基于DSP開發(fā)人臉識(shí)別系統(tǒng)(共11頁)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上研究生學(xué)位論文學(xué)位級(jí)別 碩 士學(xué)科專業(yè) 控制工程姓 名 指導(dǎo)教師 入學(xué)年月 人臉識(shí)別算法研究及其DSP實(shí)現(xiàn)1、 研究背景及意義生物特征鑒別技術(shù)是利用人體特有的生理特征來進(jìn)行身份識(shí)別的一種技術(shù)，它提供了一種高可靠性，高穩(wěn)定性的身份鑒別途徑。當(dāng)前，用于個(gè)人身份鑒別主要依靠卡、密碼等手段，而這些手段存在攜帶不便、密碼容易被竊等諸多問題。據(jù)統(tǒng)計(jì)，美國每年在福利發(fā)放、信用卡交易、ATM交易等方面由于身份詐騙而造成的損失到達(dá)60億美金。因此用傳統(tǒng)的方法來進(jìn)行身份識(shí)別面臨嚴(yán)峻的挑戰(zhàn)。近年來，計(jì)算機(jī)技術(shù)的使用使得使用人類生物特征進(jìn)行身份識(shí)別成為可能。與原有的人類身份識(shí)別技術(shù)相比，基于

2、人類生物特征的識(shí)別技術(shù)具有安全可靠、特征唯一、不易偽造、不可竊取等優(yōu)點(diǎn)。人類本身具有很多相對(duì)獨(dú)特的人類特征，如DNA、指紋、虹膜、語音、人臉等?；谶@些相對(duì)獨(dú)特的人類特征，結(jié)合計(jì)算機(jī)技術(shù)，發(fā)展起眾多的基于人類生物特征的人類身份識(shí)別技術(shù)，如DNA識(shí)別技術(shù)、指紋識(shí)別技術(shù)、虹膜識(shí)別技術(shù)、語音識(shí)別技術(shù)、人臉識(shí)別技術(shù)。相對(duì)于其他的生物特征識(shí)別技術(shù)，基于人臉面部特征的識(shí)別是一種更直接、更方便、更友好、更容易被人們接受的識(shí)別方法，它具有主動(dòng)性、非侵犯性和用戶友好等許多優(yōu)點(diǎn)，是一種很理想的身份驗(yàn)證手段，多年來一直受到許多研究者的關(guān)注。通常的人臉識(shí)別技術(shù)都是基于PC機(jī)和圖像采集卡的，對(duì)于處理速度和裝置大小要求高

3、的場(chǎng)合不太適用。隨著數(shù)字信號(hào)處理器（DSP）的問世，現(xiàn)代圖像處理技術(shù)系統(tǒng)進(jìn)入了一個(gè)新階段。DSP技術(shù)的飛速發(fā)展，其運(yùn)算速度和計(jì)算精度不斷提高，片內(nèi)存儲(chǔ)器容量不斷加大，系統(tǒng)功能、數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能的不斷增強(qiáng)，完全可以開發(fā)出基于DSP的圖像處理系統(tǒng)，為解決這些問題開辟出新的途徑，DSP也成為實(shí)現(xiàn)人臉檢測(cè)算法的首選芯片。所以本課不僅有很強(qiáng)的理論研究意義，也有很強(qiáng)的實(shí)際應(yīng)用價(jià)值。2、 國內(nèi)外的研究現(xiàn)狀 計(jì)算機(jī)人臉識(shí)別的研究起始于20世紀(jì)60年代末。最早期的算法主要是基于部件的，利用人臉的幾何特征來進(jìn)行識(shí)別。并且大都在較強(qiáng)約束條件下進(jìn)行的。20世紀(jì)90年代后，形成了大量比較經(jīng)典基于整體

