当前位置：文档之家 › 基于ICA的人脸识别研究

基于ICA的人脸识别研究

  • 格式：pdf
  • 大小：578.54 KB
  • 文档页数：59

（Independent Component Analysis）algorithm. It shows that the training time will be increasing exponentially when the train samples are large. This process can decreases the computation effectively and improves recognition rate. Secondly, considering the specificity of face images, we adopt the FastICA (Fast Fixed-point ICA) algorithm based on negentropy to extract the face feature information. The method has a excellent partial feature expression ability. It has good astringency and less computation as well, by using fixed point iterative adaptive study method. In addition, the paper proposes the kernel independent component analysis method,which is based on the nonlinear function space, implementing the nonlinear transform with kernel functions instead of inner-product between two vectors. It has been proved that the method has more flexible and good robustness for the change of the express and illumination . Finally, as ICA face feature space is concerned, we use the most direct method-- Nearest Neighbor classifier, which is widely used, to classify recognition in the paper. The algorithms involved in the paper have been simulated by Matlab using Yale face data and AR face data,作者签名：日 Nhomakorabea：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。本人授权中南民族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。 本学位论文属于 1、保密□，在______年解密后适用本授权书。 √ 2、不保密□。 （请在以上相应方框内打“√” ）
中南民族大学 硕士学位论文 基于ICA的人脸识别研究 姓名：董优丽 申请学位级别：硕士 专业：通信与信息系统 指导教师：谢勤岚 20080520
中南民族大学硕士学位论文
摘
要
随着社会发展的需要，各行业对快速有效的身份验证有着迫切的需要。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， 因此人脸识别成为模式识别、 图像处理等学科的研究热点。 人脸识别过程主要由三部分构成：数据预处理、特征提取和分类识别。本文针对人 脸在表情和光照上的变化，重点研究了如何提取有效的人脸特征信息。 数据预处理部分主要完成对人脸图像的直方图均衡、白化等处理。这样能有效地改 善图像质量，降低计算复杂度，从而有效地提高后续算法的计算速度和收敛速度。 在特征提取部分，本文首先采用主分量分析(Principal Components Analysis ,PCA)方 法对训练图像进行降维处理，以去除图像的二阶冗余信息，并把 PCA 处理后的人脸特 征空间作为 ICA(Independent Component Analysis)方法的输入数据。当训练样本庞大时， 训练时间呈指数形式增加，该处理能有效的减少计算量并提高识别率。 然后，针对人脸图像的特殊性，采用基于负熵的快速定点 ICA(Fast Fixed-point ICA,FastICA）算法来提取人脸的特征信息，该方法有很好的特征表征能力。采用定点 迭代的自适应学习方法，计算量小，收敛性好。除此之外，本文提出了 KICA(Kernel Independent Component Analysis)方法——一种基于非线性函数空间的 ICA 方法， 用核函 数来代替两向量间的内积运算来实现非线性变换，具有更好的灵活性，对于人脸的表情 变化和光照变化有很好的鲁棒性。 最后，在分类识别上，针对 ICA 算法提取的人脸特征空间，本文采用了最直接也最 常用的最近邻分类器。 本文所论述的算法均在 Yale 人脸库和 AR 人脸库上进行了 Matlab 数据仿真，取得了良好的识别效果。 关键字：模式识别；人脸识别；独立成分分析；主分量分析；核独立成分分析
