西北师范大学
硕士学位论文
基于改进主成分分析方法的人脸识别算法研究
姓名：李文静
申请学位级别：硕士
专业：计算机应用技术
指导教师：任小康
2008-06
摘要
人脸识别是模式识别、计算机视觉、人工智能等领域知识的一个重要应用，也是当前热门的研究课题之一。基于主成分分析(PCA Principle Component Analysis)的Eigenfaces算法是人脸识别的经典算法，该方法是模式识别判别分析中最常用的一种线性映射方法，是基于统计特征的人脸识别算法。
由于传统PCA方法是把人脸图像特征提取出来以后，直接用提取出来的特征进行识别，存在特征较多，计算量较大等问题。如何在提高识别率的情况下减少特征维数和降低计算工作量，这些正是粗糙集理论研究的内容。
本文将二者相结合应用于人脸识别中，减少了特征脸空间的维数，因此，进行基于改进主成分分析方法的人脸识别算法研究具有一定的理论意义和实践价值。本文完成了以下工作：
首先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。
其次对粗糙集理论的基本知识、离散化算法、约简算法进行了研究，提出了一种基于启发函数的属性约简算法，减小了属性约简过程中搜索空间及计算量。
最后提出了基于改进主成分分析方法的人脸识别算法。该方法根据训练样本的特征向量建立决策表，应用粗糙集理论对决策表属性进行约简，用约简后的特征向量建立特征子空间，进行人脸识别。该方法对经过PCA降维后的特征向量利用粗糙集约简，去除冗余信息，以降低计算的复杂性，提高了识别率和效率，实验证明该方法是合理、有效的。
关键词：人脸识别；PCA；决策表；属性约简
Abstract
Face recognition is one of important applications in the areas of pattern recognition, machine vision and artificial intelligence, and it is one of the hot subjects, too. The algorithm of eigenfaces, the most widely-used method of linear mapping based on PCA (Principle Component Analysis), has become a classical algorithm. Eigenfaces method is an algorithm of face recognition based on statistical features.
Because the traditional PCA method is that the features have been used in recognition directly after they have been extracted. But there are some problems such as too many features, too much computation. Therefore how to reduce the feature and lower work loading in the conditions of improving recognition accuracy is important. And in fact these are the properly research contents of rough sets.
This article combines the two methods in the field of face recognition. So the research on face recognition algorithms based on improved principle component analysis is very meaningful and practical. The following work is finished in this paper: This paper introduces the background of face recognition, the scope of the study and methods firstly. It introduces face recognition of theoretical methods on the whole.
The research on the basic knowledge, the discrete algorithms and reduction algorithms is involved in this paper. Attribute reduction algorithm base on heuristic function is presented. Searching space and computation during the reduction are cut down.
Face recognition algorithm based on improved principle component analysis is presented. The feature vectors of the training samples are extracted to build up the decision table. The rough sets theory is applied to reduce the attributes of the decision table. The feature vectors from the reduced decision table are used to establish vector-space. This method reduces the feature vectors which have been descent by PCA. It wipes off a lot of redundant data. Thereby, it reduces the complexity of computation and enhances the recognition rate observably. The experiment results show the validity of this method.
