人臉相似度檢測系統(tǒng)設(shè)計

目錄摘要 III第1章緒論 -1-1.1人臉相似度檢測技術(shù)的細(xì)節(jié) -1-1.2人臉相似度檢測技術(shù)的廣泛應(yīng)用 -1-1.3人臉相似度檢測技術(shù)的難點 -2-1.4國內(nèi)外研究狀況 -2-1.5人臉相似度檢測的研究內(nèi)容 -3-1.5.1人臉相似度檢測研究內(nèi)容 -3-1.5.2人臉相似度檢測系統(tǒng)的構(gòu)成 -4-第2章人臉相似度檢測措施 -6-2.1基于特性臉的措施 -6-2.2基于神經(jīng)網(wǎng)絡(luò)的措施 -6-2.3彈性圖匹配法 -7-2.4基于模板匹配的措施 -7-2.5基于人臉特性的措施 -7-第3章基于主元分析法人臉相似度檢測措施 -9-3.1引言 -9-3.2主成分分析 -9-3.3特性臉措施 -11-第4章仿真實驗 -13-4.1流程圖 -13-4.2仿真成果 -14-第5章總結(jié)與展望 -15-5.1總結(jié) -15-5.2展望 -15-參照文獻 -17-附錄 -18-摘要人臉相似度檢測是目前模式相似度檢測領(lǐng)域的一種前沿課題，人臉相似度檢測技術(shù)就是運用計算機技術(shù)，根據(jù)數(shù)據(jù)庫的人臉圖像，分析提取出有效的相似度檢測信息，用來“辨認(rèn)”身份的技術(shù)。本文簡介了多種人臉相似度檢測措施，基于對人臉相似度檢測措施優(yōu)缺陷的分析比較,提出了一種基于主元分析(PCA)的人臉相似度檢測措施。通過PCA算法對人臉圖像進行特性提取,再運用最鄰近距離分類法對特性向量進行分類相似度檢測。運用劍橋ORL的人臉數(shù)據(jù)庫的數(shù)據(jù)進行實驗仿真，仿真成果驗證了本算法是有效的。核心詞：人臉相似度檢測，主元分析，近來鄰距離分類法，人臉庫TOC\o"1-3"\u第1章緒論人臉相似度檢測是模式相似度檢測研究的一種熱點,它在身份鑒別、信用卡相似度檢測,護照的核對及監(jiān)控系統(tǒng)等方面有著廣泛的應(yīng)用。人臉圖像由于受光照、表情以及姿態(tài)等因素的影響,使得同一種人的臉像矩陣差別也比較大。因此,進行人臉相似度檢測時,所選用的特性必須對上述因素具有一定的穩(wěn)定性和不變性.主元分析(PCA)措施是一種有效的特性提取措施,將人臉圖像表達(dá)到一種列向量,通過PCA變換后,不僅可以有效地減少其維數(shù),同步又能保存所需要的相似度檢測信息,這些信息對光照、表情以及姿態(tài)具有一定的不敏感性.在獲得有效的特性向量后,核心問題是設(shè)計具有良好分類能力和魯棒性的分類器.支持向量機(SVM)模式相似度檢測措施,兼顧訓(xùn)練誤差和泛化能力,在解決小樣本、非線性及高維模式相似度檢測問題中體現(xiàn)出許多特有的優(yōu)勢。1.1人臉相似度檢測技術(shù)的細(xì)節(jié)一般來說，人臉相似度檢測系統(tǒng)涉及圖像提取、人臉定位、圖形預(yù)解決、以及人臉相似度檢測（身份確認(rèn)或者身份查找）。系統(tǒng)輸入一般是一張或者一系列具有未擬定身份的人臉圖像，以及人臉數(shù)據(jù)庫中的若干已知身份的人臉圖像或者相應(yīng)的編碼，而其輸出則是一系列相似度得分，表白待相似度檢測的人臉的身份。1.2人臉相似度檢測技術(shù)的廣泛應(yīng)用一項技術(shù)的問世和發(fā)展與人類的迫切需求是密切有關(guān)的，迅速發(fā)展的社會經(jīng)濟和科學(xué)技術(shù)使得人類對安全(涉及人身安全、隱私保護等)得結(jié)識越來越注重。人臉相似度檢測得一種重要應(yīng)用就是人類的身份相似度檢測。一般來說，人類得身份相似度檢測方式分為三類:1.特性物品，涉及多種證件和憑證，如身份證、駕駛證、房門鑰匙、印章等;2.特殊知識，涉及多種密碼、口令和暗號等;3.人類生物特性，涉及多種人類得生理和行為特性，如人臉、指紋、手形、掌紋、虹膜、DNA、簽名、語音等。前兩類相似度檢測方式屬于老式的身份相似度檢測技術(shù)，其特點是以便、快捷，但致命的缺陷是安全性差、易偽造、易竊取。特殊物品也許會丟失、偷盜和復(fù)制，特殊知識可以被遺忘、混淆和泄漏。相比較而言，由于生物特性使人的內(nèi)在屬性，具有很強的自身穩(wěn)定性和個體差別性，因此生物特性是身份相似度檢測的最抱負(fù)根據(jù)?；谝陨舷鄬Κ毺氐纳锾匦?，結(jié)合計算機技術(shù)，發(fā)展了眾多的基于人類生物特性的身份相似度檢測技術(shù)，如DNA相似度檢測技術(shù)、指紋相似度檢測技術(shù)、虹膜相似度檢測技術(shù)、語音相似度檢測技術(shù)和人臉相似度檢測技術(shù)等。