4、的算法如：基于Fisherface（LDA）的人臉識(shí)別方法；基于特征臉(PCA)的人臉識(shí)別算法；基于模板匹配(Correlation) 的人臉識(shí)別算法等；90年代中期后，形成了整體識(shí)別與局部分析相結(jié)合的發(fā)展趨勢(shì)。此后，經(jīng)過全世界研究的共同努力，人臉識(shí)別雖然有了很大的發(fā)展。目前已有產(chǎn)品投入實(shí)際應(yīng)用。但對(duì)于復(fù)雜光照問題和多姿態(tài)人臉識(shí)別問題的解決還不是十分令人滿意?，F(xiàn)階段，發(fā)展趨勢(shì)是應(yīng)用紅外的方法及三維空間的識(shí)別。 人臉識(shí)別領(lǐng)域內(nèi)最著名的國外研究機(jī)構(gòu)包括：美國麻繩理工學(xué)院媒體實(shí)驗(yàn)室及人工智能實(shí)驗(yàn)室、南加州大學(xué)、卡內(nèi)基梅隆機(jī)器人研究及交互系統(tǒng)實(shí)驗(yàn)室、馬里蘭大學(xué)等；從78年以來，國內(nèi)開始了對(duì)人臉識(shí)別的研

5、究。此后在許多研究機(jī)構(gòu)在自然基金、863計(jì)劃等的支持下，有了很大的發(fā)展。著名的有：清華大學(xué)計(jì)算機(jī)系、自動(dòng)化系，中科院自動(dòng)化研究所，上海交大圖象處理與模式識(shí)別研究所等；他們?cè)谌四樧R(shí)別領(lǐng)域進(jìn)行了大量的探索，積累了豐富的經(jīng)驗(yàn)。3、 研究目的、內(nèi)容和方法3.1 研究目的本課題是基于 DSP 構(gòu)造一個(gè)人臉識(shí)別系統(tǒng)。本人主要工作是在人臉檢測(cè)部分已經(jīng)完成的基礎(chǔ)上，運(yùn)用合理的人臉的特征提取方法及識(shí)別算法，并將算法在DSP硬件平臺(tái)上實(shí)現(xiàn)，使得系統(tǒng)最終的識(shí)別率、計(jì)算時(shí)間等達(dá)到理想的標(biāo)準(zhǔn)。3.2 研究內(nèi)容和方法人臉識(shí)別主要可以解決兩大類任務(wù)：一是給定一幅待識(shí)別人臉圖像，判斷它是庫中的哪個(gè)人，也就是通常所說的身份識(shí)別

6、（Recognition），它是個(gè)“一對(duì)多”的匹配過程；另一個(gè)是給定一幅待識(shí)別人臉圖像，判斷它是不是某人，也就是身份驗(yàn)證（Authentication），它是個(gè)“一對(duì)一”的匹配過程。本文研究的人臉識(shí)別系統(tǒng)主要應(yīng)用于入口管理，是一個(gè)門禁系統(tǒng)，所以屬于“一對(duì)多”的身份識(shí)別系統(tǒng)。（1） 人臉識(shí)別框架人臉圖像識(shí)別的框架如圖1所示：圖像獲取人臉檢測(cè)人臉檢測(cè)、定位圖像預(yù)處理及標(biāo)準(zhǔn)化人臉圖像的有效識(shí)別特征提取人臉圖像模板數(shù)據(jù)庫匹配身份認(rèn)證識(shí)別訓(xùn)練圖1 人臉圖像識(shí)別框架 圖像獲取：從攝像機(jī)等圖像輸入設(shè)備, 捕獲圖像。人臉檢測(cè)及定位：從捕獲的圖像中檢測(cè)是否有人臉, 如果有則定位人臉區(qū)域. 人臉圖像預(yù)處理： 對(duì)人

