融合全局与局部特征的子空间人脸识别算法
第28卷 第10期2005年10月
计 算 机 学 报
C HIN ESE J OU RNAL OF COM PU TERS
Vol.28No.10
Oct.2005
收稿日期:2004203218;修改稿收到日期:2005206209.本课题得到国家自然科学基金(60332010,60335010)和国家“九七三”重点基础研究发展规划项目基金(2004CB318100)资助.王蕴红,教授,博士生导师,主要研究领域为生物特征识别和数字水印.具体研究兴趣为人脸识别、虹膜识别、笔迹识别、指纹识别、多生物特征融合等.E 2mail :wangyh @https://www.wendangku.net/doc/b86339349.html,.范 伟,1978年生,硕士,研究方向为图像处理、模式识别、机器学习等.谭铁牛,博士,研究员,博士生导师,主要从事图像处理、计算机视觉和模式识别等相关领域的研究工作,目前的研究主要集中在生物特征识别、图像理解和数字水印等方面.
融合全局与局部特征的子空间人脸识别算法
王蕴红
1),2)
范 伟1) 谭铁牛
1)
1)
(中国科学院自动化研究所模式识别国家重点实验室 北京 100080)
2)
(北京航空航天大学计算机学院 北京 100083)
摘 要 文章的工作基于子空间分析框架,从特征融合的角度模拟人类视觉系统的自适应识别功能进行人脸识
别.首先,利用主成分分析(Principal Component Analysis ,PCA )提取人脸全局特征,在一个低维的“人脸子空间”中依照最近邻法则匹配测试样本;然后,针对人脸局部特征,提出了一种根据各局部子块(如眉、眼、鼻、嘴)的特征偏离程度进行自动加权的算法;最后,基于模糊综合的原理对全局与局部特征进行数据融合,给出最终识别结果.实验表明,该算法能很好地结合人脸图像全局和局部的互补信息,识别效果优于各单一模块的分类性能.关键词 人脸识别;主成分分析;局部特征;全局特征;模糊综合中图法分类号TP18
F ace R ecognition B ased on Information Fusion
WAN G Yun 2Ho ng 1
),2)
FAN Wei 1) TAN Tie 2Niu 1)
1)
(N ational L aboratory of Pattern Recognition ,I nstit ute of A utomation ,Chinese A cadem y of Sciences ,B ei j ing 100080)
2)
(School of Com p uter S cience and Engineering ,B ei hang Universit y ,B ei j ing 100083)
Abstract In t his paper ,a met hod based on t he f usion of glo bal and local facial feat ures in t he framework of subspace analysis for face recognition is propo sed.PCA (Principal Component Analysis )is performed to ext ract global feat ures ,and t he result s are t hen sent to a NN (Nearest 2Neighbor )classifier for recognition.A special st rategy is used to combine different local feat ures such as eyes ,eyebrows ,no se and mout h according to t heir respective salience.The idea of FI (f uzzy integration )is adopted to f use bot h global and local feat ures and t he final result is given.The experiment s on t he NL PR database demonst rate t he effectiveness and feasibility of t he pro 2posed met hod.
K eyw ords face recognition ;p rinciple component analysis ;local feat ure ;global feat ure ;f uzzy integration
1 引 言
作为一个经典的模式识别问题,计算机人脸识别的成功离不开合理的特征提取和有效的分类器设计策略.上世纪60年代末,人脸识别的早期探索者
们挑选出一些人脸面部的几何特征(如眼睛、鼻子、
嘴、下巴的形状和相对位置,所有关键点均为手工标定)作为分类器的输入,识别效果差强人意.在80年代末,K irby 和Sirovich [1]将K L 变换的思想引入图像表示领域,开发出一种最小均方误差意义下描述人脸图像的最优技术,受此启发,Turk 和Pent 2
land[2]利用重构权向量作为识别用的特征,提出“特征脸”识别技术,人脸识别领域迎来了“基于表征”(appearance based)的子空间分析方法的研究热潮.其中比较有代表性的工作有主成分分析(PCA)[2]、线性判别分析(LDA)[3]、独立成分分析(ICA)[4]、Bayesian方法[5]、基于核技术的Kernel PCA[6]、Ker2 nel LDA[7]等等.
同真实世界的生物识别系统相比,现有人脸识别算法的一个普遍的弱点是缺乏根据环境的自动调节性.人类的感知通道可以轻易地随着光线、视点、姿态等条件的变化,调整其加之于待识别目标的关注焦点.认知科学的相关研究[8]表明,面对未知对象,人和其他高等动物会自动提取出目标最有“意义”特征信息,然后把它们组合起来作为识别的依据.如果现有的算法具备了这种“自适应”识别能力,将对最终识别效果的提升起到不可估量的作用.本文的研究目的就是试图在这个方向上进行一些初步的探索,提出了一种融合全局与局部特征的人脸识别算法.