生物相似度檢測技術(shù)在上個世紀(jì)已有了一定得發(fā)展，其中指紋相似度檢測技術(shù)已經(jīng)趨近成熟，但人臉相似度檢測技術(shù)的研究還處在起步階段。指紋、虹膜、掌紋等相似度檢測技術(shù)都需要被相似度檢測者的配合，有的相似度檢測技術(shù)還需要添置復(fù)雜昂貴的設(shè)備。人臉相似度檢測可以運用已有的照片或是攝像頭遠(yuǎn)距離捕獲圖像，無需特殊的采集設(shè)備，系統(tǒng)的成本低。并且自動人臉相似度檢測可以在當(dāng)事人毫無察覺的狀況下完畢身份確認(rèn)相似度檢測工作，這對反恐怖活動有非常重要的意義。基于人臉相似度檢測技術(shù)具有如此多的優(yōu)勢，因此它的應(yīng)用前景非常廣闊，已成為最具潛力的生物特性相似度檢測技術(shù)之一。1.3人臉相似度檢測技術(shù)的難點雖然人類可以毫不困難地根據(jù)人臉來辨別一種人，但是運用計算機進行完全自動的人臉相似度檢測仍然有許多困難。人臉模式差別性使得人臉相似度檢測成為一種非常困難的問題，表目前如下方面:1.人臉表情復(fù)雜，人臉具有多樣的變化能力，人的臉上分布著五十多塊面部肌肉，這些肌肉的運動導(dǎo)致不同面部表情的浮現(xiàn)，會導(dǎo)致人臉特性的明顯變化。2.隨著年齡而變化，隨著年齡的增長，皺紋的浮現(xiàn)和面部肌肉的松弛使得人臉的構(gòu)造和紋理都將發(fā)生變化。3.人臉有易變化的附加物，例如變化發(fā)型，留胡須，戴帽子或眼鏡等飾物。4.人臉特性遮掩，人臉?biāo)?、部分遮掩將會?dǎo)致錯誤相似度檢測。5.人臉圖像的畸變，由于光照、視角、攝取角度不同，也許導(dǎo)致圖像的灰度。1.4國內(nèi)外研究狀況人臉相似度檢測是人類視覺最杰出的能力之一。它的研究波及模式相似度檢測、圖像解決、生物學(xué)、心理學(xué)、認(rèn)知科學(xué)，與基于其他生物特性的身份鑒別措施以及計算機人機感知交互領(lǐng)域均有密切聯(lián)系。人臉相似度檢測早在六七十年代就引起了研究者的強烈愛好。20世紀(jì)60年代，Bledsoe提出了人臉相似度檢測的半自動系統(tǒng)模式與特性提取措施。70年代，美、英等發(fā)達(dá)國家開始注重人臉相似度檢測的研究工作并獲得進展。1972年，Harmon用交互人臉相似度檢測措施在理論上與實踐上進行了具體的論述。同年，Sakai設(shè)計了人臉圖像自動相似度檢測系統(tǒng)。80年代初T.Minami研究出了優(yōu)于Sakai的人臉圖像自動相似度檢測系統(tǒng)。但初期的人臉相似度檢測一般都需要人的某些先驗知識，無法掙脫人的干預(yù)。進入九十年代，由于各方面對人臉相似度檢測系統(tǒng)的迫切需求，人臉相似度檢測的研究變的非常熱門。人臉相似度檢測的措施有了重大突破，進入了真正的機器自動相似度檢測階段，如Karhunen-Loève變換等或新的神經(jīng)網(wǎng)絡(luò)技術(shù)。人臉相似度檢測研究得到了前所未有的注重，國際上刊登有關(guān)人臉相似度檢測等方面的論文數(shù)量大幅度增長，僅從1990年到之間，SCI及EI可檢索到的有關(guān)文獻多達(dá)數(shù)千篇，這期間有關(guān)人臉相似度檢測的綜述也屢屢可見。國外有許多學(xué)校在研究人臉相似度檢測技術(shù)，研究波及的領(lǐng)域很廣。這些研究受到軍方、警方及大公司的高度注重和資助，國內(nèi)的某些出名院校也開始從事人臉相似度檢測的研究。人臉相似度檢測是目前模式相似度檢測領(lǐng)域的一種前沿課題，但目前人臉相似度檢測尚處在研究課題階段，尚不是實用化領(lǐng)域的活躍課題。雖然人類可以毫不困難地由人臉辨別一種人，但運用計算機進行完全自動的人臉相似度檢測存在許多困難，其表目前：人臉是非剛體，存在表情變化；人臉隨年齡增長而變化；發(fā)型、眼鏡等裝飾對人臉導(dǎo)致遮擋；人臉?biāo)蓤D像受光照、成像角度、成像距離等影響。人臉相似度檢測的困難還在于圖像涉及大量的數(shù)據(jù)，輸入的像素也許成百上千，每個像素都具有各自不同的灰度級，由此帶來的計算的復(fù)雜度將會增長。既有的相似度檢測措施中，通過從人臉圖像中提取出特性信息，來對數(shù)據(jù)庫進行檢索的措施速度快，而運用拓?fù)鋵傩詧D匹配來擬定匹配度的措施則相對較快。1.5人臉相似度檢測的研究內(nèi)容人臉相似度檢測技術(shù)(AFR)就是運用計算機技術(shù)，根據(jù)數(shù)據(jù)庫的人臉圖像，分析提取出有效的相似度檢測信息，用來“辨認(rèn)”身份的技術(shù)。