7、臉圖像進(jìn)行預(yù)處理, 包括人臉圖像的濾波去噪、直方圖均衡等并對(duì)圖像作旋轉(zhuǎn)、幾何校正, 并對(duì)人臉進(jìn)行灰度、尺寸等的歸一化. 人臉特征提?。?人臉的表示具有多樣性和唯一性, 對(duì)人臉特征的抽取既要保持這種多樣性和唯一性, 又要實(shí)現(xiàn)有效圖像降維, 以加快學(xué)習(xí)識(shí)別過程。人臉識(shí)別：將待識(shí)別的人臉圖像或者特征與人臉數(shù)據(jù)庫中的進(jìn)行比對(duì)和匹配。人臉識(shí)別判決方法的選擇決定于識(shí)別率的高低, 是人像識(shí)別的最關(guān)鍵的技術(shù)。（2）人臉檢測(cè)方法人臉檢測(cè)實(shí)際上是區(qū)分“人臉”和“非人臉”。其基本思想是基于知識(shí)或統(tǒng)計(jì)的方法對(duì)人臉建模，然后比較所有待檢測(cè)區(qū)域與已建立模型的匹配度，從而得到可能存在的人臉區(qū)域。人臉檢測(cè)方法一般分為以下幾類

8、： 基于知識(shí)的人臉檢測(cè)基于知識(shí)的人臉檢測(cè)算法是利用人臉的先驗(yàn)知識(shí)導(dǎo)出的規(guī)則來進(jìn)行人臉檢測(cè)的。人臉局部總是存在一定的規(guī)律，例如：人的兩個(gè)眼睛總是對(duì)稱分布在人臉的上半部分，鼻子和嘴唇中心點(diǎn)的連線與兩眼之間的連線大體垂直，灰度圖像中眼睛要比臉上其他地方暗等。這些規(guī)則可以表述為人臉局部特征之間的相對(duì)距離和位置關(guān)系，當(dāng)滿足這些規(guī)則的圖像區(qū)域找到后，就認(rèn)為一幅人臉圖像已被檢測(cè)出來。這種方法所存在的問題主要是:檢測(cè)率不高,如果圖像背景中存在類人臉區(qū)域,則必然會(huì)導(dǎo)致誤檢;對(duì)于不同視角的人由于某些人臉特征不可見,所以不能使用這種方法檢測(cè);用于描述人臉特征之間關(guān)系的規(guī)則不易設(shè)計(jì),規(guī)則制定的過高或者過低會(huì)造成拒識(shí)或

9、誤識(shí)。基于面部重要器官特征的人臉檢測(cè)方法在人臉識(shí)別研究的初期應(yīng)用比較多,現(xiàn)在人們往往把它作為其它檢測(cè)方法的輔助手段。 基于統(tǒng)計(jì)的人臉檢測(cè)這種方法遵循一種統(tǒng)一的模式，即首先通過學(xué)習(xí)，在大量訓(xùn)練樣本集的基礎(chǔ)上建立一個(gè)能對(duì)人臉和非人臉進(jìn)行正確識(shí)別的分類器，然后對(duì)被檢測(cè)圖像進(jìn)行全局掃描，用分類器檢測(cè)掃描到的圖像窗口是否包含人臉，若有，則給出人臉?biāo)诘奈恢?。?shí)際上,人臉檢測(cè)問題被轉(zhuǎn)化為了統(tǒng)計(jì)模式識(shí)別中的二分類問題。采用這種檢測(cè)模式的理論依據(jù)是：人臉具有統(tǒng)一的結(jié)構(gòu)模式，如果把所有的圖像集看作一個(gè)高維線形空間，那么人臉圖像集只對(duì)應(yīng)于其中的某個(gè)子空間。于是可以通過檢驗(yàn)待測(cè)圖像窗口是否落在這個(gè)子空間中來判斷其是