在此之前,一些研究人员也曾作过类似的尝试, Kalocsai等人[9]用统计的方法比较了正面人脸不同的48个特征点在描述整个人脸模式中所起的作用,并据此赋予它们不同的权值.Pentland等人[10]则将“特征脸”技术用于人脸各局部器官,从而产生“特征眼”、
“特征鼻”、
“特征嘴”的概念,融合各“特征器官”以达到人脸识别的目的.然而,这些方法在赋予各局部特征权值的时候,并没有针对每一个体进行优化,而是采用的一种笼统的加权策略,这无疑会在实际识别的过程中丢失许多待识别者所独有的“个性特征信息”.
本文提出的识别算法是基于子空间分析的整体框架,利用经典的PCA方法提取人脸图像的全局特征和面部主要器官(即眉毛、眼睛、鼻子、嘴)的局部特征;各局部特征按照其个性化程度进行加权组合,给出第一级特征融合的输出结果;为了加入各局部特征之间的相对位置关系信息,基于模糊综合的思想融合全局特征分类器的输出,得到最终的识别结果.我们在一个小规模的人脸库上进行了大量测试,结果表明通过两级融合策略,算法能很好地结合人脸图像全局和局部的互补信息,识别效果优于各单一模块的分类性能.
本文第2节简单介绍主成分分析(PCA)的工作原理及其提取人脸全局特征的算法;第3节提出了一种新颖的个性化局部特征融合算法;第4节讨论如何基于模糊综合思想融合前两部分模块的分类结果;第5节是实验分析与讨论;第6节归纳总结了本文工作的主要结论和贡献.
2 主成分分析与全局特征提取
2.1 主成分分析的工作原理
主成分分析是统计理论中的基本方法之一.一幅人脸图像按列(或行)相连而构成一个n维向量,可被视为n维图像空间中的一个点.由于人脸结构的相似性,当把很多这样的人脸图像归一化之后,它们在这一高维空间中不是随机或散乱分布的,而是存在某种规律———它们在所有n维图像构成的空间中聚类为一个相对低维的“人脸子空间”,或者说它们集中分布在某一特殊的超平面附近.主成分分析(或Karhunen2Loeve分解)的基本思想就是试图找到一组最能反映该分布特点的基向量(或投影方向),用这些基向量来表述“人脸子空间”.表示成数学形式即,按公式(1)中的线性变换把图像X投影到低维空间中的特征向量Y.
Y=W T X(1)其中X∈R n,Y∈R m,n>m,W代表投影矩阵.令n 维向量X i i=1,2,…,m代表图像,μ代表它们的均值.这些样本的协方差矩阵(代表了样本集的离散状况)S t可以表示为
S t=
1
m
∑m
i=1
(X i-μ)(X i-μ)T(2)主成分分析投影矩阵的列向量则是由S t的对应于前k个最大特征值λi i=1,2,…,k的特征向量组成.Turk和Pentland在文献[2]中把这组特征向量叫做“特征脸”(Eigenfaces).
2.2 全局特征的提取
正如文献[11]中提到,PCA的目标是将图像表示在一个最优的坐标系中,此处的“最优”指达到最小重建误差或最小均方意义下的最优表达,因此PCA被广泛地用于人脸图像全局特征的提取.由于任何基于表现的子空间方法都非常依赖于像素灰度之间的相关性,我们在提取全局特征之前有必要进行一系列归一化处理:以手工标定的两眼坐标为基准将所有人脸规整到统一的尺度、位置和角度(即标准的正面人脸),用直方图均衡化操作消除整体光照变化的影响,加入掩模去除头发和背景的干扰.选取最大的前k个特征值对应的“特征脸”,组成一个规范正交的变换阵,使得
8561计 算 机 学 报2005年
∑
k
i =1
λi ∑
M
i =1
λi Εα(3)
在上式中,可以选取α=95%.这说明样本集在前k
个轴上的能量占整个能量的95%以上.
3 局部特征的提取与融合
到目前为止,大多数人脸识别方法主要的依据还只是待识别者面部的全局特征.文献[8]中总结了大量来自心理学和神经科学的关于人类生物识别机理的研究结果,它们对于构造计算机人脸自动识别系统具有重要的参考价值.其中有一些结论就涉及到了人脸局部特征在整个识别过程中的地位与作用.该文特别提到,全局特征和局部特征对于人脸感知与识别都是不可或缺的.但研究表明,全局特征描
述通常作为感知的前端输入信息.如果待识别者拥有特别明显的局部特征,则全局描述就会退居到一个比较次要的地位.本节提出的算法利用主成分分析(PCA )来学习模拟人类视觉系统的自适应特征选择功能,以实现依靠每个人最具“个性”的若干局部特征进行快速人脸识别的目的.3.1 局部特征的提取
在这里局部特征指的是正面人脸中左眉、右眉、左眼、右眼、鼻、嘴共6个子区域,它们包含了一个人面部的主要信息.局部区域的切割依赖于人脸特征点的准确定位,这是一项极其重要也比较困难的任务.本文的重点在于识别算法的研究,因此假定一些关键的特征点(如眉角、眼角、鼻侧点、嘴角)已通过前端的检测模块准确定位.这样,通过适当的归一化处理我们可以得到6个训练样本集,如图
1所示.