Keywords: face recognition, PCA, decision table, attribute reduction
独创性声明
本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包括其他人已经发表或撰写过的研究成果，也不包含为获得西北师范大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。
签名：日期：
关于论文使用授权的说明
本人完全了解西北师范大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。
（保密的论文在解密后应遵守此规定）
签名：导师签名：日期：
第一章绪论
1.1研究背景
人们在社会生活中都离不开身份识别与认证，传统的身份识别方法主要基于身份标识物品和身份标识知识。标识物品容易丢失或被伪造，标识知识容易遗忘或记错，更为严重的是传统身份识别系统往往无法区分标识物品真正的拥有者和冒充者，一旦他人获得标识物品，就可以拥有相同的权力。随着网络与通信技术的飞速发展和人类物理与虚拟活动空间的不断扩大，现代社会对于人类身份识别的准确性与安全性提出了更高要求。因此，目前广泛使用的依靠证件、口令等传统方法来确认个人身份的技术已经面临巨大挑战，因此生物特征识别技术孕育而生。
1.2几种生物特征识别技术
]1[
一些生物特征识别技术是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。它主要包括指纹、掌纹、虹膜、人脸、笔迹、签字、语音等生物特征识别。随着计算机科学技术的不断发展，特别是计算机图像处理和模式识别等学科的发展，生物特征识别技术逐步发展成为了一门新兴学科，也是模式识别的一个典型应用。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的最理想依据。
1.2.1指纹识别
]3,2[
基于指纹(Fingerprint)的生物识别技术是应用得最早、最广泛的生物特征识别技术。指纹是指尖表面的脊和谷的模式，在胎儿发育的第七个月里就决定了它的形状。事实表明约有0.1%的人的指纹难以被指纹识别仪识别。主要原因有：手指受伤、包扎的手指、手指上的茧、皮肤过分干燥、皮肤过分潮湿、皮肤病变、皮肤老化、手指窄小等等。
1.2.2虹膜识别
虹膜身份识别[4]是一种可靠性更高的新型生物识别技术。眼虹膜是瞳孔周围有颜色的肌肉组织。早在20世纪30年代，人们就提出了利用眼虹膜进行身份识别
的设想，但直到近两年英国剑桥大学科学家多各曼开发出一种新的编码方式，才使这项技术真正走向实用。虹膜识别的工作过程，与指纹识别有些类似，将扫描的待检测者的虹膜图像，与事先储存的数字代码相对照，即可判明身份。但是虹膜识别需要被识别者的配合，这种识别要求被识别人注视一个装置，这时有一束光线从眼睛后部反射回来，从而使识别仪得到眼虹膜的图案，不管这种系统的精确度如何，人们都不会喜欢测试他们眼睛里面的东西，因此虹膜识别不受欢迎。
1.2.3掌纹识别
人类的手掌包含了像指纹一样的脊和谷的模式。手掌的区域面积比指尖的大很多，所以掌纹比指纹有更好区分性。由于掌纹扫描器要捕获更大的区域，因此它比指纹扫描器更笨重，更昂贵。掌纹仪存在下列几个问题：使用识别仪会传播手掌遗留物中的细菌；习惯使用左手的人，不习惯使用右手识别仪；同样习惯右手的人，不习惯左手识别仪；要使用识别仪必须经过一定的学习，并且在使用过程中，需要大约15s的时间来使一个人正确放置他的手；大约有5%的人，由于他们的手太小或太大或不能正确放置他们的手而被识别仪拒之门外。
1.2.4语音识别
语音识别[5]是通过一个人的语音特征来识别其身份。语音特征包括：音律、频率、基准音及音调等等。在语音识别中，需要说话人讲一句或几句测试短句，对它们进行某些测量，然后计算量度矢量与存储的参考矢量之间的距离函数，最后进行模式识别。语音识别存在以下问题：有噪声的环境中或经过电话传输时带来的声音畸变以及人们生病尤其是感冒时都可能使识别率明显下降；人们故意模仿他人的声音或者经过某种特殊处理的录音不但可能使识别率明显下降，甚至可能欺骗语音识别系统；模板数据量很大，所以限制了其应用的潜力，需要很长的训练时间。这些原因使语音识别系统的应用范围受到很大的限制。
1.2.5人脸识别
人脸是人与人之间差异的最重要特征之一。人脸识别(Face Recognition)即利用人脸特征进行身份验证，是最自然直接的手段，相比其它人体生物特征(如指纹、掌纹、虹膜、语音等)识别技术相比，它具有直接、友好、方便的特点，易于为用户接受。同时人脸识别技术的隐蔽性最好，是当今国际反恐安防最重视的科技手段和攻关目标之一，也应用于多媒体数据库的视频检索等其它方面。人脸识别技
术的发展正是受到商业应用需求的推动，以及相关技术的发展而得到空前的重视，成为模式识别和人工智能领域中的研究热点。
1.3人脸识别技术的发展历史及现状
1893年，Bertillon[6]首次采用语句描述方法对人脸进行分类，在Bertillon研究基础上，60年代初期，Bledsoe[7]最先提出了半自动人脸识别系统的模型和特征提取方法，他的工作引起了许多从事计算机科学的专家和学者的兴趣。七十年代初期，美国、英国、日本、加拿大等国家开始了人脸识别工作，并取得了一定程度的发展。