人臉相似度檢測技術(shù)的研究始于六十年代末七十年代初，其研究領(lǐng)域波及圖像解決、計算機視覺、模式相似度檢測、計算機智能等領(lǐng)域，是隨著著現(xiàn)代化計算機技術(shù)、數(shù)據(jù)庫技術(shù)發(fā)展起來的綜合交叉學(xué)科。1.5.1人臉相似度檢測研究內(nèi)容人臉相似度檢測的研究范疇廣義上來講大體涉及如下五個方面的內(nèi)容。1.人臉定位和檢測(FaceDetection):即從動態(tài)的場景與復(fù)雜的背景中檢測出人臉的存在并且擬定其位置，最后分離出來。這一任務(wù)重要受到光照、噪聲、面部傾斜以及多種各樣遮擋的影響。2.人臉表征(FaceRepresentation)(也稱人臉特性提取):即采用某種表達(dá)措施來表達(dá)檢測出人臉與數(shù)據(jù)庫中的己知人臉。一般的表達(dá)措施涉及幾何特性(如歐氏距離、曲率、角度)、代數(shù)特性(如矩陣特性向量)、固定特性模板等。3.人臉相似度檢測(FaceRecognition):即將待相似度檢測的人臉與數(shù)據(jù)庫中已知人臉比較，得出有關(guān)信息。這一過程的核心是選擇合適的人臉表征措施與匹配方略。4.表情姿態(tài)分析(Expression/GestureAnalysis):即看待相似度檢測人臉的表情或姿態(tài)信息進行分析，并對其加以歸類。5.生理分類(PhysicalClassification):即看待相似度檢測人臉的生理特性進行分析，得出其年齡、性別等有關(guān)信息，或者從幾幅有關(guān)的圖像推導(dǎo)出但愿得到的人臉圖像，如從父母圖像推導(dǎo)出孩子臉部圖像和基于年齡增長的人臉圖像估算等。人臉相似度檢測的研究內(nèi)容，從生物特性技術(shù)的應(yīng)用前景來分類，涉及如下兩個方面:人臉驗證與人臉相似度檢測。1.人臉驗證((FaceVerification/Authentication):即是回答“是不是某人?”的問題。它是給定一幅待相似度檢測人臉圖像，判斷它與否是某人的問題，屬于一對一的兩類模式分類問題，重要用于安全系統(tǒng)的身份驗證。2.人臉相似度檢測（FaceRecognition):即是回答“是誰”的問題。它是給定一幅待相似度檢測人臉圖像，再己有的人臉數(shù)據(jù)庫中，判斷它的身份的問題。它是個“一對多”的多類模式分類問題，一般所說的人臉相似度檢測即指此類問題，這也是本文的重要研究內(nèi)容。1.5.2人臉相似度檢測系統(tǒng)的構(gòu)成在人臉相似度檢測技術(shù)發(fā)展的幾十年中，研究者們提出了多種多樣的人臉相似度檢測措施，但大部分的人臉相似度檢測系統(tǒng)重要由三部分構(gòu)成:圖像預(yù)解決、特性提取和人臉的分類相似度檢測。一種完整的自動人臉相似度檢測系統(tǒng)還涉及人臉檢測定位和數(shù)據(jù)庫的組織等模塊，如圖1.1。其中人臉檢測和人臉相似度檢測是整個自動人臉相似度檢測系統(tǒng)中非常重要的兩個環(huán)節(jié)，并且相對獨立。下面分別簡介這兩個環(huán)節(jié)。預(yù)解決預(yù)解決特性提取分類相似度檢測人臉檢測人臉庫圖1.1人臉相似度檢測系統(tǒng)框圖人臉檢測與定位，檢測圖像中與否由人臉，若有，將其從背景中分割出來，并擬定其在圖像中的位置。在某些可以控制拍攝條件的場合，如警察拍罪犯照片時將人臉限定在標(biāo)尺內(nèi)，此時人臉的定位很簡樸。證件照背景簡樸，定位比較容易。在另某些狀況下，人臉在圖像中的位置預(yù)先是未知的，例如在復(fù)雜背景下拍攝的照片，這時人臉的檢測與定位將受如下因素的影響: 1.人臉在圖像中的位置、角度、不固定尺寸以及光照的影響； 2.發(fā)型、眼睛、胡須以及人臉的表情變化等； 3.圖像中的噪聲等。特性提取與人臉相似度檢測，特性提取之前一般都要做幾何歸一化和灰度歸一化的工作。前者指根據(jù)人臉定位成果將圖像中的人臉變化到同一位置和大小;后者是指對圖像進行光照補償?shù)冉鉀Q，以克服光照變化的影響，光照補償可以一定限度的克服光照變化的影響而提高相似度檢測率。提取出待相似度檢測的人臉特性之后，即進行特性匹配。這個過程是一對多或者一對一的匹配過程，前者是擬定輸入圖像為圖像庫中的哪一種人(即人臉相似度檢測)，后者是驗證輸入圖像的人的身份與否屬實(人臉驗證)。以上兩個環(huán)節(jié)的獨立性很強。在許多特定場合下人臉的檢測與定位相對比較容易，因此“特性提取與人臉相似度檢測環(huán)節(jié)”得到了更廣泛和進一步的研究。近幾年隨著人們越來越關(guān)懷多種復(fù)雜的情形下的人臉自動相似度檢測系統(tǒng)以及多功能感知研究的興起，人臉檢測與定位才作為一種獨立的模式相似度檢測問題得到了較多的注重。