当前位置:首页 >> IT/计算机 >>

基于主成分分析的人脸识别


山东大学 硕士学位论文 基于主成分分析的人脸识别 姓名:李文革 申请学位级别:硕士 专业:通信与信息系统 指导教师:姜威 20081001

山东大学硕士学位论文

摘要

人脸识别是生物特征识别中一个活跃的研究领域,智能人脸识别软件技术对 新时期的反恐和综合安全等具有重大意义。人脸识别系统以人的脸像作为识别身 份的媒介,采用计算机视觉和图像处理技术,抓住人脸的轮廓特征和局部细节特 征,研究匹配和识别方法。目前己经在身份鉴别和权限控制等方面得到了广泛的 应用,是计算机科学与技术和模式识别领域中非常活跃的研究课题。 人脸识别是利用计算机对人脸图像进行处理、分析,并从中提取能表征人脸 图像的识别信息,用以进行人脸鉴别的一门技术。目前人脸识别技术比较多,优 缺点各不相同。论文介绍了人脸识别的背景、研究范围以及方法,对人脸识别领 域的一些理论方法作了总体的介绍。比较了当前主流的人脸识别方法,给出了一 种利用主成分分析方法(PCA)提取人脸图像特征(特征脸)进行分类识别。 当光照条件变化时,人脸面部发牛很大变化,减弱人脸面部的特征信息。所 以,在实际的人脸识别系统中,由于环境光照条件的不稳定、难确定,使得人脸 识别率急剧下降。光照问题是影响人脸识别的一个因素,如何解决光照变化问题 是人脸识别研究中的一个难点。目前,解决光照问题的预处理方法主要有两大类: 基于图像处理技术的方法和基于模型的方法。本文在解决人脸识别中的光照问题 采用基于图像处理技术的方法,即对人脸图像进行光照补偿预处理,减少光照对 人脸的影响。 主要工作包括: (1)结合BiolD.Y ALE人脸库对人脸识别的预处理方法作了较为详细的介绍。 预处理的方法包括几何校正、直方图均衡化、像素灰度值归一化.然后,使用小波 变换对人脸图像进行分解、提取低频予带,并做出实验仿真。 (2)介绍了PCA人脸识别的方法,对传统的PCA算法进行改进,降低了运算复 杂度,提高了识别率和抗噪声性能。 (3)实现了一个基于小波分析和主成分分析(PCA)的人脸检测识别原型系统。

关键词:模式识别:人脸识别;预处理;主成分分析;小波变换

山东大学硕士学位论文

ABSTRACT
Face recognition is active research field in identification technology of living

all

things and the intelligent software of face recognition is significant to the IICW r,erio,l such
as

anti-terrorism and synthesizing safety.Face reeognitioll system

USeS

human

images嬲its recognition

object.It

adopts the technology of computer vision and image

processing to find the contour of human faces and part of detail face features,then studies the recognition methods using the found features.At present,face recognition continues to be applications such


hot topic in pattem recognition field due to its wide range of distinguishing somebody fi'om others and controlling authority.
a kind

as

Face recognition is processing and

of technology which image in

call

complete to recognize face by extracting the

analyzing the face

the computer,and

representation of face image from the processed image.At present,there a佗many technologies of face recognition,and each of them has its special.This thesis not only introduces the background and research range of face recognition,but also introduces academic technique of face recognition.Furthermore,comparing those popular face recognition methods,we obtain the face representation by

P血cipm

Component

Analysis(PCA).
Changes in lighting
call

produce large variability in the珥lp∞均孙ce of faces and

diminish the character information of faces.Therefore,due to changes of the environment illumination conditions,the face recognition rate suddenly drops in the actual system.Illumination problem is
onc

of factors of affecting the face recognition.

How to account for variable illumination problem is the difficulty ofthe research of face recognition.At present,the ways of solving the illumination problem into two categories:the imaged-based processing
Call

be classified

approach and the model—based

approach.The imaged-based approaches a陀adopted to deal with illumination problem in the thesis. The main works
ale

following

as:

(1)Preprocessing

ways of face recognition

arc introduced

in detail by BioID and



?

山东大学硕士学位论文

YALE face database,which include:geometric normalization,histogram equalization, make the decomposition for the face images and pixel gradation normalization.Then,I
extract

the low frequency Sub-band,and make the simulation experiment.
PCA face recognition way is detailed.At the same time,the traditional

(2)The

PCA is made the improvement,which drops operational complexity and improves the recognition rate and resistance noise

performance.
prototype system of face recognition
on

(3)The
wavelet

thesis

implemented



basis of

analysis

and PCA.

Keywords:Pattern Recognition;Face Recognition;Preprocessing;PCA;Wavelet
Analysis



山东大学硕士学位论文

符号说明

EGM弹性图匹配技术 LDA线性判别分析 ICA独立成分分析 PCA主成分分析方法 SVD奇异值分解 DCT离散余弦变换
FLD

Fisher线性判别分析

DWT二维离散小波变换 %.6(f)小波函数,其中a为尺度因子,b为时间参数



第f幅图像的矩阵



第f类图像向量均值



图像向量的类内散布矩阵




图像向量的类间散布矩阵

特征向量矩阵

县,K,q分别为i阶垂直、水平和对角方向上的小波系数
SxS图像分割块数



原创性声明

本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独 立进行研究所取得的成果。除文中已经注明引用的内容外,本论文不 包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研 究作出重要贡献的个人和集体,均己在文中以明确方式标明。本声明 的法律责任由本人承担。

论文作者签名:二单



期:坦量!!!!!

关于学位论文使用授权的声明
本人完全了解山东大学有关保留、使用学位论文的规定,同意学 校保留或向国家有关部门或机构送交论文的复印件和电子版,允许论 文被查阅和借阅;本人授权山东大学可以将本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、缩印或其他复制手段 保存论文和汇编本学位论文。 (保密论文在解密后应遵守此规定)

论文作者签名:盈垒辇

导师签名:





期:塑:£竺:厶

山东大学硕士学位论文

第一章引言

1.1人脸识别技术的研究背景
在现代社会中,身份鉴定技术具有非常重要的应用价值,随着网络技术的发 展,信息安全也显示出前所未有的重要性。在金融、保安、司法、网络传输等应 用领域,都需要精确的身份鉴定。作为人类,我们依靠天牛的能力,通过声音、 脸形和其他特征来辨认别人。而对于机器,则必须由程序去告诉它该如何利用同 样可以观察到的信息来识别不同的人。目前广泛采用的身份验证形式主要有标识 号码、磁卡、IC卡等,这些方式的优点是技术已经比较成熟,并可以采用各种加 密手段加以保护,但从根本上讲这些验证手段依赖的都是后天赋予人的信息,容 易丢失、被盗窃、被伪造,更为严重的是无法区分真正的用户和取得用户标识的 冒名顶替者。在这种情况下,由于人体的生理特征具有不可复制的特点,人们把 目光转向了生物识别技术,希望可以籍此技术来应付现行系统安全所面临的挑战。 生物特征识别技术是根据身体和行为特征来识别或验证一个有生命的人的自 动方法,也就是使用人体本身所固有的物理特征(如指纹、虹膜、人脸、掌纹等) 及行为特征(如书写、声音步态等),通过图像处理和模式识别的方法来鉴别个人身 份的技术【1。51。应用生物特征识别技术的优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价格提供身份的保证,或者准确地识别某个人。 而人脸识别作为一种典型生物特征识别技术,以其自然性、高可接受性等优点受 到了人们的青睐,可应用于各行各业中。 人脸因人而异,即使一对双胞胎,其面部也一定存在某方面的差异。人类在 判断一个人的身份时,一般都是通过人脸来判断,从人脸得到的判断信息要超过 90%。这些给人脸识别的提出提供了理论依据和实践根据。虽然人类在表情、年龄、 发型、光线等发生巨大变化的情况下,可以毫无困难的根据人脸识别出一个人, 但要建立一个能够完全自动进行人脸识别的系统却是非常网难的,它涉及到模式 识别、图像处理、计算机视觉、生理学、心理学、数据库以及认知科学等方面的 诸多知识。与指纹、基因、掌纹等其他的生物识别系统相比,人脸识别系统更加



山东大学硕士学位论文

直接、友好,使用者无任何心理障碍,并且通过人脸的表情与姿态分析,还能获 得其他识别系统难以得到的一些信息。人脸识别技术应用背景广泛,可用于公安 系统的罪犯身份识别,驾驶执照及护照等与实际持证人的核对,银行和海关的监 控系统以及自动门卫系统、视频会议、机器人的智能化研究、医学等方面睁101。

1.2人脸识别的应用
人脸自动识别系统在安全领域和商贸领域以及经济领域都有非常广泛的应用 前景,丰要有以下四类应用[IM3】: l、刑侦破案 公安部门获得案犯的照片后,可以利用人脸识别技术,在存储罪犯照片的数 据库中找到最相像的人为嫌疑犯。公安部门根据目击证人的描述,画出犯罪分子 的草图,然后用这张草图到人脸库中寻找嫌疑犯。由于罪犯数据库比较大,有可 能有几千张甚至几万张人脸。如果人工完成这项搜索工作,不仅搜索效率低,而 且容易出错。 2、证件验证 身份证、驾驶证以及其他很多证件上都有照片,现在的证件验证一般都是由 人进行验证,如果利用人脸识别技术,这项工作就可以交给机器完成,从而实现 自动化智能管理。当前普遍使用的验证方法有符号或条形码标记,比如信用卡、 自动提款机等。此类验证的安全性比较低。如果运用人脸识别技术,则安全性将 大大改善。 3、入口控制 入口控制的范围很广,它可以是楼宇、单位或私人住宅入口处的安全检查, 也可以是计算机系统或情报系统的入口控制。目前比较常用的手段是检查证件。 人员频繁出入时,保安人员再三检查证件是比较麻烦的,而且安全系数也不高。 在保密要求非常严格的部门除了证件,还可以加上另外一些生物识别手段,如指 纹识别、手掌识别、语音识别等。人脸识别与之相比,具有直接、方便和界面友 好的特点。当前计算机系统的安全管理,通常使用字符和数字组成的密码口令管 理,此口令容易被遗忘或破解,如果使用人脸作为口令则既方便又安全。



山东大学硕士学位论文

4、视频监视 在许多银行、公司、公共场合等处设有24小时的视频监视。另外侦查员在破 案时也要用摄影机对人进行跟踪。在对图像进行集体分析时,就要用到人脸的检 测、跟踪和识别技术。 除了上述几部分外,人脸识别技术还可以用在视频会议、机器人的智能化研 究以及医学等方面。

1.3人脸识别技术的发展背景
人脸识别是一个被广泛研究着的热门领域,大量的研究论文层出不穷。为了 更好地对人脸识别研究的历史和现状进行介绍,我们将按照研究内容、技术方法 等方面的特点大体划分为三个时间阶段来做介绍。 第一阶段(1964"-1990年)04-t91: 这一阶段人脸识别通常只是作为一个一般性的模式识别问题被研究,所采用 的辛要技术方案是基于人脸几何结构特征(Geometric
feature based)的方法,这集

中体现在人们对于剪影(Profile)的研究上,人们对面部剪影曲线的结构特征提取 与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别 问题中。较早从事AFR研究的研究人员除了Bledsoe外还有Goldstein,Harmon 以及K艇lade等。这一阶段是人脸识别研究的初级阶段,非常重要的成果不是很多, 也基本没有获得实际应用。 第二阶段(1991"1997年): 这一阶段尽管时间相对短暂,但却是人脸识别研究的高潮期,可谓硕果累累: 不但诞生了若干代表性的人脸识别算法,美国军方还组织了著名的FERET人脸识 别算法测试,并出现了若干商业化运作的人脸识别系统,比如最为著名的Visionics (现为Identix)的FaceIt系统。 麻省理工学院媒体实验室的Turk和Pentland提出的“Eigenface'’方法无疑是这 一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与 Eigenface有关系,现在Eigenface已经与归一化的协相关量(Normalized Correlation) 方法一道成为人脸识别的性能测试基准算法。



山东大学硕士学位论文

第三阶段(1998年~现在): FERET’96人脸识别算法评估表明:主流的人脸识别技术对光照、姿态等由于 非理想采集条件或者用户不配合造成的变化鲁棒性比较差。因此,光照、姿态问 题逐渐成为研究热点。与此同时,人脸识别的商业系统进一步发展,为此,美国 军方在F.ERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。 以支持向量机(SupportVectorMachines,SVMs)为代表的统计学习理论也在 这一时期内被应用到了人脸识别与确认中来。SVMs是一个两类分类器,而人脸识 别则是一个多类问题,通常有三种策略解决这个问题,即:类内差/类间差法、一 对多法(one-to-rest)和一对一法(one-to-one)。 Blanz和Vetter等提出的基于3D变形(3D Morphable Model)模型的多姿态、多 光照条件人脸图像分析与识别方法是这一阶段内一项开创性的工作。该方法在本 质上属于基于合成的分析技术,可以使得人脸形状和纹理等人脸内部属性与摄像 机配置、光照情况等外部参数完全分开,更加有利于人脸图像的分析与识别。实 验表明,该方法在CMU.PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸 库上都达到了相当高的识别率,证明了该方法的有效性。 Shashua等在2001年提出了一种基于商图像的人脸图像识别与绘制技术。Basil 和Jacobs则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博 反射的方法解析地证明了一个重要的结论:由任意远点光源获得的所有朗博反射 函数的集合形成一个线性子空间。这为光照问题的解决提供了重要思路。 FERET项目之后,涌现了若干人脸识别商业系统,美国国防部有关部门进一

步组织了针对人脸识别商业系统的评测——.Facc

Recognition Vendor

Test(eRVT),

至今已经举办了两次:FRVT2000以及FRVT2002测试。这两次测试一方面对知名 的人脸识别系统进行了性能比较,例如FRVT2002测试就表明Cognitec、Identix 和Eyematic三个商业产品遥遥领先于其他系统,而它们之间的差别不大。另一方 面则全面总结了人脸识别技术发展的现状:较理想条件下(正面签证照),针对 37437人121589幅图像的人脸识别(Identification)最高首选识别率为73%,人脸验 i正(Verification)的等错误率大约为6%。FRVT测试的另一个重要贡献是还进一步指 出了目前的人脸识别算法亟待解决的若干问题。

山东大学硕士学位论文

总体而言,目前非理想成像条件下的人脸识别问题逐渐成为研究的热点问题。 而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人 脸建模与识别方法等逐渐成为备受重视的技术发展趋势。