1972年，Harmon[8]对交互式人脸识别方法在理论和实践上进行了详细论述，T.Kanad[9]也在计算机人脸识别研究中取得一定的成果。同年，日本的Sakai[10]设计出自动人脸识别系统，T.Minaxn[11]又在80年代初研究出优于Sakai的人脸识别系统，但仍需操作人员的先验知识。一直到20世纪九十年代末期，人脸识别技术还处于探索阶段。
进入九十年代，由于生产、生活等各方面对人脸识别系统的迫切需求以及计算机技术、图像处理、模式识别技术的发展成熟，对人脸识别方法的研究变得非常热门，吸引了大量的研究人员和基金支持。目前美国、日本、英国、以色列、意大利、印度、中国等国有专门的研究组在进行这方面的研究，比较著名的有美国的麻省理工学院、普林斯顿大学、卡内基梅隆大学、英国剑桥大学、日本东京大学等。这些研究一般都受到各国军方、警方及大公司的高度重视和资助。九十年代中后期以来，国内的许多研究机构在自然科学基金、863计划等资助下，开始了对人脸识别的研究。其中主要包括清华大学计算机系、自动化系、电子系以及哈尔滨工业大学、南京理工大学信息学院、中科院自动化所、上海交通大学图像处理与模式识别研究所、中山大学数学系等，他们在人脸识别研究领域都进行了许多很有意义的尝试，积累了丰富的经验。
综上，人脸识别发展大致经历了三个阶段：
第一阶段主要研究人脸识别所需要的面部特征，如何提取人脸识别所需要的特征。通过简单的语句描述人脸数据库或为待识别人脸设计逼真的摹写来提高面部识别率。这是需要手工干预的阶段。以Bertillon为代表。
第二阶段是人机交互识别阶段。这一阶段虽然实现了一定的自动化，但还需要操作人员的某些先验知识，仍摆脱不了人的干预。
第三阶段是真正的机器自动识别阶段。由于生产、生活各方面对人脸识别系统日益迫切的需求，以及计算机技术的发展成熟，人脸识别方法有了较大的突破。这一阶段，人们提出了很多人脸自动识别的方法。
1.4人脸识别的优势
人脸识别牵涉到模式识别、图像处理、计算机视觉、生理学、心理学以及认知科学等方面的诸多知识，并与基于其他生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。人脸识别的优点在于[12]：
1．其它生物特征识别方法都需要一些人的行为配合，而人脸识别不需要被动配合，可以用在某些隐蔽的场合，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。
2．可远距离采集人脸。
3．充分利用已有的人脸数据库资源，更直观、更方便地核查该人的身份，因此可降低成本。
4．人脸图像还能够提供一个人的性别、年龄、种族等有关信息。
总之，人脸识别是一项涉及到图像处理、计算机视觉以及模式识别等学科的极富有挑战性的课题。
1.5人脸识别技术应用领域
生物识别技术在上个世纪已经有了一定的发展，其中指纹识别技术己经趋近成熟，但人脸识别技术的研究目前还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别则可以用已有的照片或是摄像头远距离捕捉图像，无须特殊的采集设备，系统的成本低。由于人脸识别技术具有如此之多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。
人脸识别是指基于已知的人脸样本库，利用图像处理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。人脸识别技术在国家重要机关及社会安防领域具有广泛而特殊的用途。主要有以下几类应用[13]：
1．嫌疑犯照片的识别匹配。当公安部门获得罪犯的照片后，可以利用人脸识别技术，在存储罪犯照片的数据库中找出最相像的人作为嫌疑犯，极大的节省了
破案的时间和人力物力。
2．信用卡、驾驶执照、护照与个人身份的识别。身份证、驾驶执照以及其他很多证件上都有照片，现在这些证件多由人工验证完成。如果应用人脸识别技术，这项工作就可以交给机计算机完成，从而实现智能管理。
3．入口控制。入口控制的范围很广，它可以是设在楼宇、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等的入口控制。
4．公众场合视频监控。在许多银行、公司、公共场合等处都设有二十四小时的视频监控。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。
除了这些应用外，人脸识别技术还可用在视频会议，计算机登录控制、基于目击线索的人脸重构等方面。
1.6本文的工作及章节安排
本文的第一章为绪论部分，对人脸识别技术产生的背景、应用领域、国内外发展的前景作了相应的介绍。
第二章系统地介绍人脸识别的基本原理与相关技术，主要介绍了人脸识别的一般过程、几种较为成熟的人脸识别的方法以及一些常用的人脸数据库。
第三章介绍了粗糙集的基本理论、粗糙集属性约简算法，提出了一种基于启发函数的属性约简算法。
第四章提出了一种基于改进主成分分析方法的人脸识别算法，与传统PCA人脸识别算法相比，此算法具有更高的识别率和更好的效率。
第五章实验结果与分析，使用了ORL人脸数据库，将基于传统主成分分析的人脸识别算法同基于改进主成分分析的方法比较，此算法的识别率和效率明显优于传统主成分分析的人脸识别算法。
最后作者在第六章对全文做了总结并提出了展望。
第二章人脸识别技术
2.1人脸识别的研究内容
人脸识别一般可描述为：给定一静止或动态图像，利用己有的人脸数据库来确认图像中的一个或多个人。从广义上来讲，其研究内容包括以下六个方面[12,13]：1．人脸检测：即从各种不同的场景中检测出人脸的存在并确定其在图像中的位置。这一任务主要受到光照、噪声、面部倾斜以及各种各样遮挡的影响。