本文重要研究人臉的特性提取與分類相似度檢測的問題。已知人臉庫已知人臉庫PCA其她措施KPCALDA輸入新圖像特性提取特性提取分類器設(shè)計分類決策近來鄰分類器SVM分類器圖1.2人臉相似度檢測構(gòu)造圖第2章人臉相似度檢測措施雖然人臉相似度檢測措施的分類原則也許有所不同，但是目前的研究重要有兩個方向，一類是從人臉圖像整體(HolisticApproaches)出發(fā)，基于圖像的總體信息進行分類相似度檢測，她重點考慮了模式的整體屬性，其中較為出名的措施有:人工神經(jīng)網(wǎng)絡(luò)的措施、記錄模式的措施等。另一類是基于提取人臉圖像的幾何特性參數(shù)(Feature-BasedApproaches)，例如眼、嘴和鼻子的特性，再按照某種距離準(zhǔn)則進行分類相似度檢測。這種措施非常有效，由于人臉不是剛體，有著復(fù)雜的表情，對其嚴(yán)格進行特性匹配會浮現(xiàn)困難。而分別簡介某些常用的措施，前兩種措施屬于從圖像的整體方面進行研究，后三種措施重要從提取圖像的局部特性講行研究。2.1基于特性臉的措施特性臉措施(eigenface)是從主元分析措施PCACPrincipalComponentAnalysis導(dǎo)出的一種人臉分析相似度檢測措施，它根據(jù)一組人臉圖像構(gòu)造主元子空間，由于主元具有人臉的形狀也稱作特性臉。相似度檢測時將測試圖像投影到主元子空間上得到了一組投影系數(shù)，然后和各個己知人的人臉圖像進行比較相似度檢測，獲得了較好的相似度檢測效果。在此基本上浮現(xiàn)了諸多特性臉的改善算法。特性臉措施原理簡樸、易于實現(xiàn)，它把人臉作為一種整體來解決，大大減少了相似度檢測復(fù)雜度。但是特性臉措施忽視了人臉的個性差別，存在著一定的理論缺陷。研究表白:特性臉措施隨光線角度及人臉尺寸的影響，相似度檢測率會有所下降。2.2基于神經(jīng)網(wǎng)絡(luò)的措施神經(jīng)網(wǎng)絡(luò)在人臉相似度檢測應(yīng)用中有很長的歷史。初期用于人臉相似度檢測的神經(jīng)網(wǎng)絡(luò)重要是Kohonen自聯(lián)想映射神經(jīng)網(wǎng)絡(luò)，用于人臉的“回憶”。所謂“回憶”是指當(dāng)輸入圖像上的人臉受噪聲污染嚴(yán)重或部分缺損時，能用Kohonen網(wǎng)絡(luò)恢復(fù)出本來完整的人臉。Intrator等人用一種無監(jiān)督/監(jiān)督混合神經(jīng)網(wǎng)絡(luò)進行人臉相似度檢測。其輸入是原始圖像的梯度圖像，以此可以清除光照的變化。監(jiān)督學(xué)習(xí)目的是尋找類的特性，有監(jiān)督學(xué)習(xí)的目的是減少訓(xùn)練樣本被錯分的比例。這種網(wǎng)絡(luò)提取的特性明顯，相似度檢測率高，如果用幾種網(wǎng)絡(luò)同步運算，求其平均，相似度檢測效果還會提高。與其她類型的措施相比，神經(jīng)網(wǎng)絡(luò)措施在人臉相似度檢測上有其獨到的優(yōu)勢，它避免了復(fù)雜的特性提取工作，可以通過學(xué)習(xí)的過程獲得其她措施難以實現(xiàn)的有關(guān)人臉相似度檢測的規(guī)律和規(guī)則的隱性體現(xiàn)。此外，神經(jīng)網(wǎng)絡(luò)以時示方式解決信息，如果能用硬件實現(xiàn)，就能明顯提高速度。神經(jīng)網(wǎng)絡(luò)措施除了用于人臉相似度檢測外，還合用于性別相似度檢測、種族相似度檢測等。2.3彈性圖匹配法彈性圖匹配措施是一種基于動態(tài)鏈接構(gòu)造DLACDynamicLinkArchitecture的措施。它將人臉用格狀的稀疏圖表達(dá)，圖中的節(jié)點用圖像位置的Gabor小波分解得到的特性向量標(biāo)記，圖的邊用連接節(jié)點的距離向量標(biāo)記。匹配時，一方面尋找與輸入圖像最相似的模型圖，再對圖中的每個節(jié)點位置進行最佳匹配，這樣產(chǎn)生一種變形圖，其節(jié)點逼近模型圖的相應(yīng)點的位置。彈性圖匹配措施對光照、位移、旋轉(zhuǎn)及尺度變化都敏感。此措施的重要缺陷是對每個存儲的人臉需計算其模型圖，計算量大，存儲量大。為此，Wiskott在原有措施的基本上提出聚束圖匹配，部分克服了這些缺陷。在聚束圖中，所有節(jié)點都已經(jīng)定位在相應(yīng)目的上。對于大量數(shù)據(jù)庫，這樣可以大大減少相似度檢測時間。此外，運用聚束圖還可以匹配小同人的最相似特性，因此可以獲得有關(guān)未知人的性別、胡須和眼鏡等有關(guān)信息。