1.4国内外人脸识别理论研究机构
人脸识别就是对于输入的人脸图像或者视频,首先判断其中是否存在人脸, 如果存在人脸,则进一步的给出每个人脸的位置、大小和各个主要面部器官的位 置信息,并依据这些信息,进一步提取每个人脸中所蕴含的身份特征,并将其与 己知人脸库中的人脸进行对比,从而识别每个人脸的身份。早期的人脸识别方法 主要有两大方法:一是提取入脸几何特征的方法,包括人脸部件归一化的点间距 离和比率以及人脸的一些特征点,如眼角、嘴角、鼻尖等部位所构成的二维拓扑 结构;二是模板匹配的方法,主要是利用计算模板和图像灰度的自相关性来实现 识别功能。Berto在1993年对这两类方法作了较全面的介绍和比较后认为,模板 匹配的方法优于几何特征的方法[20抛】。 目前人脸识别方法的研究方向主要有两个:其一是基于整体的研究方法,它 主要是考虑了模式的整体属性,包括特征脸(Eigen face)方法、模板匹配方法、弹性 图匹配(elastic
graph

matching)方法、隐马尔可夫模型(Hidden Markov Model)方法以

及神经网络方法等;其二是基于特征分析的方法,也就是将人脸基准点的相对比 率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量。这 种基于整体脸的识别不仅保留了人脸主要特征部件之间的拓扑关系,而且也保留 了各部件本身的信息。基于特征分析的识别是通过提取出局部轮廓信息及灰度信 息来设计具体识别算法。两种方式的人脸识别方法各有优点,基于整体的识别保 留了更多信息,基于人脸特征分析的识别比基于整体的方法直观,它提取并利用 了最有用的特征,如关键点的位置以及部件的形状分析等。基于整个人脸的识别 把整个人脸图像作为识别模式,光照、视角以及人脸尺寸会对人脸识别有很大的 影响,因此,如何能够有效地去掉这些干扰是关键问题。基于特征部件分析的人 脸识别方法的网难在于如何建立好的模型来表达识别部件。近年来的发展趋势是 将人脸的整体识别和特征分析结合起来,如Kin.Man Lam提出的基于分析和整体



—■●—●—■■■—————■■————皇■●■■鼍■———■皇墨—■—置暑置皇|鼍詈宣冒E詈詈蔓—皇摹—置墨詈皇詈鼍●

山东大学硕士学位论文

II

I■—詈■———■—■—■——置●———■喜囊■●皇曾皇■I

的方法,Andreas Lanitis提出的利用可变形模型(Flexible Mo tets)来对人脸进行解释

和编码的方法,等等。表1.1给出了目前常用的几种人脸识别方法的优缺点比较。 目前,国内外许多科研机构都设立了专门的研究组从事人脸检测和识别的理 论研究。国外著名的人脸检测和识别研究机构包括美国的卡奈基梅隆大学(CMU) 机器人研究所、麻省理工学院(MIT)媒体实验室和人工智能实验室、英国的Surrey 大学视觉语音和信号处理研究中心、法国的INRIA研究所、瑞士IDIAP研究所、 日本ART研究所、芬兰的赫尔辛基大学CIS研究所等。一些模式识别、计算机视 觉领域著名的国际会议(如国际计算机视觉会议ICC,国际计算机视觉和模式识别 会议CVPR、国际模式识别会议ICPR、亚洲计算机视觉会议AoCV等)和知名的 国际期刊(如IEEE、Pattern 立了人脸识别专题。
表1.1秤种识别方法优缺点比较
Recognition,Image and Vision

Computing等)也纷纷设

我国从事人脸识别系统研究起步较晚,但随着识别技术的日臻完善及市场需 求的不断增加,商业人脸识别系统发展步伐较快,一些成型的产品也相继研制成 功,其中由清华大学电子系人脸识别课题组负责人苏光大教授主持承担的国家“十

10

山东大学硕士学位论文

五”攻关项目l:人脸识别系统》,于2005年1月18日通过了由公安部主持的专家 鉴定,并广泛应用到实际生活中。据报导,2008年北京奥运会,我国将采用公安 部研制的“人脸识别系统”为奥运会保驾护航。国内其他从事商业人脸识别系统开发 的公司及相关产品有:航天金盾开发的航天金盾人脸识别系列产品。如单机静态 人脸比对系统(GFRS.S01)、单机动态人脸比对系统(GFRS.S02)、人脸比对服务器 (GFRS-NOI)等,广州超越数码科技有限公司的BioFaceTM面部识别系统系列,上 海银晨智能识别科技有限公司的用于记录考勤的银晨人脸识别考勤系统,北京时 代杰诚信息科技公司开发的Vg门禁篱理系统和主动式面像管理系统,北京阳光奥 森科技开发的奥森人脸识别系统Authen
Face

ID等产品。

1.5主成分分析(POA)在人脸识别中的应用背景
特征提取是人脸识别系统中诸多组成部分的一员,也是最为重要的一个组成。 主成分分析(PCA)方法是目前应用最广泛的特征提取方法之一,也是一种统计学方 法,在信号处理、模式识别、数字图像处理等领域己经得到了广泛的应用。丰成 分分析方法的基本思想是提取出空间原始数据中的主要特征(主成分),减少数据,几 余,使得数据在一个低维的特征空间被处理,同时保持原始数据的绝大部分的信 息,从而解决数据空间维数过高的瓶颈问题。 在人脸识别中,可利用PCA对人脸进行特征提取和特征选择。PCA算法将人 脸图像区域看作一种随机向量,利用K-L变换得到正交变换基,对应较大的特征 值的基底具有与人脸相似的形状。PCA算法利用这些基底的线性组合来描述、表 达人脸和逼近人脸,实现人脸图像的特征提取和特征选择,从而提高人脸的识别 和重建的效率。人脸识别就是把待识别的人脸映射到由特征脸张成的子空间中, 与库中人脸的子空间位置进行比较。人脸的重建就是根据待识别人脸在子空间的 位置,还原到人脸空间中。但单一的PCA算法的识别率并不高,因此通常可以在 PCA基础上结合其它算法进行人脸的特征选择,以提高识别率。

山东大学硕士学位论文

第二章人脸识别相关技术综述

2.1概述
目前人脸识别领域的主要开放问题包括:鲁棒、准确的特征配准问题;对各 种图像采集条件变化鲁棒的核心识别算法;识别算法的泛化能力和自适应学习问 题;光照变化问题,尤其是室外光照变化;姿态不变的人脸识别算法;人脸信息 采集设备带来的问题:低质量照片的检测识别问题;年龄变化导致的照片老化问 题;墨镜、帽子、口罩等造成的遮挡问题;化妆、整容带来的问题。另外需要注 意的是:上述开放问题大多都是组合性的。 本章主要介绍人脸识别相关技术,主要包括人脸数据库、人脸特征提取算法、 人脸分类算法等。 对于人脸数据库,本章主要介绍比较几种常用的人脸数据库:如ORL人脸数 据库、Yale人脸数据库和PIE人脸数据库等等。 对于人脸特征提取算法,本章主要介绍三种流行的算法:基于奇异值分解(SVDl 的人脸特征提取算法、基于独立成分分析(ICA)的人脸特征提取算法和基于离散余

弦变换㈣的人脸特征提取算法。
2.2人脸数据库纵览

目前,人脸识别技术已经从实验室中的原型系统逐渐走向了商用,出现了出 了大量的识别算法和若干商业系统。然而,人脸识别的研究仍旧面临着巨大的挑 战,人脸图像中姿态、光照、表情、饰物、背景、时间跨度等因素的变化对人脸 识别算法的鲁棒性有着负面的影响,一直是影响人脸识别技术进一步实用化的主 障碍。多数人脸识别算法的研究、开发和测试需要更多的人脸图像来克服上述障 碍,主要包括两方面:人脸库所包含的人数,人脸库中每个人所具有的在不同条 件下的人脸图像数。人脸图像库在提供标准的人脸图像训练、测试集合的同时,

12

山东大学硕士学位论文

还应该能对影响人胎识别性能的不同情况进行模拟,以方便研究人员针对不同的
关键问题进行重点研究。 日前人脸识别领域常用的人脸数据库丰要有【2¨8I:


FERET人脸数据库

田FERET项目创建,包含14,051张多姿态、光照的灰度人脆图像,是人脸识 别领域应用最广泛的人脆数据库之一。其中的多数人是西方人,每个人所包含的 人腧图像的变化比较单一。


Mrr人脆数批库

由麻省理工大学媒体实验室创建.包含16位志愿者的2,592张不同姿态、光照
丰u大小的面部图像。


Yale凡脸数据{荦

l“耶鲁大学计算视觉与控制中心创建,包含15位忐愿者的165张图片,包含光 照、表情和姿态的变化。
4 Yale

B人腑数据库

包含了10个人的5 850幅多姿忐、多光照的图像。其中的姿态和光照变化的图

像都是在严格控制的条件下采集的,丰要_【Ij于光照平u姿态问题的建模与分析。由
于采集人数较少,该数据库的进一步应用受到了比较大的限制。如下图2—1所不。

图2-1


YaleB人脸数据库

PIE人脸数据库

由美国卡耐摹梅隆大学创建,包含68位志愿者的4I,368张多姿态、光照和表情

的面部图像。其中的姿态币】光照变化图像也是在严格挣制的条件下采集的,目前
已经逐渐成为人脸识别领域的个重要的测试集合。如下图2-2所示。

山东大学碗士学位论文

图2-2 6

P正人脸数据库

ORL人脆数据库

由剑桥大学AT&T实验室创建,包含40人共400张面部图像。其中有些囝像拍 摄于不同时期:人的腑都表情和脆部细节有着不同程度的变化,比如笑或不关, 眼睛或睁或闭,戴着眼镜或不戴;人脆姿态也有相当程度的变化,深度旋转和平

面旋转可达20度;^脸的K度也有相当程度的变化。每副原始图像有256个灰度级,
大小为112X 92。如下图2—3所示。

FrI



不,乱,丐 L卜一_
图2-3

珥,o● J■

ORL人JI垒数据库



PF01人腧数据库

由韩国浦项科技_土=学创建,包含103人的1,751张不同光照、姿态、表情的面部 图像,志愿者以韩国人为主。


AR人胎数据库

由西班牙巴塞罗那计算机视觉巾心建立。包古116人的3,288幅图像。采集王f

境中的摄像机参数、光照环境、摄像机距离等都是严格控制的。

山东大学硕士学位论文


BANCA人脸数据库

该数据库是欧洲BANCA计划的.盘盼,包含J'208人,每人12幅不同时间段
的面部图像。
10

KFDB人脸数据库

包含了1,000人,共52,000幅多姿态、多光照、多表情的面部圈像,其中姿态 和光照变化的图像是在严格控制的条件下采集的。志愿者以韩国人为卡。
1l

MPl人聆数据库

该人腧数据库包含了200人的头部3维结构数据和1.4001旧多姿态的人脸图像,
12

XM2V'rS人脸数据库

包含了295人在4个不同时间段的图像和语音训频片断。在每个时问段,每人
被记录了2个头部旋转的视频片断和6个语音视频片断。此外,其中的293人的3维 模型也可得到。
13

BioID人脸数据库

由德国Humartscan公司创建。其中包含23个人,麸I,521幅灰度人脸图像,分 辨丰为384
X 286。如下图24所目i。

肇霸嘲I童●l訇f嚣霉1翻k一

参套蚕藿!
14

Essex人脸数据库

由英国埃塞克斯大学刨建。它主要是彩色图像。如下图2.5所不。

日翮
图24 BiolD人脸数据库

生至查兰竺圭兰兰兰三

图2-5
14

Essex人脸数据库

JAFFE人脸数据库

由日本九州大学创建。它丰要是个女性表情的灰度人脸数据库,分辨率为
256 X 256。如下陶2-6所不。

爨Q 磨黔 岔黔 p;p

盆口。9盆
图2.7

UMIST人脸数据库



3人脸特征提取技术

16

山东大学硕士学位论文

2.3.1概述 传统的PCA人脸识别方法(即特征脸法)受人脸的平移、尺度变换、光照条 件等影响较大(即预处理精度不高,则识别准确率较低),另外它所得的特征在

一般情况下是最佳描述特征,而不是最佳分类特征;虽然FLD(即Fish磁性判别
分析)人脸识别方法对于光照条件、人脸姿态等的变化不太敏感,然而在正常情 况下人脸识别问题总是一个小样本问题,故其类内散布矩阵总为奇异阵而使此方 法的求解变得很困难。 基于上面的分析,本节丰要介绍二种人脸特征提取算法:基于SVD的入脸特 征提取算法、基于ICA的人脸特征提取算法和基于DCT的人脸特征提取算法。 2.3.2基于¥VD的人脸特征提取算法 在本小节中我们介绍基于SVD的人脸特征提取算法。因为奇异值特征在描述 图像时是稳定的,且具有旋转不变性、位移不变性、镜像变换不变性等重要性质, 因此奇异值特征可以作为图像的一种有效的代数特征描述【291。 提取人脸图像的奇异值特征向量,其原理如下: 任何一个实对称方阵都可以经过正交变换转化为对角阵,对于任意实矩阵

以瑚(设川≥刀),则可以利用奇异值分解将其转化为对角阵。i.漫rank(A)=k,则

存在两个正交矩阵c,一一和圪×一及对角阵以x一使下式成立:
A=UDV


(2.I)

其中:

‰=降O。)
F=diag(∥l,0"2Z-,kxk

l’

∞,
r,.3、 (2.3)

』~'‘,, 2人,仃k)

Umx_=(“l,“2,A,“I,“I+l,人,“m)(2-4)

■x一=(V1’,2,A,1,I,’,川,人V一)
式(2.1)中T表示转置,q

(2.5)

2√五(f=l,2,人,屯人丹)称为矩阵A的奇异值,

17

山东大学硕士学位论文

A≥如≥人≥屯>O是朋r并且也是彳rA的非零特征值的全体,而 ^+I=五+2=人=■=o为彳rA的疗一七个零特征值。吩,屹O=1,2,A,七)分别是朋r
和彳r彳对应于非零特征值以的特征向量。%(f=k+l,人,朋)是为了表达上的方便而 引入的(m一||})个向量,可以设想它是AAr对应于4=o的特征向量。同理, uO=七+1,人,开)为彳7’彳对应于4=o的特征向量,将式(2.1)写成乘积的形式:


么=∑仃,Ⅳ,V, 扣1

(2—6)

如果矩阵A代表一幅人脸图像,式2-6)就是对该人脸图像进行了正交分解,将

矩阵∑中主对角线上的奇异值元素q连同见x一中剩余的0一七)个0构成一个以维
列向量:

靠I



O—xne(o-l,人,O"k,0,A o)r(2-7)

其中,见。。为D中的第1个刀阶子式,列向量P=(1,l,A,l,一x7-,称‘×t为A的奇 异值特征向量。对于任何实矩阵么,在五2五≥A≥五的限制下,奇异值对角矩
阵∑是唯一的,因此,原人脸图像A对应于惟一的奇异值特征向量。 2.3.3基于10A的人脸特征提取算法 PCA的基本思想是在特征空间寻找一些方向,使得在新方向上表示数据的误 差平方和最小,同时又能有效地降低维数;然而ICAJ目q是在特征空间上寻找最能使 得数据相互独立的方向。ICA是个无监督方法,可以用于盲源信号的分离。假设存

在d个独立的标量信号源墨(f)O=l,2,K,d),,可以看成时间。为方便表示,我们
将任意时刻的这d信号合成一个矢量s,并假定它的均值为零。假设同时还有一个

k@≥d)维的观测矢量:
X=As

(2.8)

其中彳是未知的七×d维满秩矩阵,也称混合矩阵。观测矢量X的每个分量是

山东大学硕士学位论文

由独立源信号s的d个未知独立成分以不同的系数线性组合而成。ICA的基本问题 就是仅仅根据观测矢量x,估计出混合矩阵彳和独立源信号J。









O{;o
图2-8

ICA的理论模型

如图2—8所示,y



Wx.其中y为独立源信号的估计,其各个分量尽可能互相独

立,且逼近s;形=A~,称为分离矩阵。 混合矩阵A的估计问题,可以通过输入工进行PCA处理来简化。PCA处理后, k维矢量工变换为d维正交矢量“=Mx=M.,4s,M为投影基矩阵,“和s都为正交 矢量。 该文采用Hyvamen提出的基于负熵最大判据的快速算法,这是到目前为止效 率较高,并且应用较广的一种算法[30-341。 由中心极限定理可知,如果一个随机变量由许多相互独立的随机变量组成, 只要各独立的随机变量具有有限的均值和方差,则无论各独立随机变量为何种分 布,该随机变量必接近高斯分布。因此,在分离过程中可以测量少的非高斯性来 进行独立性的度量,当其非高斯性达到最大时,则表明已完成对各独立分量的分 离。定义负熵如下:

,(y)=日◇一)一日◇)
式(2.9)中虼删为方差与Y相同的高斯变量,负熵总是非负的。

(2.9)

当y具有高斯分布时,J◇)=o,若J,的非高斯性越强,则/◇)的值越大。
因为式(2.9)需要知道概率密度分布函数,所以无法实际应用,为此Hyvamen提

19

—_——●●__冒—曹嘲l

山东大字馁士字位论文
II

!_———置—詈穹鲁_—●—詈暑皇詈暑鼍__———————|—●_●|——■■—■—_●皇鼍鲁葛鼻—●_詈鼍量—皇鼍量

出了一种近似公式进行非高斯性的度量:

-,◇)≈兰屯№◇)】一如k如
扛1

(2一10)

其中G为非二次核函数,实践表明,G可取:

Gl◇)=【logcosh(ay)]/2(其中l≤口≤2)

伫.11)
(2.12)

G2(y)=一懿p(-广/2)
G3(y)=y4/4
分离矩阵形的迭代公式为:

(2-13)

%G+1)=Eb,G眠rGh,]!I 一书r眈传k渺∽
彬驭+1)=形传+IⅥ彤伍+ll
(2-14) (2-15)

其中彬@)为后次迭代后∥矩阵中与第f个源信号相对应的某一行向量。对于
多个独立分量的分离问题,可重复上述过程,但每提出一个分量后要从混合信号 中减去这一分量。 在人脸识别中,许多重要的信息包含在高阶统计量中。ICA算法是一种基于高 阶统计量的去相关多元数据处理方法,使用一些基函数来表示一系列随机变量.而 假设它的各成分之间是统计独立的或者尽可能独立。利用ICA算法进行人脸识别, 人脸训练样本影像集X(nx N维,其中甩为单个训练样本的维数,Ⅳ为训练样本 数)可以看作为独立基影像S(mxN维)和可逆混合矩阵彳(nxm维)的线性组 合:
X=AS

(2.16)

ICA算法的目的就是找出混合矩阵彳或者分离矩阵形,使其满足下式:

y=麟=WAS

(2.17)

山东大掌硕士掌位论文 彳=W一

(2.18)


其中l,为独立基影像S的估计。 ICA特征提取步骤:


(1)将训练样本零均值化,即每个训练样本数据工减去总体训练样本的均值x。 (2)对零均值化后的训练样本影像集X进行白化变换(即进行PCA处理),其

变换过程是根据似Y 7’m7=人获得特征值矩阵人和特征向量所构成的矩阵①,取
前m个较大的特征值五O=l,2,K,m)所对应的特征向量仍(f=l,2,K,聊),即 ①。=瓴,吼,K,%)、人。=diag(3a,如,K,朋)。则白化矩阵肘为:

M=硌①:
因此,白化变换为: X=MX

(2-19)

(2.20)

(3)利用式(2.14),(2.15)分离矩阵W的迭代公式求取W,迭代运算直到其收 敛为止。 (4)由式(2.17)得到独立成分所张成的子空间y,将每一幅人脸图像投影到此 空间中,即得到该图像的特征参数。

2.3.4基于翻玎的人脸特征提取算法
DCT是一种正交变换,从数学上可以证明,各种正交变换都在一定程度上减 小随机向量的相关性,而且信号经过大多数正交变换后,能量会集中在少数变换 系数上,删去对信号贡献较小的系数,只利用保留下来的系数恢复信号,不会引 起明显的失真。并且DCT的基向量是独立于输入数据的,它的数据压缩能力在一 定条件下近似等于K-L变换。而且DCT有类似离散傅立叶变换的快速算法。总之, DC'T在信息压缩能力和计算的复杂程度两个问题上提供了一个很好的折[35-391。

对于一幅M×Ⅳ的数字图像厂k少),2D离散余弦变换的定义为:

21

山东大学硕士学位论文

c㈥砷㈨M萎-I荟N- I瓜y)c。s[哮~zx+l/ux。7.AItl] ×c。s[訾]
pjo

cQ,v)=口0-(v)∑∑/kJ,)co爿—_聂--I
r却




仁2。,

(“=0,1,2,K,M一1:

V=o,l,2,K,Ⅳ一1)

式中c0,V)——变换结果,也成为D‘玎系数。 口0)'a(V)分别定义为:

荆=腽 荆=曝
域。

材=0

"=I,2'K,M一1

',=0

',=L2,K,Ⅳ一1

离散余弦变换的特点是:频域变化因子H,V较大时,D‘玎系数c缸,V)的值很小;
而数值较大的c也,V)丰要分布在“,V较小的左上角区域,这也是有用信息的集中区

为了得到低维的人脸特征矢量,必须在大量的DCT系数中选出包含分类信息 的有用成分,这些信息主要是离散余弦变换的低频分量,对应于图像的左上角区 域。由于特征向量是lD向量,而图像的离散余弦变换得到的是2D矩阵,这里涉及 到如何将2D转换成lD的问题。图2提供了2转换方法:图2-9(a)是按照JPEG编码 标准中的“之”字形顺次取出DCT系数构成列向量;图2-9(b)是在变换矩阵左上方 正方形区域内依次取出每行并连接组成列向量。

图2.9

DCT系数的选择方法

山东大学硕士学位论文

第三章人脸图像的预处理
3.1引言
预处理是模式识别过程中的一个重要的步骤。输入图像由于设备条件的不同, 如光照明暗程度以及设备性能的优劣等,往往存在有噪声、对比度不够等缺陷。 另外,距离远近、焦距大小等又使得人脸在整幅图像中的位置和大小不确定。为 了减少人脸在图像中的大小、位置、旋转角度以及光照等条件的不同对特征提取 的影响,需要对人脸图像进行预处理。人们经过大量的研究,得到了许多图像的 预处理方法。比如:图像的复原、图像的增强、图像的几何校正等。去除或减轻 再获取数字图像的过程中发生的图像质量下降,即对失真进行校正,去掉模糊的 成分,恢复图像的原来面貌,称为图像的复原(image restoration);为了改善视觉 效果或者便于人和机器对图像的理解和分析,根据图像的特点或存在的问题采取 的简单改善方法或者加强特征的措施称为图像增强(image enhancement)[39-42]; 使图像根据处理的要求进行旋转、放大和缩小等操作,称为图像的几何校正。具 体的说,图像的预处理包括输入图像位置的标准化及大小的正规化、图像的灰度 变换。二值化、裁剪和图像的归一化。.

3.2人脸预处理算法
3.2.1几何校正

对于各种人脸识别的方法,人脸图像的标准化都是很重要的,对于最终的识 别结果也有着直接的影响。这里的标准化丰要是指在各幅人脸图像中,人脸的关 键部位在图像中的相对位置是否都是一样的。文中所采用的PCA,LDA人脸识 别算法,都是直接利用整幅图像的信息用于识别的,对于不经过任何处理的原始 图像,人脸部位在图像中的位置都是有偏移的,这会影响人脸的正确识别。所以 需要对输入的入脸进行校正,以使不同输入情况下的人脸图像最后都统一到同样

山东大学硕士学位论文

的大小,并且人脸关键部位也尽量保持一致。 几何校正主要包括:缩放、旋转、翻转。

缩放:就是把的原始图像中包含的人脸缩放到统一的大小,依据Bi0D库提
供的人眼坐标,采用定位和几何校正办法,能保证两眼间距离是相同的,从而其 他部位如鼻、嘴、脸颊等的位置也都保持在相对标准的位置。 旋转:就是把原始图像中人脸图像进行平面内的旋转处理,主要目的是使两 眼之间的连线保持在水平的位置。 翻转:丰要是考虑到有的人脸图像可能存在上下颠倒的问题,这个问题可以 通过翻转来纠正,以使目标图像中的人脸保持正面。通过以上的缩放、旋转操作, 所有的人脸图像都规整为同样大小,两眼的连线也保持在水平的位置上,从而实 现了人脸图像的标准化。这样就解决了PCA,LDA算法下各图像中人脸位置不一 致对识别率造成的影响。

3.2.2人脸的定位

BiolD人脸数据库中原始图像包含人体颈部、头发、整个前额、耳朵以及脸颊 轮廓等对人脸识别不重要的特征信息,这些部分都属于干扰信息,对最终的识别 只会造成负面的影响。这里人脸定位就是从背景中取出入脸区域,保留眼睛、鼻 子、嘴巴等关键部位。

3.2.3图像的归一化

在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一 化。几何归一化是指根据人脸定位结果将图像中的人脸变换到同一位置和同样大 小。灰度归一化是指对图像进行光照补偿等处理,光照补偿能够一定程度地克服 光照变化的影响而提高识别率。下面将介绍几何归一化和灰度归一化。 l、几何归一化 对于利用整幅图像信息进行识别的算法而言,人脸部位在图像中的位置、大 小、偏移情况不同会影响人脸的正确识别,因而要对输入的人脸进行校正,以使 不同输入情况下的人脸图像最后都统一到同样的大小,并使人脸的关键部位在图

山东大学硕士学位论文

G。‘/,:』^毛+鬯,如果,c‘/,>M
卜√监%半舢

。3.。,

山东大学硕士学位论文

度&的像素共有^个。则第k个灰度级或者说&出现的频率为:只(&)=n_Ⅳ_Lk,其中:

Ⅻ,l,...,L-l;这个关系也可以用图形表示,该图像是由灰度轴以及一系列垂直于灰
度轴的线段组成,垂足厂=&,各线段的长度于£瓴)成正比。

设直方图变换函数腰(9:气=脚(&)是变换后的灰度级。这里鹏(园应同时
满足以下两个条件: (1)EH(s)在0≤s≤L—l范围内是一个单值单增函数: (2)对0≤S≤L-l有0≤EH(s)<--L-I 上面第一个条件保证原图像的个灰度级在变换后人仍保持从黑到白(或从白 到黑)的排列次序。第二个条件保证变换前后灰度值动态范围的一致性。 可以证明累积分布函数(CDF)满足上述两个条件并能将S的分布转换为t的 均匀分布。事实上CDF就是原始图的累积直方图,在这种情况下有:

‘=EH(sk)=∑吾=∑只(&)其中:k=O,1,…L-l;o≤&≤1
i=O』V i=O

由此我们可以得出直方图均衡化算法步骤如下: (1)计算出原始图像的所有灰度级气 (2)统计原始图像各灰度级的像素数%

(3)计算原始图像的直方图霉仅)
(4)计算原始图像的累积直方图气

(5)取整计算:气=int[(N-1地+专】
(6)定义映射关系:&专& (7)统计新直方图各灰度级的像素数nk

(8)计算新的直方图:曰(‘)=≥
从原始图像(图3-1)及其直方图(图3—3),均衡化后的图像(图3—2)及其 直方图(图3-4)可以看出,均衡化后的图像灰度分布更加均匀,可以在一定程

当耋查兰罂圭兰竺兰兰
度上减轻光照变化对识别的影响。

I!~,∥●‘。划
罔3-1甄始图像 图3-2直方圉均衡化后的国像
50

同霸



50

{m

1∞蔓O

蔓0

国3-3原始圈直方图

生耋查:竺圭:堡堡三

删孵 —●——■函藏匿




{∞

150

图34均衡化后的直片图

3 2

4二值化

用扫面议或者摄像机获取的原始图像是灰度图像,经过灰度直方圈线性变换
咀后的图像仍然是多值图像。所谓多值图像,就是指具有多个灰度级的单色图像。 为了突出图像特征和便于进行特征提取,需要将多值图像转换为二值图像。二值

图像也就是只具有黑白两个灰度级的图像,它是数字图像的一个重要子集。将图 像进行二值化处理后,可得到灰度值仅为0,l的二值化圈像。


3应用小波变换进行图像处理
Bioid库中原始图像大小为384×286。就图片本身大小而言,并不是根大。但

在实际计算机处理的时候,这样一幅图像所对应的矩阵大小在10000维左右一PCA
方法处理的时候,每读^一幅图像,都需要转化为一个一维的向量,用这样的方 法把所有的训练图像读八一个二维矩阵,计算该矩阵的协方差矩阵。如果直接计