图1 局部特征子块的处理过程
若每个训练样本集包含有s 个训练样本,则通过归一化后的图像按行展开为
x i ,j i =1,2,…,6;j =1,2,…,s
(4)其代表第i 个训练样本集中的第j 个样本.对每个样本集的总体离散度矩阵做奇异值分解,求得其非零特征值及对应的特征向量为
λi ,1,λi ,2,…,λi ,r i ,
e i ,1,e i ,2,…,e i ,r i (5)考虑到计算量的大小,可以只选取最大的前若干个特征值对应的特征向量组成的矩阵作为主成分分析的投影矩阵.
P i =e i
,1,e i ,2,…,e i ,k i
T
(6)然后求出第i 个样本集中第m 个人的特征向量
C i ,m =
1
N i
∑N i
j =1
P i
x
i ,m ,j
, m =1,2,…,L (7)
其中L 为待识别人总数,N i 为每个人参与训练的样本数,x i ,m ,j 为第i 个训练样本集中第m 个人的第j 个训练样本.为了得到最能体现每个人面部特征的子块,我们可以计算第i 类样本中每一个特征向量C i ,m 和其他特征向量的平均距离d i ,m
d i ,m =
1
L
∑L
j =1
C
i ,m
-C i ,j (8)
对于第m 个人,将他所对应的i 个类间距离从大到
小排序,每个距离d i ,m 就表示这个人的第i 类局部特征所具有的加权系数,系数越大,表明这个局部特征(如大眼睛、浓眉毛、鹰钩鼻等)越能体现该人的面部“个性”.3.2 局部特征的融合
对一幅未知脸像做预处理,分离出相应的6个局部特征,并按行展开为向量u i .每一个u i 向各自对应的子空间投影,求得投影向量c i =P i u i .定义一个分类判别函数:
h =arg min m
g m c i ,C i ,m
(9)判断未知人脸为第h 类.上式中,g m c i ,C i ,m 是判
别函数,它代表由未知人脸图像的一组局部特征与数据库中相应的L 组局部特征之间的距离.很显然,分类即希望求得两组距离最小的局部特征,从而获得最小的分类错误率.因此,g m c i ,C i ,m 可以通过下式来构造:
g m c i ,C i ,m
=
∑
6
i =1
ωi
c m -C i ,m
2
(10)
其中ωi =d i ,m
∑
6
i =1
d i ,m
,在这里把6个局部特征区域
的比较问题看作是采用加权多数规则(weighted
sum rule )进行信息融合或证据组合的问题.权值ωi
9
56110期
王蕴红等:融合全局与局部特征的子空间人脸识别算法
越大,表明对应的局部特征对判别函数的贡献越大.
4 基于模糊综合的全局与
局部特征融合
通过前面的步骤我们获得了人脸图像的全局和局部特征在子空间中的表示,并分别利用最近邻分类器进行了第一级识别,从后面的实验可以看出它们还很难达到满意的效果.本节中,我们基于模糊综合的思想,在决策层次上研究如何提高最终的识别率.4.1 特征融合的必要性
在介绍具体算法之前,这里先给出一个直观的例子以说明融合的必要性.
图2显示了4个基于全局特征的识别结果.在
图2(a )和(b )的情况下,由于输入的测试脸像有一定的深度旋转,造成几何归一化后的人脸并非位于图像正中,主成分分析算法找到的库中最匹配人物给出了错误的结果,因为此时人脸位置偏移的影响已经超过了不同人脸面部特征之间的差异.而这种错误在基于局部特征的识别实验中被很好地避免了———切割下来的局部特征区域受深度旋转的影响较小.图2(c )和(d )的情况显示了问题的另一面,由于测试脸像中嘴部开合变化很大(与该测试者的其他样本相比),基于局部特征的方法识别效果较差,而基于全局的方法综合面部整体特征后却给出了正确的结果
.
图2 基于全局特征的识别结果示例
4.2 基于模糊综合的融合算法
1965年,Zadeh 提出了他著名的模糊集理论,
作为对传统集合理论的一种推广———每一个元素都
是以一定的程度属于某个集合,也可以同时以不同的程度属于几个集合.由于它对人们现实生活中大量使用的一些含义确定但又不准确的概念提供了非常弹性的描述,模糊技术被认为是解决很多人工智能问题尤其是常识性问题的最合适的数学工具.而人脸识别中的分类就是把样本空间(或样本集)分成若干子集.从人的认知角度出发,同一个人的不同脸像当然属于一个确定集合.然而对于工程实现而言,每个人脸类的先验知识只局限于几个学习样本,由于各种因素的干扰,同一个人样本之间的差异有可能大于不同人样本之间的差异,也即它们在人脸空间中的分布并不很好地满足紧致性.所以我们有必要用模糊子集的概念代替确定子集,从而得到模糊的分类结果,或者说是分类结果模糊化.