作者签名： 导师签名：
日期： 日期：
年 年
月 月
日 日
中南民族大学硕士学位论文
第 1 章 绪论
1.1 引言
人脸识别技术是计算机视觉和模式识别领域理论的一个重要应用， 它是近 20 年来才 发展起来的，20 世纪 90 年代后更成为科研热点。随着科学技术的发展和社会的进步， 对快速、有效、自动的身份识别的实际要求日益迫切。对重要部门如电视台、银行、机 场，进行保安、过境控制与移民检查；机密或贵重物品保存场所的进出，防止信用卡被 盗等，都需要进行可靠的身份鉴别。随着计算机网络技术的广泛应用，人们生产生活中 的信息越来越多的存储在计算机网络中，对这些信息的获取和支配也需要进行身份验 证。因此，身份验证将在人们的生产、生活中扮演越来越重要的角色。 人脸识别系统与其他基于生物特征的自动识别系统有着大体相同的工作原理和工作 过程。首先是采集样本，即人脸图像；其次是进行特征提取，然后将提取的特征数据存 入特征数据库；最后当需要对某人进行身份鉴定时，再用某种特定的特征匹配算法将数 据库中的特征数据同这个待识别人的人脸特征进行匹配，从而实现身份的鉴定。同人体 本身其他固有的其他生理特征，如指纹、手型、基因、体热辐射与身体气味、眼部特征 （视网膜、虹膜）等一样，人的脸部特征具有一定的稳定性。除此之外，人脸识别具有 主动、直接、方便、友好等特点，无需特定采集设备，整个系统成本比较低；它还可以 在不干扰被测者的前提下，获得被识别人的面部图像，并且不侵犯使用者的隐私，因而 对被测者无任何心理障碍。正因为这些优势，使得人脸识别的应用前景十分广泛。
1
基于 ICA 的人脸识别研究
第一阶段是机械式识别阶段，主要研究人脸识别所需要的面部特征，以 Bertillon 和 Parke[1]为代表。Bertillon 用一个简单的语句将人脸与数据库中某张人脸相联系；Parke 则用计算机产生了较高质量的人脸灰度图模型。 这一阶段的人脸识别系统的工作特点是 识别过程完全依赖于操作人员，不是一种可以完成自动识别的系统。 第二阶段是人机交互识别阶段。Harmon、Goldstein 和 Lesk 用几何特征参数来表示 人脸正面图像[2]；Kaya 和 Kobayashi 则采用统计识别的方法，用欧式距离来表征人脸特 征[3]；T.Kanade 设计了一个高速且有一定知识引导的半自动回溯识别系统[4]。但这阶段 的人脸识别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、图像处理、模式识别技术的发展成熟，人脸识别方法有 了较大的突破。这一阶段，人工神经网络[5][6]、小波变换[7]等在人脸识别的研究中被广 泛应用，提出了很多人脸识别的新方法[8][9][10]。 进入 90 年代， 对人脸识别方法的研究重新变得非常热门， 吸引了大量的研究人员和 基金支持。自 1996 年 PRI(Panoramic Research Inc)的机器自动人脸识别研究工作之后， 美国、日本、英国、以色列、意大利等经济发达国家和发展中国家如印度等国都有专门 的研究组进行这方面的研究。国内很多教学科研机构都有人员从事人脸识别的相关研 究。到目前为止，人脸识别工作已经进行了 20 多年，但是仍然面临着种种困难，其中 主要有人脸图像中人脸角度变化、遮挡引入，以及光照变化、图像质量的差异等造成识 别率下降的问题。
III
中南民族大学 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。
II
中南民族大学硕士学位论文
and have showed good recognition rate. Keyword: Pattern recognition；Face recognition；Independent Component Analysis； Principal Components Analysis；Kernel Independent Component Analysis
I
基于 ICA 的人脸识别研究
Abstract
As the development of the society, there are increasing demands in automatic identity certification . Since some biological characteristics are intrinsic, stable and strongly