山东大学硕士学位论文

算的话,已经超出了计算机的处理范围,当然也可以用SVD定理来解决,但计算 仍然很费时。所以通过缩小图片的尺寸来减少计算量不失为一个好方法【43射1。 实际处理中常采用两种缩放图像的方法,一种是直接用灰度插值的方法来缩 小原图像,另一种是用小波变换进行图像的分解,下面将重点对小波变换在图像 缩放中的应用进行讨论。 实验结果发现,用缩小以后的图像建库进行识别,在有的情况下识别率不但 没有降低,反而还有所提高,同时在执行效率上有了很大的改善,其原因可能是 在缩放的过程中,抑制了图像的噪声。

3.3.1小波变换缩放图像

小波分析的思想来源于伸缩和平移方法,基本思路最早可追溯到1910年Haar 提出的小波规范正交基和1938年Paley-Littlewood提出的按二进制频率分组的理 论。小波变换的概念是由法国地球物理学家J.Moflct在1984年首先提出的。随后, 理论物理学家Grossman对Moflet的这种思想进行了可行性研究,为小波分析的形 成开了先河。真正的小波热开始于1986年,当时Meyer创造性的构造出了一个真 正的小波基。1989年,Mallat巧妙的将计算机视觉领域的多尺度分析的思想引入 到小波分析中小波函数的构造及信号按小波变换的分解与重构,从而成功的统一 了在此之前所提出的具体小波函数的构造,研究了小波变换的离散化情形,并将 相应的算法——Mallat算法有效的应用于图像分解与重构。与此同时,比利时女数 学家Daubechies构造了具有有限支集的正交小波基,这样,小波分析的系统理论 初步得到了建立。它在信号分析、语言合成、图像识别、计算机视觉、数据压缩、 CT成像等方面都已取得了具有科学意义和应用价值。 小波分析与Fourier分析和Gabor变换相比,小波变换是空间(时间)和频率 的局部变换,因而能有效地从信号中提取局部信息,通过伸缩和平移等运算功能 可对函数或信号进行多尺度细化分析(MultiscaleAnalysis)。小波分析用于图像处 理,其中一方面就是利用小波的分解和重构算法对图像进行预处理。达到提取局 部信息,去除噪声,降低维数等作用。小波分析理论作为时频分析工具,在信号 分析和处理中得到了很好地运用。平面图像可以看成二维信号,因此,小波分析

山东大学硕士学位论文

很自然地被运用到图像处理领域。每一次小波分解可以得到四个字图像,分别为 原图像在水平方向、垂直方向和对角线方向的细节图像。其各个子图大小为原图 像大小的四分之一。 小波变换是基本小波(MotherWavelet)的函数’I,(t),在不同尺度因子a和时间参数 b下与分析信号x(O作内积的一种变换过程。小波函数定义如下:

%’6(f):{y(坐)(3-2)
Va 口

小波分解可以简单理解为是利用小波母函数的平移和伸缩,把原始图像分解成为 一个低频概貌图像和一个高频细貌图像,所以小波分解相当于一个滤波器把原始 信号分解到几个不同频段上。

对于平方可积的二维图像信号{口。一}。触eE(R2),令%.。一"-a。埘,m,n E Z,二
维小波变换通常使用如下等价的滤波器实现。 二维图像的小波分解递推公式为:

‰一=(H圆HXcj+。)=∑%.t.,hk咖岛-2。
tJ

(3—2) (3—3) (34) (3—5)

刃一J=(HoGXcj+。)=∑qw气.:.岛嘲
tJ

唬一=(G o HXcj+.)=∑‰“g,-2。忆
t_,

d3j,,m’J.=(G固GXcj+I)=∑cj+u’,gk_2函-2.

其中H为低通滤波器,起平滑作用,得到图像的缓变成份。G为带通滤波器, 起差分作用,得到图像的高频(细节)成份。 用二维小波变换对人脸表情图像做频域分解,可以得到四个区域:LL、LH、 HL和HH。子带LL是低频成分,是近似分量,集中了原始图像的大部分信息。LH、 HL、HH是高频成分,代表了原始图像的细节信息。对每次变换得到的LL还可以 再次进行小波变换,以此类推。图3.5给出三层小波分解的示意图。图3.6给出一幅 人脸图像三层小波分解的实例。

当至奎兰!i圭兰竺兰三
£LI鸩l

习硎如



删,f枷:




图3 5二层小波分解的不意图

_ 幽 鬣
图3


幅人腧田像二层小波分解的实例

小波变换后的低频丁带取得了对人脸的表情和姿势的不敏感性,即它模糊了 人舱的不同表情和不同姿势等0I起的差异,而且大大降低了圈像向量的维数,怛 于此同时,不同人脸之间的差异也被模糊,而且随着小波变换级数的增加,这种 效果造成的影响就越大。也就是说小波分解的层数越多,则图像向量的维数越低, 后续算法的复杂度就越小,同时,由于同一人腧的不同表情和不同姿势引起的差 异和不同人脸之间的差异也都将变的模糊。这也会对后面的识别产生双重效果。 因此选择台适的小波分解的层数对识别的效果和算法的复杂度都是非常重要的。 对于本文所用到的人脆图像,做一层小波分解可以达到满意的效果.既取得了对 人脸的表情和姿态的不敏感性,又保持了不同人脸之间的差异.同时适当减小了 图像向量的维数,降低了算法的复杂度。

山东大学硕士学位论文

第四章基于PC^的人脸识别

4.1引言
特征提取是人脸识别系统诸多组成部分的一员,也是最为重要的一个组成部 分。主成份分析(PCA
Principle Component

Analysis)方法是应用最广泛的一种特

征提取方法之一,它是一种统计学方法,在信号处理、模式识别、数字图像处理 等领域已经得到了广泛的应用。主成分分析方法基本思想是提取出空间原始数据 中的主要特征(主元),减少数据冗余,使得数据在一个低维的特征空间被处理,同 时保持原始数据的绝大部分的信息,从而解决数据空间维数过高的瓶颈问题[48-501。 人脸的全局表达己被证明是一种有效的人脸识别方法。主成分分析是图像压 缩中的一种最优正交变换,目的是在数据空间中找一组向量以尽可能的解释数据 的方差,将数据从原来的R维空间降到M维(1◇>M,在降维后保存了数据中的丰 要信息,从而使数据更易于处理。它是根据K-L变换从最大信息压缩方向获得图 像在低维空间的信息表达,从信息论的观点来看,就是在所有的正交变换中,K-L 变换所对应的信息嫡最小,所以用PCA方法所获得的识别空间就是原图像空间的 一个最优低维逼近。PCA用于统计特征提取构成了子空间法模式识别的基础。它 从图像整体代数特征出发,基于图像的总体信息进行分类识别。Sirovich和Kirby 首先将K-L变换用于人脸图像的最优表示。Turk和Pentland进一步提出了“特征 脸”(Eigcnface)这个概念。 将PCA方法用于人脸识别,其实是假设所有的人脸都处于一个低维线形空间, 而且不同的人脸在这个空间中具有可分性。其具体做法是由高维图像空间经K-L 变换后得到一组新的正交基,对这些正交基作一定的取舍,保留其中的一部分生 成低维的人脸空间,也即人脸的特征子空间。完整的PCA人脸识别算法步骤包括: l、人脸图像预处理。 2、读入人脸库,训练形成特征子空间。 3、把训练图像和测试图像投影到上一步骤中得到的子空间上。

32

山东大学硕士学位论文

4、选择一定的距离函数进行识别。 其中,第一步人脸图像预处理也就是第三章所论述的内容。下面首先详细描 述整个流程。

(1)读入人脸库。读入每一个二维的人脸图像数据并转化为一维的向量。每人
选择一定数量的图像构成训练集,其余构成测试集。假设图像的大小是wxh(w和 h分别为图像的宽度和高度),整个人脸库中图像个数是11,用于训练的人脸图像个 数是n1,测试的图像个数是n2,令m--wxh,则训练集是一个mxnl的矩阵,测试 集是mxn2的矩阵。第i幅人脸可以表示为(m为一位向量维数):

√=【《,五,..Z】r

(f=1,2,3,..朋=l,2,3…)

(2)计算K-L变换的生成矩阵,进行K-L变换 (3)计算生成矩阵的特征值和特征向量,构造予空间。首先把特征值从大到小 进行排序,同样的,其对应的特征向量的顺序也作相应的调整。然后选择其中的 一部分构造特征子空间。 (4)把训练图像和测试图像投影到特征空间中。每~幅人脸图像投影到了空间 以后,就对应于子空间中的一个点。同样,子空间中的任一点也对应于一幅图像。 这些子空间中的点在重构以后的图像很像“人脸”,所以它们被称为“特征脸”,这也 是Eigenface名称的由来,而通过K-L变换进行人脸识别的方法被称为“特征脸”方 法。有了这样一个由‘‘特征脸”组成的降维子空间,任何~幅人脸图像都可以向其做 投影并获得一组坐标系数,这组系数表明了该图像在子空间中的位置,这样原来 的人脸图像的识别问题就转化为依据子空间中的训练样本点进行分类的问题。下 一步就可以运用模式分类的理论进行识别。 (5)把投影到子空间中的所有测试图像和训练图像进行比较,确定待识样本所 属的类别。这里可以采用多种不同的分类器进行方式:如曼哈顿距离、最近邻分 类器、最小距离分类器、贝叶斯分类器等。

4.2离散K-L变换
离散K—L变换是Karhunen和Locvc两人对连续随机过程作为级数展开而引出 的。随机图像序列是由Hootelling首先研究出的主分量方法,实际上它是K-L级

33

山东大学硕士学位论文

数展开的离散等效方法。因此这种方法有多种称谓,如K-L变换、Hotelling变换、 特征向量变换、主分量变换等。这种变换不像傅立叶变换、离散余弦变换等正交 变换,那些变换的变换核是固定不变的,而K-L变换则随各集合图像的统计性质 不同而有不同的变换核矩阵,即变换核矩阵是由某集合图像的统计性质来确定的, 因此离散K-L变换是一种基于图像统计特征的变换。一个非周期性随机过程不能 用具有互不相关的随机傅立叶系数的傅立叶级数表示,但是可以用具有互不相关 系数的正交函数以(f)级数展开,这种展开方法就是K-L展开式【51.521。 假设一个非周期性的随机过程x(t)在区间【a,b】中展开为:

x(f)=∑K毛吮(f),口≤f≤6
月=I

(4一1)



胁肭出=髋=
以及

件2)

目硼《毫Z
实数或复数以项。 从上述表达式求相关函数R(t,s)如下:

(4-3)

和傅立叶级数展开式比较,这里由于当11-----"111时要使日‘‘】=l,所以引入了

R(t,s)=Etx(t)x‘o)】=研∑以毛吮o)∑尤《筇o)】

:∑蚶㈣赫
示相关函数。 从式(4.2)可以得到



㈣’

t和s在区间【巩b】中。这里由于随机过程是非周期性的,因此不再使用R(r,s)表

rR(f,s)唬o)as=∑f以f2吮o)r唬筇凼=f以12识(f)(4-5)

山东大学硕士学位论文 _|詈葺皇—_———●皇_置皇●———-董一I
ill

-l__——一

}以12是积分方程式(4—5)的本征值,苁(f)是对应的本征函数,他们可以通过解
积分方程求得。因此我们可以对一个具有连续相关函数的随机过程,在任一给定 区间a≤f≤6,用式(4.1)进行正交展开。

在离散的情况下,比如对x(t)在互≤t≤互区间中均匀采样,可以用下列向量形
式表示x: X(f1)
X=

X(乞) M X(岛)

相应的相关函数是一个DxD阶矩阵,它只有D个线性独立的本征向量,因此 x的展开式中只有D个项,即:
X ll

D∑闩

q办

(4—6)

也可以用最小均方误差准则来讨论离散情况下的K-L变换。假使对向量集合

{x3,i=l,2…,中的每~个x用确定的完备正交归一向量系吩,歹=l,2,...,00展开,可
以得到:

工=∑勺“,
,毒I

(禾7)

假使只用有限的项来估计X,即:


j=∑ejuj
j咄

(4.8)

则由此引起的均方误差是:

孝=研O一甸r0一甸】
由于

讥=出≥

(4-9)

所以

孝=研∑弓】

35

山东大学硕士学位论文

其中

ej=嵋x

因此

孝=皿∑材;Ⅳ吩】
j--d+l

由于“,是确定性向量,因此上式可以改写为:

善=∑《研盯r]uj
j--d+l

(4一lO)

令少=研舸r】,那么孝=∑u;c/uj,用拉格朗日乘了法,可以求出在满足正交
条件式(4.10)下,善取极值的坐标系统,即用函数:

g(吩)=∑矿≯吩一∑乃[”;叶-q
j=d+l j---d+l

对“,,/=l,2,...,CO求导数, 因此有:

(少一冬』)2‘=o,/=d+l,…,00
如果令d=0,从而可以得到下面的结论:

(4-11)

以矩阵lf,的本征向量(或者叫特征向量)作为坐标轴来展开x时,其截断均 方误差和在所有其它正交坐标系情况下用d个坐标展开x时所引起的均方误差相 比为最小。这d个本征向量所组成的正交坐标系称作x所在的D维空间的d维K-L 变换坐标系,x在K-L坐标系上的展开系数向量称作x的K-L变换。 K-L展开式具有一些很有趣的性质,正是由于这些性质,使K-L变换方法广 泛地应用于特征提取。K-L变换的一个重要的性质是它的展开系数是互不相关的。 把任意两个系数相乘后取期望值可以得到:

E≮c^=E啦T3矗u飞=x或ul=天|
系数cj的方差就是矩阵吵=研就r】的第i个本征值,因此系数向量的

C一【q,c2,...,cDr的二阶矩阵可以写为:

山东大学硕士学位论文

E[ccr】=Ur{f,=A(4.12) 式中U=【“。,“2,...,%】,A是矩阵{f,的本征对角矩阵,即

???0





O如...
。.