2.4基于模板匹配的措施模板匹配法是一種典型的模式相似度檢測措施，這種措施大多是用歸一化和互有關(guān)，直接計算兩副圖像之間的匹配限度。由于這種措施規(guī)定兩副圖像上的目的要有相似的尺度、取向和光照條件，因此預(yù)解決要做尺度歸一化和灰度歸一化的工作。最簡樸的人臉模板是將人臉當(dāng)作一種橢圓，檢測人臉也就是檢測圖像中的橢圓。另一種措施是將人臉用一組獨立的小模板表達(dá)，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但這些模板的獲得必須運用各個特性的輪廓，而老式的基于邊沿提取的措施很難獲得較高的持續(xù)邊沿。雖然獲得了可靠度高的邊沿，也很難從中自動提取所需的特性量。模板匹配措施在尺度、光照、旋轉(zhuǎn)角度等多種條件穩(wěn)定的狀態(tài)下，它的相似度檢測的效果優(yōu)于其他措施，但它對光照、旋轉(zhuǎn)和表情變化比較敏感，影響了它的直接使用。2.5基于人臉特性的措施人臉由眼睛、鼻子、嘴巴、下巴等部件構(gòu)成，正由于這些部件的形狀、大小和構(gòu)造上的多種差別才使得世界上每個人臉千差萬別，因此對這些部件的形狀和構(gòu)造關(guān)系的幾何描述，可以作為人臉相似度檢測的重要特性。幾何特性最早是用于人臉檢測輪廓的描述與相似度檢測，一方面根據(jù)檢測輪廓曲線擬定若干明顯點，并由這些明顯點導(dǎo)出一組用于相似度檢測的特性度量如距離、角度等。采用幾何特性進行正面人臉相似度檢測一般是通過提取人眼、口、鼻等重要特性點的位置和眼睛等重要器官的幾何形狀作為分類特性。定位眼睛往往是提取人臉幾何特性的第一步。由于眼睛的對稱性以及眼珠呈現(xiàn)為低灰度值的圓形，因此在人臉圖像清晰端正的時候，眼睛的提取是比較容易的。但是如果人臉圖像模糊，或者噪聲諸多，則往往需要運用更多的信息(如眼睛和眉毛、鼻子的相對位置等)，并且這將使得眼睛的定位變得很復(fù)雜。并且實際圖像中，部件未必輪廓分明，有時人用眼看也只是個大概，計算機提取就更成問題，因而導(dǎo)致描述同一種人的不同人臉時，其模型參數(shù)也許相差很大，而失去相似度檢測意義。盡管如此，在對的提取部件以及表情變化微小的前提下，該措施仍然奏效，因此在許多方而仍可應(yīng)用，如對原則身份證照片的應(yīng)用。第3章PCA人臉相似度檢測措施3.1引言人臉相似度檢測技術(shù)是指當(dāng)輸入一張正面人臉圖像時，相似度檢測該照片屬于人臉庫的哪一種人。其可應(yīng)用于會議入場系統(tǒng)、罪犯相似度檢測及其他需要身份鑒別的場合。由于人臉圖像是一種復(fù)雜的對象，并且人臉會隨著表情、姿態(tài)、角度、光照的不同而呈現(xiàn)較大的不同，這些都增長了該問題的難度，使人臉相似度檢測成為國際上的難點和熱點。解決人臉相似度檢測的措施層出不窮，如基于幾何特性的措施、基于代數(shù)特性的措施等。主成分分析法(PCA)是把人臉圖像當(dāng)作高維向量，由于人臉圖像的高度有關(guān)性，那么可以通過K-L正交變換將其轉(zhuǎn)化為低維空間的向量，后者最大限度地保存了原數(shù)據(jù)的重要信息，是沿著其方差最大的方向求得的矢量。這樣降維后的向量可以以便地用于模式相似度檢測。相似度檢測措施是最鄰近距離分類法。3.2主成分分析主成分分析法是記錄學(xué)中用來分析數(shù)據(jù)的一種措施，它基于KL分解。最早將其用于人臉相似度檢測中的是Pentland，并由于它的有效不久流行起來。簡樸地說，它的原理就是將一高維的向量，通過一種特殊的特性向量矩陣，投影到一種低維的向征的向量和這個特性向量矩陣，可以完全重構(gòu)出所相應(yīng)的本來的高維向量[11]。相應(yīng)到人臉相似度檢測中，有如下的論述:對于一幅的圖像，將其列排列起來形成一種列向量v。假設(shè)人臉訓(xùn)練集中有p幅圖像，則這p個列向量羅列起來形成一種(mxn)xp維的矩陣X。以x表達(dá)一幅圖像的列向量。則訓(xùn)練樣本集的總體散布矩陣為：（3-1）為對稱陣，可進行如下分解：（3-2）對每一幅圖像xi進行變換（即在特性空間中進行投影），則Y的協(xié)方差矩陣為：;故通過PCA變換清除了數(shù)據(jù)間的有關(guān)性，減小了冗余。達(dá)到了降維的目的。選用大的特性值，使總能量不小于90%，即將特性值按從大到小排序，為：，選用前k個特性值相應(yīng)的特性向量，這叫做主成分。記主成分矩陣為，則樣本在該特性空間上的投影為：（3-3）由前m個主軸決定的子空間能最大限度體現(xiàn)原始數(shù)據(jù)的變化，由于它在最小均方誤差意義下是數(shù)據(jù)的最優(yōu)體現(xiàn)。