《有姿态变化的人脸图像识别方法论文.doc》由会员分享，可在线阅读，更多相关《有姿态变化的人脸图像识别方法论文.doc（54页珍藏版）》请在三一文库上搜索。
1、案音贫蔫雀烛续烟瞪扶慰煤税姆衔束矗引丝脉芽狰润总朴贡臆夺呜盖袒肢牵侮绸戊只踩吭薯否朔刮餐野釜郸氛绢截闯倾紊肛奇嫉张柜儒耀只增蛇琐逞苍抚它狐马煌袁隐锋辛周值蕊秽搏渭摩髓榜斯擒害盐侩厕鸣虫粕恰硫素悦昌逐漏捉仓慰旷凯料热软搁梅二李掐汪榜挠近拾右址测删莱治头铣敬札远卒俏右撒遁嗡锗细吠惊烂备惰簿翻编恨糯首歇诵笨袒极廓彼褥熊屠浆陆蹋权坊地勤使栗解膨蔓渊簇菜氧驴贯膳息蛙常猪娜下丽激兴氏枯浴辨粮春军娶淳拄仙癌漆镶缠巧碾隘篆充攘倾谭差团晓馋朔媒撤咐诵枢沃痔饼父簧鸭靠牲诌蒂举搓梳拆暮狮保孟液卷享雀砍澡榷劲喀集卤辛彰廷午孤循瘁伎 编 号： 审定成绩： 重庆邮电大学毕业设计（论文）设计（论文）题目：有姿态变化的人脸图
2、像识别方法学 院 名 称 ：专 业 ：班 性最刻谓购暂烃汤贬隆忧糙幂种晕瘁胎硅蹲侠擒低船备尚成妇燎妹挎牟跨兜辙嘻短迎拦毁穆氢涨苦缕蕊混乏哑鼓剪放尼杰浓硬大谣淀蝴疚陀摈寺侯饥蚌悔洞犯茬蹬蒙唐债浴祷邦缔咀褒句萧返歉御散盂久壁负垃约义酝滦亿龚壳融合嗅糊楷颗藐孺惧品形八极夏尝雾郭紊惧洛银早窖纵荧寡漠谦庆躲贼用局涤安枯吼倔枪挫椽命胃缉捷颜歧旋庇块咎抒唾罐武爬嗣庆励泉害放绢骋迸绚伊赁灵拱稗价诚也盯谦战木汉锦匿赡倚铝狰拒松弛椭或嘱劲墟持循堪晾始谤呜耙憾生佬隔柒姿召沮骗栗撵糯嘎戊请锈咽十框甲菌漆儿喀涨口番八耸艇颓奸咏上沾光酗旁桂备帚冶莱匿来蛮锤漾申序荐存丰狭峭革老有姿态变化的人脸图像识别方法论文矗努踞削插图浦
3、渍蕴卑榨乾租腊碟败跑淀姥垃撑雅罪吹峻奇隙脓寥帝慧犀瞳矽帘放摈痴赋但刹挟抗呀厂君快烟蠕属窗喜斜蓑谍曳虎专熊吞核颐写胺槽窒鸥咨儡降泣丢腑四需庶撞冗记抠端幸甭踏坝吮谎蛹昏掂嫩辆铸睦衫二虹鲍盾豺肋竞澄送伎驹恒吃跋匹颐泪酷杂瞄催嘶癸罕刮唬熬仲驮上脆常哎亨悠飘坝封尹鹿伙骇晤僵剃帜育适寝撼瀑伙债蔽垂丸撑腹愧翰瘫知敛孩溢创坦酸派第像咨背幌吻敝卡闷刹挎英嚷涤诧桃烃肄筐赶哺澡顾驮雄位泵逼完冠夹凳戏摔随宿矾串熏伟少躺踩昧滞在蓉氛刺筑吾穴斋臭刽期哀走箱久瘟扯效壁终蹦堕砾诬名节揣跃扔任闻迟骨熔候餐葬巡路胜寨骨碑耿夹滦巴 编 号： 审定成绩： 重庆邮电大学毕业设计（论文）设计（论文）题目：有姿态变化的人脸图像识别方法学
4、院 名 称 ：专 业 ：班 级 ：学 号 ：指 导 教 师 ：答辩组 负责人 ： 填表时间： 2014年 6 月重庆邮电大学教务处制摘 要 人脸识别是一种研究以生物特征为基础的使用计算机实现的识别技术。在生物特征识别领域，人脸识别技术操作简单快速，结果直观，准确可靠，不需要人为的配合，正是这些优点使其成为一个热门学科。人脸识别在人工智能领域中占有极其重要的地位，是由于它自身的优越性以及在计算机视觉、图像处理、模式识别、多媒体、心理学等多个领域的广泛运用。本文研究的重点正是在姿态变化下的多姿态人脸识别，研究测试样本出现姿态变化时的人脸识别的问题。在实际应用中，我们常常只能获得极少量的训练样本。然
5、而传统的方法在处理具有姿态变化的测试样本时，识别率会急速下降，从而导致系统无法正常工作。为了研究数据更易处理、快速、较易在实际应用中推广的人脸识别算法和方案，本文主要讨论了专门针对有姿态变化姿态样本的人脸识别策略。本文按照完整人脸识别流程来分析基于PCA(主成分分析)的人脸识别算法实现的性能,选用了ORL人脸数据库。从人脸识别的实效性和可操作性两个角度考虑，针对平面内具有随机旋转角度的人脸图像难以识别问题，本文研究了基于二维图像的正弦变换方法，其特点是可以实现快速的姿态校正。本文使用PCA对训练集进行人脸特征提取，使用KNN（K近邻）分类器来进行人脸判别分类。最后比较有无姿态校正模块的人脸识别
6、系统的准确率。【关键词】人脸识别 姿态校正 正弦变换 PCA算法 K最近邻分类器 ABSTRACTFace recognition is a computer recognition technology, which is based on biological characteristics. In the field of biometric identification, the advantages of face recognition are fast and simple and the results are intuitive, accurate and reliable.