2．人脸跟踪：一般是处于人脸检测之后的中间分析，为进一步的分析提供人脸的运动参数。针对不同的应用，人脸跟踪的作用是不同的，因此需要抽取的人脸运动信息也是不同的。
3．人脸识别：就是将待识别的人脸与数据库中的已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表示方式与匹配策略。
4．表情分析：根据人脸图像中的面部变化特征，来识别和分析人的情感状态，并对其加以分类。
5．人脸建模：任务是根据人脸的图像来建立一个通用的或带有个性化的人脸模型。
6．人脸动画：根据人脸图像或模型的变化来产生或驱动合理的人脸运动和表情变化。
一个人脸自动识别系统主要包括以下几个主要技术环节[14,15,16]，如图2.1所示：
输入图像输出结果
图2.1人脸自动识别系统构成
2.2人脸图像的预处理
预处理工作主要包括：几何校正、直方图均衡化、像素灰度值归一化。
1．几何校正
几何校正根据人脸定位结果将图像中的人脸变化到同一位置和大小，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。这里的标准化主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。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。
2．直方图均衡
直方图均衡[17]是一种点操作，它逐点改变图像的灰度值，尽量使各个灰度级别都具有相同数量的像素点，使直方图趋于平衡。直方图均衡可以使输入图像转换为在每一个灰度级上都有相同像素点数的输出图像，这对于进行图像比较或分割是十分有用的。
设图像有灰度级，N M 像素点，是输入图像的直方图，图像为输入图像直方图均衡后的输出，依照下面的公式进行直方图均衡：
)(n h a ),(y x a ),(y x b ∑==n
a a a u h M n p 1
)(1
)( N n ,,2,1???= (2-1)
)],([),(y x a P N y x b A ×= (2-2)
3．像素灰度值归一化[18]
预处理的最后一个工作就是像素灰度值的归一化，目的是使不同成像条件下拍摄的同一个人的照片具有一致性。也就是改变图像的亮度和对比度，使其等于定值。灰度归一化用来对不同光强，光源方向下得到的人脸图像进行补偿，以减弱单纯由于光照变化造成的图像信号的变化。
2.3人脸检测与定位
人脸检测与定位，是指对于任意一幅图片，确定其中是否包含人脸，如果有，确定人脸的数目、位置和大小。人脸检测和定位的过程可分为两步：第一步是自动分割，即寻找人脸和眼睛、鼻子、嘴的区域；第二步是定位，即将人脸与背景中其他种类的模式区分开。
人脸检测的基本思想是对人脸建模，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在人脸的区域。下面我们介绍一下几种常见的人脸检测方法：
2.3.1基于统计的人脸检测方法
1．事例学习。将人脸检测视为区分非人脸样本与人脸样本的两类模式分类问
题，通过对人脸样本集和非人脸样本集进行学习以产生分类器，国际上普遍采用人工神经网络[19,20,21]。
2．子空间方法。Pentland等将KL变换引入了人脸检测[22]，在人脸识别中利用的是主元子空间，而人脸检测利用的是次元子空间。用待检测区域在次元子空间上的投影能量，即待检测区域到特征脸子空间的距离做为检测统计量，距离越小，表明越像人脸，子空间方法的特点在于简单易行，但由于没有利用反例样本信息，对与人脸类似的物体辨别能力不足。
3．空间匹配滤波器方法。包括各种模板匹配方法、合成辨别函数等。梁路宏、艾海舟[23]等提出的基于仿射模板匹配的多角度单人脸定位方法能够定位在图像平面内存在一定程度的旋转角度的人脸。这种方法的关键是生成仿射模板，但由于模板匹配的方法基本上是经验性的，所以检测能力尚不强，有待进一步改进。
2.3.2基于知识建模的人脸检测方法
1．器官分布规则：虽然人脸在外观上变化很大，但也遵循一些普遍适用的规则，检测图像中是否有人脸即是测试该图像中是否存在满足这些规则的图像块。其中最为简单有效的是Yang等人提出的Mosaic[24]方法，它给出了基于人脸区域灰度分布的规则、依据这些规则对图像从粗分辨率到高分辨率进行筛选，以样本满足这些规则的程度做为检测的判据。另一种思路是先直接检测器官可能的位置，用这些位置点的几何位置进行筛选找到人脸。
卢春雨、张长水等[25]在传统的人脸检测马赛克方法的基础上提出的人脸检测方法对人脸定量模型和规则制订的直观性、各种脸型的适应性作了一系列改进，使检测速度和检测效果有了明显改进。Lee[26]等设计了肤色模型表征人脸颜色，利用感光模型进行复杂背景下的人脸和面部器官的检测与分割[26]。Zabrodsky[27]提出连续对称性检测方法：检测一个圆形区域的对称性，从而确定是否为人脸。Riesfield[28]提出广义对称变换方法检测局部对称性强的点来进行人脸的定位。
2.3.3基于模板匹配的人脸检测方法
模板匹配方法[29]首先设计一个或数个标准人脸模板，然后计算测试样本与标准模板之间的匹配程度，通过设定的阈值来判断在检测样本中是否存在人脸。在实际应用中所采用的模板可以分为固定模板和可变形模板。
2.4人脸特征提取
提取的特征形式随识别方法的不同而不同。人脸识别的方法很多，主要可分为五大类：第一类是基于几何特征的识别方法，早期大多是从侧面人脸图像中提取特征，现在基本上是提取正面人脸的信息；第二类是基于相关匹配的方法，包括模板匹配法和等灰度线方法，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；第三类为基于统计的识别方法，包括特征脸方法等；第四类为基于连接机制的识别方法，包括神经网络方法和弹性匹配方法。
2.4.1基于几何特征的方法
