基于自然人臉和Gabor人臉結(jié)合的改進(jìn)人臉識(shí)別算法畢業(yè)論文外文文獻(xiàn)翻譯

1、畢業(yè)設(shè)計(jì)（論文） 外文文獻(xiàn)翻譯文獻(xiàn)、資料中文題目：基于自然人臉和gabor人臉結(jié) 合的改進(jìn)人臉識(shí)別算法文獻(xiàn)、資料英文題目：文獻(xiàn)、資料來源： 文獻(xiàn)、資料發(fā)表（出版）日期：院（部）：專 業(yè)：班 級(jí):姓 名：學(xué) 號(hào)：指導(dǎo)教師: 翻譯日期:2017. 02. 14基于自然人臉和gabor人臉結(jié)合的改進(jìn)人臉識(shí)別算法摘要過去的幾年里，在人臉識(shí)別領(lǐng)域提出了很多基于人臉整體性信息的識(shí)別算 法。其屮一些方法包括顏色處理、人臉的不同描述以及圖像處理技術(shù)。這些方法 的出發(fā)點(diǎn)是用來提高光照變化的魯棒性。在眾多的方法之中，gabor人臉的使用 已經(jīng)被證明是最成功的方法之一。在不同人臉識(shí)別方法的結(jié)合方面也有不少研 究，無

2、論是特征方面還是在得分方面。木文提出了一種有效地結(jié)合方案，這種方 案通過結(jié)合自然人臉和對(duì)應(yīng)的gabor人臉的識(shí)別得分來達(dá)到改善單一整體性方 法的效果。本文利用最知名的幾種整體性方法在frgc數(shù)裾庫上評(píng)價(jià)了這種方法 的有效性。結(jié)果顯示，在各種情況下，識(shí)別率至少達(dá)到了 10%的改善。更重要的 是，當(dāng)識(shí)別得分來自兩種不同的方法，其中一種方法使用自然人臉，另外一種方 法使用gabor人臉，這種方案仍然有效。這些結(jié)果表明，兩種人臉描述具有互補(bǔ) 性，并ii在得分水平能夠很好地被融合。關(guān)鍵詞：人臉識(shí)別gabor圖像描述frgc人臉庫核gabor變換主成分分析(pca)引言在過去的幾年里，信息安全領(lǐng)域關(guān)注度的

3、不斷提高促進(jìn)了人臉身份鑒別的各種生物技 術(shù)的研究。在這些技術(shù)中，人臉識(shí)別技術(shù)由于它的非侵入性吸引了公有機(jī)構(gòu)和私營機(jī)構(gòu)共 同的興趣，成為了*個(gè)非常活躍地研究課題(chellappa et al.,1995;zhao et al.,2003).例如， 人臉自動(dòng)識(shí)別系統(tǒng)目前己經(jīng)用來幫助人類掌權(quán)者用于邊界的控制。這些系統(tǒng)能用于完成兩 種不同的任務(wù)：人臉識(shí)別和人臉驗(yàn)證。前者主要用于判斷一個(gè)相關(guān)人臉是否在一個(gè)具有n 個(gè)人臉的列表之中。后者主要用于鑒別兩幅人臉圖像是否屬于同一個(gè)人。本文所討論的系 統(tǒng)主要用于識(shí)別和驗(yàn)證，所使用的圖像是正而靜止的二維人臉。大多數(shù)人臉識(shí)別和驗(yàn)證算法被設(shè)汁成分類器。分類器在從人臉庫

4、取得的一部分人臉圖 像上進(jìn)行訓(xùn)練，以用于尋找一些描述這些人臉的差異性特征。這個(gè)訓(xùn)練過程通常是在離線 狀態(tài)下進(jìn)行的。一經(jīng)訓(xùn)練后，分類器4以被用來從新的人臉圖像中提取差異性特征呈現(xiàn)給 系統(tǒng)。這樣，就可通過比較兩個(gè)特征的差異來比較兩個(gè)人臉的差異了。人臉特征提取的算法可以粗略的劃分為整體性和局部性的方法(zhaoetal.，2003)。整 體性方法使用整個(gè)人臉區(qū)域作為原始輸入呈遞給系統(tǒng)。一般而言，這些系統(tǒng)把人臉投影到 一個(gè)便于識(shí)別的低維系統(tǒng)。眾所周知的整體性技術(shù)有特征臉法(turk and pentland 1991) 和fisher臉法(belhumeur et al.，1997)。相反，局部方法試