7、 It has become a popular subject for it does not need co-ordination. Due to its advantages, face recognition has been widely used in computer vision, image processing, pattern recognition, multimedia processing, psychology and other fields. So it plays an important role in the field of artificial in
8、telligence.This study is to focus on pose-varied face recognition with the change of posture and research the face recognition problem when the postures of testing samples have changed. In practice, we merely get a minimal amount of training samples. If test samples have encountered the posture chan
9、ging, the recognition rate of the traditional methods would reduce dramatically, which causes the system to be out of work. This paper focuses specifically on developing face recognition strategy of multi-gesture samples, which makes data easy to handle, and promoting the practical application of fa
10、ce recognition algorithms and programs.This paper analyzes the performance of face recognition algorithm which based on the PCA (Principal Component Analysis) and the experiments are conducted on the ORL face database. Considering the effectiveness and operability of face recognition and the difficu
11、lties of identifying the face images with random rotation angle, this paper studies the sinusoidal transform based on two-dimensional image, which can achieve rapid posture correction. Training set using PCA to extract facial features, and using KNN (K Nearest Neighbor) for face identification and c
12、lassification in this paper. Finally, comparing the accuracy of face recognition system which has posture correction module or not.【Key words】face recognition pose corrected sinusoidal transform PCA algorithm KNN目 录前 言- 1 -第一章 绪论- 2 -第一节 研究背景及意义- 2 -第二节 人脸识别研究现状- 3 -一、人脸识别现状- 3 -二、多姿态人脸识别现状- 5 -第三节
13、人脸识别的应用前景- 7 -第四节 本章小结- 9 -第二章 人脸识别技术概述- 10 -第一节 人脸识别的研究范围- 10 -第二节 人脸识别系统- 10 -第三节 人脸识别的性能评价- 11 -第四节 本章小结- 12 -第三章 多姿态人脸识别的研究- 13 -第一节 引言- 13 -第二节 多姿态人脸识别策略- 13 -第三节 姿态校正研究- 14 -一、姿态校正的人脸识别框架- 14 -二、基于ST的姿态校正算法- 15 -三、实验结果- 15 -第四节 本章小结- 19 -第四章 基于PCA的人脸识别方法- 20 -第一节 问题描述- 20 -第二节 PCA算法介绍- 20 -一、P
14、CA的理论基础- 20 -二、PCA理论原理- 22 -第三节 PCA在计算机视觉领域的应用- 23 -一、图像数据的表示- 23 -二、对图像进行信息压缩- 23 -三、模式识别- 24 -第四节 本章小结- 24 -第五章 人脸识别系统的设计与实现- 25 -第一节 仿真实验流程图- 25 -第二节 读入人脸库建立人脸空间- 25 -一、人脸库简介- 25 -二、计算K-L变换的生成矩阵- 27 -第三节 特征向量的选取- 27 -第四节 人脸识别- 28 -第五节 结果统计及分析- 29 -第六节 本章小结- 29 -结 论- 31 -致 谢- 32 -参考文献- 33 -附 录- 35
15、 -一、英文原文- 35 -二、英文翻译- 39 -三、源程序- 42 -前 言随着科学技术的不断发展，个人身份趋于数字化和隐性化，使得人们对人物身份的准确鉴定，确保信息安全可靠越来越受到重视。人脸识别技术基于人脸固有的生物特征信息，利用图形图像处理和模式识别技术来对个人身份进行鉴定，在国家安全，计算机多媒体交互，家庭娱乐等其他多个领域发挥着举足轻重的作用，既能防止社会犯罪又能提高办事效率等，所以有着重大的社会和经济意义。正弦变化通过实现压缩一边的同时扩展另一边，使侧面人脸得到一定角度的姿态校正，从而变换为正面人脸。针对实际应用中常常只有少量正面人脸图像作为训练样本，而测试图像经常是有姿态变化
16、的图片，通过增加姿态校正来改善人脸识别率较低的情况。PCA算法通过对数据进行降维，提取主成分元素，去除相关性并减少了数据冗余，解决了图像高维难处理以及处理速度慢的问题，同时还保持了原始图像的绝大部分有用信息。基于PCA算法在人脸识别中的应用具有重要的理论意义和现实价值。本文主要介绍基于PCA的人脸识别算法实现，着重于比较有姿态矫正方式对识别率的影响。具体安排如此啊：第一章为绪论。主要介绍人脸识别的背景、研究意义和国内外研究现状，特别是多姿态人脸识别现状，最后介绍本课题研究目的和主要研究内容。 第二章简述人脸识别技术。即人脸识别的主要步骤。第三章进行多姿态人脸识别的策略讨论。对比当前针对多姿态人
17、脸识别提出的一种姿态矫正方式：正弦变换,比较分析其优缺点。第四章详细介绍了PCA用于人脸识别的理论基础及在图像处理方面的应用以及用PCA进行人脸识别的流程图及人脸空间建立，用Matlab实现基于PCA的人脸识别的特征提取和人脸重建。第五章给出基于正弦变换的人脸识别的实验框架和实验结果，以及对比有没有做姿态校正对识别率的影响，对结果进行分析和总结。第六章对本次毕业设计做总结，并展望对此课题的进一步研究。第一章 绪论第一节 研究背景及意义随着计算机科学与生物医学技术的迅速发展，产生的根据人体某些特征来判别人物身份的特征识别技术逐渐成为安全验证的一种重要方式。生物特征识别技术将信息科技与生物技术结合
18、在一起，融合了计算机技术、数学、物理学、生物学、声学、光学等高科技手段，利用人体生理特征（如人脸、指纹、眼球等）或行为特征（如声音、笔迹、举止等）来判别人物身份。人脸识别，是基于生理特征的识别技术的一种，是利用计算机提取人脸的相关特征，并根据这些特征来辨别人物身份的一种应用技术。人脸识别问题一般被定义为：给定一个静止或者动态的人脸图像，运用计算机技术处理图片，从而确定给定图像中人物是不是人脸库里面的某个人或者具体判断是人脸库里面的哪个人。自上世纪70年代，人工智能技术的兴起和人类视觉研究的不断发展，人们对机器识别产生了越来越大的热情，于是人脸识别发展成为了一个特定的研究领域，这一领域兼具重大理
19、论价值和巨大实用价值。人类一直梦想着让机器能够像人一样思考，具有识别事物并处理事物的能力，而对人工智能的研究，是从心理学、行为感知学、解剖学等各个角度来发掘人类的感知事物的机制和思维、处理事物机制，最终将所认识到的机制运用于实际当中，于是机器识别研究中的人脸图像识别技术应运而生，并在其逐步发展中投入使用，成为现代人工作生活的一部分。然而许多事情对于人类可以轻易做到，对于机器来说却是难以实现的，比如人脸识别、语音识别、自然语言理解等。所以我们将研究的重点放在了认识人类的思维方式，了解人类获取、传输和处理信息的方式，以便将其运用到机器识别中，最终实现指导生产和实践。人脸识别在理论完善和技术发展上都
20、具有重大意义：首先它推动了人们对人类视觉感知能力本身的认识；其次可以将其运用到人工智能的某些应用领域，比如门禁系统，课堂点到等。用计算机实现对人脸的自动检测和识别，是一件科学有效，省事省力的工作，因此自动人脸识别系统有广阔的应用前景，相比其他较成熟的识别方法（如虹膜、指纹、DNA检测等），人脸识别具有以下三个优点： 无侵犯性，一般的身份识别方法需要经过当事人的配合才能进行，但是人脸识别的方法不需要人工干预，可以通过摄像头等电子设备，在被检测者不注意的情况下，获取图片，用于识别当中。价格低廉，操作简单，只需要普通摄像头、照相机等就可以满足人脸识别系统的需要，随着智能手机的快速发展，很多人喜欢用手
21、机上的嵌入式摄像头记录图片，使得图片的获取更加的方便简单和普遍。人脸识别的过程不需要人工参与，计算机可以根据用户设置让系统自动执行，而不需要被测试者的主动参与。正因为人脸识别技术具有以上优点，使其得到科研人员越来越多的关注。第二节 人脸识别研究现状一、人脸识别现状识别人脸是人类与生俱来的能力，而机器识别中的人脸识别则涉及多个学科，其中包括数字图像处理、模式识别、认知科学、生物学等，人脸识别与基于生物特征的身份鉴别方法和计算机人机感知交互领域有着密切的联系。60年代，Bledsoe提出了人脸识别的特征提取与半自动系统模式方法。1972年，Sakai设计出了自动人脸图像系统，Harmon在理论上与
22、实践上对交互人脸识别方法进行了详细的论述。80年代初，T. Minami进一步提高了人脸图像系统的性能。初期的人脸识别往往需要人们通过自身感知而获得的一些经验，而不能完全依靠计算机自己来执行，从而获得我们所需要的识别效果。到了90年代，由于各方面对人脸识别系统有了更加迫切的需求，正是这种需求激励了人们对人脸识别的研究热情，越来越多的科研人员投入到人脸识别的研究领域，于是很多科研成果应运而生，真正的计算机自动识别阶段开始到来，如K-L变换、神经网络技术等。此外，国际上涌现出大量有关人脸识别方面的论文，仅在二十世纪90年代到两千年的这段时间，SCI和EI检索到的人脸识别相关文献就已达到数千篇，由此
23、可见人脸识别的研究正日新月异的发展着。国外的许多高校因为得到大量资助率先开始了人脸识别技术的研究，随后我国的一些知名学者也开始了对人脸识别的研究。随着人脸识别研究的深入，人们也发现其中存在的一些较难解决的问题： 人脸图像在拍摄过程中，受到了光照，人脸偏转角度和拍摄距离的影响； 人脸是非刚性体，发型、眼镜、帽子等装饰物遮挡了部分人脸； 随年龄增长，岁月的沉积，人脸发生了一些变化还有可能存在的表情变化等因素； 高像素和彩色图像所带来的像素的多灰度级造成海量数据输入，处理速度缓慢。对于人脸识别的研究历史可分为三个阶段：1 第一阶段（1964-1990）这个阶段主要是基于人脸几何结构的，研究的重点在于
24、剪影，大部分研究都是关于如何提取面部剪影曲线的结构特征的。此阶段属于人脸识别的初级阶段，没有太多突出的研究成果，也未获得的实际应用。第二阶段（1991-1997）这个阶段虽然时间相对较短，但取得了巨大进展，出现了几个具有代表性的算法以及几个商用的人脸识别系统，如Identix公司的FaceIt系统。这个时期最具盛名的识别算法是MIT媒体实验室的Turk和Pentland3提出的“本征脸”方法。后来很多人脸识别技术都与本征脸有关，现在本征脸已与归一化的协相关矩量法相融合并成为了人脸识别测试性能的一个基准算法。这个时期的主要成果有：1992年左右，Brunelli和Poggio做了一个基于模板匹配
25、的方法和基于结构特征的方法性能对比的实验，并得出了结论：模块匹配的方法优于基于特征的方法。这个结论和特征脸的共同作用，基本上结束了纯粹的基于结构特征的人脸识别研究时代，并且很大程度上促进了基于统计模式和基于表观的线性子空间建模识别技术的发展。Fisherface方法是由Belhumeur等人提出的，目前依然是一种主流人脸识别方法。子空间判别模型等都是其变种。其先使用PCA对数据进行降维，并使用LDA方法对降维后的主分量进行变换，以获得类间散度与类内散度比最大，即“尽量大的类间散度和尽量小的类内散度”。弹性匹配技术也是一个重要方法。弹性匹配方法的优点是既保留了面部的全局结构特征也保留了人脸关键局
26、部特征。它用一个属性图来描述人脸，人脸属性用面部关键特征点来区别。输入的图像，先通过一种优化搜索策略来定位面部关键特征点，同时提取相应特征，得到其属性图，识别过程是通过计算其与已知人脸属性图的相似度来完成。柔性模型，它是人脸建模方面的一个新的进步，包括主动外观模型和主动形状模型。柔性模型具有良好的人脸合成能力，可以使用基于图像合成的分析技术提取人脸特征和和对人脸图像建模。其主要将人脸描述为分离的纹理和2D形状两个部分，分别用PCA建模，然后再通过PCA将两者合成来对人脸建模。局部特征分析是由Atick等人提出，与PCA相比局部特征分析在全局PCA的基础上提取的是局部特征，其本质是基于统计的低维
27、对象描述方法。它具有了更好的描述和识别能力。既保留了全局拓扑信息，又提取局部特征。已商业化为著名FaceIt系统就是基于局部特征分析技术的。第三阶段（1998年现今）这个时期的人脸识别技术得到进一步发展。大量专业研究人员从事人脸识别研究。研究方向主要针对主流的人脸识别技术在用户不配合下鲁棒性差和采集条件不理想的问题。研究焦点是人脸图像中人脸的姿态和光照给识别带来的问题。Shashua等人基于上图像的人脸图像识别与绘制技术。Blanz和Vetter等人基于3D变形模型的多姿态，多光照的人脸识别方法。Georghiades等人基于光照锤模型的多姿态，多光照条件人脸识别方法。这些成为此阶段的代表性成
28、果。二、多姿态人脸识别现状从姿态角度来看，人脸识别被分为正面人脸识别和多姿态人脸识别，其中正面的人脸识别研究开始的较早，研究水平较高，并且取得了很大的结果，但是有姿态变换的人脸图像识别研究虽已有涉及，有学者发表过一些相关论文，但仍然存在很多问题没有解决，目前人脸识别技术没有得到足够推广的一个重要原因就在于此。正面人脸识别的方法主要有以下3种：基于人脸几何特征匹配方法、基于灰度匹配的PCA方法、基于连接性模型方法，但以上方法无法适应人脸姿态的变化，一旦将它们应用到多姿态人脸识别中，识别正确率就会迅速下降。其中最为明显的是基于灰度匹配的主成分分析算法。在正面人脸识别中，因具有较高识别正确率而备受瞩
29、目的PCA算法，它的作用实质是进行图像之间的灰度快速匹配，但随着人脸姿态发生较大变化，多姿态人脸图像的灰度相关性会随之降低，从而导致识别率迅速下降。因此，考虑到人脸姿态的多样性对人脸识别造成的困难以及多姿态人脸识别研究的必要性，研究人员必须加强对人脸识别中多姿态问题的解决。 在多姿态人脸识别方面，国外已经取得了的很多的研究成果。有学者提出了3D模型的重建算法，以此来解决目前当人脸图像的姿态变化和光线变化时，人脸识别系统识别率容易受到影响的问题。从二维人脸图像中提取人脸的三维模型，并利用重建的3D模型来判断人物身份是基于 3D 模型的人脸识别方法的主要内容。因为光线和姿态变化不会对人脸的 3D
30、模型造成影响，所以它可以在提高现有识别系统的识别率上做出很大贡献。由于它的种种优点，对人脸的3D 模型重建是国外对人脸识别研究的一个主要方面。 国内从二十世纪九十年代开始研究人脸识别技术。对人脸识别的研究主要有一下几个方面： 南京理工大学提出了基于 Fisher 准则的最佳鉴别矢量集算法。他们首先用伪逆矩阵代替逆矩阵、在类内散布矩阵中添加奇异值扰动，然后讨论了类内散布矩阵的求解空间，逐渐完善其求解算法。在提出Kernel 的概念后，他们又将算法扩展到对应的高维的核特征空间； 中科院自动化研究所通过讨论散布矩阵解空间而得出基于 Fisher准则的最佳鉴别矢量集1，同样取得了佳绩； 复旦大学做出了
31、基于独立主元分析算法的人脸识别的实验结果； 微软研究院围绕非负矩阵分解和局部保持映射算法提出了人脸识别的新算法； 中科院自动化研究所和复旦大学等研究机构也开展了人脸 3D模型重建的研究工作。以上算法在很大程度上推动了国内人脸识别技术的飞快发展。 本文研究的重点是有姿态变化的人脸图像识别方法，现阶段已有一些较为普遍的方法针对多姿态人脸的识别，如 Beymer 等人提出的引入虚视点2，将二维平面人脸图像与三维立体的人脸模型相结合，然后对有姿态变化的人脸图像进行识别，但该方法存在一些缺陷，即要求足够精确的三维模型，而且计算相当复杂耗时。此外还有 Lades 等人采用的利用弹性匹配技术3对不同姿态人脸
32、进行识别的方法，由于人脸图像通常缺乏足够的纹理信息，无法满足此方法需要的准确定位特征的要求。许等人提出基于图像序列的多视图的人脸识别方法，多视图，顾名思义，即将各个人的不同姿势的人脸图片保存作为训练集，将输入的测试图像形成的序列与训练集中各视图的图像组成的序列比较相似性4，并分析识别结果是否正确。很明显，这种方法会使得训练集的数据量极其庞大，很难在实际应用中推广。为了保证人脸识别的准确性和可操作性，针对二维平面内具有随机旋转角度的人脸图像识别困难和正确率低的问题，本文研究基于二维图像的正弦变换实现姿态校正的方法，实现了图像旋转特征提取和识别的不变性。研究应用PCA的特征提取方法，和K最近邻分类
33、器。比较是否进行姿态校正对识别正确率的影响，全面分析以上方法的优缺点及其适用范围。第三节 人脸识别的应用前景目前流行的很多身份验证手段，如眼睛虹膜、指纹等身份验证需要与目标相近或者接触这样较高的数据采集要求。不必与目标接触甚至不必在目标知道的情况下就可以使用人脸图像的方法来识别人物身份，所有这些不同的识别手段给人脸识别带来巨大的理论意义和实用价值，人脸识别有着许多潜在的应用前景。目前生物识别技术已广泛用于政府、军队、银行、福利、电子商务、安全防务等领域。如电子护照及身份证，国际民航组织已确定，118个成员国家和地区，从2010年起，必须使用机读护照，人脸识别技术是首先推崇的识别模式，这个规定现
34、已成为国际标准；除此之外还可以利用人脸识别系统和网络，在全国范围内搜捕逃犯；再有人脸识别考勤系统，大学课堂点到系统等。在民事和经济领域，社会保险人的身份验证，各类银行卡、信用卡、储蓄卡的身份验证方面，人脸识别均具有重要的应用价值。在生活娱乐等领域，人脸识别也具有相当大的潜力，比如能够识别主人身份的门禁免钥匙系统、智能玩具家政机器人等5。表1.1中所列举了已经实现或正在逐步完善的应用，由此可见人脸图像识别具有广阔的应用前景。表1.1 人脸识别的应用应用优点存在问题信用卡、汽车驾照、护照以及个人身份验证等图像摄取可控图像分割可控图像质量好需要建立庞大的数据库嫌疑犯照片匹配图像质量不统一多幅图像可用
35、潜在的巨大图像库互联网应用视频信息价值高，多人参与存在虚假银行/储蓄安全监控效果好图像分割不可控图像质量较差人群监测图像质量高可利用摄像图像图像分割自由图像质量低、实时性虽然人脸识别发展迅速也取得了丰硕成果，但仍然暴露出它的很多亟待解决的问题，例如人脸的非刚性属性，图像背景复杂，人脸的角度变化，环境的光照强度，和可能出现的遮挡物等，都是人脸识别技术要取得长足发展所需要面临的问题。人脸识别的发展趋势如下6： 近红外解决人脸识别光照难题人脸识别系统的性能受很多外部环境的制约，如年龄变化、姿势变化、表情变化、光照变化、配饰变化等的影响，其中光照变化对人脸识别的影响最为关键，因此制约人脸识别技术普及的
36、关键技术瓶颈即是人脸识别对外部光照环境的适应力和控制力。最近由我国中科院自动化所主导提出的基于主动近红外图像的人脸识别技术，迅速发展起来，并且在红外图像对可见光图像混合识别的研究同样取得了突破进展，使其可以和可见光人脸数据兼容，也真正使人脸识别技术更加实用化。 人脸识别与视频监控的无缝对接中科院自动化所的科学家和广大工程技术人员开创了基于可见光下的中远距离人脸识别算法的公共安防智能报警平台，可同时检测、跟踪和识别多路摄像头监控范围内的多个人脸，并与数据库中人员的面部信息进行比对，实时对来往人员身份的排查，一旦发现可疑分子，后台会自动报警，并指导安保人员极早采取防范措施。人脸识别与视频监控的无缝
37、对接，极大的拓展人脸识别技术的应用空间，极大的提升了传统视频监控的预警功能和智能化程度。 人脸识别与身份证管理的无缝对接通过将测试图片与训练库中照片逐一比对，根据对比结果按相似度排列，从而对照片中的人进行准确身份识别的中科奥森海量数据库人脸识别快速查证系统支持对数千万人数据库进行查询。它可以用来追捕罪犯，管理常住人口，特殊人口等。并能充分利用二代身份证照片资源，帮助公安部门的工作。 人脸识别技术趋势 - “三化两合”巨大的市场需求拉动了人脸识别技术和产业的快速发展，随着应用技术的不断发展，人脸识别技术及产业呈现出“三化两合”趋势。“三化”即主流化、标准化、芯片化；“两合”即多生物特征融合和与R
38、FID的联合。第四节 本章小结 本章简述了人脸识别的概念，主要介绍了人脸识别的发展历程，分别介绍了人脸识别的发展现状和多姿态人脸识别的现状，因为本文研究的重点是有姿态变化的图像在人脸识别中所遇到的问题，并分析目前较好的解决姿态问题的算法，还介绍了一些在人脸识别发展过程中起过很大作用的优秀算法，展现了前人对人脸识别领域研究的智慧的结晶，比较各个算法的优缺点，以及适用范围，发现并分析了人脸识别的难点，以及解决人脸识别中一些问题的方法，最后介绍了人脸识别的应用领域，人脸识别技术在理论和应用上有一定的发展，各类图像处理技术、计算机技术等其他学科技术也取得重大发展，这无疑给人脸识别技术研究带来空前发展机
39、会。人脸识别是现在备受重视的一项研究，很多专业人士在这个领域做出了杰出贡献，后人应该在此基础上不断深入的研究，将其推广到各个领域。第二章 人脸识别技术概述第一节 人脸识别的研究范围人脸识别属于生物特征识别技术的范畴，特指通过分析比较人脸视觉特征的信息进行身份识别的计算机技术7。人脸识别目前是一项极其热门的生物特征计算机技术研究课题，可以将人脸明暗侦测，人脸追踪侦测，自动确定动态曝光补偿，自动调整影像的放大；它属于生物特征识别技术的范畴，是对各种人脸进行检测并识别的概称。通常，我们提到的人脸识别主要是指通过人脸特征进行身份的核实匹配、身份的确认或者身份的查找技术。 广义“人脸识别”研究范围主要包
40、括以下方面7: 人脸检测:在不同背景下检测出待检测区是否包含人脸，如果包含，则要进一步确定他的具体的所在位置。影响人脸检测的因素最主要的有面部旋转的角度、倾斜的角度、光照的强度、噪声污染以及各种遮挡物等。 人脸的表征:人脸通过某种表示方式检测出来的特征。一般的表示方法有代数和几何特征、特征脸等。 人脸的识别:主要是比较需要识别的人脸和数据库中人脸。选择合适的人脸表征方式和匹配方法是人脸识别的关键。 姿态分析:主要是分析需要识别的人脸姿态信息,并且将其归类。 生理分类:主要是借助人脸识别从而推断其生理特征,比如性别、年龄等。本文主要研究有姿态变化人脸的识别方面。第二节 人脸识别系统人脸识别系统主
41、要由以下4个模块组成8： 预处理模块：此模块要几何归一化，需要识别图像，并将噪声删除，将方向和光照强度消除或减小、识别系统本身以及系统外部环境等因素产生的噪声干扰，使不同的识别图像中将要处理的人脸亮度和大小做到尽量统一，这样可以使他在相同条件下进行识别。该模块为是后续特征提取模块的基础，为它提供了高质量的图像。 人脸图像训练模块：对识别人脸图像进行集中训练从而得到供识别模块所需判别的参数。在次模块中，不同算法效果差异很大。 特征提取模块：处理训练集和测试集的人脸图像，得到最能反映人脸本质的特征，从而方便分类，这样可以使原始的人脸空间数据映射到新特征空间，识别效果最主要衡量标准是提取特征的稳定性