常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等局部形状特征、脸型特征以及五官在脸上分布的几何特征[30]。例如计算诸如将鼻子宽度和长度、嘴的位置、以及它们的相对位置、下巴形状等作为人脸几何特征集。然后利用这些几何特征进行定位和识别。基于几何特征的识别方法中，这一步主要是提取特征点，然后构造特征矢量；利用这些点之间的几何特征来进行识别。几何特征法需要首先自动定位这些特征点，而且特征定位算法的准确率决定了最后的结果，提取特征时往往要用到人脸结构的一些先验知识。这种方法存在如下问题：从图像中抽取稳定的特征比较困难，特别是特征受到遮挡时；对强烈的表情变化和姿态变化的鲁棒性较差；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，更适合于粗分类。
2.4.2 基于模型匹配的方法
基于模板匹配的方法，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。
模板匹配法大多是用归一化互相关，直接计算两幅图像之间的匹配程度[31]。最简单的人脸模板是将人脸看成一个椭圆，检测人脸也就是检测图像中的椭圆。另一种方法是将人脸用一组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须利用各个特征的轮廓，而传统的基于边缘提取的方法很难获得较高的连续边缘。为此，用弹性模板方法提取特征显示出其独到的优越性。弹性模板由一组根据特征形状的先验知识设计的可调参数所定义。为了求出这组参数，需要利用图像的边缘、峰值、谷值和强度信息及特征形状的先验知识设计合适的能量函数。参数向能量减小方向调整，当能
量达到最小时，这组参数对应的模板形状最符合特征形状。
2.4.3 基于统计的方法
将一幅人脸图像看成一个矩阵，通过作矩阵变换或线性投影，可以抽取人脸的统计特征，这是一种基于整体的思想，把人脸整个图像看作一个模式进行识别。
在统计识别方法中，子空间分析方法引起了人们的广泛注意，并成为当前人脸识别中的主流方法之一。子空间分析的思想是根据一定的标准或目标来寻找一线性或非线性变换，把原始数据压缩到低维子空间，然后在此低维空间中按照一定的分类算法进行分类。目前常用的线性子空间方法有：主成分分析(Principle Component Analysis,PCA)、独立分量分析(Independent Component Analysis, ICA)和线性判别分析(Linear Discriminant Analysis, LDA)。
主成分分析(Principle Component Analysis,PCA)方法是最典型的特征提取方法之一，将包含人脸的图像区域看作是一种随机向量[32]，用K-L[33]变换进行统计特征提取。利用图像相关矩阵的特征矢量构造特征脸。K-L变换是图像压缩中的一种最优正交变换，同时也是子空间法模式识别的基础。由于高维图像空间经过K-L变换后可得到一组新的正交基，对这些正交基作一定的取舍，保留其中的能量最大一部分生成低维的人脸空间，即人脸的特征子空间，如图2.2。
图2.2 PCA变换示意图
Turk和Pentland[34]等提出的特征脸(Eigenfaces)的方法是从主成分分析方法导出的一种人脸识别和描述技术。K-L变换是图像压缩中的一种最优正交变换，其生成矩阵一般为训练样本的总体散布矩阵。特征脸方法就是将包含人脸的图像区域看作是一种随机向量，因此，可以采用K-L变换获得其正交基底。对应其中较大特征值的基底具有与人脸相似的形状，故将其称为特征脸，如图2.3所示。
图2.3经主元分析后提取的3个特征脸
识别时将测试图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像比较进行识别，在Turk 等的论文中报告得到比较好的效果。特征脸方法定义了一个特征空间，或“人脸空间”，它大大降低了原始空间的维数，在这个低维空间中可进行人脸识别。在数学上，主成分分析就是通过特征值问题来对角化协方差矩阵Q
T i N i i x x x x N Q )()(11
??=∑= (2-3)
∧=ΤφφQ (2-4) 其中：[]N φφφφ,...,,21=，∧=diag },...,,{21N λλλ此处φ为正交特征向量矩阵，∧为对角矩阵。表示样本的总个数，N x 是所有样本的均值，把特征值按降序排列，N λλλ>???>>21,选择对应前个(通常m n m <<)非零特征向量作为主元。样本在特
征子空间中的位置就可以用它在低维主元子空间上的投影系数来表示:
i a ∑==m i i i w a y 1
(2-5)
通过PCA 变换，我们可以提取一些标准的人脸特征向量，人脸图像就可以通过这些特征向量的线性加权组合来表示。
独立元(ICA)分析[35](Independent Component Analysis, ICA)是将观察到的数据进行线性变换，使其分解成统计独立的分量。ICA 用低维的子空间参数描述高维的数据特征。ICA 的基本思想是用基函数来表示一个随机变量集合，其基向量是统计独立的，或者尽可能的独立。目前ICA 主要应用于特征提取[36]、盲源信号分离[37]、语音信号分析[38] 、图像处理[39]和人脸识别等。基于ICA 的特征提取方法得到的独立图像基，能够反映像素间的高阶统计特性，并且不要求向量基两两正交。
独立元分析要基于所有阶的统计信息，所以求解就没有主元分析和线性判决
分析那么容易。目前比较流行的求解方法有三种[36,37]：
1．基于信息论的方法；2．固定点算法；3．联合近似对角化特征矩阵的方法。其中固定点算法最为简单和快捷，它把独立元的求解简化为如下简单的迭代过程：
w )1(3}))1(({)(31???=??k w k w X E C
k w T (2-6) )
()()(k Cw k w w k w T ???
