù)擴(kuò)展〕。

3中值濾波

中值濾波是一種非線性濾波方法，在一定條件下可以克服線性濾波器處理圖像細(xì)節(jié)模糊的問(wèn)題，但是對(duì)點(diǎn)、線、尖頂?shù)燃?xì)節(jié)較多的圖像，那么會(huì)引起圖像信息的喪失。中值濾波的根本思想是把局部區(qū)域的像素按灰度等級(jí)進(jìn)行排序，取該鄰域中灰度的中值作為當(dāng)前像素的灰度值。它對(duì)濾除脈沖干擾和圖像掃描噪聲非常有效。

中值濾波的步驟：

〔1〕將濾波模板在圖像中漫游，并將模板中心與圖中某個(gè)像素位置重合；

〔2〕讀取模板中各對(duì)應(yīng)像素的灰度值；

〔3〕將這些灰度值從小到大排列；

〔4〕取這一列數(shù)據(jù)的中間數(shù)據(jù)賦給對(duì)應(yīng)模板中心位置的像素；

由以上步驟可以看出，中值濾波對(duì)孤立的噪聲像素即椒鹽噪聲、脈沖噪聲具有良好的濾波效果。由于它不是簡(jiǎn)單的取均值，所以產(chǎn)生的模糊比擬少。

4同態(tài)濾波

當(dāng)光源照射物體時(shí)，由于物體各局部的反射，通過(guò)視覺(jué)和其他感光面形成圖像。因此，圖像生成與光源的照射特性和物體的反射特性有關(guān)。

設(shè)光源的照度函數(shù)為，景物各點(diǎn)的反射系數(shù)為，那么圖像的亮度函數(shù)為。上式說(shuō)明，圖像各點(diǎn)亮度，決定于照射分量和反射系數(shù)的乘積。同態(tài)濾波就是將圖像乘積形式的亮度模型〔非可加性〕，變成可加形式，以便進(jìn)行濾波增強(qiáng)處理。經(jīng)過(guò)同態(tài)濾波后其結(jié)果會(huì)改變圖像光強(qiáng)度和反射光強(qiáng)度的特性，因此可以做到同時(shí)降低圖像動(dòng)態(tài)范圍，又增加比照度的結(jié)果。

同態(tài)濾波的步驟：

〔1〕對(duì)亮度函數(shù)兩邊作對(duì)數(shù)變換，再取傅氏變換；

〔2〕通過(guò)濾波器；

〔3〕對(duì)濾波器的輸出取傅氏飯變換，再取指數(shù)變換；

選取適宜的濾波器，可以適當(dāng)壓縮照度分量的動(dòng)態(tài)范圍，同時(shí)適當(dāng)提升反射度分量，可以改善圖像比照度，突出物體輪廓。

仿真實(shí)現(xiàn)

取一幅92*112的人臉圖像，通過(guò)matlab函數(shù)對(duì)其進(jìn)行直方圖均衡化處理，可以得到處理前后的直方圖比照。通過(guò)仿真我們可以清楚的看出，均衡化后圖像獲得了較好的視覺(jué)效果，圖像變的更加的清楚，圖像中的一些細(xì)節(jié)也突出了。

圖2-1原始圖像與灰度處理后的圖像對(duì)同一副人臉圖像進(jìn)行灰度拉伸，仿真結(jié)果如圖2-1所示。由兩幅圖像處理前后的效果變化可以看出灰度拉伸后增強(qiáng)了圖像的比照度，使得圖像細(xì)節(jié)更加的突出。同樣，對(duì)人臉圖像分別進(jìn)行中值濾波和同態(tài)濾波進(jìn)行預(yù)處理，其仿真圖分別如圖2-2和2-3示。

圖2-2原始圖像與中值濾波后的效果圖

圖2-3原始圖像與同態(tài)濾波后的效果圖對(duì)圖像進(jìn)行同態(tài)濾波處理之后，由兩幅圖像比照可以看出，圖像比照度得到增強(qiáng)，像素灰度的動(dòng)態(tài)范圍也得到增強(qiáng)。處理之后圖像較暗的地方變得更清楚，圖像中的一些細(xì)節(jié)也更加突出。