P-.1 -。_-I ._- L ^O:.:.O



0厶

显然K-L坐标系把矩阵∥对角化了,通过K-L变换,消除了原有向量x的各 分量之间的相关性,从而有可能去掉那些带有较少信息的坐标轴以达到降低特征 空间维数的目的。 从上面的讨论可以看到,假使矩阵杪只有少数几个数值大的本征值,而其余 的本征值数值很小,K-L坐标系就可以有效地进行信息压缩。为了估计信息压缩的 程度,可以利用熵函数概念。由于本征值表示K-L展开式中展开系数的方差,我 们可以用本征值来代替熵函数中的概率值。为此要对五,归一化,使归一化后的本 征值五,的总和为l。

设刁:毒L,其中厂:l,2,...,D
∑五


那么有:o≤亏s1,且∑互=l
l=岛

从上面的转换可以看出‘具有和概率类似的性质,从而可以写出这种情况下
的熵函数:


峨=一∑弓log石:
/=l

(4-13)

当所有的乃相等时,峨最大,因此如果用d个(小于D)的嫩标轴表示x而

37

山东大学硕士学位论文

带来的对x的不确定性,大于在零不相等的条件下,用与最大的d个乃相应的坐
标轴表示x所造成的不确定性。当熵等于0时,所有关于X的信息只存在于一个 展开项中。把这样的一个熵函数叫做表示熵,.以作为一种表示不确定性的度量。 也可以计算在任意正交归一坐标系下的表示熵。设正交归一坐标系的基向量 是匕,j=1,2,...,D,从式(4.8)可以看到,如果只取其中d个坐标(d<D)来逼近 X,由此引起的均方误差是:
aO



六=∑哼研肛rM=∑乃(4-14)
,=d+l j=d+l

式中乃是x在_坐标上的分量,乃=哼研Hrn

设乡=∑乃,乃是K-L坐标系中目飘r】的本征值。当取与最大的d个本征
值相对应的坐标轴表示x时,从前面的讨论可以知道f≤矢。 在正交嫩标系为巧,/=l,2,...,D的情况下,也可以计算相应的表示熵

所以对同一个特征向量集{x),K-L坐标 系下的表示熵是最小的。 一般来说,各类均值向量通常包含有较多的判别信息。但是,假使属于同一 类的特征向量偏离它的均值向量很大,就会造成各类所占据的子空间相互重叠, 使分类发生困难。因此我们要选择这样一些特征量的均值所组成的向量代表该类 的样本来进行分类时使当用同一类的这些特征量所引起的分类不确定性度量最 小,可以用总体熵来度量这种分类的不确定性。总体熵的定义如下:

缉=一E[109p(x)】

(4-15)

可以看出总体熵可以作为类均值向量代表同类各样本的不确定性的一中度 量。我们的目的是要找到一个线性变换矩阵W(W是D×d阶的),使从D维空间

山东大学硕士学位论文

变换到d维空间后,同一类样本占据的体积最小。更确切地说,是要找到一个使 总体熵为最小的变换矩阵W。可以证明,如果要用d个坐标轴来表示样本集,那 么当形=心,材:,...,‰】,(Ut,U:,...,蚴是和方差矩阵的d个本征值所对应的d个本征 向量),则:

H.(W)=%2logIAI

(4—16)

这里A是d个本征值所组成的对角矩阵。因此如果把本征值按下列次序排列,

五s五≤…≤乃≤…≤如,则取前面d个最小的本征值所对应的d个本征向量所组
成的矩阵,对样本集{x)进行变换所得到的总体熵为最小。虽然根据最小均方误差 准则用协方差矩阵的d个最大本征值所对应的d个本征向量来表示X和根据最小 总体熵准则,用协方差矩阵的d个最小本征值所对应的d个本征向量来表示x两 者是矛盾的,但是对于特征选择都是有用的。 从前面的讨论,可以看到数据集{x)的K-L坐标系完全由数据的二阶统计量所 确定。当集合中的各样本所用的类别未知时,K-L半标系的产生矩阵中甲=研贼7】。 由于没有类别标签的样本集的均值向量∥常常没有什么意义,所以也可以把数据 的协方差矩阵: 0=E[(x-/uXx-/a)1】 作为K-L坐标系的产生矩阵,这里∥是总体均值向量。 当集合各样本的类别已知时,可以有各种方法计算二阶统计矩,从而得到不 同的K.L坐标系。例如,如果{x}有类别标签坼,f=1,2,...,c的样本集,各类的先验 概率是易,均值向量是以,协方差矩阵是q,则可以用总类离散度矩阵:

&=∑只0:
i=l

(4一17)

作为K-L坐标系的产生矩阵,式中q=衄O~鸬)(工一鸬)r】,石∈w,也可以一
次只用一个类别样本集的口来确定K-L坐标系,显然这时K-L坐标系只是对第i 类样本集来说才具有信息压缩的最优性质。

39

山东大学硕士学位论文

4.3判别信息的提取

在很多模式识另UI'.-J题中,类条件均值向量∥包含大量的分类信息。为了降低 特征空间的维数,而又尽可能多地保持原有的分类信息,应选择这样一种变换, 使变换后的d维特征空间中的类条件均值向量的各分量和其他的变换相比保持更 多的分类信息。 从前面的讨论中,可以看到各个类均值向量各分量的分类性能,不仅仅取决 于它们和总体均值向量相应分量之间距离平方和的大小,而且还和该分量的方差 及分量间的相关程度有关。因此为了估计各个分量对于分类的单独作用,可以先 用(4-15)式计算出来的瓯的K.-L坐标系进行变换以消除原有各分量的相关性,

同时考虑到瓯的本征值乃表示第j个分量的平均方差,可以用‘,(_)=生妻丝表征
变换后的特征x,=∥≯的分类性能。式中瓯是类条件均值向量的离散度矩阵(类
问离散度矩阵):

最=∑p(%)(戌-u)(u,-/u)r
i=l

(4一18)

这里∥仍然是总均值向量,鸬是各类的均值向量。 为了降低特征空间的维数,可以简单地对各分量重新进行排队,使 ,(五)≥-厂(.砭)≥…之.,(%)之…之.,(而)

并取与前面d个最大的地)值相对应的本征向量一,y=l,2,...,d作为特征空
间的基向量。 上面所讨论的选择具有最大J(薯)的d个K-L坐标轴以作为特征空间向量的方 法,并不是一种对包含在类平均向量中的判别信息进行最优压缩的方法。由于原 来的类平均向量的判别信息在各个K-L坐标轴上都有反映,因此当d<<D时,用 上述方法总是不可避免地要损失掉一部分原来的类平均向量的判别信息,由于c 个类的类平均向量所展开的空间最多是c.1维的,因此当c不是很大时,有可能在

山东大学硕士学位论文

更少维数的特征空间中保持原来的类平均向量的判别信息。假设只是从类平均向 量出发来确定特征子空间,实现很容易,但是一般来说不能满足各分量(特征) 间互补相关的要求,然而假使总体数据集的平均类条件协方差矩阵£,是一个单位 阵,那么任何正交归~变换都不会使乱发生变化,因此在这样一个新的坐标系中 依然保持原有数据的不相关性。这种性质就给我们提供了一个对包含在类平均向 量中的判别信息进行最优压缩的方法。它由以下几个步骤组成:首先由于是对称 正定阵,因此一定存在一个变换矩阵B使曰7’S。,B=I,其中I是单位阵。我们称这 样一种变换为白化变换。这样一种变换实际上是分两步进行的,首先通过K-L变

换矩阵c,=【U,%,...,%】消除原来各分量的相关性。然后用矩阵人一尼进行归一化
(人是鼠,的本征对角矩阵),即B=UA~,经过变换后的类平均向量的离散度矩

阵成为≮=Br咒占,其中瓯是原来坐标系的类平均向量的离散度矩阵。然后对墨进
行K-L变换以压缩包含在类平均向量中的信息,由于文的秩最多是c.1,所以爱最
多只有d---c—1个非零本征值,也就是说用和d个非零本征值相对应的d个本征值就

可以表示类平均向量所包含的全部信息。设这d个本征向量系统用矿’(K,匕,...,巧)
表示,因此把包含在类平均向量中的全部分类信息压缩为最小特征维数的变换是
-/

矽=UUA一九人(4_19) 类中心化向量就是把原来的特征向量减去类均值向量后得到的特征向量,应 该指出用式(4.15)求出的K-L坐标系统通常在各类的类条件协方差矩阵都相同 的条件下,才能使各类特征向量变换后的各个特征互相无关。而在各类的类条件 协方差均值不相同的情况下,虽然有其他更为复杂的方法求取最优结果,但是由 于上述方法计算简单,所以在大多数情况下特别是对于多类问题,它可能是唯一 可以用的来提取包含在类中心化特征向量中判别信息的使用方法。

4.4基于特征脸方法的人脸识别
基于特征脸的人脸识别方法是建立在K-L变换基础上的。对以一幅人脸图像,

41

山东大学硕士学位论文

用厂“y)表示,这里X和Y指空间的坐标,而在任意点ky)上的f值正比于图像
在该点的亮度(灰度值)。按照一般惯例,高一些的厂值正比于亮一些的区域。由 于在计算机中,人脸图像f(x,y)在空问坐标和亮度上都已经被离散化了,所以我

们可以把一幅数字图像看成一个矩阵或数组,用B(f,J)或者【%】来表示,其行和列
标出了图像上的一个点。而矩阵中的相应元素的值标出了该点的灰度等级。这样 的数字阵列中的元素叫图像元素或像素。 这样一幅N×N大小的人脸图像可以按照列相连而构成一个Ⅳ2维的向量,即

,=(6I。吃r氐。6l:62:..钆:..也Ⅳ62Ⅳ..‰)它可以被看作是Ⅳ2维空间中的一个点。由于
人脸结构的相似性,当把这样的人脸图像归一化之后,这些图像在这个高维空间 中不是随机和散乱地分布而是存在某种规律。因此,可以通过K-L变换用一个低 维子空间描述人脸图像,同时又能保存所需要的识别信息。 假设有M幅大小为NxN像素的人脸图像作为学习样本,将每幅图像看作为长 度为Ⅳ2的列向量,记为五,而一.XM,那么M幅人脸图像的平均值向量∥可以表示 为:

∥=吉姜弓
不同的部分,我们必须将共有的成分减去,得到M幅差图像向量: ①,=■一∥,j=l,…,M



平均值∥代表了这M幅人脸图像所共有的特征成分,为了表示这些图像彼此

(4-21)

使用特征脸来识别人脸图像,就是想找到一个向量U,使得所有差图像在U
上投影的平方和为最大。这样根据前面讨论的K-L变换,我们定义训练样本集的 总体散布矩阵为:

&=击萋叩;
42



注意到瓯为一个Ⅳ2 xN2的大矩阵,对于这样大的一个矩阵要求解其所有的本

山东大学硕士学位论文

征值和本征向量是一个需要庞大计算量的工作。如果不能有效地降低计算量,将 使学习工作花上很长的时间,为此引出: 奇异值分解定理(SVD): 设A是一个秩为r的nxr维矩阵,则存在两个正交矩阵:

u=‰,%,...,Ur—l】∈R”,UrU=J
矿=【Vo,M 9-o.9咋一I】∈RN-r 9VrV=I 以及对角阵

且 满足

%>K>…>K.1 彳=UAY2Vr(4-23)

其中x/s=o,l,…,r—1)为矩阵肠r与矩阵xrX的非零特征值,叶和吩分别为 肠r与矩阵xrx对应于^的特征矢量。上述分解称为矩阵x的奇异值分解,√石
为X的奇异值。 推论:

皓∥人一%(4-24)

由于鼠可表示为

&=万I善M(‘一啾&一孑)r=吉.料r
其中石=【(五一∥)(而一∥),…,(h一∥)】
故构造低维矩阵R=XXr,容易求出其特征值名;及相应的正交归一特征向量 M,则由上述推论可知乱的正交归一特征矢量为

%2赤聊-l'2,…,肘

(4-25)

这就是所谓的“特征脸”图像矢量。它是通过计算较低维矩阵R的特征值与特 征向量而间接求出的。实际E是将计算XXT的特征值和对应的特征向量的问题转

43

山东大学硕士掌位论文
III

化为求较低维的麒r的特征值和对应的特征向量的问题。
通过这种方法得到的本征向量Ⅳ,就称为特征脸(Eigenfaces)。对于一幅图像 在由特征脸所组成的特征空间中的投影点f为:

形=H;(工一∥),f=L2,…,膨(4—26)

f1=【w,w2,...,~】
由于所有的差图像秀在%,轴上的投影分量为最大,在吃,吻,...,‰上的投影
为降幂排列的局部极大值。所以在实际应用中,我们可以省略后面几个特征轴的

投影。也就是我们只留下主要元素㈣cipal
而且玉

components),所以这种方法又称为

主元分析。因为我们已知各图像向量再在特征分量‰上的投影之间是互不相关的,

uk上的投影的方差就是‰对应的特征值乃,因此特征值越大则在与之对

应的特征向量上的投影对方差的贡献越大,因此定义一个方差贡献率:

∑五 f(m)--专L>it ∑乃
』?一


(4-27)

?L—l。’l

』=I

设定口的值,取使上式成立的最小m,则特征向量中前m个最大特征值对应 的特征向量就是进一步降维后的m维空间。 对于学习样本集再,f=l,2,...,M分别代入(籼24)中的x,求出其投影在特征空

间[%,材:,...,“。】上的投影点Z,正,...,厶,其中m<M。在计算出学习样本集在特征
空间的投影之后,学习过程就完成了。 学习完成以后,假设有一幅新的人脸图像输入要求识别,将工代入式(4-24),

求出其在特征空间的投影Z,再计算出特征空间中与Z距离最近的投影点无,
l≤PsM,则‘和xp属于同一个人的图像,即: £-J J六一Z lI,J=l,2,…,M

山东大学硕士学位论文

其中‘表示在特征空间中Z和乃之间的距离,距离一般采用欧氏距离。从这
里我们可以看到由于这种方法最后的识别判断是采用距离来进行判断,所以我们 可以对计算出的距离设定一个阈值,就可以实现拒识判断。

4.5

PCA人脸识别算法总结
(一)训练过程

(1)给定人脸图像训练集玉,扣l,2,...,M,利用K L变换求出训练集的总体
散布矩阵&

瓯,=击萋(五一∥)(玉一脚r
训练样本的总数。

件28)

其中而为第i个训练样本的图像向量,∥为训练样本集的平均图像向量,M为

(2)根据奇异值分解定理,求出训练样本集薯,汪l,2,...,M对应的奇异值特征
向量%,f=l,2,...,M。 (3)设定方差贡献率口,继续对特征向量个数进行压缩为m个,这In个特 征向量构成特征向量空间。