10、否為人臉。因此，可以通過大量的人臉和非人臉樣本來建立一個(gè)分類器，使它能夠正確分辨這兩種不同的分類模式，再利用訓(xùn)練好的分類器在未知的圖像中檢測(cè)人臉。采用這種檢測(cè)策略的關(guān)鍵在于如何選取大量的具有代表性的圖像樣本，特別是非人臉圖像樣本，來訓(xùn)練分類器。采用這種方法進(jìn)行人臉檢測(cè)的例子有Sung和Poggio提出的基于樣本學(xué)習(xí)的人臉檢測(cè)方法，Rouly5,6,7等實(shí)現(xiàn)的基于神經(jīng)網(wǎng)絡(luò)的方法；Turk, Pentland, Moghaddam8,9 提出的基于主成分分析（PrincipalComponent Analysis, PCA）的人臉檢測(cè)方法；Osuna10等的基于支持向量基（SVM）的方法；Paul

11、 Viola 和 Michael Jones提出的基于Adaboost 的人臉檢測(cè)算法。 基于特征的人臉檢測(cè)基于特征的人臉檢測(cè)方法將人臉視為顯著器官的組合，通過不同的方法，檢測(cè)出不同的人臉面部特征的位置，然后根據(jù)它們之間的空間幾何關(guān)系來定位人臉；或者根據(jù)人臉固有的、不變的特性，如輪廓規(guī)則、膚色、紋理規(guī)則等，通過檢測(cè)是否滿足這些規(guī)則等來檢測(cè)和定位人臉。這一類方法有基于膚色的人臉檢測(cè)、具有局部特征的人臉檢測(cè)、基于多個(gè)特征綜合的檢測(cè)方法等。 基于模型的人臉檢測(cè)所謂基于模型的方法，是指從構(gòu)造人臉或某個(gè)面部器官的模型出發(fā)。通過各種模型搜索和匹配算法，結(jié)合對(duì)模型參數(shù)的調(diào)整，達(dá)到檢測(cè)和定位的目的。模型匹配方

12、法通常是基于特征的方法的進(jìn)一步確認(rèn)?；谀Ｐ偷姆椒òㄔ缙诘幕陬A(yù)定模型匹配的檢測(cè)方法11,12 以及后來的基于變形模型13，14的匹配方法。早期基于預(yù)定模型匹配的檢測(cè)方法是這樣做的:首先建立一個(gè)標(biāo)準(zhǔn)的人臉模型,由包含局部人臉特征的子模型構(gòu)成,然后對(duì)一幅輸入圖像進(jìn)行全局搜索,對(duì)應(yīng)不同尺度大小的圖像窗口,計(jì)算與標(biāo)準(zhǔn)人臉模型中不同部分的相關(guān)系數(shù),通過預(yù)先設(shè)置的閾值來判斷該圖像窗口中是否包含人臉。這種方法易于實(shí)現(xiàn)，但是也存在著缺點(diǎn)：圖像噪聲對(duì)檢測(cè)結(jié)果影響很大，因此需要對(duì)輸入圖像做適當(dāng)?shù)念A(yù)處理，而且模型的大小是人為設(shè)定的，因此不能動(dòng)態(tài)檢測(cè)眼睛等器官的位置。這種方法的優(yōu)點(diǎn)在于,能夠檢測(cè)不同大小、具有不同

13、偏轉(zhuǎn)角度的物體。但是其缺點(diǎn)是檢測(cè)前必須根據(jù)待測(cè)人臉的形狀來設(shè)計(jì)輪廓,否則會(huì)影響收斂的結(jié)果;當(dāng)對(duì)圖像進(jìn)行全局搜索時(shí),計(jì)算時(shí)間過長。一般來說，人臉檢測(cè)分為以上四大類，而事實(shí)上對(duì)有些人臉檢測(cè)的方法分類是比較困難的，因?yàn)橛行┓椒◤牟煌慕嵌确治鰰r(shí)，完全可以將它分到其他不同的類別中。同時(shí)很多研究者可能綜合了多種方法的思想，形成一種新的人臉檢測(cè)方暗，來提高檢測(cè)的效果。（3）人臉識(shí)別方法人臉的特征提取和特征識(shí)別(匹配) 是人臉識(shí)別中最為關(guān)鍵的兩個(gè)問題。事實(shí)上,人臉識(shí)別研究的發(fā)展主要就體現(xiàn)在這兩個(gè)問題上,即提取人臉的什么特征和用什么手段進(jìn)行分類。在這里，將這兩個(gè)問題都?xì)w于人臉識(shí)別算法里。針對(duì)這兩個(gè)問題，人們提