= (2-7) 独立元分析最先应用在信号分析，1999年Bartlett 等[38]把它引入到人脸识别中，通过实验得到较为满意的效果。
基于线性判别分析方法以样本的可分性为目的，寻找一组线性变换使类内离散度最小的同时，最大化类间离散度。经典的线性判别分析中使用的是Fisher 准则，Fisher 脸方法变换是一种数据处理方法[40]，它具有最佳的图像表示能力，但并不意味着它具有最佳识别能力。Fisher 线性判别旨在求出一个最佳鉴别向量，将原来高维的模式样本投影到最佳鉴别向量空间以达到减小特征空间维数的目的。Fisher 最佳鉴别向量方法的目的是使投影后的模式样本空间类间散布矩阵最大而类内散布矩阵最小，也就是保证了投影后的模式样本在新的子空间有最大的类间距离与类内距离之比，从而使各模式在该空间有最佳的可分性。
Fisher 准则函数定义为：
w
S w w S w w J w T h T w max arg )(= (2-8) 其中类间离散度和类内离散度为：
h S w S T t t C t t h N
S ))((1μμμμ??=∑= (2-9)
T i t N i i t C t w x x
S i )()(11μμ??=∑∑== (2-10)
其中是第i 类训练样本数，c 是人脸的类别数，t N t μ是第i 类人脸的所有样本的平均向量，指属于第i 类人脸样本的人脸图像向量的集合。
t x 在数学上，求解Fisher 准则函数就等同于求解的特征值问题，Swets 等最
先提出结合主元分析的线性判决方法h w S S 1?[41]，即先用主元分析降维，获得原样本的最优特征表示子空间，并保证在子空间中类内散布矩阵是非奇异的，然后再在此基础上作线性判决分析。
2.4.4基于连接机制的方法
基于连接机制的方法包括人工神经网络和弹性图匹配方法。
人工神经网络(Artificial Neural Network)是一门发展十分迅速的交叉学科。大部分神经网络方法则直接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。最早应用神经网络进行人脸识别工作的是Kohonen ，利用网络的联想能力回忆人脸，当输入图像噪音很多或部分图像丢失时，也能回忆出准确的人脸。
弹性图匹配方法[42,43,44]是一种基于动态链接结构(Dynamic Link Architecture ,
DLA)的方法。将人脸用格状的稀疏图表示，图中的节点用图像位置的Gabor 小波分解得到的特征向量标记，图的边用连接节点的距离向量标记。匹配时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一个变形图，其节点逼近模型图的对应点的位置。
Nastar 将人脸图像建模为可变形的3D 网格表面，从而将人脸匹配问题转化为可变形曲面的弹性匹配问题[45,46]，利用有限元分析的方法进行曲面变形，并根据变形的情况判断两张图片是否为同一个人。Lanitis 等提出灵活表现模型方法[47,48]，通过自动定位人脸的显著特征点将人脸编码为模型参数，并利用辨别分析的方法进行基本形状信息的人脸识别。
2.5分类
模式的分类是模式识别中很重要的一个问题，它是把被识别的对象归并分类，确认其为何种模式的过程[49]。
2.5.1基于统计模式的分类器
当人脸图像特征分布的统计特性已知或能够推断时，可采用基于统计模式的识别器来进行分类[50]。
贝叶斯(Bayes)分类器[51,52]是基于统计模式识别的一个基本分类器，用这种分类器进行分类时要求：所分类别的总体分布的概率分布是已知的；要决策分类的类别数是一定的。
基于最小风险的贝叶斯决策可以用来判断样本X 是否属于类别1ω或者类别2ω。用代表)(X R i i X ω∈的概率，有以下公式：
)()()(212111X P C X P C X R i ωω?+?=
)()()(2221212X P C X P C X R ωω?+?= (2-11) 决策结果为当时)()(21X R X R <2ω∈X ，否则1ω∈X 。
2.5.2神经网络分类器
人工神经网络是受动物神经网络系统的启发，利用大量简单处理单元互联而构成的复杂系统，可用来解决一些复杂模式识别问题与行为控制问题。构成人工神经网络的三个基木要素是：神经元、网络拓扑结构和网络的训练（学习）方法[53]。
人工神经网络由于固有的并行计算机制以及对模式的分布全局存储，故可以用于模式识别，而且不受模式形变的影响。
BP 网络是人工神经网络中最基本的和使用最广泛的网络，具有结构简单，易于实现的优点。这种网络不仅在理论上日臻成熟，而且在实际生活中也得到了广泛应用。BP 网络由输入层、隐含层和输出层三部分组成。输入层的节点个数由特征点个数决定，中间层的个数一般由经验公式给出，输出层节点个数由分类的类数决定[54]。
2.5.3判别函数分类器
分类器使用的判别函数可以分为线性判别函数和非线性判别函数两类：
1．线性判别函数
线性判别函数[55]是一种分类器中应用较为广泛的判别函数。设组合系数为，则对于ik w M 类分类问题，其任一类的线性判别函数为:
i ∑=+=N k i k ik i X x D 1
0)(ωω M i ,...,2,1= (2-12)
式中代表第个判别函数，)(x D i i ik ω是系数或权值，0i ω为常数。
最小距离判别准则是将未知类别图像和特征空间作为模板的点之间的距离作为分类的准则[56]。对于M 类模板，未知类别图像与哪一类距离最近就属于哪类。
假定图像类别数为M ，分别为M ωωω,...,,21，每类有一个标准图像模板特征向量，则共有M 个模板特征向量，表示为，则未知类别图像的特征向量M Z Z Z ,...,,21X 和i ω类的模板特征向量之间的欧几里德距离为：
i Z )()()(),()(i T i i i i Z X Z X Z X Z X d X D ??=?== M i ,...,2,1= (2-13) 对于所有的j i ≠，若)()(X D X D j i <，即i X ω∈类。基于最小距离判别准则的分类器称为最小距离分类器。