在全局特征提取阶段,我们得到了一组投影后的特征向量
Ω=w i ,j |i =1,2,…,p ;j =1,2,…,q
(11)
w i ,j 代表第i 个人的第j 个训练样本在人脸子空间
的投影,这里总共有p 类,每类q 个样本.每个聚类
的离散度可以用各样本到聚类中心m i =1
q
∑
q j =1
w i ,j
的平均距离度量为
d i =
1
q
∑q
j =1
w
i ,j
-m i (12)
假定每个类的样本分布近似服从高斯模型,设输入图像为在人脸子空间上的投影为W.则可以计算出该测试样本对各人脸类的隶属度为
μi W
=1
2
πd i e -(W -m i
)2
2d 2i
(13)
至此,我们获得了待识别样本经“全局特征通道”后
的一组“模糊”识别结果,表示为
Π1=o 1,m 1,1,o 2,m 1,2,…,
o i ,m 1,i ,…,o p ,m 1,p
(14)
这里m 1,i =μi W ,即待识别样本W 的对第i 类o i
的隶属度.
类似地,很容易得到“局部特征通道”的识别结果.为简单起见,将所有训练样本作为识别对象,进行基于局部特征的人脸识别.记录下每个样本经式
0661计 算 机 学 报2005年
(10)计算得到的g m ,其意义等同于式(11)中的w i ,j .为保持符号的一致性,将其记为g i ,j ,代表第i
个人的第j 个训练样本在人脸局部特征子空间的投影.与前面类似的步骤可以得到同一幅输入图像W 经“局部特征通道”后的又一组“模糊”识别结果
Π2=o 1,m 2,1,o 2,m 2,2,…,
o i ,m 2,i ,…,o p ,m 2,p
(15)
将两个通道的结果进行融合,模糊综合函数可以取
S m 1,i m 1,i
=m 1,i m 2,i
1/2
或S m 1,i m 1,i
=
m 1,i +m 2,i
2
(16)
最终的分类判据为,若h =arg max i
S m 1,i ,m 2,i ,则判断未知人脸W 为第h 类.
5 实验分析
为检验以上算法的有效性,我们采用NL PR 人脸库①中的部分样本在Matlab6.0环境下进行了仿真实验.所有样本分属20
人,每人15幅,共计300幅标准的人脸图像.其中大多数均为正面人脸,包含了各种表情、平面内旋转、小幅度俯仰姿态、深度旋转.由于采自3个不同时间段,故也混合了不同的光照、图像分辨率等变化的条件.图3显示了NL PR 人脸库中的代表图像.
图3 NL PR 人脸库示例图像
5.1 基于全局特征的识别结果
实验中,每个人的15幅图像被分成两份,一份
(前6幅)用来训练,一份(后9幅)用来识别,并且所
有训练样本均参与了Eigenface 的计算和分类器的设计.图4圆形点曲线显示了选择不
同数量的Eigenface 对识别率的影响(PCA ).从图中看出只选
用前面40个左右的Eigenface 已经能够达到较好的
识别效果了(Recognition Rate =86.11%),此时式
(3)中的阈值约为85%,集中了样本集分布的主要
成分.
图4 不同数量的Eigenface 对识别率的影响
Pentland 等学者提出过一个经验性的结论:由
于前3个特征向量主要反映了不同样本之间的光照变化差异,将它们排除在构造人脸子空间的“特征脸”之外,可以收到更好的效果.
实验中也作了这方面的对比测试,图4中的方形点曲线就代表了去掉前3个“特征脸”后(PCA w/o 3)的识别率.5.2 基于局部特征的识别结果
我们对加权系数不同的局部特征进行了分别实验和组合实验.表1是实验时NL PR 库中某对象的各局部特征按“个性化程度”从大到小排列的示意.
图5给出了使用单个局部特征进行识别的结果,即对每一个人只用一个特征来代表他,而这个特征的权重由其对应的ωi 决定,图5(b )给出了使用不
同的局部特征组合的识别结果.
从图5中可以看出,只用单个局部特征的识别效果很差,一方面是因为每一局部特征区域的面积很小,包含的信息有限;同时主成分分析实质上依赖于图像像素灰度之间的相关信息,对几何校准的精确度十分敏感.通过组合各局部特征,识别效果有了明显的提高.当使用所有6个特征时,可以达到85100%的较理想识别率,这也是证据组合的必然结果.
1
66110期王蕴红等:融合全局与局部特征的子空间人脸识别算法①http ://nlpr https://www.wendangku.net/doc/b86339349.html,/english/irds/facedatabase.ht m
图5 局部特征的识别率
5.3 基于融合的识别结果
在计算识别率时,由于引入了模糊集的概念,我们对最近邻分类器的设计作了一些细微改动———依据测试样本对各个人脸类的模糊隶属度大小进行分类.从图6中可以看出,这样改动之后,无论是基于全局特征还是基于局部特征的识别效果都有一定的
下降.但一经数据融合,识别率又有了明显的提高,达到90156%(算术平均融合)和90100%(几何平均融合).实验结果表明,数据融合的确有利于综合各前端子通道决策的优势,但融合的方法还有待进一步研究,构造更加贴切描述各人脸类的模糊隶属度函数显得尤为重要
.