(4)求每个训练样本毛在特征空间【“。,“:,...,“。】上的投影点彳,正,...,厶,
,矩<M。 (5)计算两个人脸类的最大距离,设定阈值T。 (二)识别过程 (1)将待识别人脸图像乃向特征向量空间‰,U2,...,‰】进行投影,得到投影点
pl


(2)计算只到训练样本投影点乃U=I,2,...,M)的最短距离:

d=minllp,一乃II,(/=l,2,...,M),式中II ll表示特征空间中的欧几里德距离。

45

山东大学硕士学位论文

(3)如果d>T,则该图像非人脸库中的人脸,如果d≤r,则待识别图像只与

取得d值对应的乃是同一个人的图像。
通过上面的K-L变换所得到的是原图像样本的一个空间表示,因此在K-L变 换的同时,如果能考虑到训练样本的类别信息,则对人脸识别有更大的意义。在 这种情况下,可以采用训练样本集的类间散布矩阵作为K-L变换的产生矩阵,即:


墨=∑P(w)(一一∥)(以一∥)r

(4-29)

其中肛为训练样本集中第i个人的平均图像向量,∥仍为训练样本集的平均向 量,P为训练样本集中的总人数。显然,同总体散布矩阵相比,“特征脸”的个数由 M降至P,因而在计算量上要小很多。对于每个人的训练样本的平均图像向量肛 (,=l,2,…,P),向由“特征脸”图像向量所张成的P维子空间上投影,其坐标系数 向量就是K-L变换的展开系数向量。

山东大学硕士学位论文

第五章实验结果分析

5.1概述
包括人脸识别在内的人体生物特征识别技术,是近几年在全球范围内迅速发 展起来的计算机安全技术,它根据面像、指纹、掌纹、语音等人体生理特征,利 用图像处理和模式识别技术鉴别或验证身份。人脸识别的研究起源于刑事侦查, 身份认证,其研究的最终目的就是实现一个有着高识别率、低误识率的人脸识别 系统目前已经有了很大的发展,但因为人脸识别问题的复杂性,目前这个领域的 进展还停留在研究阶段,没有达到实用。国外在这个领域的研究开始得比较早, 有了相当的技术积累。 本章在前几章讨论的基础上,对改进的特征脸识别算法进行了仿真实验,验 证了特征脸的选取、类内类间离散矩阵的应用和人脸图像预处理等因素对识别率 的影响。

5.2系统流程图

图5-1系统流程图

图5.1实时人脸检测识别系统首先要进行人脸库的训练,这一步主要的工作就 是读取库中所有的人脸图像,在经过图像的预处理之后,构造PCA特征子空间, 并把所有的训练样本都投影到该子空间中,然后把子空间、投影以后的训练样本 都保存到文件。

47

山东大学磺士学位论文

田5-2BiolD数据库中的部分^脸图像



3实验仿真
1、实验样本集的数量对识别率的影响。 在BiolDo数据库中选取每一类人的1幅图像作为训练样本集,形成维数为23

的特征空间,测试剩下的1498幅图像,采用的判断标准为欧氏距离。测试结果如
F所示。

山东大学硕士学位论文 表5.1不同的训练样本集数量在BioID数据库上的实验结果

特征脸数量 正确识别数 错误识别数 识别率

N=I 124 1397

N--5 297 1224

N=10 425 1096

N三15 823 698

N=20 956 565

N之3
993 528

8.2%

19.5%

27.9%

54.1%

62.9%

65.3%

2、实验采用类问散布矩阵对识别率的影响 实验l采用总体类间散布矩阵作为K-L变换的产生矩阵,下面采用训练样本 间的类间散布矩阵做这个实验。训练使用的是BiolD数据库中每个人脸的前5幅 图像,然后将所有的样本作为测试样本进行识别。识别是将测试样本投影到特征 脸空间和每一类人脸的平均图像投影到特征脸空间的欧氏距离进行判断。测试结 果如下表所示。

表5-2采用类间散布矩阵在BioID数据库上的实验结果

特征脸数量 正确识别数 错误识别数 识别率

N=I 256 1265

N=5 335 1186 22.O%

N=10 542 979

N;15 1022 499

N--20 1101 420

N=23 1286 235

16.8%

35.6%

67.2%

72.4%

84.5%

3、实验采用图像预处理对识别率的影响 在BioID数据库中,采用23个人每人一幅共23幅作为训练样本,然后将所 有的样本作为测试样本进行识别,测试有无光照补偿、有无小波分解情况下的识 别率,图像预处理完成后,再采用PCA方法进行特征提取和识别,实验过程简介 如下: (1)图像预处理 目前系统中的人脸图像预处理模块,所做的处理主要是图像尺寸的几何校正、 归一化、直方图的均衡化和图像亮度和对比度归~化。

49

生耋奎兰竺三兰篁兰圣

盼k

∞“越温,m豫。■

A:a雌眦i
圉}3部分训筹样车囝 图5叫舒分直方图均缶化后的圉量

盼k 如瓜吼kk阻
k 如;泳吼Lk瞳
图}5部分小渡变换后的圉售

剁““k—n陬■

K, 捌一“k、n‰■

(21人脸库训练和识别



人胎庠路径:i_[这晷指定一个目录,目录下包含所有库巾的人脆图 像,每个人个独立的H录。对f-BiolD库,则有23个文件夹. 每个文¨央代表个人腑。



土掉较小的特祉值所对应的特征向最。这盱行二种可选方案:不土 樟,保留全部:简单的士掉一定比例的特征向量;按向量(也就是 特征值大小)上掉。定比例的特征向量。



从库中读^的人数。在从路径r{I设A图像的时候,如果每个人所在 的¨求总数比设定位小,会将渡参数设定为路径F的总人数。默认 位为99999。

山东大学硕士学位论文



每个人读入的图片数。即每个人用于训练生成特征子空间的人脸个 数。

预处理后的图像经小波变换,把尺度缩小到96x71个像素大小。此时直接求 解还是非常困难的,运用奇异值分解定理以后,根据前面可知,当训练样本为23 时,通过求解大小为23x23矩阵的特征值和特征向量而得到。计算到这里可以选 择保存训练参数和得到的子空间特征向量,以后可以直接读取训练以后的结果, 不用每次识别都要重新训练。下一步进行人脸识别,把每幅图像先进行直方图均

衡化和小波分解,然后向特征向量空间投影,得到投影点B,魏和Z之间的最小
距离,所对应i幅图像就是待识别图像。实验结果如下表5.3所示:

表5-3三种人脸识别方法实验结果比较 采用方法 小波变换+PCA 光照补偿+PCA 光照补偿+小波变换+PCA 识别率
73.2%
81.6%

94.5%

5.4结果讨论
通过以上实验,我们可以对文中提出的算法进行验证并得出以下结论。 l、随应用于训练的特征脸个数的增加,原型系统的识别率有所提升。 2、使用类间散布矩阵代替总体散布矩阵作为K-L的产生矩阵,由于考虑了训 练样本的类别信息,所以提高了识别率,降低了运算复杂度,节省了系统 识别时间。 3、由于采用直方图均衡化进行了光照补偿,对主元分析法进行特征提取和识 别受光照影响较大的不足进行弥补,提高了识别率。 4、通过小波变换,使表情的影响得到有效降低,减少了训练时间,提高了识 别率。

山东大学硕士学位论文

第六章结束语

6.1本文总结
随着计算机技术的迅猛发展,人们期望着计算机能具有人的视觉功能,然而 除了一些专用的视觉系统外,迄今为止。还没有较为成功的通用视觉系统。人脸 识别是计算机视觉领域中一个相当困难而又极富挑战性的前沿课题,还处于探索 阶段,离实用还有很长的一段路要走。除了个人身份验证外,安全监控如罪犯跟 踪、反恐怖活动等对高技术的要求,人机智能界面的需要,特别是因特网上包含 人脸图像的大型数据库日益增多,对此类数据库的大量查询和检索等等,对人脸 自动识别的要求日益迫切。人脸识别系统研究主要分为人脸检测、人脸的特征抽 取与识别两个部分。本文从结合小波分析入手,对P(:A人脸识别方法进行了深入 的研究,主要工作可以分为下面的三个部分: l、本文对人脸识别很重要的一个步骤,“人脸预处理”,傲了详细的介绍文中 提到的人脸预处理方法都是从图像处理的角度着手的,主要目的是使人脸图像标 准化,并在一定程度上消除光照的影响。介绍了人脸图像的几何校正、直方图均 衡化和像素灰度值归一化的预处理方法。接着讲述了小波在图像处理中应用,通 过对图像的缩小,能够大大减少人脸识别的计算量,而且也不会导致识别率的降 低。文中所讲述的人脸图像预处理方法还有很多不足之处,还有待于下一步的改。 2、本文从基于图像整体代数特征PCA算法着手,深入分析了K-L变换用于信 息压缩的原理,对基于K-L变换和奇异值分解的PCA人脸技术进行了深入研究,探 讨了识别算法简化问题,提出了一种完整的识另方案,.这一步的工作是实现基于 小波分析和主成分分析的人脸识别原型系统的基础. 3、本文实现了一个基于小波分析和主成分分析人脸识别原型系统。该系统目 前在基于BioID人脸库下检测识别率能达到94%以上。但条件的变化会导致识别率 的降低,如何使系统的性能更加稳定,消除光照的影响,还有待于进一步的实验 研究和改进。

52

山东大学硕士学位论文

6.2人脸识别技术展望
目前,基于生物特征的识别技术很多,如指纹、虹膜、基因等。人脸识别同 这些识别一样,都是基于应用的。正如目前没有一种生物特征识别技术可以适用 于所有的应用场合,人脸识别也是如此。如果要实际的应用一个人脸识别的系统, 首先需要明确系统将要运行的环境和期望达到的性能要求。这些要求越具体明确 越好,因为即使是对实际操作时需求的一个很小的改动,也会很大的影响系统的 性能。需要明确的因素有以下几点。所研究的系统的主要用途、系统的人脸库最 大容量、检测对象的统计数据特征(如种族、年龄、性别等)、工作环境的光照条件、 需不需要被检测者配合检测、期望达到的识别率、可以接受的最低准确率。 由于人脸的自然特性,使人脸识别成为一个非常复杂的问题。经过近20年的 众多科研院所的研究和积累,目前人脸识别技术己经可以在室内控制光照的条件 下达到一定的实用性。人脸识别的影响因素很多,人脸库的大小、光照、年龄等。 在室外的自然条件下,目前所有产品的识别率都较低,还远不能达到实用。随着 图像处理、模式识别、计算机视觉以及神经网络等学科的进一步发展,通过人们 的努力探索,人脸识别技术必将会得到很大的发展。

●●■—-II——————

山东大学硕士学位论文
一——

l——



I一————。_—●——_目墨__—目皇鼍

参考文截
【l】张翠平,苏光大.人脸识别技术综述.中国图像图形学报.2000,11,886—894 【2】何东风,凌捷.人脸识别技术综述.微机发展.2003,12:75.78. [3】李春明,李玉山等.人脸识别技术的研究.河北科技大学学报.2003,l-6. 【4】F.I.Parke.Computer
Generated Animation of Face.Proceeding of the ACM annual

conference,1972,l:451-457.

【5】Lades M,Vorbuggen

J,Buhmann J etal.Distortion invariant

object

recognition in

the dynamic link architecture.IEEE

Tram∞Computer,199l,42(3):300--3 1 1.

[6】李健,廖秋菊.人脸识别方法的研究.人工只能,2006,22(4-2). 【7】王伟,马建光,人脸识别常用方法及其发展现状.兵工自动化,第2l卷第l 期,2002年,49.5 1. [8】罗吴.人脸识别技术研究.贵州工业大学硕士学位论文,2004. [9】谢素艳,王云峰.3D人脸建模和人脸识别技术的发展.甘肃政法成人教育学院 学报,03期,2006年9月,167.168. 【lO】闰娟,程武山,孙鑫.人脸识别的技术研究与发展概况.电视技术,2006年12 期,81.84. 【1 1】Peng
H,Zhang D.Dual eigenspace method for human face recognition.

Electronics,1991,3(1):71—86

【1 2】Wang Huiyuan,Wu Xiaojuan.Weighted
Recognition.

PCA Space and Application in Face

【13】Harmon

L D.The recognition offaces,Science ofAmerica,1973,229:71-82.

[14】陶亮.基于人脸识别的身份认证方法研究.博士学位论文.合肥:中国科学技 术大学.2003. [15】Parke F

I.Computer Generated Animation of Faces.In:Proceedings

ACM Annual

Conference,1 972,l:45 1-457.
[16】艾英山,张德贤.人脸识别技术研究进展.计算机工程.2005,3l(3):10-12 [17】肖冰,王映辉.人脸识别研究综述.计算机应用研究,2005,8:l一5. 【18】周杰,卢春雨,张长水.人脸自动识别方法综述.电子学报,2000,28(4):

山东大学硕士学位论文
102.106。

【19】山世光.人脸识别中若干关键问题的研究.博士学位论文.北京:中国科学与 研究生院,2004. 【20】S.Shah,P
Yang,X.Chen et a1.AdaBoost Gabor Fisher Classifier for Face
on

Recognition.In:Proc.of IEEE International Workshop
of Faces and Gestures.2005

Analysis and Modeling

【2l】M.S.Bartlett,J.R.Movellan,T.J.Sejnowski.Face
Component Analysis.IEEE Trans.on Neural
2002,1450.1464.

Recognition by Independent

Networks.V01.1 3,No.6,November

[22】D.Valentin,H.Abdi,B.Edelman,髓a1.Principal Component
Analyses of Face

and Neural Network Classification?

Images:What

Can Be Generalized in

Gender

Journal of Mathematical Psychology.V01.4 l,1 997,398-4 1 2.