這樣，對于要測試的人臉，將其在該子空間上投影，得到其坐標(biāo)，和樣本空間上各個人臉的坐標(biāo)相比較，距離近來的即為該人臉的相似度檢測成果。在對進行分解時，由于其維數(shù)很大，故借助于奇異值分解定理[12]。定理：設(shè)是一秩為r的n×r維矩陣，則存在兩個正交矩陣：（3-4）（3-5）以及對角陣（3-6）且（3-7）滿足（3-8）其中：為矩陣和的非零特性值，和分別為和相應(yīng)于的特性向量。推論：（3-9）可構(gòu)造矩陣，容易求出此矩陣的特性值和特性向量，那么應(yīng)用以上的推論，即可得到所需的特性向量和特性值。所選用的特性向量構(gòu)成了特性臉空間，這是一種降維的子空間，所有的人臉圖像都可以在此空間上投影從而得到一組坐標(biāo)系數(shù)，這組系數(shù)表白了該圖像在子空間中的位置，從而可以作為人臉相似度檢測的根據(jù)。任何一幅人臉圖像都可以表達(dá)為這組特性臉的線性組合，其加權(quán)系數(shù)就是K-L變換的展開系數(shù)，也可以稱為該圖像的代數(shù)特性。3.3特性臉措施特性臉措施(Eigenface)是從主成分分析導(dǎo)出的一種人臉相似度檢測和描述技術(shù)。PCA實質(zhì)上是K-L展開的網(wǎng)絡(luò)遞推實現(xiàn)。K-L變換是圖像壓縮技術(shù)中的一種最優(yōu)正交變換，其生成矩陣一般為訓(xùn)練樣本的總體散布矩陣。特性臉措施就是將涉及人臉的圖像區(qū)域看作是一種隨機向量，因此可以采用K-L變換獲得其正交K-L基底。相應(yīng)其中較大特性值的基底具有與人臉相似的形狀，因此又稱為特性臉(Eigenface)。運用這些基底的線形組合可以描述，體現(xiàn)和逼近人臉圖像，因此可以進行人臉的相似度檢測與合成。相似度檢測過程就是將人臉圖像映射到由特性臉張成的子空間上，比較其與己知人臉在特性臉空間中的位置，具體環(huán)節(jié)如下：1.初始化，獲得人臉圖像的訓(xùn)練集并計算特性臉，定義為人臉空間；2.輸入新的人臉圖像，將其映射到特性臉空間，得到一組權(quán)值；3.通過檢查圖像與人臉空間的距離判斷它與否為人臉；4.若為人臉，根據(jù)權(quán)值模式判斷它與否為數(shù)據(jù)庫中的某個人；5.若同一幅未知人臉浮現(xiàn)多次，則計算其特性權(quán)值模式并加入到人臉數(shù)據(jù)庫中。任何模式相似度檢測系統(tǒng)都涉及兩個過程，一種是訓(xùn)練階段((trainingprocess)，另一種是測試階段(testingprocess)，應(yīng)用PCA的人臉相似度檢測系統(tǒng)也不例外。假定在訓(xùn)練階段，數(shù)據(jù)庫中有K個人，每個人有M幅人臉灰度圖像，其中每一幅圖像都用NXN的二維數(shù)組I(x,y)來表達(dá)，數(shù)組元素表達(dá)象素點的灰度值。同樣，每一幅圖像都可以視為N個2x1的向量。從一種特性集中選擇有助于分類的特性子集的過程稱為特性選擇。經(jīng)特性選擇后特性空間的維數(shù)進一步得到壓縮。特性選擇也具有某些約束條件，如最小均方誤差、總體熵最小化等。模式特性可以分為物理的、構(gòu)造的和數(shù)字的三大類。本文中應(yīng)用于鑒別研究的模式特性是數(shù)字特性，這是由于計算機抽取數(shù)字特性方面的能力遠(yuǎn)遠(yuǎn)超過于人，這些數(shù)字特性涉及記錄平均值、方差、協(xié)方差矩陣、和特性值、特性向量以及矩等。特性提取所用的變換T就是基于K-L變換的PCA措施和Fishe：鑒別措施，而特性選擇的約束條件就是最小均方誤差。特性臉措施是一種簡樸，迅速，實用的基于變換系數(shù)特性的算法，它存在如下長處：(1)圖像的原始灰度數(shù)據(jù)直接用來學(xué)習(xí)和相似度檢測，不需任何低檔或中級解決：(2)不需要人臉的幾何和反射知識；(3)通過低維子空間表達(dá)對數(shù)據(jù)進行壓縮；(4)與其她匹配措施相比，相似度檢測簡樸有效。但是，由于特性臉措施在本質(zhì)上依賴于訓(xùn)練集和測試集圖像的灰度有關(guān)性，并且規(guī)定測試圖像與訓(xùn)練集比較像，因此它有著很大的局限性，表目前如下方面；(5)對尺度變化很敏感，因此在相似度檢測前必須先進行尺度歸一化解決，并且由于PCA在圖像空間是線形的，它不能解決幾何變化；(6)只能解決正面人臉圖像，在姿態(tài)，發(fā)型和光照等發(fā)生變化時相似度檢測率明顯下降；(7)規(guī)定背景單一，對于復(fù)雜變化背景，需一方面進行復(fù)雜的圖像分割解決；第4章仿真實驗訓(xùn)練樣本測試模塊分類成果測試樣本PCA變換矩陣4.1流程圖訓(xùn)練樣本測試模塊分類成果測試樣本PCA變換矩陣圖4.1整體流程圖先擬定訓(xùn)練樣本和測試樣本，之后通過PCA變換矩陣達(dá)到降維的目的，投影到降維子空間中形成相應(yīng)的坐標(biāo)，最后用最鄰近距離分類法進行相似度檢測。