图6 数据融合前后的识别率比较
6 结论与展望
本文提出了一种融合全局与局部特征的子空间人脸识别算法,既考虑到人脸整体构型的全局信息,又兼顾每一局部区域的个性信息,以构造更加准确、鲁棒的识别系统.为此,首先采用传统的主成分分析
(PCA )实现基于全局特征的人脸识别,然后提出一种根据待识别人面部局部特征“个性化程度”自动加权的识别算法,最后基于模糊综合的原理融合前一级决策,给出总的识别结果.在NL PR 人脸库上的仿真实验表明,通过数据融合的确使识别率有了显著提高,可以到达约90%.虽然从实用的角度看,这一识别率还远远不能满足要求,但考虑到NL PR 人脸库采集条件的复杂性、样本之间的多变性以及本文所预期实现的目标,我们的结果还是令人满意的.
在今后的工作中,有必要进一步研究更为有效的数据融合算法.事实上,基于属性层的融合策略还
有很多,如基于最大后验概率、基于D 2S 证据理论
以及基于黑板模型的方法等.但关键是要尽可能找出描述人脸模式的更多非相关特征,因为只有这样,融合的各通道之间才可能拥有更少的交叉冗余信息.这是一项极具挑战性的研究任务,有待于来自图像处理、模式识别、计算机视觉乃至认知心理学的广大研究工作者进一步深入探索.
参
考文献
1
K irby M.,Sirovich L..Application of t he Karhunen 2Loeve procedure for t he characterization of human faces.IEEE Trans 2actions on Pattern Analysis and Machine Intelligence ,1990,12(1):103～108
2Turk M.,Pentland A..Eigenfaces for recognition.Journal of Cognitive Neuroscience ,1991,3(1):71～86
3Belhumeur V.,Hespanda J.,K iregeman D..Eigenfaces vs.fisherfaces :Recognition using class specific linear projection.IEEE Transactions on Pattern Analysis and Machine Intelli 2
2661计 算 机 学 报2005年
gence,1997,19(7):711～720
4Bartlett M.S.,Movellan J.R.,Sejnowski T.J..Face recogni2 tion by independent component analysis.IEEE Transactions on Neural Networks,2002,13(6):1450～1464
5Moghaddam B..Principal manifolds and probabilistic sub2 spaces for visual recognition.IEEE Transactions on Pattern A2 nalysis and Machine Intelligence,2002,24(6):780～788
6K im K.I.,J ung K.,K im H.J..Face recognition using kernel principal component analysis.IEEE Signal Processing Letters, 2002,9(2):40～42
7Mika S.,Rat sch G.,Weston J.,Scholkopf B.,Muller K..
Fisher discriminant analysis wit h kernels.In:Proceedings of IEEE Workshop on Neural Network for Signal Processing, Madison,Wisconsin,U SA,1999,9:41～48
8Zhao W.,Chellappa R.,Rosenfeld A.,Phillips P.J..Face recognition:A literature https://www.wendangku.net/doc/b86339349.html,puter Vision Laboratory, University of Maryland,Technical Report s CAR2TR2948, 2000
9Martinez A.,Kak A..PCA versus LDA.IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(2): 228～233
10Pentland A.,Moghaddam B.,Starner.View2based and modu2 lar eigenspaces for face recognition.In:Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 1994,84～91
11Swet s D.L.,Weng https://www.wendangku.net/doc/b86339349.html,ing discriminant eigenfeatures for image retrieval.IEEE Transactions on Pattern Analysis and Machine Intelligence,1996,18(8):831～
836
W ANG Yun2H ong,professor,Ph.D.
supervisor.Her research interests in2
clude pattern recognition and digital wa2
termark etc.
FAN Wei,master.His research interests include image
processing,pattern recognition and machine learning etc.
TAN Tie2Niu,Ph.D.,professor and Ph.D.supervisor.
His research interests include image processing,computer
vision and pattern recognition etc.
B ackground
This work is supported by a key project of National Na2
ture Science Foundation of China(NSFC).The title of the
project is“Person Authentication Based on Multiple Biomet2
rics”.It focuses on face recognition here.The group is be2
long to National Lab of Pattern Recognition(NL PR),Insti2
tute of Automation,Chinese Academy of Sciences.They
have done some work on face recognition that include face de2
tection and recognition based on2D still images,video based
face recognition,3D face recognition.They have published
more than30face recognition papers on Pattern Recognition,
International Conference on Pattern Recognition,Interna2
tional Conference on Image Processing,International Confer2
ence on Computer Vision,International Conference on Bio2
metric Authentication,International Conference on face and
Gesture Recognition etc.