14、出了許多種人臉識(shí)別算法：面部幾何特征的識(shí)別方法；基于特征臉(特征子空間) 15的人臉識(shí)別算法；基于模板匹配(靜態(tài)匹配和彈性匹配) 的人臉識(shí)別算法；基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別算法16 ；等灰度線法17 ；基于特征融合的人臉識(shí)別算法18 等許多種： 基于面部幾何特征人臉識(shí)別算法 這類識(shí)別方法將人臉用一個(gè)幾何特征矢量來表示（特征提取），用模式識(shí)別中層次聚類的思想設(shè)計(jì)分類器達(dá)到識(shí)別目的（人臉識(shí)別）。常采用的幾何特征有人臉的眼睛、眉毛、鼻子、嘴等重要器官的局部形狀特征，臉型特征及五官在臉上分布的幾何特征。在這種基于幾何特征的識(shí)別中，識(shí)別總是歸為特征矢量的匹配，基于歐式距離的判決是常用的識(shí)別方法。 基于特征臉

15、(特征子空間) 的人臉識(shí)別算法對(duì)人臉識(shí)別技術(shù)影響最大的是特征臉技術(shù)。它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間。由于主元具有人的臉的形狀，也稱為特征臉。特征臉相當(dāng)于與人臉協(xié)方差矩陣的主特征值有關(guān)的特征向量。主元子空間大大降低了原始空間的維數(shù)，識(shí)別時(shí)將待識(shí)別圖像投影到這個(gè)主元子空間上，得到一組投影系數(shù)，和各個(gè)已知人的人臉圖像進(jìn)行比較和識(shí)別。利用特征臉的方法進(jìn)行人臉識(shí)別有其它人臉識(shí)別算法不能替代的優(yōu)勢(shì),所以在人臉識(shí)別領(lǐng)域,特征子空間的方法是人們研究的一個(gè)熱門方向。 基于模板匹配(靜態(tài)匹配和彈性匹配) 的人臉識(shí)別算法模板匹配方法的思想是:庫中存儲(chǔ)著已知人臉的若干模板,這些模板既可以是整張人臉的灰度圖像(v

16、iew based) ,也可以是各生理特征區(qū)域的灰度圖像( sub view based) , 還可以選擇經(jīng)過某種變換的人臉圖像作為模板存儲(chǔ)。識(shí)別的時(shí)候,經(jīng)過同樣變換的輸入圖像的所有像素點(diǎn)位置與庫中所有模板采用歸一化相關(guān)度量進(jìn)行匹配識(shí)別,來達(dá)到分類的目的,完成人臉的識(shí)別。上述為靜態(tài)模板匹配,但是它存在著對(duì)不同表情的人臉魯棒性差的缺點(diǎn),針對(duì)這一情況,人們提出了彈性模板匹配。彈性模板匹配是根據(jù)待檢測(cè)人臉特征的先驗(yàn)的形狀信息(通常利用小波特征) ,定義一個(gè)參數(shù)描述的形狀模型,該模型的參數(shù)反映了對(duì)應(yīng)特征形狀的可變部分,它們最終通過模型與圖像的邊緣、峰、谷和灰度分布特性的動(dòng)態(tài)地交互適應(yīng)來得以修正，可以較