3識(shí)別功能的實(shí)現(xiàn)3.1PCA方法根本原理對(duì)于一幅圖像可以看作一個(gè)由像素值組成的矩陣，也可以擴(kuò)展開(kāi)，看成一個(gè)矢量，如一幅N*N象素的圖像可以視為長(zhǎng)度為的矢量，這樣就認(rèn)為這幅圖像是位于維空間中的一個(gè)點(diǎn)，這種圖像的矢量表示就是原始的圖像空間，但是這個(gè)空間僅是可以表示或者檢測(cè)圖像的許多個(gè)空間中的一個(gè)。不管子空間的具體形式如何，這種方法用于圖像識(shí)別的根本思想都是一樣的，首先選擇一個(gè)適宜的子空間，圖像將被投影到這個(gè)子空間上，然后利用對(duì)圖像的這種投影間的某種度量來(lái)確定圖像間的相似度，最常見(jiàn)的就是各種距離度量。3.1.1PCA算法原理廣義上來(lái)說(shuō)，PCA人臉特征提取是一種從高維人臉圖像空間到低維特征空間的一種映射。這種映射通常要遵循兩個(gè)原那么，即特征空間必須保存測(cè)量空間的主要分類信息:特征空間維數(shù)遠(yuǎn)小于測(cè)量空間維數(shù)。PCA算法正是滿足上述準(zhǔn)那么的一種數(shù)據(jù)壓縮方法，它可以將人臉圖像投影到低維特征空間各個(gè)正交基上產(chǎn)生特征向量。這種特征向量不但對(duì)光照、姿態(tài)、表情等干擾因素不敏感，還可以較好地反映了人臉圖像的全局與局部特征。下面介紹PCA算法應(yīng)用于人臉識(shí)別的根本原理。令x為表示m維隨機(jī)向量。假設(shè)x均值為零，即：E[x]=0．令w表示為m維單位向量，x在其上投影。這個(gè)投影被定義為向量x和w的內(nèi)積，表示為：滿足約束條件：而主成分分析的目的就是尋找一個(gè)權(quán)值向量w使得表達(dá)式的值最大化：根據(jù)線性代數(shù)的理論，可以知道滿足式子值最大化的w應(yīng)該滿足下式：即使得上述式子最大化的w是矩陣的最大特征值所對(duì)應(yīng)的特征向量。K-L變化的根本理論P(yáng)CA方法的核心是K-L變化，它作為一種線性映射方法，在模式識(shí)別領(lǐng)域中被廣泛應(yīng)用，屬于一種常用的正交變換方法。下面我們來(lái)介紹K-L變化原理:假設(shè)x是N維的隨機(jī)變量且令，那么得出x的平均值為:且x中每個(gè)向量與其平均值的差為:上面所得出的協(xié)方差矩陣為:x是N維的隨機(jī)變量，那么由上面所得到的C屬于維的實(shí)對(duì)稱向量，其中的方差為C的對(duì)角線上的元素，而和的協(xié)方差為C的非對(duì)角線上的元素。矩陣C進(jìn)行正交歸一化后所得的特征向量及其所對(duì)應(yīng)的特征值可以分別由及來(lái)表示，同時(shí)，按照特征值從大到小的順序，將特征向量排列成行，最后將它組成矩陣T。假設(shè)矩陣T是由x轉(zhuǎn)換成y的一個(gè)線性轉(zhuǎn)換，那么假設(shè)當(dāng)y的均值為0，那么所得到y(tǒng)的協(xié)方差矩陣為:因?yàn)?那么可以得出因此可以推出:PCA算法在人臉識(shí)別中的應(yīng)用設(shè)人臉圖像I(x，y)為二維N*N灰度圖像，用向量R表示。人臉圖像訓(xùn)練集為，其中M為訓(xùn)練集中圖像總數(shù)，這M幅圖像的平均向量為：每個(gè)人臉與平均人臉ψ的差值向量是：訓(xùn)練圖像的協(xié)方差矩陣可表示為：，其中計(jì)算C的特征向量，并按照特征值的權(quán)重取前假設(shè)干個(gè)特征向量組成特征空間U?；谔卣髂樀娜四樧R(shí)別過(guò)程由訓(xùn)練階段和識(shí)別階段兩個(gè)階段組成。在訓(xùn)練階段，每個(gè)人臉映射到由特征臉構(gòu)成的子空間上，得到m維向量其中N為人數(shù)，距離閾值為：其中U為C的特征向量組成的矩陣。在識(shí)別階段，首先把待識(shí)別的圖像R映射到特征臉空間。得到向量：，與每個(gè)人臉集的距離定義為：為了區(qū)分人臉和非人臉，還需計(jì)算原始圖像R與其由特征空間重建的圖像之間的距離ε：，其中采用最小距離法對(duì)人臉進(jìn)行分類，分類規(guī)那么如下：