3661 10期王蕴红等:融合全局与局部特征的子空间人脸识别算法
基于PCA算法的人脸识别毕业设计论文
太原科技大学 毕业设计（论文） 设计(论文)题目：基于PCA算法的人脸识别
毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期： Ⅰ
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并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、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日 Ⅰ
人脸识别算法设计毕业设计
人脸识别算法 The Design and Implementation of Algorithms for Human Face Recognition 1-i
人脸识别算法 摘要 人脸自动识别是模式识别领域的一项热门研究课题，有着十分广泛的应用前景。本文对人脸位置矫正，人脸的特征提取和识别这些方面进行了研究，并提出了相应的实现算法。 人脸位置矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文第二章提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法，它是针对人眼灰度变化特点、人眼几何形状特征及双眼的轴对称性而设计的。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。 本文第三章提出了一种基于神经网络的主元分析人脸图像识别方法。该方法利用非线性主元分析神经网络对人脸图像提取人脸特征（矢量），并在BP神经网络上实现了对人脸图像的识别。实验结果证明了该方法的有效性和稳定性。 关键词 1-ii
人脸位置矫正，人脸特征提取，人脸识别，神经网络，灰度图像，图像块纵向复杂度，主元分析法， 1-iii
The Design and Implementation of Algorithms for Human Face Recognition Student: Yangbo Gu Advisor: Dr. Wenming Cao Department of Computer Science and Technology College of Information Engineering Zhejiang University of Technology Abstract The automatic recognition of human faces is a hot spot in the field of pattern recognition , which has a wide range of potential applications . As the results of our in-depth research ,two algorithms are proposed : one for face pose adjustment , the other for facial feature extraction and face identification . Face pose adjustment , as a loop of human face location, is very important in computer face recognition. Chapter 2 of this thesis presents a new approach to automatic face pose adjustment on gray-scale static images with a single face . In a first stage , the right positions of eyes are precisely detected according to several designed parameters which well characterize the complex changes of the gray parameter in and around eyes and the geometrical shape of eyes . During the second stage , based on the location and the symmetry feature of eyes , the inclination angle is calculated and the face position is redressed . The experimentation shows that the algorithm performs very well both in terms of rate and of efficiency . What’s more , due to the precise location of eyes , the apples of the eyes are detected . 1-iv
人脸识别过程和相关算法(2013)
人 脸 识 别 过 程 图1 人脸识别流程图 1． 人脸的检测和定位：检测图中有没有人脸，将人脸从背景中分割出来，获 取人脸或人脸上的某些器官在图像上的位置。 2． 特征提取：提取特征点，构造特征矢量；多个样本图像的空间序列训练出 一个模型，它的参数就是特征值；模版匹配法用相关系数做特征；而大部分神经网络方法则直接使用归一化后的灰度图像作为输入，网络的输出就是识别结果，没有专门的特征提取过程。 3． 识别：将带识别的图像或特征与人脸数据库里的特征进行匹配，进而将给 出的人脸图像与数据库中的某一个人脸图像及其名字，相关性对应起来。 人脸检测方法 基于知识的方法 a) 优点：规则简单。 视频捕获图像预处理人脸检测人脸特征提取人脸识别人脸数据库比对
b)缺点：难以将人类知识转化为明确的规则。 基于特征的方法 c)优点：可以依据面部器官的几何关系进行人脸检测。 d)缺点：光照、噪声和遮挡可能使得人脸的边界特征被弱化，从而使得算 法难以使用。 基于模版匹配的方法 e)优点：简单高效。 f)缺点：难以应对各种不同的成像条件；关于人脸模式和非人脸模式不存 在一个清晰的、明确的界限。 基于外观的方法 g)优点：通过大量的样本训练使得人脸识别的精确度高。 h)缺点：算法复杂。 基于肤色的系统 i)优点：不受人脸姿态变化的影响。 j)缺点：受光照等外在因素影响较大。
人脸识别方法 基于几何特征的识别方法 a)优点： i.符合人类识别人脸的机理，易于理解。 ii.对每幅图像只需存储一个特征矢量，存储量小。 iii.对光照变化不太敏感。 b)缺点： i.从图像中抽取稳定的几何特征比较困难，特别是特征受到遮挡时。 ii.对强烈的表情变化和姿态变化的鲁棒性较差。 iii.一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，该方法比较适合于人脸图像粗分类。基于统计的识别方法：隐马尔可夫法 c)优点：人脸识别率高。 d)缺点：算法实现复杂。 基于连接机制的方法 e)优点： i.能够根据有代表性的样本自我学习，具有鲁棒性和自适应性。 ii.以并行的方式处理信息，配以硬件实现，可以显著地提高速度。 f)缺点：算法实现复杂。
人脸识别主要算法原理
人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）
人脸识别技术的主要研究方法
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且
人脸识别课程设计论文(完美版)
前言 在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。 于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。 人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。 4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的
基于matlab的人脸识别算法(PCA)
3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)
基于LBP的人脸识别算法研究