5、圖聚集一豎能夠很好定義的位置 信息來識(shí)別人臉。其屮一些局部方法有彈性閣匹配算法(wiskottetal.，1997)和隱馬爾科 夫模型(nefian and hayes，1998)。目前，無論是整體性方法還是局部性方法的研究都很活 躍(zhao et al.,2003;tolba et al.，2005)。自從daugman(1980)，daugman et al.(1985)捉出gabor變換能夠很好地模擬皮質(zhì)層單細(xì) 胞的感受域剖面圖后，這個(gè)變換一直被應(yīng)用到各種計(jì)算機(jī)視覺算法之中。確實(shí)，這種變換 是彈性圖匹配算法(wiskott et al.,1997 )和許多著名的整體性算法(liu an

6、d wechsler,200l,2002;liu,2004,2006)的核心。gabor變換分析了不同尺度、位賈和方向上紋 理的空間頻率分布。當(dāng)結(jié)合整體性分類器吋，提取的特征不同于那些從自然人臉提取的特 征，通常呈現(xiàn)出更好的精確性。然而，當(dāng)使川gabor臉時(shí)，一些與鑒定相關(guān)的信息也有可 能會(huì)丟失。本文研宂了通過結(jié)合兩種分類器獲得的得分能否改善有代表性的整體性方法的識(shí)別 精度。這兩種分類器分別在自然人臉和gabor人臉上得到訓(xùn)練。所提出的結(jié)合方案在frgc (phillips et al.,2005)人臉庫上進(jìn)行了評(píng)價(jià)。frgc是和人臉識(shí)別s相關(guān)的二維靜止圖像 人臉庫。我們的結(jié)果表明，所提出的得

7、分融合方案改善了本文所研宄的所有整體性方法的 精確度。本文剩下的部分是按這樣的方式進(jìn)行組織的：第2和第3部分分別討論了相關(guān)的工作 和gabor人臉描述的一些背景。第4和第5部分簡明的介紹了本文所需的整體性驗(yàn)證算法 和結(jié)合不同得分的方法。s后，第6和第7部分評(píng)價(jià)、總結(jié)了我們的發(fā)現(xiàn)并提出了一些未 來的研究工作。2相關(guān)工作gabor變換曾經(jīng)被用來改善整體性方法的識(shí)別精度。liu和wechsler在2001和2002 年提出了一種將gabor臉輸入到特征臉（pca）和fisher臉（lda）中，從而得到了改進(jìn)的統(tǒng) 計(jì)識(shí)別方法，該方法在feret人臉庫上進(jìn)行試驗(yàn)，識(shí)別率提高了 30%左右。后來，liu

8、在2004和2006年提出的將上述gabor臉輸入到獨(dú)立核版本巾，也表明得到了最好的效果 之一。xie et al在2005年提出了一種不同的整體性方法kcfa.這種方法計(jì)算了訓(xùn)練樣本集 巾每一個(gè)人的二維相關(guān)系數(shù)濾波器。在識(shí)別的時(shí)候，新圖像與每一個(gè)濾波器相關(guān)，相關(guān)系 數(shù)平面的中心被認(rèn)為是該圖像的特征向量。使用xie et al在2005年提出的核技巧能夠使 得相關(guān)系數(shù)變成非線性的。本文，我們通過對(duì)輸入閣像做gabor小波變換的手段，稍微修 改了一下原始方法。在生物研宄領(lǐng)域，不同識(shí)別系統(tǒng)的結(jié)合受到了越來越多的重視。一般來講，結(jié)合可以 在兩種不同的水平：特征融合和得分融合。前者涉及到大多數(shù)判別特征

9、的選擇性問題，這 需要一個(gè)額外的訓(xùn)練階段。例如，zhao et al.在2004年提出了一種基于下相同輸入的不同 特征提取方法的結(jié)合，最終的得分足巾neural network committee分類器判定的。tan和 triggs在2007年提出了另一種有趣的結(jié)合方案，這種結(jié)合方案將gabor和lbp圖像的pca 特征向量結(jié)合在一起。然而，大多數(shù)判別特征向量的提取使用的方法是kdcv。另一方面，2005年，jain et al.在不同生物識(shí)別系統(tǒng)的得分水平結(jié)合的選擇性方面做 了更進(jìn)一步的研究。對(duì)于每一個(gè)識(shí)別個(gè)體，一個(gè)全局的匹配得分是通過結(jié)合（加法、乘法、 取最大或最小）不同生物系統(tǒng)的得分而獲