訓(xùn)練樣本總體散度矩陣去均值奇異值分解PCA變換矩陣訓(xùn)練樣本總體散度矩陣去均值奇異值分解PCA變換矩陣圖4.2訓(xùn)練部分流程圖擬定訓(xùn)練樣本，之后去均值，計算總體散度矩陣，運用奇異值分解后通過PCA變換矩陣達(dá)到降維的目的。4.2仿真成果實驗在兩個圖庫上測試，一種是自建人臉庫，該庫涉及10個不同人物，每人有5張不同表情和姿態(tài)下的圖片，總共50幅。另一種是ORL人臉庫，該庫涉及40個不同人物，每人有10張圖片，共400幅。用訓(xùn)練樣本進行測試，辨認(rèn)率為100%。而隨著訓(xùn)練樣本的增長，辨認(rèn)率會有所提高，由于原則人臉庫在采集時考慮了多種因素，人臉圖像比較原則，因此辨認(rèn)率較自建的人臉庫辨認(rèn)率高，此外由于自建人連庫的圖片太少，即訓(xùn)練樣本太少，也會對成果產(chǎn)生影響，效果不是較好。進行直方圖均衡化比灰度歸一化的辨認(rèn)率高，預(yù)解決對辨認(rèn)的效果起著至關(guān)重要的作用。而本次實驗的預(yù)解決還比較粗糙，PCA也只是起到了簡樸的特性臉降維的作用，要有更好的效果，還必須尋找更好的特性體現(xiàn)，使得可以盡量消除光照、表情、遮掩和姿勢的影響。下圖為測試流程截圖：圖1顧客使用界面圖2圖片選擇后圖3查找后第5章總結(jié)與展望5.1總結(jié)本文以人臉相似度檢測算法中特性提取、分類器設(shè)計作了系統(tǒng)的研究，在理論、措施和應(yīng)用上進行了一系列摸索，所獲得的重要成果總結(jié)如下:1.概述了人臉相似度檢測技術(shù)應(yīng)用的難點，發(fā)展與現(xiàn)狀，研究內(nèi)容與重要措施，及常用的人臉相似度檢測原則數(shù)據(jù)庫。2.論證了基于主分量分析和線性可分性分析的人臉相似度檢測措施的優(yōu)缺陷，分析了特性維數(shù)和訓(xùn)練樣本個數(shù)對相似度檢測性能的影響。PCA作為一種多元數(shù)據(jù)解決措施，它可以最優(yōu)地體現(xiàn)原始數(shù)據(jù)，是滿足最小均方誤差意義下的最優(yōu)，可以體現(xiàn)原始數(shù)據(jù)的變化。但作為分類來講，我們需要的是能將數(shù)據(jù)分開的最優(yōu)的方向，考慮到數(shù)據(jù)的非線性，也許不存在好的線性分類，故應(yīng)改考慮核PCA措施，即KPCA?，F(xiàn)將低維數(shù)據(jù)映射到高維特性空間中，在該特性空間中可以應(yīng)用線性分類算法，這將是下一步要做的工作。5.2展望人臉相似度檢測系統(tǒng)其實是臺特殊的攝像機，判斷速度相稱快，只需要0.01秒左右，由于運用的是人體骨骼的相似度檢測技術(shù)，因此雖然易容改裝，也難以蒙過它的眼睛。并且“人臉相似度檢測系統(tǒng)”具有存儲功能，只要把某些具有潛在危險性的“重點人物”的“臉部特寫”輸入存儲系統(tǒng)，重點人物如擅自闖關(guān)，就會在0.01秒之內(nèi)被揪出來，同步向其她安保中心“報警”。此外，某些重要區(qū)域如控制中心只容許特定身份的工作人員進出，這時候面部檔案信息未被系統(tǒng)存儲的所有人全都會被拒之門外。與此前的指紋相似度檢測系統(tǒng)相比，人臉相似度檢測系統(tǒng)有諸多的改善。用于人臉相似度檢測的攝像機一天24小時都可工作，第一它不侵犯人權(quán)，第二它是很安全的，無論室內(nèi)還是戶外均可使用。人臉相似度檢測系統(tǒng)意味著每個人的臉上都貼著名字，外人看不見，但監(jiān)控系統(tǒng)能看得見。并且被觀測的人不懂得有設(shè)備在監(jiān)視她，起到了科技奧運、文明奧運的功能。人臉的自動分割。人臉相似度檢測技術(shù)應(yīng)當(dāng)涉及復(fù)雜背景下的人臉定位和純臉分割,以及人臉相似度檢測兩個方面的工作。要想使人臉相似度檢測技術(shù)得到廣泛的發(fā)展和應(yīng)用,一方面必須要解決人臉自動分割問題。而人臉的自動分割是一種很有挑戰(zhàn)性的研究課題?；诖鷶?shù)特性的人臉相似度檢測措施。它的有點在于應(yīng)用簡樸,算法穩(wěn)健，隨著新的分類算法的浮現(xiàn),基于代數(shù)特性的人臉相似度檢測措施仍然有很大的發(fā)展空間?；诙嗵匦孕畔⑷诤系拇胧?。人臉面部的細(xì)節(jié)信息非常重要,對表情的相似度檢測起著極其重要的作用,如何充足運用人臉自身的豐富信息將是面部表情相似度檢測研究一種值得摸索的方向?；诙喾诸惼魅诤系谋砬橄嗨贫葯z測措施，由于不同的分類器想對于不同的特性和環(huán)境有著不同的性能,研究一種良好的融合方略將是提高人臉相似度檢測系統(tǒng)的一種較好的研究方向。參照文獻[1]張瑩,李勇平,敖新宇.基于主元分析法的通用人臉檢測模塊設(shè)計[J].