(1)假設(shè)，那么輸入圖像不是人臉圖像；

(2)假設(shè)那么輸入圖像包含未知人臉；

(3)假設(shè)那么輸入圖像為庫(kù)中第k個(gè)人的人臉。3.2基于主成分分析法的人臉識(shí)別將PCA方法用于人臉識(shí)別，其實(shí)是假設(shè)所有的人臉都處于一個(gè)低維線形空間，而且不同的人臉在這個(gè)空間中具有可分性。其具體做法是由高維圖像空間經(jīng)K-L變換后得到一組新的正交基，對(duì)這些正交基作一定的取舍，保存其中的一局部生成低維的人臉空間，也即人臉的特征子空間。完整的PCA人臉識(shí)別算法步驟包括:(1)人臉圖像預(yù)處理。(2)讀入人臉庫(kù)，訓(xùn)練形成特征子空間。(3)把訓(xùn)練圖像和測(cè)試圖像投影到上一步驟中得到的子空間上。選擇一定的距離函數(shù)進(jìn)行識(shí)別。讀入人臉庫(kù)近幾年來(lái)，人臉識(shí)別技術(shù)一直是圖像研究領(lǐng)域的一個(gè)熱門話題。許多專家和學(xué)者也紛紛提出了各種人臉識(shí)別的算法。然而，依據(jù)這些算法所建立起來(lái)的人臉特征模型大多都是基于有限圖像庫(kù)的經(jīng)驗(yàn)?zāi)Ｐ?。圖像庫(kù)的選擇在很大程度上影響了模型的適用面和魯棒性。下面是一些常用的人臉圖像數(shù)據(jù)庫(kù)?！?〕英國(guó)的ORL(OliverttiResearchLaboratory)人臉數(shù)據(jù)庫(kù)ORL人臉數(shù)據(jù)庫(kù)總共由400幅灰度圖像組成，圖像尺寸均為92*I12，圖像背景均為黑色。這些圖像來(lái)自40個(gè)不同年齡、不同性別和不同種族的人臉。每張人臉對(duì)應(yīng)10副不同表情和細(xì)節(jié)的圖像。如:笑和不笑，戴眼鏡和不戴眼鏡，睜眼睛或閉眼睛等。每副圖像都是不一樣的，包括了旋轉(zhuǎn)幅度達(dá)20的深度旋轉(zhuǎn)和平面旋轉(zhuǎn)。人臉的尺寸也不一樣，其變化范圍最大達(dá)10%。該人臉庫(kù)是在1992年到1994年間由英國(guó)劍橋大學(xué)Olivertti實(shí)驗(yàn)室的成員拍攝而成的，是目前使用最廣泛的人臉圖像庫(kù)之一?！?〕美國(guó)的FERET(FaceRecognitionTechnology)人臉數(shù)據(jù)庫(kù)FERET人臉庫(kù)是由美國(guó)國(guó)防部建立的，目前最大容量的人臉圖像庫(kù)。該庫(kù)包含了5000多幅從不同角度拍攝的人臉正面圖像。每張人臉對(duì)應(yīng)8張圖片，其中正面的兩張，側(cè)面的六張。所有圖像均為黑白圖像，背景均為純色。該圖像庫(kù)中的圖像常被用于比擬不同人臉識(shí)別技術(shù)的優(yōu)劣?！?〕耶魯人臉庫(kù)耶魯人臉庫(kù)由165副人臉圖像組成，包括15個(gè)人的臉部圖像，每個(gè)人對(duì)應(yīng)11張不同的圖像。這些圖像的區(qū)別在于人物的臉部表情、不同的光照條件和臉部是否有局部被遮掩?！?〕MIT數(shù)據(jù)庫(kù)該數(shù)據(jù)庫(kù)由960幅人臉圖像組成，每幅圖像的大小為128*128，包括了62個(gè)人的臉部圖像，每人對(duì)應(yīng)15副不同姿態(tài)的表情。MIT數(shù)據(jù)庫(kù)中的圖像不包含光照變化的效果?！?〕歐洲M2VTS多模態(tài)數(shù)據(jù)庫(kù)該庫(kù)包含了37個(gè)人的臉部序列圖像。每一周對(duì)一個(gè)人的臉部按從右側(cè)面到左側(cè)面的角度拍攝，拍攝時(shí)每個(gè)人的嘴形是從一到九的數(shù)數(shù)，連續(xù)拍攝五周。