【23】S.Shan,Y Chang,W

Gao,et a1.Curse of

mis-alignment

in face recognition:

problem
3 14—320.

and



novel mis—alignment learning solution.In:Proceeding of The 6m
on

Intemational Conference

Face and Gesture Recognition.Jeju,Korea,2004,

【24】M.H.Thien,Horst
perturbation

Bunkc.Off-Line,Handwritten Transactions
on

numeral recognition by

method.IEEE

Pattem Analysis and Machine

Intelligence.1997,19(5):535—539. 【25】吴丹,林学阎.人脸表情视频数据库的设计与实现.计算机工程与应用,2004 年05期,177.180. 【26】张晓华,山世光,曹波等.CAS—PEAL大规模中国人脸图像数据库及其基本评测 介绍.计算机辅助设计与图形学学报.2005,4(31):9-17. [27】Keren
Tan

and

Songcan

Chen.Adaptively weighted

sub—pattern PCA for face

recognition.Neurocomputing,Volume 64,March 2005,Pages 505-5 1 1
【28】Bruce A.Draper,Kyungim Back,Marian
Stewart Bartlett and J.Ross Beveridge;

Recognizing faces丽m PCA and ICA.Computer Vision and Image Understanding, Volume 9 1,Issues I-2,July-August 2003,Pages 1 1 5-1 37. [29】S.Noushath,Q Hemantha Kumar and P.Shivakumara;Diagonal Fisher linear

discriminant analysis

for

efficient face

recognition[J];Nettrocomputing,Volume 69,

55

山东大学硕士学位论文
一II
_

II■—■—■———●墨皇皇

Is龇嚣13?15,August 2006,Pages 1711-1716

【30】Daoqiang

Zhang,Songcan Chen and Zhi—Hua Zhou;A new face recognition
on

method based

SVD perturbalion for single example image per

person[J];

Applied Mathematics and Computation,Volume 1 63,Issue 2,1 5 April 2005,Pages
895.907

【3 l】庞彦伟,刘政凯,俞能海,张迁,融合奇异值分解和线性鉴别分析的人脸识 别算法,电路与系统学报,第ll卷第4期,2006年8月,47.50 【32]Alexander
Thomasian,Yue Li and

Lijuan

Zhang;Exact k-NN queries

on

clustered

SVD datasets;Information Processing Letters,Volume 94,Issue 6,30 June 2005, Pages 247-252

【33】Jeff Fortuna and and

David Capson;Improved support vector classification using PCA

ICA feature space

modification;PaRem Recognition,Volume

37,Issue 6’June

2004,Pages 1117-1129

【34】Jian

Yang,Xiumei Gao,David Zhang and ring-yu Yang;Kernel ICA:An formulation and its application
to

alternative

face

recognition[J];Pattem

Recognition,Volume 38,Issue 10,October 2005,Pages 1784-1787

【35】Ming

J.Zuo,Jing Lin

and

Xianfeng Fan;Feature separation using ICA for



one-dimensional time series Sound and

and

its application in fault

detection[J];Journal

of

Vibration,Volume

287,Issue 3,22 October 2005,Pages 614-624

【36】D.Ramasubramanian and based on
the

Y V Venkatesh;Encoding and recognition of faces 34,Issue

human visual model and DCT;PaRern Recognition,Volume 2001,Pages 2447-2458

12,December

[371孙永宣,何柯峰,胡良梅,一种新的基于DCT变换的人脸表征,合肥工业大 学学报(自然科学版),第29卷第11期,2006年11月,1396—1399 [38】Khaled
Assaleh and Yousef A1一assaf;Features causable patterns in control extraction

and

analysis

for

classifying

charts;Computers&Industrial 168?181

Engineering,Volume 49,Issue l,August 2005,Pages

[391贾永红.计算机图像处理与分析.武汉:武汉大学出版社.2001,50-52. [40】孙即祥.图像处理.北京:科学出版社.2004,146-149.

山东大学硕士学位论文

【4 l】Q.Xiao

and H.Rafat.Fingerprint image postprocessing:a combined statistical and

structural approach.Pattern Recognition,1 99 1,24(1 0):895—992.

【42】章毓晋.图像工程(上册)图像处理和分析.北京:清华大学出版社,1993,3. 【43】G Strang.Wavelet transforms
1 993,v01.28,PP.288-305. VS.Fourier

Transforms[J].Bull.AIIler.Math.Soc.

[44】Yang Jian—guo,Wavelet

Analysis and Its Engineering Applications,China Machine

Press,Beijing,China,2005. p5】T-Onsay and A.G Haddow,Wavelet transform analysis
propagation in


of transient wave

dispersive

medium,J.Acoust.Soc.Am.v01.95,n.3,1 994:

1441—1449.
【46】A.R Calderbank,I.Daubechies,W Sweldens,B.L.Yeo,Wavelet map integers [47】Lee M
to intergers,J.Appl Comput Harmon

transforms that

Anal(ACHA),1998:322-369.

C,Pun C

M.Texture

classification using dominant wavelet packet ellergy
Oil

features.Proc.of

the 4th IEEE Southwest Symposium

Image Analysis

and

Interpretation,2000:301-304.

[48】M.Pantie,L J.M.Rothkrantz.Automatic
the art.IEEE Trans.Pattern

analysis of facial expressions:The state of

Anal.Mach.Intell.,2000,22(12):1424-1445.

[49]彭辉,张长水等.基于K-L变换的人脸自动识别方法.清华大学学报.1997,3:
67—70.

[50】孙大瑞,李力杰,吴乐南.人脸识别中优化特征空间方法的研究.信号处理, 2001,17(6):510-514. f5 1】Nikolaidis A
Pitas L Facial feature extraction and

pose

determination.Paaern

Recognition,2000,33:1783-1791.

【52】Yuen

PC,Dai D of

Q,Feng G C.Wavelet-based
the
IEEE Southwest

PCA for

human
On

face recognition.In:

Proceeding

Symposiuam

Image Analysis

and

Interpretation,1 998,223-228.

57

山东大学硕士学位论文

致谢

伴随着论文的完成、答辩的到来。回望过去,总有无数的感激将我淹没,三 年里得到过太多人的帮助和关爱,在此,我想对关心和帮助过我的所有老师和同 学,对一直支持着我的家人致以真诚的谢意! 首先衷心感谢我的导师姜威教授,在论文的选题、论文的撰写与修改以及论 文定稿的整个过程中,都得到了姜老师细致而耐心的指导。在我三年的硕士学习 和生活中,姜老师严谨的治学态度,精益求精的工作作风,诲人不倦的高尚师德, 严以律己、宽以待人的崇高风范,朴实无华、平易近人的人格魅力对我影响深远。 不仅使我树立了远大的学术目标、掌握了基本的研究方法,还使我明白了许多待 人接物与为人处世的道理。是姜老师的无私关怀和指导、相对的自由和宽容,给 我提供了一个优异的读研环境和自身提升的机会,对此,我由衷地表示感谢! 其次,我要感谢校、院领导和答辩委员会的教授,是他们给了我继续学习深 造的机会,并帮助我找到下一步努力的方向。 最后,感谢一直为我付出那么多的亲人,永远都不可能完成对他们亲情的报 答,唯有用我最珍惜、最美好的明天带给他们会心的微笑。

李文革

基于主成分分析的人脸识别
作者: 学位授予单位: 李文革 山东大学

相似文献(10条) 1.学位论文 王志海 仿生模式识别在人脸识别中的应用 2004
由于在身份鉴别中的重要作用,人脸识别正日益成为模式识别,计算机视觉和人工智能领域的热点之一.该文提出了一种基于仿生模式识别的人脸识别 新方法.对仿生模式识别理论在人脸识别中的应用模型作了讨论,并且介绍了一种新的人脸特征提取方法.实验结果表明该方法克服了对未训练类型的人脸 误识问题,提高了人脸识别系统的训练速度以及正确识别率.同时,实验结果也说明:(1)基于仿生模式识别建立的人脸识别系统,对每类样本的训练独立,对 于新增类型,不会影响原有的已经训练好的类型.(2)仿生模式识别采用高维空间复杂几何形体覆盖的方法构造样本空间.(3)实验的训练数据是有顺序的 ,连续的,这也是仿生模式识别系统实现的基本要求.(4)该论文研究了仿生模式识别在人脸识别中的应用,并取得了很好的效果,可见,仿生模式识别应用于 人脸识别系统是值得研究的一个新方向.

2.学位论文 孟蕊 基于Gabor特征的二次分类法在人脸识别中的应用 2007
人脸识别是模式识别和图像处理领域最前沿的研究课题之一,由于其在司法、公安、安全等领域有着广泛的应用前景,近年来人脸识别受到了广泛 的关注。 人脸识别问题涵盖了计算机视觉、神经网络、数字图像处理和模式识别等众多学科,它主要分为三个部分:人脸检测、特征提取和分类器的设计 ,本文主要研究特征提取和分类器设计两个部分,特征提取是从人脸图像中提取可以用来分类的信息;而分类器的设计部分是利用提取的特征进行识别 分类。 本文提出一种基于Oabor特征的二次分类方法,在该方法中对于特征提取部分,采用的是Gabor特征;对于分类器部分,采用了结合仿生模式识别与 纠错SVM的二次分类器。本文做了大量的仿真实验,在特征提取部分将Gabor特征与主成分分析法和Fisher脸方法进行对比,分类器部分与最近邻、仿生 模式识别、纠错SVM进行比较,二维Gabor函数可以较准确的描述人脑视觉皮层简单细胞的感受野;二次分类器将基于仿生模式识别理论的超椭球神经网 络方法与具有纠错能力的SVM方法结合起来,首先使用超椭球神经网络进行第一次分类得到中间结果,再将拒识、多识样本放入具有纠错能力的SVM中进 行二次分类。这种方法兼具仿生模式识别和纠错SVM的优点,并可以克服对未训练样本的误识率高的问题,同时也具备纠错SVM方法的纠错能力。因而将 Gabor特征与二次分类器相结合具有更好的分类效果。在Cambridge ORL,Yale和AR太阳镜人脸子库,AR围脖人脸子库的仿真实验结果表明,以Gabor特征 为输入矢量,应用二次分类方法进行图像识别,正确识别率分别达到了99.75%、99.001%、97.9%、97.62%。

3.期刊论文 王志海.赵占强.王守觉 仿生模式识别在单镜头人脸识别中的应用 -模式识别与人工智能2004,17(1)
提出了一种基于仿生模式识别(Biomimatic Pattern Recognition)和多权值神经元网络(Multi-Weights Neural Network)的人脸识别新方法.对仿生 模式识别理论在人脸识别中的应用模型作了讨论,并且介绍了一种新的人脸特征提取方法.本文通过实验对本文提出的基于仿生模式识别的方法和基于K近 邻的方法做了对比,实验结果表明本文的方法克服了对未训练类型的人脸误识问题,提高了人脸识别系统的训练速度和正确识别率.

4.学位论文 徐春明 基于子空间分析的特征抽取及人脸识别技术研究 2006
人脸识别是近年来模式识别和图像处理领域的研究热点之一,对该问题的研究有助于模式识别和信息安全的发展。而特征抽取是模式识别研究的最 基本问题之一,特征抽取方法对于图像识别起着关键的作用。在人脸识别领域,常用的人脸识别方法有主成分分析方法,线性鉴别分析方法等。其中 ,主成分分析和线性鉴别分析是最为常用的特征抽取方法,在人脸识别领域得到了较多的关注。最近,核技术的发展进一步促进了这两种传统的特征抽 取方法的发展,出现了核主成分分析和核鉴别分分析这两种非线性的特征抽取方法,可以解决原始的样本在线性空间可能不可分的问题,基于核的特征 提取方法也得到了迅速的发展。另外,经典的主成分分析和线性鉴别分析需要先将图像拉伸成一个高维向量,再进行特征抽取,需要较多的特征抽取时 间,研究者提出了二维主成分分析和二维线性鉴别分析,使得特征抽取速度大大加快。由于它们都是基于子空间的算法,将之统称为子空间分析方法 ,本文基于上述几种特征抽取技术对人脸识别方法进行了研究。 本文提出了一种基于二阶特征脸和核主成分分析的人脸识别。首先利用二阶特征脸算法,得到二阶特征脸图像。然后运用核主成分分析分别抽取原 始图像和它对应的二阶特征脸图像的核主成分特征,最后将它们组合成一个组合特征向量,进行人脸识别。由于抽取出的两种核主成分特征分别对应于 人脸图像的高频和低频特性,具有一定的互补性,从而取得了比核主成分分析和二阶特征脸方法更好的识别结果。 本文在基于核的广义鉴别特征模型的基础上,提出了一种新的核广义特征抽取方法。利用空间变换的有关理论,使得变换后的核总体矩阵满足非奇 异性;同时通过核的共轭特征抽取方法,抽取满足核共轭正交条件的特征向量,使抽取的特征满足统计不相关性。在ORL人脸库上的实验表明了所提方法 的有效性,达到了比核鉴别分析等方法更好的识别效果。 本文在分析二维主成分分析和图像并行特征抽取的基础上,提出了一种基于图像并行融合特征的人脸识别方法。首先揭示了图像并行压缩特征的本 质,然后运用图像并行特征抽取方法,抽取原始图像的两种图像并行特征,抽取的两种图像并行特征分别反映了原始图像的行向量信息和列向量信息 ;并将它们组合成一个复数特征向量,最后运用酉空间中线性鉴别分析的有关知识,抽取更加有利于分类的线性鉴别特征。在Yale标准人脸库上的实验 结果表明,所提出的方法不仅在识别性能上优于传统的主成分分析方法,也优于直接的二维主成分分析和基于图像并行特征的方法。 本文在二维主成分分析和二维线性鉴别分析的基础上,构造了一种直接基于图像矩阵的特征抽取框架模型,该模型较好地融合了二维主成分分析和 二维线性鉴别分析这两种经典的直接基于图像的特征抽取方法,为特征抽取提供了一个更一般的模型。理论分析表明,二维主成分分析和二维线性鉴别 分析都是本文的图像特征抽取模型的一种特殊情形。最后,在AR人脸库上的实验结果表明,所提出的图像投影鉴别分析方法取得了更好的识别效果。 本文提出了一种基于协同学的人脸分类集成方法。选择不同的训练样本作为原型模型,以增加原型模型的多样性;识别时,将序参量转化为后验概 率,分别运用投票法和基于和的后验概率集成方法进行识别,并提出了一种改进的基于和的后验概率集成方法,来提高集成的效果。另外,将核主成分 分析和协同模式识别进行了结合,即在运用协同模式识别之前,采用核主成分分析获得原始图像的最优非线性表示,以提高模式的可分性,并消除图像 冗余信息的影响,然后再进行协同人脸分类。在Yale人脸库上的实验结果表明所提方法的有效性,仅用3个训练样本就得到了较高的识别率。