最近领域判别函数[56]中，每类图像的模板不是取一个点为代表，而是取一组点代表一类。如果有M 类图像M ωωω,...,,21，某一类i ω中含有个标准模板，我们把这个标准模板集合用符号表示，则集合中的模板可以表示为i N i Z i Z {}
i N i i i i Z Z Z Z ,...,,21=。输入图像与i ω类的距离可以表示为：
k i k i i Z X Z X d Z X d ?==min )),(min(),( N k ,...,2,1= (2-14) 上式表明，输入图像X 与模板集的距离就是i Z X 与中的一组空间点的距离中的最小距离。空间点之间距离的求取方法与最小距离分类器中的距离求取方法i Z
相同。
2．非线性判别函数
非线性判别函数[55]可以采用下面的形式：
∑∑∑===++=N k N i i k ki N k k kk X X X X D 11120)(ωω
ω (2-15)
上式是一个二次型判别函数，通常二次型判别函数的决策边界是一个超二次曲面。
人脸识别包括以下两个方面：人脸验证与人脸识别。人脸验证(Face Verification/Authentication)：即是回答“是不是某人”的问题。它是给定一幅待识别人脸图像，判别它是否是“某人”的问题，属于“一对一”的两类模式分类问题，主要用于安全系统的身份验证。人脸识别(Face Identification/Recognition)：即是回答“是谁”的问题。数据库里预先存放了已知的人脸图像，识别的目的就是将给定一幅待识别人脸图像与库里的进行匹配，判别它的身份。它是个“一对多”的多类模式分类问题，通常所说的人脸识别即指此类问题，这也是本文的主要研究内容。如图2.4：
图2.4人脸识别系统的工作过程
2.6常用的标准人脸数据库
任何人脸识别系统的开发都需要建立一个包含有人脸图像或图像序列的数据库。开发一个在所有可能的变化情况下都能正确进行人脸识别的系统是非常困难的。因此几乎所有人脸识别的研究都是在一定约束条件下进行的，下面介绍一些常用的标准数据库。
英国ORL 单人脸数据库：该数据库包括从1992年4月拍摄的一系列人脸图像，由400幅灰度图像组成，图像尺寸为92*112像素，图像背景为黑色，其中人
脸脸部表情和细节均有变化，如微笑与中性表情，眼睛睁着或闭着，有的戴眼镜和不戴眼镜，人脸姿态也有变化，其深度旋转与平面旋转可达20度，人脸的尺寸也有最多10%的变化。是目前使用最为广泛的人脸数据库。
英国Manchester人脸数据库：该数据库由30个人的690幅图像组成，其中训练集和测试集分开，有不同的光照和背景特征，而且对每个人而言，前后两张照片之间的时间间隔至少有三周。训练集对光源有一定的约束，而在测试集中则无此要求。
AR人脸数据库：该人脸数据库由U.A.B.计算机视觉中心(CVC)的Aleix Martinet和Robert Benavente两人创建，可供免费下载。这个数据库里包含126个人的4000幅彩色人脸图像，其中70位是男性，56位是女性，每人26张图片，图像大小为576*768像素。所有图像均为正面带表情且在不同的光照条件下拍摄。
日本ATR数据库：考虑了除人脸特征外的其他信息在人脸识别中的作用，提供人脸和语音的合成，有60人组成，其中人脸图像是静止的而非运动图像序列。
ORL人脸数据库仍是目前使用最广泛的标准数据库，在本文中采用ORL人脸库作为实验的样本。
人脸识别——特征脸方法 贾东亚1２346046 一、实验目的 1、学会使用PCA主成分分析法。 ２、初步了解人脸识别的特征法。 3、更熟练地掌握ｍatｌab的使用。 二、原理介绍 1、ＰＣA(主成分分析法介绍） 引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用x1(i)表示飞行员ｉ的 飞行技能，x2(i)表示飞行员ｉ喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些 非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在ｕ１两侧，有少许噪声。 现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知,如果我们找到一个方向的Ｕ，所有的数据点在U的方向上的投影之 和最大,那么该U就能表示数据的大致走向。而在垂直于U的方向,各个数据点在该方向的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U方向上的一维数据。 为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。 而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而ＸT u 就是投影的距离。故我们要求下式的最大值: 1 m ∑(x(i)T u)2=u T( 1 m ∑x(i)x(i)T m i=1 ) m i=1 u 按照u是单位向量来最大化上式,就是求1 m ∑x(i)x(i)T m i=1的特征向量。而此式是数据集的 协方差矩阵。
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
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
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。
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
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
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）
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
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)
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
1 引言 在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动机 器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论 和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。 然而，对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，这些最基本的科学问题仍然困惑着研究人员。而退一步讲，即使对我们自己，尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等，大多数人却很难准确地描述出自己到底是如何区分他们的，甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家，也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然，飞机的翅膀并不需要像鸟儿的翅膀一样煽动，自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径，例如建立人脸识别的计算模型，这种计算模型可能是基于仿生神经网络的，也可能是纯粹基于统计的，或者是这二者之外的第三只眼睛，并通过构建实用的自动人脸识别系统来验证这些计算模型，从而找出对上述基本科学问题的解答。 本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法，简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了一些简单的探讨。 2 人脸识别发展历史
应用统计学课程设计 基于主成分分析和人工神经网络的人脸识别 姓名：崔卓须 学 号： 3101301308 姓 名： 姚顺兰 学 号： 3101301304 姓 名： 陈晓强 学号：3101301230 专业：信息与计算科学 指导教师：贺文武（博士） 2012年12月28日
目录 1. 人脸识别概述 (2) 1.1选题背景与意义 (2) 1.2人脸检测的基本概念 (2) 1.3人脸检测问题的分类和挑战性 (2) 2. 模型的建立 (3) 2.1主成分分析 (3) 2.11计算特征根矩阵 (4) 2.12计算主成分 (4) 2.2人工神经网络 (4) 2.21建立人工神经元 (4) 2.22神经网络工作 (5) 2.23分析结果 (6) 3. 优缺点分析 (7) 3.1优点 (7) 3.2缺点 (7) 4. 参考文献 (7) 5. 附件 (8)
摘要 人脸识别技术作为生物特征识别领域中一种基于生理特征的识别技术，是以通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与人体的其他生物特征一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。 本文对于人脸识别模型的建立基于两个部分： 第一部分，基于主成分分析的特征脸法，通过选择ORL人脸图像库中的110 幅人脸作为训练样本集Ti|i =1,…,110：%计算其独立主成分（涵盖90%勺信息），实现对信息进行压缩处理，从而用主成分来进行人脸判别。 第二部分，用人工神经网络来进行人脸判别。建立输入人脸照片主成分输出人脸判别结果的神经网络，从而实现人脸的识别。 关键字：人脸识别，主成分分析，人工神经网络，特征脸
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——特征脸方法 贾东亚12346046 一、实验目的 1、学会使用PCA主成分分析法。 2、初步了解人脸识别的特征法。 3、更熟练地掌握matlab的使用。 二、原理介绍 1、PCA（主成分分析法介绍） 引用一个网上的例子。假设有一份对遥控直升机操作员的调查，用x1(i)表示飞行员i 的 飞行技能，x2(i)表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示，数据散布在u1两侧，有少许噪声。 现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知，如果我们找到一个方向的U，所有的数据点在U的方向上的投影之和最大，那么该U就能表示数据的大致走向。而在垂直于U的方向，各个数据点在该方向的投影相对于在U上的投影如果足够小，那么我们可以忽略掉各数据在该方向的投影，这样我们就把二维的数据转化成了在U方向上的一维数据。 为了将u选出来，我们先对数据进行预处理。先求出所有数据的平均值，然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后，再代替数据本身。 而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而X T u 就是投影的距离。故我们要求下式的最大值： 1mi=1m(x(i)Tu)2=uT(1mi=1mx(i)x(i)T)u 按照u是单位向量来最大化上式，就是求1mi=1mx(i)x(i)T的特征向量。而此式是数据集的协方差矩阵。 在实际应用中，我们不止面临二维的数据。因此不能使用几何的形式呈现，但原理也是一样。就是找到一组相互正交的单位向量uk，然后根据贡献率考虑选择其中的部分作为考
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
人脸识别技术的主要研 究方法 The manuscript was revised on the evening of 2021
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，并且该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整个图片才能得到检测结果，并且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。近几年来，针对该方法的人脸检测研究相对比较活跃。 4、基于代数特征的人脸识别方法