17、好地檢測(cè)出相應(yīng)的特征形狀。由于可變形模板要采用優(yōu)化算法在參數(shù)空間內(nèi)進(jìn)行能量函數(shù)極小化,因此算法的主要缺點(diǎn)在于兩點(diǎn):一、對(duì)參數(shù)初值的依賴程度高,很容易陷入局部最小;二、計(jì)算時(shí)間長。 基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法神經(jīng)網(wǎng)絡(luò)由于其并行式的信息處理方式以及分布式的編碼存儲(chǔ)方式，故可用于模式識(shí)別，且不受目標(biāo)形變的影響。神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用很廣，它有其特殊的適合于人臉識(shí)別的優(yōu)勢(shì)。該方法把模型的統(tǒng)計(jì)特征隱含于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)中。對(duì)于人臉這種復(fù)雜的、難以顯示描述的模型，基于神經(jīng)網(wǎng)絡(luò)的方法具有顯著的優(yōu)勢(shì)。通常利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別需要考慮兩方面的因素: (1) 選擇人臉圖像的哪些參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入; (

18、2) 選擇何種神經(jīng)網(wǎng)絡(luò)。通常將全局的特征提取與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來，這樣在人臉識(shí)別方面得到比較好的效果。 其他人臉識(shí)別算法以上介紹的是幾種典型的人臉識(shí)別方法,從分析中可以看出,每種方法各有其優(yōu)缺點(diǎn),因此一些學(xué)者傾向于將多種方法綜合起來,或同時(shí)利用不同種類的特征。稱為多數(shù)據(jù)融合的方法。此外還有紅外人臉識(shí)別方法和三維人臉識(shí)別方法。（4） 研究方案作為人臉識(shí)別系統(tǒng)的前提,快速有效的人臉檢測(cè)至關(guān)重要?，F(xiàn)在由于彩色圖像獲取的廣泛使用,利用色彩信息進(jìn)行人臉檢測(cè),具有直觀、簡單、快速的特點(diǎn),非常適用于作為自動(dòng)人臉識(shí)別系統(tǒng)的人臉粗定位環(huán)節(jié)。對(duì)于同一種族的人來說,其膚色具有較強(qiáng)的共性,并且一般都明顯有別于大多數(shù)

19、背景的顏色。利用這一點(diǎn),可以快速地大致框出人臉可能存在的區(qū)域。主要是根據(jù)皮膚顏色在顏色空間中的分布,用統(tǒng)計(jì)的方法進(jìn)行分割算法的設(shè)計(jì)以判斷某個(gè)像素點(diǎn)是否屬于人臉區(qū)域。同時(shí),為了增強(qiáng)算法對(duì)光照條件改變的魯棒性,通常將像素點(diǎn)的顏色從RGB 空間變換到其他空間中,只利用其中的色度和飽和度的信息進(jìn)行判斷。在本研究課題的人臉檢測(cè)部分，采用以上方法即用膚色信息對(duì)圖像進(jìn)行分割得到人臉的候選區(qū)域。在人臉的特征提取和特征識(shí)別部分，將采取先用小波變換和核主元分析方法相結(jié)合的方法對(duì)人臉圖像進(jìn)行特征提取，然后依據(jù)支持向量機(jī)方法對(duì)所提取的主元特征進(jìn)行分類識(shí)別。1.小波變換本次設(shè)計(jì)將采用二維小波變換對(duì)人臉圖像做頻域分解。通

20、過一次小波變換可以得到四個(gè)區(qū)域：低頻區(qū)域LL，高頻區(qū)域LH、HL、HH，分別是水平分量、垂直分量、對(duì)角分量。對(duì)每次變換得到的LL還可以再次進(jìn)行小波變換。采用小波變換出于兩個(gè)方面的考慮，其一，研究指出，低頻子圖像包含了原始圖像的主要描述信息，而其他3個(gè)高頻子圖像包含的信息較少。并且人臉的表情變化和少許遮掩只影響圖像中高頻部分的變化，這樣人臉圖像的低頻部分就在有表情變化的情況下仍然比較穩(wěn)定，因此可以考慮僅對(duì)人臉圖像的低頻部分進(jìn)行識(shí)別，而利用小波變換可以達(dá)到這個(gè)目的；其二，因?yàn)榍笕√卣鲿r(shí)要求本征值特征，計(jì)算量較大，而如果只利用小波變換的低頻圖像的話，數(shù)據(jù)量就減少到了原來的四分之一(僅作一次變換)，可