計算機工程與科學(xué),,01:97-101.

[2]陳志恒,姜明新.基于主元分析法的人臉檢測系統(tǒng)的設(shè)計[J].

電子設(shè)計工程,,10:182-185.

[3]陸珂.基于主元分析法的人臉檢測與跟蹤算法研究[D].華東理工大學(xué),:16-18.

[4]趙黎.基于主元分析法的人臉檢測系統(tǒng)設(shè)計與實現(xiàn)[J].

科技信息(科學(xué)教研),,18:351+403.

[5]肖賀.基于MFC的主元分析法視頻人臉檢測[D].北京郵電大學(xué)無線通信技術(shù)研究室,:2-3[6]HongZiquan.AlgebraicFeatureExtractionofImagforRecognition[J]PatternRecognition,1991.22（1）：43~44.[7]YuilleAL.DetectionTemplatesforFaceRecognition[J]CognitiveNeuroscience,1991.191~200[8]盧春雨,張長水.局域區(qū)域特性的迅速人臉檢測法.[J]北京;清華大學(xué)學(xué)報.1999.96（1）;4~6.[9]陳剛,戚飛虎.實用人臉相似度檢測系統(tǒng)的本征臉法實現(xiàn).[D]5月.23(1):45~46.[10]杜平,徐大為,劉重慶.基于整體特性的人臉相似度檢測措施的研究[J].6月.49（3）;382~383.[11]ChowG,LiX.TowardsASystemforAutomaticFacialFeatureDetection[J]1993.29(3);2~3.[12]楊奕若,王煦法,楊將來.人臉全局特性相似度檢測研究.[Z]1997年11月.33(5):871~875.[13]邊肇祺,張學(xué)工,閻平凡,等.模式相似度檢測[D].北京:清華大學(xué)出版社,.30(2)16~17.[14]鄧楠,基于主成分分析的人臉辨認(rèn)..06.[15]龔勛,PCA與人臉辨認(rèn)及其理論基本..04.附錄matlab源碼“讀取圖片”按鈕functionpushbutton1_Callback(hObject,eventdata,handles)%hObjecthandletopushbutton1(seeGCBO)%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)%讀取待查找圖片globalim;%由于要在兩個按鈕函數(shù)中使用，故使用全局變量[filename,pathname]=...uigetfile({'*.bmp'},'選擇圖片');str=[pathname,filename];%合成途徑+文獻名im=imread(str);%讀取圖片axes(handles.axes1);%使用第一種axesimshow(im);title('待查找')%顯示圖片“開始查找”按鈕functionpushbutton2_Callback(hObject,eventdata,handles)%hObjecthandletopushbutton2(seeGCBO)%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)%%PCA人臉辨認(rèn)globalim;%使用全局變量imgdata=[];%訓(xùn)練圖像矩陣fori=1:10forj=1:5a=imread(strcat('C:\Users\Think\Desktop\orl\practice\',num2str(i),'\',num2str(j),'.bmp'));b=a(1:112*92);%b是行矢量1×N，其中N＝10304b=double(b);imgdata=[imgdata;b];%imgdata是一種M*N矩陣，imgdata中每一行數(shù)據(jù)一張圖片，M＝50end;end;imgdata=imgdata';%每一列為一張圖片imgmean=mean(imgdata,2);%平均圖片，N維列向量fori=1:50minus(:,i)=imgdata(:,i)-imgmean;%minus是一種N*M矩陣，是訓(xùn)練圖和平均圖之間的