北京工业大学
硕士学位论文
不同姿势下的人脸识别算法研究
姓名：张斯聪
申请学位级别：硕士
专业：信号与系统
指导教师：毋立芳
20070401
北京］－业大学Ｔ学硕士学位论文
现有较好的特征提取方法认为是将这三种特征提取的方式有机结合，从多方面共同考虑，确定各个特征参数。
Ｙｕｉｌｌｅ等人提出了一种基于模板的方法”１，用模板匹配的方式搜索眼睛和嘴的位置。首先，使用两个预先定义好的参数化模板，在图像中分别搜索眼睛和嘴的位置。其次，用一个能量函数将灰度图像中边缘信息与模板相对应。通过迭代搜索使能量函数最小化的方法来确定眼睛与嘴的位置。
Ｃｏｏｔｅｓ等提出了一种统计学形状模型提取特征的方法“”。这种由手工定位学习和统计学相结合生成的活动形状模型（ＡｃｔｉｖｅＳｈａｐｅＭｏｄｅｌ．ＡＳＭ）提供了很好的泛化和鲁棒性。为了结合图像中的纹理信息，进而将ＡＳＭ扩展为活动纹理模型（ＡｃｔｉｖｅＡｐｐｅａｒａｎｃｅｍｏｄｅｌ。ＡＡＭ）伽。ＡＡＭ可以将形状与纹理结合考虑。首先，通过手工在每张图上标注出６８个标志点，共４００张图像，建立起训练集。训练时每张图像抽取大约１００００个像素点的灰度信息，与形状信息结合，进行主分量分析。搜索时，通过迭代匹配方法减小一个预先定义的能量函数大小，来确定模型的最佳位置。ＡＡＭ模型不仅能够给出待识别图像中人脸的形状信息，而且能够给出用模型参数重建的纹理信息。ＡＡＭ特征提取过程如图２—２所示。
Ｏｎｇｉｎａ｜ｊ把ｆＯｉｔｅｒ２ｉｔｅｌ＂８ｉｔｅｌ＂１４ｉ‘盯２０ｉｔｅｒ２５
图２－２ＡＡＭ特征提取过程示意图
２．３不同姿势下的人脸识别技术
针对人脸图像中的姿势变化问题，已经提出了许多方法。一般地，这些方法可以被分为三类：多视角法、不变特征法以及基于三维模型的方法。
北京工业大学工学硕士学位论文
ＢｅｓｔＦｉｔＮｅｗＶＪｅｗＮｅｗＶｉｅｗ
图２－３多视角ＡＡＭ匹配结果
２．３．２不变特征法
不变特征法即直接提取对姿势变化不敏感的特征用于人脸识别。
这类方法的优点有：
（１）不需要大量的已知不同姿势的人脸图像来描述姿势变化形式，每个人只需少量图像即可用来进行识别。
（２）由于采用对姿势变化鲁棒的特征进行识别，因此对测试图像姿势变化的泛化能力较强。
其缺点为：
（１）往往需要计算的参数过多，计算过程复杂。
（２）参数选择的合理性有待商榷。
Ｗｉｓｋｏｔｔ等人提出了一种基于簇弹性图匹配（ＥＢＧＭ）的人脸识别算法…１。此算法在模型每个标志点上提取一个二维面片，然后通过学习脸部旋转时一组基（ｊｅｔｓ）的变化方式，来完成人脸识别的工作。这种方法对人脸的旋转问题有很强的鲁棒性，并且包括脸部检测、标志点定位和弹性图匹配全部是自动完成的。但是，ＥＢＧＭ方法对标志点的定位十分敏感，而标志点定位恰恰是一个十分困难的工作，尤其是在姿势、光照同时变化的时候。
Ｋｅｌｌｙ等人在文献：５３：中，利用头部宽度，两眼间距离和眼睛到嘴的距离对待识别人脸图像进行分类。Ｃｏｘ等在文献［５４］中，利用手工提取一种“混合距离”的方法，进行人脸识别的研究。此外，不使用提取脸部特征的方法，而