該數(shù)據(jù)庫(kù)是從工程工程中開(kāi)展起來(lái)的，其中的圖像識(shí)別難度較高，適用于算法復(fù)雜的訪問(wèn)控制實(shí)驗(yàn)測(cè)試?！?〕UMIST人臉庫(kù)UMIST人臉庫(kù)包含了564副不同的圖像，這些圖像采自20個(gè)人的臉部圖像。通過(guò)拍攝這20個(gè)人從右側(cè)面到正面的臉部姿態(tài)而得。UMIST人臉庫(kù)中的圖像識(shí)別起來(lái)相比照擬簡(jiǎn)單〔7〕PurdueAR人臉庫(kù)PurdueAR人臉庫(kù)包含了3276幅彩色的人臉正面圖像。這些圖像采自70個(gè)男性和56個(gè)女性的臉部表情。該圖像庫(kù)包含的范圍比擬全面，涵蓋了不同的表情(如:微笑、憤怒和冷酷等)，不同的光照效果(如:左光源、右光源等)和臉部局部遮掩(如:戴眼睛)。每個(gè)兩周進(jìn)行一次臉部拍攝。該圖像庫(kù)適用于識(shí)別從視頻中獲取的圖像，常用于做表情區(qū)分實(shí)驗(yàn)。除上述人臉庫(kù)外，還有CMU,PIE等常用的人臉圖像庫(kù)。不同的人臉圖像庫(kù)，其包含的圖像在質(zhì)量和內(nèi)容方面都是不同的。本設(shè)計(jì)采用的人臉圖像主要來(lái)自O(shè)RL人臉圖像庫(kù)。這次設(shè)計(jì)中選用英國(guó)劍橋大學(xué)人臉庫(kù)即ORL人臉庫(kù)，此人臉數(shù)據(jù)庫(kù)有40人，每人有10幅圖像。這些圖像具有以下特點(diǎn):有些圖像拍攝于不同的時(shí)期；人的臉部表情和臉部細(xì)節(jié)有著不同程度的變化，比方，笑或不笑，眼睛或睜或閉，戴或不戴眼鏡；人臉姿態(tài)也有相當(dāng)程度的變化，深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)20。人臉的尺度也有多達(dá)10%的變化；圖像的分辨率是112×92。在ORL人臉庫(kù)中選出每個(gè)人的前5幅圖像作為訓(xùn)練圖像，構(gòu)成一個(gè)200幅圖像的訓(xùn)練集，剩下的200幅圖像構(gòu)成測(cè)試集。每幅圖像按列相連構(gòu)成10304維列向量，讀入的訓(xùn)練樣本集就構(gòu)成10304×200的矩陣。圖3-1ORL人臉樣本圖3-2第一個(gè)人臉的十個(gè)樣本讀入每一個(gè)二維的人臉圖像數(shù)據(jù)并轉(zhuǎn)化為一維的向量。每人選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集，其余構(gòu)成側(cè)試集。假設(shè)圖像的大小是(w和h分別為圖像的寬度和高度)，整個(gè)人臉庫(kù)中圖像個(gè)數(shù)是n，用于訓(xùn)練的人臉圖像個(gè)數(shù)是n1,測(cè)試的圖像個(gè)數(shù)是n2，令，那么訓(xùn)練集是一個(gè)的矩陣，測(cè)試集是的矩陣。第i幅人臉可以表示為(m為一位向量維數(shù)):計(jì)算K-L變換的生成矩陣讀入每一個(gè)二維的人臉圖像數(shù)據(jù)并轉(zhuǎn)化為一維的向量。每人選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集，其余構(gòu)成側(cè)試集。假設(shè)圖像的大小是(w和h分別為圖像的寬度和高度)，整個(gè)人臉庫(kù)中圖像個(gè)數(shù)是n，用于訓(xùn)練的人臉圖像個(gè)數(shù)是n1,測(cè)試的圖像個(gè)數(shù)是n2，令，那么訓(xùn)練集是一個(gè)的矩陣，測(cè)試集是的矩陣。第i幅人臉可以表示為(m為一位向量維數(shù)):計(jì)算K-L變換的生成矩陣，進(jìn)行K-L變換.K-L變換的生成矩陣可以是訓(xùn)練樣本的總體散布矩陣，也可以是訓(xùn)練樣本的類間散布矩陣等。