合集下载

独立分量分析在人脸识别中的应用

独立分量分析在人脸识别中的应用

独立分量分析在人脸识别中的应用什么是独立分量分析 (ICA)独立分量分析（ICA）是一种多元数据统计分析方法，它可以对数据进行更细致和更具有意义的解释，以便于更深入的理解数据，相当于将混合信号分离为源信号。

ICA的最初应用是在信号处理方面，如脑电图分析、语音信号分析等。

ICA的基础代数理论始于矩阵分解理论，即将原始数据通过矩阵分解的方式，找出独立的分量。

在处理信号的过程中，ICA被广泛应用于图像处理和音频处理等领域。

而在人脸识别领域，通过独立分量分析可以减少因光照变化、表情改变而带来的困扰，从而提高识别精度。

ICA在人脸识别中的应用在人脸识别中，独立分量分析可用于减少图像中因光照、姿态、表情等因素而导致的变化。

具体而言，ICA可以将人脸图像分解成若干个基本独立因子（独立分量），这些独立分量彼此相互独立，每个独立分量包含人脸的不同方面信息，如人脸的轮廓、颜色、光照等。

通过 ICA 去除图像中的固有和共性因素，保留图像中的个体差异因素，从而识别个人。

最终，将这些独立分量重构为原图像，得到的结果更加清晰，从而更高效准确地完成人脸识别任务。

ICA在人脸识别中的优点在人脸识别中，ICA与传统的方法相比，有以下优点：1.避免了因图像受光照、姿态、表情等因素而引起的困扰。

尤其是在不同环境下的人脸照片的识别，ICA可以更好地处理这个问题。

2.能够提取人脸的独立特征，以便更好地区分和识别人脸。

这也是传统方法所不能实现的。

3.可以处理多个人脸的图片，识别准确度高。

实验结果表明，ICA在处理多张人脸图像时进行识别的性能比单张人脸图像时更加优秀。

4.算法简单，易于实现和应用。

总结独立分量分析是一种功能强大的分析数据的方法，近年来在人脸识别领域得到了越来越广泛的应用。

它通过对图像进行分离和提取，去除了脸部图像中的一些干扰因素，从而提高了人脸识别的准确率和鲁棒性。

此外，由于算法较为简单，ICA 的应用也非常方便灵活，可以为未来的人脸识别技术发展提供更多的发展潜力。

基于ICA和线性回归的多姿态人脸识别方法

基于ICA和线性回归的多姿态人脸识别方法


式中：砟＝徊；，．，ａＴ）７，Ａｔ，＝
用最ｄｘ－＿＿乘法求解此线性回归问题，可得：
６ｆ＝（群Ａｐ）‘１群４
（８）
将测试的多姿态人脸投影至对应的姿态ＩＣＡ子空间获取
对应的特征向量Ｂ，通过选取对应的姿态变换矩阵，就实现了测 试姿态人脸特征向量的变换：
ａ＝［卢１ ６ｊ，卢１ ６２，…，卢１ｂＭ】
（９）
从而。合成的正面人脸向量可以表示为：
，’＝∑：。卢７ ６ｆ《
（１ ｏ）
式中，ｕｉ表示正面ｌＥＡ子空间上的第个基向量。
３实验与结果
为了检验本文方法的有效性。采用ＣＭＵ ＰＩＥ人脸库进行了 相关的仿真实验。ＣＭＵ ＰＩＥ人脸库包含来自６８个人的４１，３６８ 张人脸图像，其中每个人具有１３不同姿态，４３种不同光照及４
种不同 情。文中选择光照变化不大、自然表情且脸上无任何
图１多姿态测试人脸及其经姿态变换合成的正面人脸 采用图像向量之间相似性函数作为衡量合成正面人脸和原
始正面人脸间相似性的标准：妒（‘，ｌｏ）＝ｃｏｓ（（‘，，ｏ））＝÷÷箭并。 旷ｉＩｌｌｌｌ０ ０
其中，Ｉ；表示合成的正面人脸，１０表示原始测试的正面人脸。从 而得合成的正面人脸与原始正面人脸的相似性比较表如表 １所示。
应的特征向量矩阵。
１．２ ＩＣＡ方法基本原理
ＩＣＡ方法最初是用来解决鸡尾酒会问题的，目的是从混合
信号中获取相应的独立源信号。假设有Ｎ个观测信号Ｘｌ，Ｘ２Ｌ，ｘＮ，
其中每个观测信号都可以表示为Ｍ个独立的未知源信号ＳＩ，Ｓ。Ｌ 曼
ｓＭ的线性组和，即葺＝∑ａｉｊｓｊ（ｉ２１，２，…，Ⅳ）。令ｘ＝【ｘｌ，ｘ２，Ｌ，ｘ一，ｓ＝［ｓ１，
（５）
２姿态变换
在获取不同姿态人脸在对应姿态ＩＣＡ子空间上的特征向 量后，通过求解姿态人脸和正面人脸特征向量间的线性回归方 程来获取姿态变换矩阵：将正面人脸特征向量中每个分量看成 是应变量，而姿态人脸特征向量中每个分量看成是自变量。定义 正面人脸和姿态人脸间的变换矩阵为Ｂ，则对于正面人脸的特
基于RMFA-ICA的人脸识别

基于RMFA-ICA的人脸识别

基于RMFA-ICA的人脸识别刘直芳;游志胜;张继平【摘要】针对有噪的ICA模型,提出一种有限制的平均场近似(restrictive mean field approximation,RMFA)的算法来求解ICA模型参数和源信号的估计问题.在传统MFA-ICA算法的基础上,提出将ICA中的模型参数和源信号均限制为非负,目的是使得提取出的特征更独立,更利于识别.通过手写体数字和仿真模拟人脸图形以及ORL人脸数据进行实验,将RMFA-ICA算法与传统的ICA算法和无限制的MFA-ICA算法进行比较,对于手写体数字和仿真模拟人脸图形,RMFA-ICA算法能分离出更独立的特征,对于ORL人脸数据,其结果表明,利用RMFA-ICA算法明显优于传统ICA算法和无限制MFA-ICA算法识别结果.【期刊名称】《激光技术》【年(卷),期】2005(029)006【总页数】5页(P662-666)【关键词】平均场近似;独立成分分析;人脸识别;特征提取【作者】刘直芳;游志胜;张继平【作者单位】四川大学,计算机学院,图形图像研究所,成都,610065;四川大学,计算机学院,图形图像研究所,成都,610065;电子科技大学,自动化工程学院,成都,610054【正文语种】中文【中图分类】TP391.41引言利用ICA进行盲信号分离(blind source separation,BSS)是近年来一个相当新且发展速度较快的领域[1]。

在大多数文献中，主要针对无噪声独立成分分析(independent component analysis,ICA)模型进行了研究[2]，但是现实世界中很多都是有噪声的情况，同时由于无噪声ICA模型要求源信号数小于等于观测信号数，因此,存在不能分离出观测信号数小于源信号数(over-complete)[3]的情况，所有这些都限制了无噪声ICA模型的应用。

由于有噪声ICA模型本质上是一个概率统计估计问题，但是直接利用传统的最大似然估计方法很难估计源信号的状态，目前起源于统计物理学的平均场近似(mean field approximation,MFA)已经广泛用来解决状态估计问题[4～ 6]。

基于ICA和NFL与NN联合分类器的人脸识别

基于ICA和NFL与NN联合分类器的人脸识别


１ 引言
人 脸 识 别 具 有 主 动 性 、非 侵 犯 性 和 用 户 友 好 等 许 多 优 点 ， 是 人 体 生 物 特 征 识 别 技 术 的 一 个 重 要 方 向 。因 其 在 安 全 验 证 系 统、信 用 卡 验 证 、医 学 、档 案 管 理 、视 频 会 议 、人 机 交 互 、罪 犯 识 别等方面的巨大应用前景而越来越成为当前模式识别和人工 智能领域的一个研究热点。１９９１ 年， Ｔｕｒｋ 等人提出了经典特征 脸（ Ｅｉｇｅｎｆａｃｅｓ） 方 法［１］， 用 主 分 量 分 析（ ＰＣＡ） 方 法 进 行 人 脸 的 特 征提取， 但是它只考虑了图像数据的二阶统计特性， 而没考虑 高阶统计特性。近年来， 考虑高阶特性的独立分量分析（ ＩＣＡ） ［２］ 方 法 成 为 信 号 处 理 领 域 的 研 究 热 点 之 一 。因 此 很 多 学 者 提 出 了 基于 ＩＣＡ 的人 脸 识 别 方 法［１］， 假 设 人 脸 图 像 是 由 一 组 相 互 独 立 的基图像线性 叠 加 而 成 ， 用 ＩＣＡ 方 法 将 这 些 基 图 像 分 离 出 来 ， 并构造一个子空间， 然后将待识别的人脸图像投影到这个空 间， 从而可以根据投影系数进行人脸的分类和识别。理论和实 验表明， 在人脸识 别 中 ， ＩＣＡ 方 法 的 性 能 优 于 ＰＣＡ 方 法 。 近 年 来， 许多学者对这一方法进行了多种扩展， 比如增加独立基的
作者简介： 余慧海（ １９８１－ ） ， 男， 硕士研究生， 主要研究领域为模式识别、神经网络； 申金媛（ １９６６－ ） ， 女， 博士， 教授， 主要研究领域为模式识别、神经 网 络 、光 信 息 、信 号 处 理 等 。
收稿日期： ２００７－ １１－ ０７ 修回日期： ２００８－ ０１－ ２８