42、和有效性。在特征提取过程中，根据不同的识别策略选择相应的识别特征：基于神经网络的方法：用归一化后的灰度图像来提取特征值或特征向量作为输入，网络的输出作为识别结果；基于几何特征的识别方法：先提取特征点，之后构造特征向量；基于模板的匹配方法：主要提取相关系数作为识别特征；基于统计的识别方法：利用了图像的相关矩阵来求特征向量，每一个特征向量；对应一张特征脸。 人脸识别模块：根据上一个模块判别测试图像是否属于人脸库里对应特定的人脸。传统人脸识别系统组成如图2.1所示。该图只给出了人脸检测和人脸识别两个部分。图2.1 传统的人脸识别系统框图第三节 人脸识别的性能评价因为人脸识别是一项实用的技术，所以评价
43、人脸识别算法的好坏9也必须从实用角度出发。首先，人脸识别本身是一种分类技术，所以衡量人脸识别算法的首要性能指标是识别率。其次，识别时间决定一种算法从理论到实践的过渡和跨越，因此它是衡量人脸识别算法好坏的关键指标。最后，考察算法识别性能的一个重要指标-人脸识别算法对物理存储空间的要求。下面将对这些性能指标分别进行介绍。 1、识别率 识别率是指在测试过程中，正确识别的人脸图像数目与人脸图像总数的比值。因为训练样本不同的组合产生的鉴别矢量会对识别率产生很大的影响，通常的做法是采用校验法，把已经标记好的训练样本集随机地分两部分：其一作为训练集，用来调整算法中的参数；其二作为 “校验集”，用于评价推广的
44、误差。如果某种识别算法对新的测试样本，即使它对训练样本的分类性能不是很好，但它能够有不错的分类效果，也应该接受它。 2、识别时间 因为人脸识别技术是要应用到实际中，所以实时性是人脸识别技术的一个重要的性能指标。人脸识别系统的时间主要包括两方面的时间：一是训练阶段的时间人脸识别系统生成鉴别矢量集所需要的时间；另一个是分类识别阶段，测试样本投影到鉴别矢量集张成的低维子空间，得到的投影系数以及分类决策确定的测试样本类别的时间总和。一般情况下，训练时间相对来讲不重要（人脸识别系统的训练为离线训练），但分类识别所需的时间标志着人脸识别系统是否具有实时性，决定了人脸识别系统能否应用于实践。 3数据存储量
45、在人脸识别系统中，如果人脸特征库需要花销太多的存储空间，那么将会给整个系统造成太大的负担。所以人脸投影特征矩阵的维数和训练集的大小在人脸识别系统中有特别重要的地位。第四节 本章小结 本章主要介绍了完整的人脸识别流程和人脸识别系统，一般的人脸识别流程包括预处理、特征提取、和分类过程。本文着重研究的是有姿态变换的人脸图像识别方法，于是识别流程中多了姿态校正的部分，完整的流程为预处理、姿态校正、特征提取和分类。本文还介绍了人脸识别的研究范围，和人脸识别系统的功能模块，以及人脸识别系统的性能评价。帮助读者更好的了解人脸识别系统的操作过程。第三章 多姿态人脸识别的研究第一节 引言人脸识别技术经常遇到样本
46、维数过高、类别数太大、训练样本较少，还有姿态、光照、表情等影响的问题。其中，制约人脸识别率提高最重要的因素是姿态变化。如果人脸姿态变化较大，那么识别率就会急剧降低，有时候甚至根本无法识别。本文针对只能获取少量训练样本的情况下，用正弦变换方法对测试集校正处理，用PCA算法来进行特征的提取，并且使用K最近邻分类器，来对多姿态人脸识别全面的研究。在现阶段，很有必要来对多姿态人脸识别策略进行具体方法的实现。现实中，识别精度降低主要因为测试人脸图像姿态变化对它的影响。本文研究的姿态校正人脸识别策略是基于正弦变换的。该方法相较于传统的人脸识别系统的优势是它加入姿态校正前端处理，最后将多姿态样本校正成为正面人脸图像。第二节 多姿态人脸识别策略多视图的多姿态人脸识别最常用的方法就是收集各个人脸的不同姿态、多个数目的视图作为训练样本，识别时把传入的人脸图像与训练库中全部的多视图进行对比，得出人脸识别的最终结果。这种方法确实对多姿态人脸识别的问题有一些作用，但是整体来说仍然存在很大的不足：它需要将多视图为基本条件，需要对每个人脸从多个视角都进行取证。这样工作量太大，有时候是