21、以較大的提高運(yùn)算速度。常用的小波函數(shù)有Harr小波，Marr小波，Morlet小波，Daubechies小波。在各種小波中，Daubechies小波具有最小支集和廣義線性相位，而且Daubechies小波具有良好的局部化性質(zhì)，可以不斷地以任意精度逼近所要討論的系統(tǒng)，因此在構(gòu)造小波濾波器時(shí)選用了Daubechies小波。2核主元分析方法（KPCA）主元分析方法(Principal Components Analysis，PCA)是一種有效的特征提取法。該方法依據(jù)輸入原始數(shù)據(jù)構(gòu)成的協(xié)方差矩陣，計(jì)算前M個(gè)較大特征值所對(duì)應(yīng)的特征向量，以此作為最佳投影方向。當(dāng)進(jìn)行特征提取時(shí)，將原始數(shù)據(jù)向最佳投影方向線性

22、地投影到主元空間，從而得到原始數(shù)據(jù)的特征，這種方法將數(shù)據(jù)從原來的R 維空間降維投影到M 維空間(R M ) , 在降維后保存了數(shù)據(jù)中的主要信息, 從而使數(shù)據(jù)更易于處理，這種提取特征法被廣泛地應(yīng)用于人臉識(shí)別中。傳統(tǒng)的主元分析法(PCA)是基于原始特征的一種線性變換，當(dāng)原始數(shù)據(jù)存在非線性屬性時(shí)，使用PCA分析后留下的顯著成分就可能不再反映這種非線性屬性。在人臉圖像中，有相當(dāng)部分對(duì)分類有用的非線性成分，理論上KPCA方法將優(yōu)于PCA。由于PCA僅從象素的2階依賴上考慮，對(duì)多像素之間的依賴性或像素的高階關(guān)系不敏感?？紤]了人臉的高階統(tǒng)計(jì)量的核主元分析法(KPCA)將有利于人臉識(shí)別KPCA的基本思想是通過

23、一個(gè)非線性變換把輸人數(shù)據(jù)，映射到一個(gè)高維的特征空間。即可以把在輸人空間無法線性分類的數(shù)據(jù)變換到特征空問再利用PCA進(jìn)行特征提取。3支持向量機(jī) 支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力(Generalization Ability)。具有以下幾個(gè)優(yōu)點(diǎn)： （1）它專門針對(duì)小樣本情況，其目標(biāo)是得到現(xiàn)有信息的最優(yōu)解而不是當(dāng)樣本數(shù)目趨于無窮時(shí)的最優(yōu)解； （2）算法最終將轉(zhuǎn)化成為一個(gè)二次型尋優(yōu)問題，從理論上說，得到的將是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無法避免的局部極值問

24、題；（3）算法將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時(shí)它巧妙地解決了維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無關(guān)；概括說，支持向量機(jī)就是首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間，在這個(gè)空間中求廣義最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個(gè)神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點(diǎn)的線性組合，每個(gè)中間節(jié)點(diǎn)對(duì)應(yīng)一個(gè)支持向量。在SVM 方法中，只要定義不同的內(nèi)積函數(shù)，就可以實(shí)現(xiàn)多項(xiàng)式逼近、貝葉斯分類器、徑向基函數(shù)(Radial Basic Function 或RBF)方法、多層感知器網(wǎng)絡(luò)等許多現(xiàn)有學(xué)習(xí)算法。4系統(tǒng)結(jié)構(gòu)系統(tǒng)主要分為兩個(gè)過程：1訓(xùn)練階段（紅線）。對(duì)