散布矩陣由訓(xùn)練集生成。總體散布矩陣可表示為(忽略系數(shù)):假設(shè)取總體散布矩陣作為生成矩陣，記那么可寫(xiě)成:假設(shè)將類內(nèi)散布矩陣(忽略系數(shù))作為K工變換的生成矩陣，即：這里c訓(xùn)練樣本集中模式類別數(shù)，是訓(xùn)練樣本集中各類模式樣本的均值矢量，且記:那么生成矩陣為:此時(shí)產(chǎn)生矩陣的秩r一般為c以訓(xùn)練樣本集的總體散布矩陣為生成矩陣，即其中為第幅訓(xùn)練樣本的圖像向量，為訓(xùn)練樣本集的均值向量，訓(xùn)練樣本的總數(shù)為200。圖3-3平均臉計(jì)算特征向量計(jì)算特征值和特征向量的根本步驟是：(1)創(chuàng)立協(xié)方差矩陣；(2)計(jì)算協(xié)方差矩陣的特征值和特征向量；(3)按特征值由小到大順序排列特征值和特征向量。這些特征向量對(duì)應(yīng)的圖像很像人臉，所以被稱為“特征臉〞。有了這樣一個(gè)由“特征臉〞組成的降維子空間，任何一幅圖像都可以向其投影并獲得一組坐標(biāo)系數(shù)，這組坐標(biāo)系數(shù)說(shuō)明了該圖像在“特征臉〞子空間的位置，從而可以作為人臉識(shí)別的依據(jù)。雖然協(xié)方差矩陣E最多有對(duì)應(yīng)于非零特征值的k〔且k遠(yuǎn)小于m〕個(gè)特征向量，但是通常情況下，k仍然很大，而事實(shí)上，根據(jù)應(yīng)用的要求，并非所有的特征向量都有需要保存，而特征空間投影的計(jì)算速度是直接與創(chuàng)立子空間所用的特征向量的數(shù)目相關(guān)，假設(shè)考慮到計(jì)算時(shí)間的因素，可以適當(dāng)?shù)臏p去一些信息量少的特征向量，而且，去掉這些特征向量之后不一定不利于分類結(jié)果，有的情況下反而能夠提高識(shí)別性能。下面討論四種不同的特征值選擇方法:(1)標(biāo)準(zhǔn)的特征空間投影:所有k個(gè)對(duì)應(yīng)于非零特征值的特征向量均被用于創(chuàng)立特征臉子空間。該方法在k值比擬大的時(shí)候，計(jì)算速度比擬慢，而且不利于分類，沒(méi)有到達(dá)降維人臉空間維數(shù)的效果。(2)丟棄最后40%的特征向量:因?yàn)樘卣飨蛄渴前凑仗卣髦到敌騺?lái)排列的，該方法丟棄了反映最少的40%圖像間差異的特征向量。(3)保持前面的C-1個(gè)特征向量:將特征值按照降序排列，同時(shí)只保存最前面的C-1個(gè)特征向量。其中C為訓(xùn)練圖像的類別數(shù)。(4)按照計(jì)算信息量來(lái)確定維數(shù):不同于前面固定的丟棄一些特征向量，該方法采用保證剩余的特征向量說(shuō)包含的信息與總的信息量相比大于一定的閾值e。e的值通常取為0.9。可以依照以下公式計(jì)算:本設(shè)計(jì)采用的是第四種方法。選擇了其中30個(gè)特征臉如以下圖所示圖3-4特征臉樣本投影并識(shí)別每一副人臉圖像向特征臉子空間投影，得到一組坐標(biāo)系數(shù)，就對(duì)應(yīng)于子空間中的一個(gè)點(diǎn)。同樣，子空間中的任一點(diǎn)也對(duì)應(yīng)于一副圖像。這組系數(shù)便可作為人臉識(shí)別的依據(jù)，也就是這張人臉圖像的特征臉特征。也就是說(shuō)任何一幅人臉圖像都可以表示為這組特征臉的線性組合，各個(gè)加權(quán)系數(shù)就是K-L變換的展開(kāi)系數(shù)，可以作為圖像識(shí)別特征，說(shuō)明了該圖像在子空間的位置，也就是向量〔3-1〕由這些投影系數(shù)和投影矩陣可以重建圖像，重建的公式如下:.考慮重建圖像的信噪比:假設(shè)其小于閾值，那么