10、得的。我們應(yīng)該注意到這種結(jié)合方案并不需要任 何額外的訓(xùn)練階段，并且比特征水平的融合副本更容易一般化。當(dāng)不同系統(tǒng)的信息能夠得 到互補(bǔ)（至少是部分的）的吋候，就能夠獲得好的結(jié)果。本文，我們分析了兩種得分結(jié)合的效果。這兩種得分使用相同的人臉識(shí)別方法，只是 輸入系統(tǒng)的圖像不同而己，其中一種是自然人臉，另一種是gabor人臉。使用的策略是jain et al.在2005年提出的混合模型系統(tǒng)。值得注意的是，我們并不是研究來自特征結(jié)合的最 具有判別性的特征，而是u算以個(gè)體得分結(jié)合為基礎(chǔ)的最終得分。在frg數(shù)據(jù)集上的實(shí) 驗(yàn)表明，這種簡單的融合方案提高了本文介紹的所有整體性方法的識(shí)別率。3 gabor人臉描述g

11、abor人臉閣像是通過計(jì)算原始閣像和兒個(gè)gabor小波函數(shù)的卷積得到的。gaboi小 波是由leej996;lades et alj993提出來的。定義如下：2 2a2， （1）其中a.i,二久,（cos么，sin么），r二（x，y） .lades et al在1993年指出，當(dāng)在頻率域選擇合 適的小波函數(shù)時(shí)，gabor人臉能夠非常有效。基于這個(gè)目的，我們可以很方便的定義 k、，二，（/）=叩其巾胃是最大頻率，/是在頻率域核空間間的因子。這些參數(shù)的選擇不僅依賴于需要進(jìn)行處理的閣像的數(shù)目和我們想要考慮的離散頻率。表一是lades etal在1993年列出了針對(duì)128x128圖像的一個(gè)有效的參數(shù)組

12、合。table 1gabor小波變換的參數(shù)選擇（圖像大小為128x128）maxf<7av疋/22tt0,，70”"，4設(shè)是一個(gè)灰度分布圖像，圖像/和和gabor小波核函數(shù)的卷積定義如下：= （2）其中，®代表卷積運(yùn)算，（x，y）是與gabor核函數(shù)在方向/和尺度v相關(guān)的運(yùn)算結(jié)果。盡管式（2）的運(yùn)算結(jié)果是復(fù)數(shù)伉，但我們使用的是該復(fù)數(shù)的模值，這種模值表示被證明在邊 緣方面描述得效果很好（lades etal.，1993）。此外，我們對(duì)得到的y）按因子p=64進(jìn) 行下抽樣（即8行8列）以保證最終維數(shù)不超過原圖像的維數(shù)。設(shè)of八表示按因子p下抽樣后由每一行串在一塊得到的列向

13、量，該 列向量進(jìn)行了均值為0方差為丨的標(biāo)準(zhǔn)化處理。這樣，圖像/的最終gab01描述如下：其中t是轉(zhuǎn)置運(yùn)算。這樣，增加的gabor特征向量包含了所有的gabor小波描述的集合， 作為重要的鑒別信息。例如，對(duì)于 128x128像素的圖像而言，這個(gè)響亮的尺寸為10240 （40x16x16）。4驗(yàn)證算法fig.l呈現(xiàn)了一個(gè)典型的整體識(shí)別或驗(yàn)證系統(tǒng)的塊狀圖。對(duì)于經(jīng)過預(yù)處理的圖像，一個(gè)訓(xùn) 練樣本數(shù)據(jù)庫被用來設(shè)計(jì)一個(gè)作為特征提取用的分類器。這個(gè)過程是在離線狀態(tài)下進(jìn)行的。 那么，當(dāng)兩幅新的圖像被輸入系統(tǒng)后（上線），他們各自的特征向量會(huì)被提取，并t特征向 量之間的距離會(huì)被計(jì)算。驗(yàn)證結(jié)果可以通過與所設(shè)定距離閾值

14、進(jìn)行比較得到，該閾值的由來 依據(jù)系統(tǒng)的期望錯(cuò)誤接受率。通常使用的向量間距離的衡a包拈曼哈坦距離（/,）、歐式 距離（l2）、余弦值（4。）和明考斯基距離氏w。在本文中，我們考慮了四種特征提取方法：？0人丄0八，1<0八和1<八，在下 文中會(huì)有更加詳細(xì)的介紹。在每種情況下，我們考慮的都是一幅具有yv個(gè)灰度 值的二維向量。為了方便起見，圖像被表示成一個(gè)yv維的行向量'，該行向量 是通過將圖像矩陣各行數(shù)據(jù)組合在一塊得到的。設(shè)給定一個(gè)訓(xùn)練樣本集 =能夠被分成 a = l，.，£類（即來自l個(gè)不同的個(gè)體）。我們用表示類別包含的樣本數(shù)。enlinofeatureextract

15、orvttoxoujaulknlvujjttoxouaiftjkrtlviijjofflinetrainfeatureextractor.userdesiredf.a>r.testverificationresultgraphsfig. 1. block diagram of a typical holistic face verifier system.4.1主成分分析法主成分分析法是利用協(xié)方差矩陣的特征向量作為投影方向進(jìn)行特征提取的。 協(xié)方差矩陣從給定的樣木集中進(jìn)行估計(jì)的：1 m/=11 m其中，一藝令是矩陣x的前r個(gè)最大特征值對(duì)應(yīng)的特征列向量組成的矩陣。主成分分析法就是將上述r個(gè)特

16、征向量作為基向量，將 原始空間的樣本向量r投影到上述特征向量所張成空間屮。不妨設(shè)r在上述特征 空間中的投影向量為f則f = uty.(5)4.2線性鑒別分析上述pca特征提取方法是針對(duì)所有給定樣本而言的，樣本的所屬類別信 息并沒有納入到算法中去。線性鑒別分析法，是從fisher判別理論發(fā)展而來的， 因而乂叫做fisher線性判別法。ldap8j方法采用了使得樣木能夠正確分類識(shí)另ij 的先驗(yàn)知識(shí)，即尋找最優(yōu)投影方向，使得投影后向量的類間離散度矩陣和類內(nèi)離 散度矩陣的比率最人化，這有助于識(shí)別率的提高。這些投影方向被用來對(duì)給定的 樣本向量進(jìn)行特征提取。給定樣本向量的類間離散矩陣定義為：t. (6)

17、a=1類內(nèi)離散度矩陣定義為：l心(7)k=i xg w女k nk.其中，/=1義是所有樣本向量的均值向量，a =_l z x/是第個(gè)類別 m tzrm,的均值向量。線性判別分析試圖尋找£-1個(gè)方向向量v使得如下關(guān)系式最大化(8)由rayleigh商的知識(shí)可知使得等式(1)中j最大化的向量v是如下常見的特征 問題：(9)設(shè).，v£ 2；|是由式(2)的最大特征值對(duì)應(yīng)的特征列向量組成的矩陣，同樣，設(shè)r在上述特征空間中的投影向量為f則 f = ury.(10)4.3核判別分析上述介紹的方法屬于線性分類，當(dāng)數(shù)據(jù)是線性相關(guān)的吋候是非常有效的。然而，人臉 之間的關(guān)系可能是非線性的。核判

18、別分析利用核技術(shù)獲得了 lda的非線性表示。設(shè)外4 f是一個(gè)從輸入圖像空間到另一個(gè)高維空間f的變換。kda方法使 用f空間中的投影向量作為式(9)的解，這樣類間離散矩陣和類內(nèi)離散矩陣重定義為：(11)=1)-讀(x,x)(12)k=l xr 11 m其中，二一 y (x.), ；/=是廠空間巾每一個(gè)類的均值和全局 mk x%km /=1均值。為了簡化等式，暫時(shí)假設(shè)在f空間中的數(shù)據(jù)是中心化的(/?=0)，并且 定義矩陣如下：d = xx2.xm).(13)這樣，使用矩陣z)可以對(duì)式(11)和(12)表達(dá)如下(heatal.,2005)：sb= -d(i - w)z/ + ddt(14)svv =

19、d(i-w)dy(15)其屮i是一個(gè)mxm維的單位矩陣，we rmxm是一個(gè)塊對(duì)角矩陣 w = diagw,w2.,wl , vva.e尺卽是一個(gè)所有元素都等于的axma.維 矩陣。把式（14）和（15）帶入式（9）我們得到：d（-w）dtv = xddtv（16）其中義=% + .由復(fù)數(shù)核理論的知識(shí)可知，式（16）的解必須依賴于圖像在f中 的取值范圍：mv = ci（/）（xi） = da（17）/=1其中漢='2，.，；|7、，.用這個(gè)表達(dá)式替換式（16）中的v,然后等式兩邊同 時(shí)乘以/，我們得到：k-wka = xkka（18）其中k = z）d是訓(xùn)練樣本的核矩陣：=外）沢

20、9;）.（19）注意到，使用核技術(shù)，我們無法準(zhǔn)確的描述映射因?yàn)樗鼉H僅以點(diǎn)乘的形式出現(xiàn)在等式中，因而可以使用關(guān)系核函數(shù)進(jìn)行計(jì)算：kkxxj）如果原始圖像數(shù)據(jù)在f中沒有進(jìn)行中心化，經(jīng)過如下數(shù)據(jù)變換，上述等式仍 然有效：萬二）-，外心）-/?(20)由式（17）和（18）可以變換得到：mv = cixi)-/j0) = da = d(-m)a '=1(21)k(-m)kta = xkk a(22)其中元是原始圖像在f空間中心化后的核矩陣，是 所有元素都等于的矩陣。最終，等式（22）也可以寫成如下形式：kwk a = xkk a（23）其中/=1-x=a/（1 + a）。與最大值2對(duì)應(yīng)的等式（

21、23）的解和最大值a對(duì)應(yīng)的 等式（9）的解相關(guān)。令a = a，6z2，.，6e/?mx"表示等式（23）的解中最大的個(gè)特征 值對(duì)應(yīng)的特征向量組成的矩陣，其屮所有的特征向量都進(jìn)行了標(biāo)準(zhǔn)化，例如 |v|2 = 1。為了提取給定測試圖像集/7 = 0，.，-1的特征向量，我們必須將它們投影到空間f的特征向量v上去：=sv/（yp-）（24）/=1定義me, =外k）,叭r2），沢q，特征矩陣為f = f；，f2，.，f；，利用等式（24） 我們得到f = at(ktest-imktest-klm +lmklm) = atk咖'其中，是測試核矩陣，其中每個(gè)元素計(jì)算為 隊(duì)wxp, 么,

22、是/中心化后得到的。_在ajt識(shí)別的過程中，等式(23)經(jīng)常會(huì)遇到一個(gè)問題。這是因?yàn)榫仃?萬(i-w)萬的秩至多只有7v-l (heetal.,2005),而閣像的數(shù)目m遠(yuǎn)遠(yuǎn)低于閣像的像素?cái)?shù)2v,導(dǎo)致矩陣萬(1-w)萬是一個(gè)奇異矩陣。目前，這個(gè)問題有兩種解決 方法:增加上述因子p (liu,2006)或者使用pca對(duì)原始閣像進(jìn)行降維(belhumeur etal.,1997).本文采用了前一種方法。4.4核相關(guān)特征分析本文考慮的最后一種整體性方法是核相關(guān)特征分析(xie et al.,2005).這個(gè) 方法試圖為訓(xùn)練樣本的每一個(gè)類設(shè)計(jì)一個(gè)最優(yōu)折中濾波器(otf) (refregier,1990

23、)o當(dāng)一個(gè)新的圖像輸入到系統(tǒng)時(shí)，它和所有的濾波器相關(guān)。并 把輸出相關(guān)系數(shù)t而的中心值作為新圖像的特征。在kcfa中，相關(guān)值是利用核 技術(shù)在高維待征空間f中計(jì)算得到的。otf的設(shè)計(jì)是在頻率域進(jìn)行的。這個(gè)濾波器在最小化相關(guān)輸出噪聲和最小a/-1化均值和關(guān)能量之間取折中(refregier，1990).定義d二其中是一個(gè)對(duì) !=()對(duì)角矩陣，其中元素£>,.(/:，幻含義在頻域處的能量譜。c作為對(duì)角矩陣，其 中的元素幻包含了在頻率處的噪聲能量譜密度。t = adf3c<ayp< 對(duì)于一個(gè)給定的類別，otf是這樣獲得的(xieetal.2005，refregier, 199

24、0)： h0tr=t-lx(x+tlxrlc(26)其中，是一個(gè)；vxm維的矩陣，每一個(gè)人是一個(gè)7v維向量，該向量是將第f個(gè)訓(xùn)練樣本經(jīng)二維傅立葉變換后按行拼接在一塊得到的。是一 個(gè)mxl維的列向量，如果圖像f在這個(gè)類別的話，q等于1，否則的話等于0。假設(shè)圖像都經(jīng)過屮心化和標(biāo)準(zhǔn)化，對(duì)于給定的測試圖像經(jīng)傅立葉變換y 以及與等式(26)的濾波器相關(guān)后，其相關(guān)平面的中心可以用下面的內(nèi)積表示： c(0,0) = y+h0tf = y+t-lx(x+t-xylc(27)因?yàn)閞是一個(gè)對(duì)角矩陣，它可以被分解為7=7%廠,那么式(27)可以寫成 下面形式：c(0,0) = (tyy (t2x )(7'

25、x)+x)_,c?(28)等式(28)表明我們可以將7%當(dāng)作圖像的一個(gè)前置濾波器。記我 們可以將式(28)寫成如下形式：c(0,0)二了 x(x + x廠1 z(29)正如kda的例子一樣，令扒x) . cn 4 f是一個(gè)從輸入空間的頻率域到一個(gè)高維 特征空間f的映射。等式(29)變換后的表達(dá)式為：c(0,0) = kleslkx(30)其中，/s7是一個(gè)lxm維的測試核矩陣，尺是一個(gè)mxm維的訓(xùn)練核矩陣，其中_（戸（咬（31）（z，7）= （x；）（32）定義c = «，.,則測試閣像/的全部持征向量可以計(jì)算如下：f = kh，stk'c（33）5得分結(jié)合在木文中，我們分析

26、了結(jié)合驗(yàn)證系統(tǒng)的效果，這個(gè)系統(tǒng)將自然圖像和他們的 gabor圖像分別作為輸入，然后在得分水平進(jìn)行結(jié)合。這種思想在圖2中進(jìn)行了 說明。白然圖像和他們的gabor變換經(jīng)歷丫相同的特征提取過程。當(dāng)兩個(gè)圖像進(jìn) 行比較的時(shí)候，這兩個(gè)系統(tǒng)分別用來獲取一組標(biāo)準(zhǔn)化的得分。然后，這兩個(gè)結(jié)果 被結(jié)合產(chǎn)生最終的得分，這個(gè)得分可以用來決定這兩張閣像是否來自同一個(gè)人。不同的標(biāo)準(zhǔn)化方法是可能的（jain et al.，2005）。在本文中，我們使用的是 z-score標(biāo)準(zhǔn)化方法，這種方法在frgc文木中是默認(rèn)用來畫roc曲線的。毫 無疑問，另一個(gè)標(biāo)準(zhǔn)化后的結(jié)果是類似的。此外，對(duì)于得分融合有幾種選擇方法。 木文中我們使用的

27、方法是得分相加。下文中的結(jié)果解釋了為什么這種方案是最合適的。fig. 2. block diagram for the score-fusion mechanism.6實(shí)驗(yàn)結(jié)果當(dāng)前的工作在frgc人臉庫上進(jìn)行了試驗(yàn)，frgc是一個(gè)和評(píng)價(jià)人臉識(shí)別算 法最相關(guān)的數(shù)據(jù)庫之一。本文中，我們做了實(shí)驗(yàn)4,用來評(píng)價(jià)識(shí)別算法的結(jié)果， 這實(shí)驗(yàn)4是在強(qiáng)烈的光照變化條件下正面靜止人臉圖像上進(jìn)行的。frgc數(shù)據(jù)庫包括12776個(gè)訓(xùn)練圖像，16028個(gè)被控目標(biāo)圖像，8014個(gè)測試 圖像。實(shí)驗(yàn)4包含每一張測試圖像與訓(xùn)練樣木中所有圖像的兩個(gè)得分。將這些得 分進(jìn)行標(biāo)準(zhǔn)化，使用z-score方案，一條roc曲線就形成了，這條曲

28、線繪制的是 正確識(shí)別率與錯(cuò)誤接受率之間的關(guān)系。在frgc實(shí)驗(yàn)中，計(jì)算了三條不同的roc 曲線:/?oc-i, roc-w, 7?oc-m，分別對(duì)應(yīng)半年內(nèi)收集的圖像、一年內(nèi)收集 的圖像以及半年之間收集到的圖像。我們選擇了最具有挑戰(zhàn)性的/?oc-ni曲線 來展示結(jié)果，在其他的實(shí)驗(yàn)中，也有相同的做法。為了使得不同方法之間的比較更加容易，對(duì)于每種方法都是用了相同的預(yù)處理過程。具體的，每一張圖像首先進(jìn)行中心化，把眼睛放在固定的位置，歸一 化圖像大小為128x128。接下來，每一張閣像都轉(zhuǎn)化為灰度閣像并進(jìn)行直方閣均 衡化以使得圖像矩陣對(duì)光照條件具有獸棒性。最后，最終的圖像被標(biāo)準(zhǔn)化為零均 值和單位方差。另一

29、方面，對(duì)于kda和kcfa，我們使用了兩種不同的核函數(shù)重復(fù)了同樣 的實(shí)驗(yàn)過程。這兩種和函數(shù)分別為多項(xiàng)式和高斯核函數(shù)：z:(x,y) = (x. )，)"(34)y) = exp2<r(35)其屮，denf并且70.然而，兩種情況都是用了相同的方法，因此，在這部 分我們僅僅展示了最好核函數(shù)的結(jié)果，rbf核函數(shù)。此外，我們評(píng)價(jià)丫幾個(gè)不 同的得分計(jì)算方法：ii, l2, co sin e, mahalan - obis ,和 mahalanobis cosine。這部分的結(jié)果表明了每一種方法對(duì)應(yīng)的最好的度量手段：pca對(duì)應(yīng)的是 mahalanobis co sin e , lda，k

30、cfa 和 kda 對(duì)應(yīng)的都是 cosine 距離。fig.3比較了 frgc實(shí)驗(yàn)4中的曲線和本文所研究的所有方法，使 用了自然圖像和gabor圖像?；趃abor的方法做了一個(gè)前置處理g。得分融合 的曲線也被繪制丫。從這些實(shí)驗(yàn)屮，容易看出，當(dāng)使用gabor人臉替換b然人臉 的時(shí)候，所有方法的效果都得到了改善。注意到，這一點(diǎn)對(duì)于gkcfa同樣適合， 這種方法使用了 gabor人臉作為一維信號(hào)并且應(yīng)用了 kcfa方法。就本人目前所 知，之前還沒有人將gabor變換應(yīng)用到kcfa中。然而，從fig.3中提取的最重要的結(jié)論是經(jīng)過自然人臉和gabor人臉的得分 融合后木文研究的所有方法的效果都得到了改

31、善。從數(shù)量上講，這種改善是10% 左右，相比基于gabor的方法，far減小了 0.001 (相比pca而言，增加到了 50%)。為了說明為什么這種方法能提高識(shí)別率，本文在fig4中繪制了 gkda-kda系數(shù)空間曲線。我們看到，使用gkda能夠更好的匹配一些點(diǎn)，其 他點(diǎn)通過kda能更好地被驗(yàn)證。使用兩個(gè)距離相加暗示著沿單位斜率的曲線選 擇了閾值，得到的改善，我們可以在fig3中看出。另一方面，fig.5畢竟熬了幾種方法之間的結(jié)合。有趣的是fisher判別的線 性和非線性版本，b|lda和kda,在識(shí)別效果方面的差別很小。如果考慮到一 個(gè)線性方法的無記憶或者過度匹配功能，當(dāng)使用木文提出的得分融

32、合策略時(shí)， lda方法相比kda方法而言或許是一個(gè)更好的選擇。另一個(gè)有趣的結(jié)論是，在 識(shí)別結(jié)果方面，kcfa與lda和kda非常相近。(gkda.kda) score space1 -0.8 -0.6 -0.4 -0.2 0 0 2 0.4 0.6 gkdamethods comparisonfig. 5. comparison of the different methods when scores from natural and cabor images are combined.kda gkdafarfarfarfig. 3. effect of combining natural a

33、nd gabor image representations for (a) ka. (b) lda.(c) kda and (d) kcfa on frcc expenment 4 roc-111 curves. preceding g indicates (lui cborrepresenutions where used instead of ncurl inures.最后，得分融合技術(shù)也可以應(yīng)用到方法之間的結(jié)合中去。fig.6是在frgc 數(shù)據(jù)庫的實(shí)驗(yàn)4上進(jìn)行的，該試驗(yàn)結(jié)果展示了 lda和kda之間的得分融合的 結(jié)果。這兩種方法的所有可能結(jié)合都已經(jīng)被考慮了。當(dāng)輸入和同的人臉圖像時(shí)，方法

34、的結(jié)合(kda+lda和gkda+glda)并沒有帶來任何的好處，然而，使 用不同人臉輸入時(shí)，方法的結(jié)合(gkda+lda和glda+kda)在一定意義上 改善了識(shí)別結(jié)果。更重要的是，在我們的實(shí)驗(yàn)中，自然人臉和gabor人臉的結(jié)合 在得分的差別上是非常小的。在其余的幾種方法屮也得到丫類似的結(jié)果。從所繪制的fig.6屮可以得到的 主要結(jié)論是當(dāng)將系統(tǒng)中其中一個(gè)在自然人臉中訓(xùn)練的得分和另一個(gè)在gabcx人 臉中得到的得分進(jìn)行融合時(shí)，識(shí)別的效果會(huì)更好。這些結(jié)果表明，在自然人臉中訓(xùn)練的整體性方法比在gabor人臉中訓(xùn)練得到 了不同的鑒別信息，并且通過單個(gè)系統(tǒng)的得分融合，我們可以充分利用所有的這 些信息。

35、far7結(jié)論在木文中，我們得出了在得分水平進(jìn)行融合時(shí)不同整體性人臉識(shí)別方法間的 結(jié)合在識(shí)別效果上帶來了好處。更精確的說，我們用相同方法訓(xùn)練了兩個(gè)例子， 其中一個(gè)自然人臉上進(jìn)行，另一個(gè)在gabor人臉上進(jìn)行。理論分析己經(jīng)在frgc 數(shù)據(jù)庫上對(duì)四個(gè)整體性方法（pca，lda,kda和kcfa）進(jìn)行了試驗(yàn)。在所有的 例子屮，當(dāng)錯(cuò)誤接受率為0.001時(shí)，得分融合方法的結(jié)果帶來了 10%左右的改善。 在gabor人臉閣像上使用kcfa也是第一次嘗試,這種方法是在原有方法的基礎(chǔ) 上進(jìn)行修改得到的。此外，我們表明當(dāng)使用不同整體性方法結(jié)合時(shí)，所提出的得 分融合方案仍然有效（會(huì)帶來識(shí)別率的提高）。這些結(jié)果表明當(dāng)

36、使用gabor變換 時(shí)，自然人臉中的部分判別信息不能通過整體性方法提取岀來，但如果結(jié)合在原 始圖像上的整體性方法的得分，至少在那部分隱藏的信息上是一個(gè)非常方便的特 征提取方法。未來，我們將在局部方法和不同整體性方法的結(jié)合方面做一定的擴(kuò)展工作, 不僅在得分水平，也在特征提取水平。然而，在特征水平的結(jié)合可能暗示著兩 個(gè)訓(xùn)練階段，其中一個(gè)在特征提取上訓(xùn)練，另一個(gè)在融合方面訓(xùn)練，這樣增加 了找出一般結(jié)合策略用來改善識(shí)別效果的困難性。如果更多復(fù)雜的得分融合方 案被應(yīng)用的話，上述困難同樣會(huì)出現(xiàn)。例如，一個(gè)神經(jīng)網(wǎng)絡(luò)如果能在得分空間 進(jìn)行訓(xùn)練的話，需要一個(gè)額外的訓(xùn)練集。木文所提岀的得分融合方案的簡單性 使得我

37、們的結(jié)果更加引人注0。參考文獻(xiàn)ijbelhiimeur, r, hespanha，j.，kriegman，d.，1997. eigenfaces vs. fisherfaces:recognition using class specific linear projection. ieee trans. pattern anal.machine intell. 19 (7)， 711-720. issn: 0162-8828.f2chellappa, r.，wilson, c.，sirohey，s.，1995. human and machine recognition of faces:a

38、survey. proceedings of the ieee 83 (5), 705-741. issn: 0018-9219.3daugman，j” 1980. two-dimensional spectral analysis of cortical receptive fieldprofiles. vision res. 20 (10)，847-856. issn: 00426989.4jdaugman，j.g” space，uncertainty relation for resolution in，frequency, spatial，1985.and orientation op

39、timized by two-dimensional visual cortical filters. j. opt. soc.amer. a 2 (7)， 1160-1169.5he，x.，yan，s.，hu，y” niyogi，p” zhang，h.-j.，2005 face recognition using laplacian faces. ieee trans. pattern anal. machine intell. 27 (3)，328-340.6jjain，a.，nandakumar，k.，ross，a.，2005. score normalization in multim

40、odal biometric systems. pattern recognition 38 (12)，2270-2285. issn: 0031-3203.f71lades，m.，vorbriiggen, j.c.，buhmann，j.，lange, j.，von der malsburg, c.，wlirlz， r.p.，konen，w” 1993. distortion invariant object recognition in the dynamic link architecture. ieee trans. comput. 42, 300-311.8lee, t.s.，1996

41、. image representation using 2d gabor wavelets. ieee trans. pattern anal. machine intell. 18(10)，959971.9liu，c.，2004. gabor-based kernel pca with fractional power polynomial models for face recognition. ieee trans. pattern anal. machine intell. 26 (5), 572-581. issn:0162-8828.uojliu，c.，2006. capital

42、ize on dimensionality increasing techniques for improving face recognition grand challenge performance. ieee trans. pattern anal. machine intell. 28 (5)， 725-737. issn: 0162-8828.1 lliu, c., wechsler, h., 2001. a gabor feature classifier for face recognition. in: iccv 2001. proceedings eighth ieee i

43、nternational conference on computer vision，vol. 2, pp. 270-275-12jliu, c.，wechsler, h.，2002. gabor feature based classification using the enhanced fisher linear discriminant model for face recognition. ieee trans. image process. 11,467-476.13 nefian，a.v.，hayes, m.h.，iii，1998. hidden markov models fo

44、r face recognition. in:proc. internal conf. acoustics, speech and signal processing，1998, pp. 2721-2724.14 phillips，p” flynn，p” scruggs，t” bowyer，k” chang，j” hoffman，k.，marques，j” min，j” worek, w., 2005. overview of the face recognition grand challenge. in: cvpr 2005. ieee computer society conf, on computer vision and pattern recognition,2005, vol. 1，pp. 947-954， issn: 1063-6919.15 refregier，p” 1990. filter design for