基于LBP的人脸识别算法研究 一、应用背景 随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。相对于指纹、虹膜、掌纹、步态、笔迹、声纹等生物特征，利用人脸来识别具有不可比拟的优势：操作隐蔽，特别适用于安全、监控、和抓逃工作；非接触式采集，无侵犯性，容易接受；方便、快捷、强大的实时追踪能力；符合人类识别习惯，交互性强；应用摄像头即可完成图像采集，设备成本较低。人脸识别属于计算机科研领域的一项热门技术，它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。 人脸识别目前主要运用在如下三个方面： 第一，刑侦破案方面。例如，公安部门获得案犯的照片之后，可以利用人脸识别技术在存储罪犯照片的数据库中找出最相像的人，即嫌疑犯。 第二，证件验证方面。如身份证、驾驶执照以及其他很多证件上都有照片，现在这些证件多是人工验证的，如果应用人脸识别技术，这项任务就可以交给机器去完成，从而实现自动化智能管理。 第三，人口控制方面。此应用范围很广，例如可以设在楼宇单位或者私人住宅入口的安全检查，也可以是计算机系统或者情报系统等的入口检查。 世界上很多国家都在积极地开展对人脸识别技术的相关研究，不同的研究机构或研究人员按照不同的划分标准，对人脸识别的研究内容的分类不尽相同。在此处按其所研究得具体技术的范围可以大致将人脸识别分为如下四个方面的内容来进行阐述： （1）人脸检测，主要的方法有：基于轮廓（或肤色等）信息人脸检测方法，基于Adaboost 算法人脸检测方法，基于支持向量机（SVM）人脸检测方法以及基于神经网络的人脸检测方法等； （2）人脸特征描述与提取即特征提取，主要方法：基于局部二值模式纹理特征提取方法，基于人脸几何特征的特征提取方法，还有基于主成分特征（PCA）特征提取方法，基于独立元特征的特征提取算法，如Gabor等，还有2D 和3D 形变模型方法等； （3）人脸特征降维，主要方法：线性降维方法如主成分分析PCA和LDA (Linear Discriminate Analysis) 等发展到非线性降维方法如局部线性嵌入(LLE) 、等距嵌入
人脸识别算法都有哪些
主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临
近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA） 特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有简单有效的特点, 也称为基于主成分分析(principal component analysis,简称PCA)的人脸识别方法。 特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。 实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。 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部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则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。
基于eigenfaces的人脸识别算法实现大学论文
河北农业大学 本科毕业论文(设计) 题目：基于Eigenfaces的人脸识别算法实现 摘要 随着科技的快速发展,视频监控技术在我们生活中有着越来越丰富的应用。在这些视频监控领域迫切需要一种远距离，非配合状态下的快速身份识别，以求能够快速识别所需要的人员信息，提前智能预警。人脸识别无疑是最佳的选择。可以通过人脸检测从视频监控中快速提取人脸，并与人脸数据库对比从而快速识别身份。这项技术可以广泛应用于国防，社会安全，银行电子商务，行政办公，还有家庭安全防务等多领域。 本文按照完整人脸识别流程来分析基于PCA(Principal Component Analysis)的人脸识 别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能选用了ORL人脸数据库。然后对人脸数据库的图像进行了简单的预处理。由于ORL人脸图像质量较好，所以本文中只使用灰度处理。接着使用PCA提取人脸特征，使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。 关键词:人脸识别PCA算法奇异值分解定理欧几里得距离
ABSTRACT With the rapid development of technology, video surveillance technology has become increasingly diverse applications in our lives. In these video surveillance urgent need for a long-range, with rapid identification of non-state, in order to be able to quickly identify people the information they need, advance intelligence warning. Face recognition is undoubtedly the best choice. Face detection can quickly extract human faces from video surveillance, and contrast with the face database to quickly identify identity. This technology can be widely used in national defense, social security, bank e-commerce, administrative offices, as well as home security and defense and other areas. In accordance with the full recognition process to analyze the performance of PCA-based face recognition algorithm. The first to use the method of access to commonly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected ORL face database. Then the image face database for a simple pretreatment. Because ORL face image quality is better, so this article uses only gray scale processing. Then use the PCA for face feature extraction using singular value decomposition theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination. KEYWORDS: face recognition PCA algorithm SVD Euclidean distance
人脸识别技术的几个主要研究方向
人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 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人脸变换到同一位置和同样大
人脸识别技术设计论文
人脸识别算法 摘要 人脸自动识别是模式识别领域的一项热门研究课题，有着十分广泛的应用前景。本文对人脸位置矫正，人脸的特征提取和识别这些方面进行了研究，并提出了相应的实现算法。 人脸位置矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文第二章提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法，它是针对人眼灰度变化特点、人眼几何形状特征及双眼的轴对称性而设计的。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。 本文第三章提出了一种基于神经网络的主元分析人脸图像识别方法。该方法利用非线性主元分析神经网络对人脸图像提取人脸特征（矢量），并在BP神经网络上实现了对人脸图像的识别。实验结果证明了该方法的有效性和稳定性。 关键词 人脸位置矫正，人脸特征提取，人脸识别，神经网络，灰度图像，图像块纵向复杂度，主元分析法， 1-i
The Design and Implementation of Algorithms for Human Face Recognition Abstract The automatic recognition of human faces is a hot spot in the field of pattern recognition , which has a wide range of potential applications . As the results of our in-depth research ,two algorithms are proposed : one for face pose adjustment , the other for facial feature extraction and face identification . Face pose adjustment , as a loop of human face location, is very important in computer face recognition. Chapter 2 of this thesis presents a new approach to automatic face pose adjustment on gray-scale static images with a single face . In a first stage , the right positions of eyes are precisely detected according to several designed parameters which well characterize the complex changes of the gray parameter in and around eyes and the geometrical shape of eyes . During the second stage , based on the location and the symmetry feature of eyes , the inclination angle is calculated and the face position is redressed . The experimentation shows that the algorithm performs very well both in terms of rate and of efficiency . What’s more , due to the precise location of eyes , the apples of the eyes are detected . In chapter 3, a novel approach to human face image recognition based on principal component analysis and neural networks has been proposed . By using BP neural networks , human face images are successfully classified and recognized according to the output of BPNN whose input is the eigenvector extracted from the human face images via nonlinear principal 1-ii
人脸识别核心算法技术解读
人脸识别核心算法技术 在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。 1、在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。我们在这方面的主要工作包括： · 基于LGBP的人脸识别方法 问题： 统计学习目前已经成为人脸识别领域的主流方法，但实践表明，基于统计学习的方法往往会存在“推广能力弱”的问题，尤其在待识别图像“属性”未知的情况下，更难以确定采用什么样的训练图像来训练人脸模型。鉴于此，在对统计学习方法进行研究的同时，我们还考虑了非统计模式识别的一类方法。 思路： 对于给定的人脸图像，LGBP方法首先将其与多个不同尺度和方向的Gabor滤波器卷积（卷积结果称为Gabor特征图谱）获得多分辨率的变换图像。然后将每个Gabor特征图谱划分成若干互不相交的局部空间区域，对每个区域提取局部邻域像素的亮度变化模式，并在每个局部空间区域内提取这些变化模式的空间区域直方图，所有Gabor特征图谱的、所有区域的直方图串接为一高维特征直方图来编码人脸图像。并通过直方图之间的相似度匹配技术（如直方图交运算）来实现最终的人脸识别。在FERET四个人脸图像测试集合上与FERET97的结果对比情况见下表。由此可见，该方法具有良好的识别性能。而且LGBP方法具有计算速度快、无需大样本学习、推广能力强的优点。 表.LGBP方法与FERET'97最佳结果的对比情况 · 基于AdaBoost的Gabor特征选择及判别分析方法 问题：
人脸识别主要算法原理
人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA）
人脸识别技术研究背景与方法
人脸识别技术研究背景与方法 1人脸识别技术研究背景 .................................................................................... 错误!未定义书签。 1.1人脸检测技术概述 ................................................................................. 错误!未定义书签。 1.2人脸检测的研究内容 ............................................................................. 错误!未定义书签。 2 人脸检测方法 ................................................................................................... 错误!未定义书签。 2.1基于知识的方法 ..................................................................................... 错误!未定义书签。 2.2基于特征的方法 ..................................................................................... 错误!未定义书签。 2.3模板匹配 ................................................................................................. 错误!未定义书签。 2.4基于外观的方法 ..................................................................................... 错误!未定义书签。 2.5 其他方法 ................................................................................................ 错误!未定义书签。 2.6人脸检测方法评析 ................................................................................. 错误!未定义书签。1人脸识别技术研究背景 在计算机及网络技术高速发展的现代社会中，信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提，在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。目前，个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失、由于使用过多或不当而损坏、密码易被遗忘和破解等诸多问题。由于技术的发展，犯罪分子伪造假证件的手段越来越高明，如假身份证、假工作证、假文凭等在现实社会中也不时发生;在信息界，黑客攻击别人的计算机系统，破译计算机口令亦常有之。美国每年在福利发放、信用卡交易、移动电话以及ATM交易方面由于身份诈骗而造成的经济损失高达60亿美元。因此，目前广泛使用的依靠证件、个人识别号码(PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已不能适应现代科技发展和社会进步的需要。 人们希望有一种更加方便可靠的办法来进行身份鉴别，生物特征识别技术给这一愿望带来了实现的可能。早在古埃及时人们就开始通过人体生物特征的测量(如人脸、人手等)来鉴别人的身份;在刑侦领域，人们也早已使用最有效的人体生物特征之一—指纹来确定罪犯。人们可能会遗忘或丢失他们的卡片或密码，但绝不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹等。因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入人们社会生活的各个领域，迎接新时代的挑战。美国政府在“9.11”事件以后连续签署了三个国家安全法案，要求采用生物识别技术。2003年6月，联合国国际民用航空组织公布了其生物技术的应用规划，将