5.学位论文 袁崇涛 基于神经网络的人脸识别算法研究 2006
人脸识别技术作为图像处理和模式识别的最重要的应用之一,正逐渐成为热门的研究课题。它在公安,银行及海关等机要部门有着广泛的应用前景 。 人脸识别问题涵盖了图像处理、模式识别和计算机视觉等多个领域,它主要有两个部分:特征提取和模式识别部分。特征提取识从人脸图像中提取 可以用来分类的信息;而模式识别部分是利用提取的特征进行模式分类。 对于特征提取部分,本文中采用的是基于统计的特征,分别是基于KL变换(KLT)或主成分分析(PCA)的特征脸方法和基于线性判别分析(LDA)的 Fisher脸方法。 对于模式识别部分,首先采用了纠错支持向量机(SVM)方法和超椭球神经网络方法,其中纠错SVM方法有着较高的正确识别率;而超椭球神经网络方 法是仿生(拓扑)模式识别理论的一个应用形式,它对未训练样本有着较低的错误接受率。基于以上两点,本文提出了一种二次分类方法。它将基于仿生 模式识别理论的超椭球神经网络方法与具有纠错能力的SVM方法结合起来,首先使用超椭球神经网络进行第一次分类得到中间结果,将全体训练样本和中 间结果放入具有纠错能力的SVM中进行二次分类。这种方法兼具仿生模式识别和纠错SVM的优点,并可以克服对未训练样本的误识率高的问题,同时也具 备纠错SVM方法的纠错能力,因而具有比以上两者更好的分类效果。在CambridgeORL人脸库的仿真实验结果表明,以Fisher脸特征为输入矢量,应用二次 分类方法进行图像识别,正确识别率达到了99.25﹪。

6.会议论文 莫华毅.王志海.王守觉 仿生模式识别在人脸识别中的应用 2003
提出了一种基于仿生模式识别和多权值神经元网络的人脸识别新方法。对仿生模式识别理论在人脸识别中的应用模型作了讨论,并且介绍了一种新

的人脸特征提取方法。实验结果表明该方法克服了对未训练类型的人脸误识问题,提高人脸识别系统的训练速度以及正确识别率。

7.学位论文 丁勇 基于小波变换的正则化人脸预处理和演化人脸识别 2007
人脸识别研究起源于众多科技工作者追求计算机人性化的美好构想,目标是赋予计算机根据人脸自发辨别人物身份的能力,具有极其重要的科学意 义和非常巨大的应用价值。人脸识别作为一个科学问题,是一个典型的图像处理、模式分析、理解与分类计算问题,涉及模式识别、自然与演化计算、 计算机视觉、智能人机交互、图形学、认知科学等多个学科。作为生物信息识别关键技术之一的人脸识别技术在国家安全、公共安全、信息安全、金融 等多种领域具有巨大的应用前景。 经过三十多年的发展,人脸识别技术取得了长足的进步,目前最好的人脸识别系统在理想情况下已经能够取得可以被研究人员接受的识别性能,但 众多人脸识别系统理论、应用研究、开发、市场工作者和用户的测试和实践经验表明:非理想条件下(包括多种变化因素影响下)的人脸识别仍未较成熟 。要开发出真正广泛应用于市场的鲁棒、实用的人脸识别应用系统还需要解决大量的理论和应用技术问题,尤其需要研究核心问题:(1)作为实际应用识 别必要前提条件的人脸关键特征检测和精确定位;(2)人脸预处理和高效鲁棒的人脸特征描述识别算法。 本文重点探讨了人脸识别中的上述核心问题之一:人脸预处理和高效鲁棒的人脸特征描述识别算法。本文的主要研究工作包括如下几个方面: 1.总结了现有的主要人脸图像数据库的情况,讨论了人脸识别领域目前仍面临的重要开放问题之一:人脸特征描述。 2.推导出了人脸预处理中的亮度归一的相对完整表达式,较详细地重新推导基于小波变换的正则化方法并将其第一次应用于人脸预处理中的降质人 脸恢复,实验恢复效果在一定程度上较优于传统常用正则化方法。 3.研究了Gabor小波网络人脸特征描述方法,对其进行自然演化优化,提出和实现了IOEA-GWN人脸识别新算法,实验显示在一定程度上提高了受多 种变化因素影响下的人脸识别率。 4.对本文人脸识别的后续工作做了分析和展望,得出结论:可以通过例如GEP等各种新型演化的方法来提高GWN优化效果从而提高人脸识别率,可启 发相关和其他模式识别领域的研究者改进或创新应用于各种模式识别领域中。

8.学位论文 隋广洲 基于若干代数特征的人脸识别算法研究 2007
人脸识别是近年来模式识别和图像处理领域的研究热点之一,对该问题的研究有助于模式识别和信息安全的发展。而特征抽取是模式识别研究的最 基本问题之一,特征抽取方法对于图像识别起着关键的作用。在人脸识别领域,基于代数特征的人脸识别方法因其计算简单、有效等特性引起了人们的 广泛注意,现已成为人脸图像特征提取和识别的主流方法之一。本文结合几种基于代数特征的人脸识别算法,对其中的部分问题分别进行了探讨,并给 出了相应的解决方案。 本文工作包括: (1)对基于奇异值分解(SVD)、主成分分解(PCA)、Fisher线性鉴别分析(FLD)以及二维主成分分解(2DPCA)理论做了详细的分析和介绍。这几种方法是 人脸识别领域广泛运用的基于代数特征的特征提取和识别的方法。经过长期不断的试验证明尽管每种方法都有其独特的优越性,但同时每种方法也都具 有各自的弊端,仍然达不到明显的理想的识别效果。本文利用试验给出了各种方法在ORL人脸库中的识别结果。分析比较了各种方法的特征提取的优劣性 。 (2)在分别介绍了SVD和PCA的人脸特征提取方法之后,提出了SVD和PCA相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互 补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋 转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据 库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。 (3)2DPCA方法是在PCA方法的基础上提出的,具有比PCA方法有更多的优点,识别率更高。FLD方法更清楚的体现了各类别之间及类内部各元素间的关 系,使提取的信息更具有独立性,根据FLD这个特点本文在利用2DPCA进行特征提取的过程中使用了FLD中的类间散布矩阵提出基于类间散布矩阵的 2DPCA人脸识别算法,并且根据加法融合理论提出了FLD+2DPCA识别算法,由两种融合算法期望达到更良好的识别性能,试验结果证明所提出的方法达到 了预期的融合效果。

9.学位论文 张生亮 大类别及少量训练样本的人脸识别问题研究 2005
人脸识别是当前模式识别和图像处理领域的研究热点,属于生物鉴别技术(Biometrics)的一部分。人脸识别~般分为人脸检测、特征抽取和模式 分类三个部分。人脸识别中常遇到的问题是样本维数高、类别数大以及每人只能提供少量的训练样本。针对这些问题该文进行了研究。 在训练样本较小时,向量形式的人脸识别是高维小样本问题,可以用奇异值分解定理减少计算量。可是由于人数众多,人脸识别并不是小样本问题 。在类别较大的情况下如何有效地抽取特征是人脸识别的首要问题。二维投影利用表示图像的矩阵直接抽取特征,计算量主要与图像的大小有关,能适 用于大类别的人脸识别。针对二维投影抽取出的特征是矩阵,存在特征之间的冗余度大、特征数量多、不利于存储和分类等弱点,该文通过两种办法进 一步降低二维投影抽取出的特征数量。一是利用两次二维投影进行双向压缩,在横向压缩后,对矩阵转置后在纵向再压缩一次;另一种是对二维投影后 的样本再作一次向量形式的特征抽取。还提出了一种基于类间散布矩阵的二维主分量分析方法,利用了已知的类别信息,比用总体散布矩阵效果更好。 人脸识别所有算法的识别率一般都与每个人的训练样本数正相关。但在实际应用中,要求每人提供多幅图像并不合理,常常每人只提供了一个训练 样本。该文通过对称、平移、尺度和旋转等变换增加虚拟图像提高了识别率。通过对人脸图像的左右两边施行不同的尺度变换,由正面人脸图像可以生 成出人脸旋转一定角度的近似图像,作为增加的训练样本。在增加虚拟样本后,解决了类内散布矩阵为零的问题,使得基于Fisher准则的各种方法对单 训练样本的人脸识别也可以使用。在FERET人脸库和ORL人脸库上的实验表明,通过增加虚拟图像对提高识别率作用显著。 人脸识别中类别数特别多,要想用一种特征一次性把所有类别都分开是不现实的。该文提出了一种树型结构的多级分类的方法。使用快速的二维投 影方法,在大范围内找出每一个待识样本的若干候选类别,再分别对待识样本在其相应的候选类别内进行特征抽取和识别,减小了匹配范围提高了识别 率。在FERET、人脸库上的实验表明,经筛选后在候选类别中识别的正确率有12%以上的提高。该文提出了用均值和方差对图像进行光照标准化的方法。 不同方法抽取的特征反映了模式对象在不同标准下的样本的本质和分类能力。在一种特征空间很难区分出来的样本,可能在另一特征空间里可以很 容易地分开。因此,将不同方法抽取的特征有机地结合在一起,就可能得到更好的分类性能。经 研究发现,用一维投影方法与二维投影方法抽取的人脸特征之间存在互补性。该文用复向量并行地将两组特征融合在一起进行人脸识别,用复线性 投影分析抽取融合后的特征,减少特征抽取数量的同时提高了识别率。

10.期刊论文 王守觉.曲延锋.李卫军.覃鸿 基于仿生模式识别与传统模式识别的人脸识别效果比较研究 -电子学报 2004,32(7)
本文实现了一种基于仿生模式识别的人脸识别系统,并将其识别效果同最近邻分类器与不同核函数的SVM进行了分析比较.以ORL人脸库为识别对象,针 对有"拒识"的情况下,通过改变不同识别算法的可调参数,在保证参与训练人的正确识别率在大致相同水平的条件下,分析了参与训练人的错误识别率(错 识别为参与训练的其他人)与未参与训练人的错误接受率(错识别为参与训练的某人)的优劣.比较结果表明,基于仿生模式识别的方法明显优于其它模式识 别方法.

本文链接:http://d.g.wanfangdata.com.cn/Thesis_Y1421845.aspx 授权使用:西北农林科技大学(xaxbnlkjdx),授权号:88743950-3ec6-4938-84d0-9e5d01021f7f 下载时间:2010年12月31日


相关文章:
基于主成分分析的人脸识别_图文.pdf
基于主成分分析的人脸识别 - 山东大学 硕士学位论文 基于主成分分析的人脸识别 姓名:李文革 申请学位级别:硕士 专业:通信与信息系统 指导教师:姜威 20081001 山东...
基于主成分分析的人脸识别的主要步骤和方法.doc
基于主成分分析的人脸识别的主要步骤和方法 - 龙源期刊网 http://www.qikan.com.cn 基于主成分分析的人脸识别的主要步骤和方 法 作者:许萌 来源:《科技经济市场...
基于主成分分析的人脸图像识别.doc
基于主成分分析的人脸图像识别 - 德州学院 物电学院 2014 届 电子信息工程专业 毕业论文 基于主成分分析的人脸图像识别 *** (德州学院物理与电子信息学院,山东...
基于集成主成分分析的人脸识别.pdf
基于集成主成分分析的人脸识别 - 设计了一种基于主成分分析的分类器集成方法.应用
基于主成分分析的人脸识别的主要步骤和方法_论文.pdf
基于主成分分析的人脸识别的主要步骤和方法 - 科技经济市场 技术平台 基于主成分分析的人脸识别的主要步骤和方法 许? 萌 (西北工业大学, 陕西? 西安? 710129...
基于主成分分析(PCA)的人脸识别算法研究_论文.pdf
基于主成分分析(PCA)的人脸识别算法研究 - ELECTRONICS W0RLD ? 基于 主成 分分析(PCA)的人 脸识别 算法研 究 北京联 合...
一种基于改进主成分分析的人脸识别方法.pdf
一种基于改进主成分分析的人脸识别方法 - 提出一种主成分分析(PCA)和遗传算法
基于概率主成分分析的人脸识别_图文.pdf
基于概率主成分分析的人脸识别 - 第 33 卷第 1 期 Vol. 33No.
基于主成分分析和Softmax回归模型的人脸识别方法_论文.pdf
基于主成分分析和Softmax回归模型的人脸识别方法_数学_自然科学_专业资料。
基于主成分分析法的人脸识别的探讨与研究.pdf
基于主成分分析的人脸识别的探讨与研究 - 第 19 卷 第 20 期 电子设计
基于二维对称主成分分析的人脸识别_图文.pdf
基于二维对称主成分分析的人脸识别 - 第 29 卷 6 期第 2008 年 6
基于主成分分析的超声人脸识别算法研究.pdf
基于主成分分析的超声人脸识别算法研究 - 针对超声波探测人脸识别系统中多通道探测
用于人脸识别的两类主成分分析融合_论文.pdf
用于人脸识别的两类主成分分析融合 - 分析了基于总体离散度矩阵和总类间离散度矩阵的主成分分析的原理。利用两种方法分别提取人脸特征并进行识别。对两种方法获得的...
基于四元数主成分分析的人脸识别算法_论文.pdf
基于四元数主成分分析的人脸识别算法 - 本文把四元数矩阵运算引入主成分分析,提出
基于主成分分析的特征脸提取及人脸识别实现_论文.pdf
基于主成分分析的特征脸提取及人脸识别实现 - 基于主成分分析的方法,对OLR人脸图像样本库做特征脸提取,然后作人脸识别。依据SVD定理及其推论,使得计算特征值和特征...
基于集成主成分分析的人脸识别.pdf
基于集成主成分分析的人脸识别 - 第 28 卷第 1 期 2008 年 1 月
基于对称的二维主成分分析及其在人脸识别中的应用_论文.pdf
基于对称的二维主成分分析及其在人脸识别中的应用 - 在二维主成分分析算法中引入了对称性思想,提出了基于对称的二维主成分分析算法(STDPCA)。在该算法中,首先把...
基于PCA和ICA的人脸识别.pdf
由于 的脸像矩阵差异较大 ,因此 ,人脸识别中所选取的特 前大多数人脸识别算法是基于无监督统计方法 , 其中主成分分析 (principle component analysis ,PCA) [1 ...
基于核主成分分析的人脸识别_图文.pdf
基于主成分分析的人脸识别 - 第 2 7 卷第 8 期 2006 年 8 月
基于框架变换和PCA分析的人脸识别方法及实现_论文.pdf
基于框架变换和PCA分析的人脸识别方法及实现 - 研究了利用紧框架变换和主成分分析获取人脸特征,设计分类器进行分类识别,通过边缘信息和弱分类器的不同权值对分类识别...
更多相关标签: