人脸识别系统的实现解读.docx

人脸识别系统的实现解读.docx

《人脸识别系统的实现解读.docx》由会员分享，可在线阅读，更多相关《人脸识别系统的实现解读.docx（33页珍藏版）》请在冰豆网上搜索。

人脸识别系统的实现解读

目录

1绪论1

1.1课题背景1

1.1.1课题来源1

1.1.2人脸识别技术1

1.1.3人脸识别技术的研究意义2

1.2人脸识别发展历史与概况3

1.3人脸识别的难点4

2人脸识别的相关理论1

2.1人脸特征1

2.1.1肤色特征1

2.1.2灰度特征1

2.2PCA的基本概念1

2.2.1PCA算法的原理2

2.2.2PCA算法3

3人脸识别算法设计1

3.1人脸检测与定位1

3.2基于PCA的人脸特征提取2

3.3人脸识别方法3

3.3.1几何特征法3

3.3.2特征脸法4

3.3.3弹性图匹配法5

3.3.4神经网络法6

4基于PCA的人脸识别系统设计1

4.1引言1

4.2具体算法1

4.3ORL人脸库实验分析2

4.3.1实验1：

算法的比较3

4.3.2实验2：

样本数目的选择4

4.3.3实验3：

采样因子的确定4

4.4YALE人脸库实验5

5小结1

5.1总结1

5.2展望1

致谢语1

参考文献1

附件1

摘要：

人脸识别技术是一种新型的身份识别技术，它是生物识别技术的一种，人脸识别技术也是一个非常活跃的研究领域，它覆盖了数字图像处理等诸多领域。

随着人们应用需求的不断深入，人脸识别技术将呈现出主流化、芯片化、标准化发展趋势。

人脸识别系统主要由检测与定位、特征提取与识别两部分组成，在这两部分的基础上还包括预处理等步骤，对于一个全自动的人脸识别系统，整个的识别过程可归纳为人脸检测与定位、特征提取和识别。

实现流程如下：

首先是预处理，对图像进行光照处理等以改善图像质量；检测与定位，从不同场景中检测出人脸并将其从背景中分割出来；对人脸库中所有图像大小和各器官位置归一化；最后对归一化的人脸图像进行特征提取与识别。

由于动态识别研究处于起步阶段，该技术相对较欠缺，因此本文只研究基于静态人脸图像的识别方法。

关键词：

人脸识别；数字图像处理；检测方法

Abstract:

Facerecognitiontechnologyisanewidentity,itisakindofbiometrictechnology,facerecognitiontechnologyisalsoaveryactiveresearcharea,whichcoversdigitalimageprocessingandmanyotherfields.Withthedeepeningofpeople'sapplicationrequirements,thefacerecognitiontechnologywillappearinthemainstream,chip,standardization,developmenttrends.Facerecognitionsystemmainlybythedetectionandlocation,featureextractionandrecognitionoftwoparts,includingthepretreatmentstepsinthesetwopartsonthebasisofafullyautomaticfacerecognitionsystem,thewholerecognitionprocesscanbesummarizedasthehumanfacedetectionandlocation,featureextractionandrecognition.Theprocessisasfollows:

First,pretreatment,lightprocessingtoimproveimagequality;detectionandlocationontheimagetodetectaperson'sfacefromdifferentscenesandsplitoutfromthebackground;facedatabaseimagesizeandeachorganlocationnormalization;Finally,thenormalizedfaceimagefeatureextractionandrecognition.Dynamicdiscriminationinitsinfancy,thetechnologyisrelativelylackingThisarticleonlystudyidentificationmethodbasedonthestaticfaceimages.

Keywords:

facerecognition;digitalimageprocessing;detectionmethod

1绪论

1.1课题背景

1.1.1课题来源

随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。

目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。

而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的一种新型的身份识别技术，它是生物识别技术的一种。

随着人们应用需求的不断深入，人脸识别技术将呈现出主流化、芯片化、标准化发展趋势。

近年来受到了各国研究人员的普遍关注，主要用于安全保密等领域。

人们更多的是在电影中看到这种技术的神奇应用：

警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。

这并非虚构的情节。

在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。

在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。

人脸识别按照信息来源可分为两类：

基于静态人脸图像的识别和基于动态信息的识别。

由于动态识别研究处于起步阶段，该技术相对较欠缺，因此本文只研究基于静态人脸图像的识别方法。

1.1.2人脸识别技术

所谓人脸识别，是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个面部主要器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。

其研究内容包括以下五个方面：

（1）人脸检测从不同的背景中检测是否存在人脸，并确定其位置、大小、形状、姿态等信息的过程。

它关系到后续识别工作能否正确进行，并保障最终识别结果的可靠性。

（2）人脸表征确定表示检测出的人脸和数据库中的已知人脸的描述方式。

通常的表示方式包括几何特征（如欧氏距离、曲率、角度等）、代数特征（如矩阵的特征矢量）和固定特征模板等。

（3）人脸鉴别即狭义的人脸识别，就是通常所指的将待识别的人脸与数据库中的已知人脸进行比较，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和匹配策略，系统地构造与人脸的表征方式密切相关。

（4）表情/姿态分析即对待识别人脸的表情或姿态进行分析，并对其加以归类。

（5）生理分类对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息，或从几幅相关的图像中推导出希望得到的人脸图像，如从父母的脸推导出孩子的脸像等。

本论文中的人脸识别主要是指狭义的人脸识别，指将待识别的人脸与数据库中的已知人脸之间进行匹配的人脸鉴别。

人脸识别的目的是让计算机具有通过人脸的特征来鉴别身份的功能。

基于人脸特征的身份识别主要设计到复杂场景中的人脸检测及识别技术，是一种依托于图像理解、模式识别及计算机视觉、统计学和人工智能等高技术的研究方向。

1.1.3人脸识别技术的研究意义

（1）富有挑战性的课题

人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。

人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。

如今，虽然在这方面的研究已取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问题,因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。

如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。

（2）面部感知系统的重要内容

基于视觉通道信息的面部感知系统，包括人脸检测和跟踪、面部特征定位、面部识别、人脸归类（年龄、种族、性别等的判别）、表情识别、唇读等分系统，如图1所式，可以看出，继人脸检测和跟追之后，面部特征定位通常是面部感知的一个必备环节，是后续工作的基础，具有重要的意义。

尽管人脸识别不能说是其他面部感知模块的必备功能，但是，可以肯定的是，利用已知的身份信息，结合特定人的先验知识，可以提高表情分析、唇读和语音识别、手势识别乃至手写体识别的可靠性。

而计算机对使用者身份确认的最直接的应用就是基于特定使用者的环境设置：

如使用者的个性化工作环境，信息的共享和隐私保护等等。

（3）实际应用广泛

人脸识别研究已经有40多年的历史，作为生物识别的一种，广泛应用在身份识别、海关监控等领域。

目前，人脸识别技术也逐渐走向了商用，如Eyematic公司研发的人脸识别系统等。

目前研究较多的是静态人脸识别技术，计算机静态人脸识别是一个经典的模式识别问题。

人脸识别的传统方法主要分为：

整体匹配方法，其中最具代表性的是主元分析法，其他混合型的算法。

这些人脸识别系统多数都要依赖于面部特征（比如眼睛中心位置）的严格特征匹配来归一化人脸以便提取人脸描述特征。

静态人脸识别系统主要由检测与定位、特征提取与识别两部分组成，在这两部分的基础上海包括预处理等步骤。

常用的人脸识别试验库以美国军方的FERET库最为权威，它包括多人种、多年

龄段、各种表情变化、光照变化、姿态变化的图象，图像的数量和实验的人数也非常

多，可以充分地验证人脸识别算法。

目前尚没有专门测试人脸检测和定位算法的图像

库。

图1.1面部感知系统结构图[1]

1.2人脸识别发展历史与概况

20世纪60年代末至70年代初，人脸识研究刚刚起步。

最早的研究者是Bledsoe，他建立了一个半自动的人脸识别系统，主要是以人脸特征点的间距、比率等参数为特征。

20世纪90年代以来，对着计算机软硬件性能的迅速提高，以及对人脸识别能力的高要求，是发展更具鲁棒性[2]的人脸识别方法称为时代的必然。

于是基于整体的识别方法营运而生，并且很快成了研究的重点，如特征脸方法和弹性图匹配方法。

90年代中期以来，人脸识别方法想着整体识别和部件分析相结合的趋势发展。

研究人员开始逐渐认识到人脸识别算法必须能充分地利用人脸的各种特征信息，融合人脸的形状拓扑结构特征、局部灰度特征和全局灰度分布特征等多种特征。

因此，出现了很多新的算法，这些算法是将原先单一的算法结合起来，共同完成人脸的识别。

灰度和形状分离的可变形模型方法就是其中之一。

90年代后期，一些商业性的人脸识别系统开始逐渐进入市场，人脸识别技术成为当今国际安全防范最重要的手段之一。

但是，这些技术和系统离实用化还有一定的距离，性能和准确率有待提高。

2000年前后至今，人脸识别方法的性能虽然有了一定的提高，但仍与人们的要求还有一定的差距，现有方法对光照、年龄、表情、姿态、距离等条件的变化比较敏感，当某些条件发生变化时，识别效果很不理想。

目前，人脸识别技术仍只能用于某些对识别准确率要求不高的场合。

1.3人脸识别的难点

目前人脸识别的难点主要存在于以下几个方面：

（1）光照变化是影响人脸识别性能的最关键因素，对该问题的解决程度关系着人脸识别实用化进程的成败，在人脸图像预处理或者归一化阶段，尽可能地补偿乃至消除其对识别性能的影响。

（2）成像角度及成像距离等因素的影响，即人脸的姿态的变化，会垂直于图像平面的两个方向的深度旋转，会造成面部信息的部分缺失。

（3）不同年龄的人脸有着较大的差别。

身份证是以前照的，在逃犯的照片也是以前的，因此在公安部门的实际应用中，年龄问题是一个最突出的问题。

（4）采集图像的设备较多，主要有扫描仪、数码相机、摄像机等。

由于成像的机理不同，形成了同类人脸图像的识别率较高，而不同类间人脸图像识别率较低的情况。

随着人脸识别技术的发展，这一问题也将逐步得到解决。

（5）人脸图像的数据量巨大。

目前由于计算量的考虑，人脸定位和识别算法研究大多使用尺寸很小的灰度图像。

一张64*64像素的256级灰度图像就有4096个数据，每个数据有256种可能的取值。

定位和识别算法一般都很复杂，在人脸库较大的情况下，计算量十分大，很多情况下速度令人难以忍受。

而灰度数据事实上是丧失了色彩、运动等有用信息的。

如果使用全部的有用信息，计算量就更大了。

2人脸识别的相关理论

特征提取是人脸识别中的核心步骤，直接影响识别精度。

由于人脸是多维弹性体，易受表情、光照等因素影响，提取特征的困难较大。

特征提取的任务就是针对这些干扰因素，提取出具有稳定性、有效性的信息用于识别。

2.1人脸特征

人脸特征[3]是识别的重要依据之一，检测定位过程中也会用到人脸特征，其中肤色特征和灰度特征是两类常用特征。

2.1.1肤色特征

肤色特征由肤色模型描述，即用统计的方法对目标对象的肤色建模。

基于肤色特征的识别方法简单且能够快速定位人脸。

人脸肤色不依赖于细节特征且和大多背景色相区别，但该方法对光照和图像采集设备特性较敏感。

肤色在色彩空间中具有聚合性，而脸部色彩复杂，这给统一建模造成了一定难度。

该方法通常作为其他统计模型的辅助方法使用，适于粗定位或对运行时间有较高要求的应用。

2.1.2灰度特征

灰度特征包括轮廓特征、灰度分布特征（直方图特征、镶嵌图特征等）、结构特征、模板特征等。

由于人脸五官位置相对固定，灰度分布呈一定规律性，因此，可利用灰度特征来进行人脸识别。

通常采用统计的方法或特征空间变换的方法进行灰度特征的提取，如利用Ｋ－Ｌ变换法[4]（是由卡尔胡宁（Karhumen）与勒夫（Loeve）分别提出的一种图像变换方法）得到的特征脸，利用小波变换得到的小波特征等。

2.2PCA的基本概念

主成分分析法（PCA）是广泛使用的特征提取方法之一，最早被Ttirk和Pentland提出。

它的基本思想是首先将人脸矩阵转化为一个向量，然后提取向量特征。

PCA方法是模式识别领域一种有效的方法，在最近几年也得到了一定发展。

与传统的pCA方法相比，2004年提出的ZDpCA方法是处理ZD矩阵更有效的方法之一，它不需要将图像转化为向量，而是直接利用原图像矩阵来重建图像协方差矩阵，与PCA方法的协方差矩阵相比，ZDPCA的图像协方差矩阵的大小更小，如:

假设一张图像的大小为128X128，ZDPCA协方差矩阵大小为128x128，因此，ZDPCA在计算方面有显著的优越性。

最近许多研究表明ZDPcA方法在模式识别，特别是人脸识别领域是非常流行的提出了基于子模式双向二维主成分分析的人脸识别，该方法通过对原图像进行分块处理，能有效地抽取原图像的局特征，同时，通过采用双向2维主成分法对分与会得到的子图像矩阵直接进行特征抽取，避免了矩阵向量的转化，能精确地计算协方差矩阵的特征向量，并能有效地降低特征维数，该方法在姿态、表情和光照条件变化情况下，都具有较好的识别性能;文章[l17]提出了改进的模块ZDPcA人脸识别方法，该方法对每一类训练样本中每个训练样本的每一子块求类内适应加权平均值，并用类内自适应加权平均值对训练样本类内的相应子块进行规范化处理，然后由所有规范化后的子块构成总体离散度矩阵，从而得到最优投影矩阵;由训练集的全体子块的加权平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵，得到识别特征，该方法能更好地提取到反映图像之间差异的局部特征，便于提高识别率;文章[118]提出了一种模块化ZDPcA和csLDA相结合的人脸验证算法，该方法是从原始数据出发，对二维数据进行分块后采用ZDPCA进行特征抽取，能有效提取图像的局部特征，得到替代原始图像的低维的新模式，然后对新模式施行CSLDA（基于客户相关子空间的线性判别分析方法），不仅考虑到类内、类间的差异，弥补了PCA的缺陷;而且客户相关子空间可以较好地描述不同个体人脸之间的差异性，比传统的个体特征脸具有更好的判别能力。

该方法能更好地描述人脸特征，降低维数，计算简便。

PCA方法需要将一个图像矩阵转化为一个高维的向量，由于协方差矩阵的维数高而训练样本少，导致了计算的复杂性和难度增加。

ZDPCA方法是直接利用二维图像来计算其协方差矩阵，由于其协方差矩阵小且训练样本相对足够，ZDPCA方法计算其协方差的特征向量更准确、速度会更快。

尽管在文章里已经表明ZDPCA方法比传统的PCA方法有很多的优势，但它也有不足之处:

第一，它需要更多的系数来表示一幅图像，提出了基于ZDPCA的双边投影，首先同时求出ZD矩阵的行、列方向的最优投影子空间，然后将ZD人脸矩阵的行向量和列向量各自投射到两个不同子空间，这种两边投影方法的最大优点是用最少的系数表示一张人脸图像，从而达到最高的压缩率;第二，笔者在文章已经证明ZDPCA方法丢失了一些协方差信息，这些信息包含了一些对识别是很重要的人脸局部几何结构变化信息，但PCA方法却能保留这些信息。

如果ZDPCA方法能利用更多的协方差信息，则该方法的识别率能得到提高。

因此，本章节对ZDPCA方法如何利用更多的协方差信息进行研究。

2.2.1PCA算法的原理

令

为表示环境的

维随机变量。

假设

均值为零，即：

令w表示

维单位向量，

在其上投影。

这个投影被定义为向量

和w的内积，表示为：

满足约束

而主成分分析的目的就是寻找一个权值向量w使得表达式E[y2]的值最大化：

根据线性代数的理论，可以知道满足式子值最大化的w应该满足下式：

即使得上述式子最大化的w是矩阵Cx的最大特征值所对应的特征向量。

2.2.2PCA算法

从本质上来说，主成分分析法是一种线性映射算法，它的算法步骤如下：

设原始观测数据样本集合为一组（

个）零均值（如果不是的话，则先做去均值预处理，相当于对全体向量作一次平移变换）的n维随机向量：

，以样本集合的协方差矩阵（总体散度矩阵）为产生矩阵。

即

或

其中

为观测样本的均值向量，由于

是零值向量，所以

为零值向量。

显然，

是一个对称、半正定的n×n矩阵，对它进行特征值分解得到：

其中U是正交矩阵，

是∑的特征值，且

，各特征值对应的特征向量就是矩阵U的各列（从左到右），它是一组正交基。

作线性变换y=UTx，原始的各观测数据向量变换成一组特征向量

其协方差矩阵为：

新特征向量组的

称为第

个主成分。

显然，∑的第

个特征值等于

的方差

，第

个主成分的方差贡献率为：

那么前m个主成分的累计方差贡献率为：

当前m个主成分的累计方差贡献率足够大时，就可以只取前m个主成分作为新特征，而将其余的n-m个新的特征舍去，从而实现了观测数据样本集合的特征提取。

此时重构误差的极小值为：

重构误差的极小值为：

3人脸识别算法设计

当人脸图象的来源是一幅静态图象时进行的人脸识别属于静态人脸识别。

人脸识别算法包含2部分：

人脸定位和归一化（如图2），对于一个全自动的人脸识别系统，整个的识别过程可归纳为人脸检测与定位、特征提取和识别，（如图3）所示，这两个环节独立性很强，而在许多特定情况下，人脸检测与定位工作比较简单，而“特征提取与识别”环节得到了更为广泛和深入研究。

图3.1人脸定位和归一化

3.1人脸检测与定位

目前人脸检测还是一个相当困难的工作，其中所面临的问题可以归结如下：

①图像中是否存在人脸：

这是人脸检测不同于其它有关人脸研究工作的地方，即如何判断图像中是否存在人脸，如何区别人脸和类似人脸的非人脸图像。

②检测不同表现形式的人脸：

人脸可能以不同视角出现在图像中，也可能被某些物体遮挡，造成某些用于检测而需提取的人脸特征不可见。

③图像中存在着噪声：

由于成像时亮度、对比度等因素的影响使图像不清晰，人脸与背景区别不大，给检测带来一定的难度。

④人脸自身的因素：

由于人脸结构复杂，某些局部特征具有随机性（如眼镜、胡须、发型等），而且还存在着不同表情的人脸，这些都给人脸检测带来难度。

由此可见，人脸检测是一个复杂而具有挑战性的问题。

任意给定一个图像或者一组图像序列，人脸检测的目的就在于判定该图像或图像序列中是否存在人脸。

如果存在，则返回其位置和空间分布，将所有人脸从背景图象中分割出来，并确定每个人脸在图象中的大小和位置，人脸检测系统的输入是可能包含人脸的图象，输出是关于图象中是否存在人脸以及人脸的数目、位置、尺度等信息的参数化描述。

根据这个定义可知，人脸检测可分为两类：

第一类是在静止图像中判

断是否存在人脸，若存在，则定位人脸的位置；第二类是在视频图像序列中判断是否存在人脸，若存在，则动态地跟踪人脸。

显然，后一种所采用的人脸检测方法要比前一种困难。

人脸检测的基本思想是用知识或统计的方法对人脸建模，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。

3.2基于PCA的人脸特征提取

通常由图像直接获得的数据量是很大的，为了有效地进行分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征，这就是特征的提取和选择的过程。

我们把原始数据组成的空间叫测量空间，把分类识别赖以进行的空间叫特征空间。

通过变换，可以把维数较高的测量空间中表示模式变为在维数较低的特征空间的表示模

式。

在特征空间中的一个表示模式也叫做一个样本，它往往表示成一个向量，即特征

空间中的一个点。

人脸图像可以看作是一个矢量（如图4所示），如果图像的高度和宽度分别为h

和w,则对应的矢量维数为w*h，人脸矢量属于一个空间，称为是图像空间。

图3.2人脸矢量示意图[7]

由于每个人脸都非常类似，在相同的位置都有两只眼睛，一个嘴巴，一个鼻子等等，所以在图像空间里所有的人脸矢量都聚集在一个狭窄的区域内（如图3.3所示），所以整个图像空间不是人脸描述的一个优化空间，PCA主元分析法的任务就是构造一个能更好描述人脸的人脸空间，降低空间维数，使新的人脸空间的基向量（又叫主元）能更好地描述典型的人脸模式。

图3.3人脸空间示意图[8]

PCA主元分析法又称Karhunen-Loece（KL）变换，它的目的是降维，人脸空间是典

型的高维空间，一个128*128像素的人脸若视为向量，就有16384维，运算极不方便。

若将人脸看作是平稳的高斯过程，就可以利用KL变换提取主兀，达到降维的目的。

KL变换是图像压缩的一种最优化变换，高维的图像空间经过KL变换后得到一组新的正交基（主元），保留其中最重要的正交基，由这些正交基可以组成低维线性空间。

如果假设人脸在这些低维线性空间的投影具有可分性，那么就可以把这些投影用作识别的特征向量。

这就是PCA的主要思想。

PCA最早是由统计学发展过来的，然后就被用在人工神经网络理论中，所以对PCA的理论描述可以从两方面进行，一种是从人工神经网络理论这个角度来理解，这样相对来讲比较直观。

另一种就是从统计学角度来理解，这就比较严格，比较难懂