基于主成分分析的人臉圖像識別

基于主成分分析的人臉圖像識別***(德州學(xué)院物理與電子信息學(xué)院，山東德州253023)摘要人臉識別是生物特征識別中一個活潑的研究領(lǐng)域，智能人臉識別軟件技術(shù)對新時(shí)期的反恐和綜合平安等具有重大意義。人臉識別系統(tǒng)以人的臉像作為識別身份的媒介，采用計(jì)算機(jī)視覺和圖像處理技術(shù)，抓住人臉的輪廓特征和局部細(xì)節(jié)特征，研究匹配和識別方法。目前己經(jīng)在身份鑒別和權(quán)限控制等方面得到了廣泛的應(yīng)用，是計(jì)算機(jī)科學(xué)與技術(shù)和模式識別領(lǐng)域中非常活潑的研究課題。人臉識別是利用計(jì)算機(jī)對人臉圖像進(jìn)行處理、分析，并從中提取能表征人臉圖像的識別信息，用以進(jìn)行人臉鑒別的一門技術(shù)。目前人臉識別技術(shù)比擬多，優(yōu)缺點(diǎn)各不相同。主要包括圖像預(yù)處理，特征提取訓(xùn)練和識別三個環(huán)節(jié)。本論文主要介紹了基于PCA主成分分析人臉識別的背景和國內(nèi)外開展現(xiàn)狀及趨勢，人臉識別的方法、數(shù)據(jù)庫和具體操作流程。關(guān)鍵詞人臉識別；主成分分析；PCA；K-L變換1緒論1.1人臉識別研究的背景隨著社會的開展以及技術(shù)的進(jìn)步，尤其是近年內(nèi)計(jì)算機(jī)的軟硬件性能的飛速提升，各方面對快速高效的自動身份驗(yàn)證的要求日益迫切。生物識別技術(shù)在科研領(lǐng)域取得了極大的重視和開展。由于生物特征是人的內(nèi)在屬性，具有很強(qiáng)的自身穩(wěn)定性和個體差異性，因此是身份驗(yàn)證的最理想依據(jù)[1]。其中，利用人臉特征進(jìn)行身份驗(yàn)證又是最自然直接的手段，與指紋、虹膜、掌紋等其他人體生物特征識別系統(tǒng)相比，人臉識別系統(tǒng)更加友好，方便，易于為用戶所接受，有廣闊的應(yīng)用領(lǐng)域[2]，具體的各種生物識別方法的優(yōu)缺點(diǎn)比擬參見表1-1。在現(xiàn)代社會中，身份鑒定技術(shù)具有非常重要的應(yīng)用價(jià)值，隨著網(wǎng)絡(luò)技術(shù)的開展，信息平安也顯示出前所未有的重要性。例如：公安布控監(jiān)控、監(jiān)獄監(jiān)控、司法認(rèn)證、民航安檢、口岸出入控制、海關(guān)身份驗(yàn)證、銀行密押、智能身份證、智能門禁、智能視頻監(jiān)控、智能出入控制、司機(jī)駕照驗(yàn)證、各類銀行卡、金融卡、信用卡、儲蓄卡持卡人的身份驗(yàn)證，社會保險(xiǎn)身份驗(yàn)證等多個方面，還可以應(yīng)用到醫(yī)療和視頻會議等方面，表現(xiàn)出其強(qiáng)大的生命力。所謂人臉識別[3,4](FaceRecognition)就是利用計(jì)算機(jī)分析人臉圖象，從中提取有效的識別信息，用來區(qū)分身份的一門技術(shù)。即對人臉進(jìn)行標(biāo)準(zhǔn)化處理后，通過某種方法和數(shù)據(jù)庫中的人臉標(biāo)本進(jìn)行匹配，尋找?guī)熘袑?yīng)人臉及該人臉相關(guān)信息。隨著社會和科技的開展，社會步伐的加快，人們對高效可靠的身份識別需求日益強(qiáng)烈。各種技術(shù)在科研和實(shí)際中都受到了很大的重視和開展。由于生物特征內(nèi)在的穩(wěn)定性和唯一性使其成為了作為身份識別的理想依據(jù)。人臉特征作為典型的生物特征外，還有隱蔽性好，易于被用戶接受，不需要人的配合等優(yōu)點(diǎn)?，F(xiàn)已成為了身份識別領(lǐng)域研究的熱點(diǎn)。表1-1各生物識別方法的優(yōu)缺點(diǎn)比擬類型優(yōu)點(diǎn)缺點(diǎn)指紋指紋是人體獨(dú)一無二的特征，復(fù)雜度足以提供用于鑒別的足夠特征；如果我們想要增加可靠性，我們只需登記更多的指紋，鑒別更多的手指，最多可以多達(dá)十個．而每一個指紋都是獨(dú)一無二的；(3)掃描指紋的速度很快，使用方便。(1)某些人或某些群體的指紋因?yàn)橹讣y特征很少，故而很難成像；(2)每一次使用指紋時(shí)都會在指紋采集頭上留下用戶的指紋印痕，而這些指紋痕跡存在被用來復(fù)制指紋的可能性。聲音聲音識別是一種非接觸的識別技術(shù)用戶可以很自然地接受。因?yàn)樽兓姆秶?，故而很難進(jìn)行一些精確的匹配；音會隨著音量、速度和音質(zhì)的變化而影響到采集與比對的結(jié)果；目前還很容易用錄在磁帶上的聲音來欺騙聲音識別系統(tǒng)。人臉人臉識別是非接觸的，用戶不需要和設(shè)備直接的接觸；可以使用桌面的視頻攝像，但只有比擬高級的攝像頭才可以有效高速的捕捉人臉圖像。使用者人臉的位置與周圍的光環(huán)境都可能影響系統(tǒng)的精確性；人臉識別技術(shù)的改良依賴于提取特征與比對技術(shù)的提高；因?yàn)槿梭w面部的如頭發(fā)，飾物，變老以及其他的變化可能需要通過人工智能得到補(bǔ)償。1.2人臉識別國內(nèi)外開展現(xiàn)狀及趨勢1.2.1國內(nèi)人臉識別現(xiàn)狀國內(nèi)關(guān)于人臉識別的研究開始于20世紀(jì)80年代，主要是在國際上流行方法根底上作了開展性的工作。四川大學(xué)周激流等實(shí)現(xiàn)了具有反響的人臉正面識別系統(tǒng)，運(yùn)用積分投影法提取面部特征的關(guān)鍵點(diǎn)并用于識別，獲得了較為滿意的效果。他們同時(shí)嘗試了“穩(wěn)定視點(diǎn)〞特征提取方法，為使系統(tǒng)中包含3D信息，他對人臉側(cè)面剪影識別作了一定研究，并實(shí)現(xiàn)了正、側(cè)面互相參照的識別系統(tǒng)。清華大學(xué)張長水等對特征臉的方法作了進(jìn)一步的開展，提出采用類間散布矩陣作為產(chǎn)生矩陣，進(jìn)一步降低了產(chǎn)生矩陣的維數(shù)，在保持識別率的情況下大大降低了運(yùn)算量。他們對多模板的人臉檢測問題也進(jìn)行了研究。上海交通大學(xué)李介谷等專門研究了人臉斜視圖像的集合特征提取與恢復(fù)。他們的實(shí)驗(yàn)建立了人臉斜視圖像的數(shù)學(xué)模型，并對如何從斜視圖像特征中恢復(fù)出標(biāo)準(zhǔn)特征作了一定研究，對如何消除識別中斜視的影響，提高識別率有一定的幫助。他們還研究了基于計(jì)算機(jī)視覺場模型的人臉識別技術(shù)。戚飛虎等在單樣本正面人臉的識別以及橢圓特征和眼睛特征的提取方面也做了大量研究工作。哈爾濱工業(yè)大學(xué)高文等提出一種處理多姿態(tài)人臉識別的多候選類加權(quán)識別方法，他們對彩色圖像的人臉跟蹤和識別也進(jìn)行了大量的研究。與此同時(shí)，中科院計(jì)算所、中科院自動化所以及公安部等單位也進(jìn)行了人臉識別方面的研究，并取得了一定的成果。但相比之下，國內(nèi)對人臉識別的研究和重視程度還很不夠，研究成果與國際水平還存在相當(dāng)?shù)木嚯x[5]。1.2.2國外人臉識別現(xiàn)狀見諸文獻(xiàn)的機(jī)器自動人臉識別研究開始于1966年P(guān)RI的Bledsoe的工作，1990年日本研制的人像識別機(jī)，可在1秒鐘內(nèi)中從3500人中識別到你要找的人。1993年，美國國防部高級研究工程署(AdvancedResearchProjectsAgency)和美國陸軍研究實(shí)驗(yàn)室(ArmyResearchLaboratory)成立了Fret(FaceRecognitionTechnology)工程組，建立了fret人臉數(shù)據(jù)庫，用于評價(jià)人臉識別算法的性能。美國陸軍實(shí)驗(yàn)室也是利用vc++開發(fā)，通過軟件實(shí)現(xiàn)的，并且FAR為49%。在美國的進(jìn)行的公開測試中，F(xiàn)AR為53%[6]。美國國防部高級研究工程署，利用半自動和全自動算法。這種算法需要人工或自動指出圖像中人的兩眼的中心坐標(biāo)，然后進(jìn)行識別。在機(jī)場開展的測試中，系統(tǒng)發(fā)出的錯誤警報(bào)太多，國外的一些高?！部▋?nèi)基梅隆大學(xué)〔CarnegieMellonUniversity〕為首，麻省理工大學(xué)〔MassachusettsInstituteofTechnology〕等，英國的雷丁大學(xué)〔UniversityofReading〕〕和公司〔Visionics公司Facelt人臉識別系統(tǒng)、Viiage的FaceFINDER身份驗(yàn)證系統(tǒng)、LauTech公司Hunter系統(tǒng)、德國的BioID系統(tǒng)等〕的工程研究工作也主要放在公安、刑事方面，在考試驗(yàn)證系統(tǒng)的實(shí)現(xiàn)方面深入研究并不多[7]。1.2.3人臉識別開展趨勢近年來，由于反恐、國土平安、社會平安的需要，世界上各個國家都對安防領(lǐng)域加大了投入，而身份識別正是安防的一個核心問題。隨著計(jì)算技術(shù)和識別技術(shù)的快速進(jìn)步，基于生物特征識別〔簡稱“生物識別〞〕的身份識別技術(shù)得到了迅猛的開展，在很多領(lǐng)域都有了應(yīng)用，越來越顯示出它巨大的商業(yè)價(jià)值和社會價(jià)值，在今后數(shù)年內(nèi)生物識別將成為信息產(chǎn)業(yè)最為重要的技術(shù)革命，隨著生物識別技術(shù)的快速開展。生物識別也將成為未來身份識別的重要方式。人臉識別以其顯著的技術(shù)優(yōu)勢必將成為一種極具潛力的生物識別方式[8]。由于生物識別行業(yè)的特殊性，市場和技術(shù)的大開展需要國家、政府部門和企業(yè)的大力支持。這些年來我國經(jīng)濟(jì)開展日新月異，政府各部門對利用新技術(shù)解決關(guān)鍵問題熱情支持。人臉識別技術(shù)廣泛應(yīng)用到電子護(hù)照、生物特征身份證、銀行系統(tǒng)、公安系統(tǒng)、電子商務(wù)、電子政務(wù)等系統(tǒng)中，不但可以提高社會運(yùn)行的效率，也可以大大增強(qiáng)公民日常生活的平安性。當(dāng)前，人臉識別技術(shù)的應(yīng)用還沒有做到“普及〞，但是不能否認(rèn)，它已經(jīng)在開始影響著我們的生活。我國人口規(guī)模巨大，經(jīng)濟(jì)增長迅速，對可靠的人臉識別技術(shù)的需求也越來越迫切。通過一批專家學(xué)者孜孜不倦地努力，我國的人臉識別技術(shù)已經(jīng)不落后于興旺國家。一旦人臉識別得以推廣，開展前景將是前程美好。此外，要把中國創(chuàng)造和制造的產(chǎn)品打入國外市場，這需要產(chǎn)品和國際標(biāo)準(zhǔn)接軌，為產(chǎn)品進(jìn)軍世界鋪平道路。隨著技術(shù)瓶頸的進(jìn)一步突破，市場的進(jìn)一步標(biāo)準(zhǔn)，相信規(guī)?；瘧?yīng)用的日子不會太遠(yuǎn)。屆時(shí)，人臉識別技術(shù)本身的開展和應(yīng)用效果還將有更大的提升，為我們的生活帶來更多便利和平安。2人臉識別相關(guān)技術(shù)綜述人臉因人而異，絕無相同，即使一對雙胞胎，其面部也一定存在著某方面的差異。然而人類在表情、年齡或發(fā)型等發(fā)生巨大變化的情況下，可以毫不困難地由臉而識別出某一個人，但要建立一個能夠完全自動進(jìn)行人臉識別的系統(tǒng)卻是非常困難的，它牽涉到模式識別、圖像處理、計(jì)算機(jī)視覺、生理學(xué)、心理學(xué)以及認(rèn)知科學(xué)等方面的諸多知識，并與基于其他生物特征的身份鑒別方法以及計(jì)算機(jī)人機(jī)感知交互領(lǐng)域都有密切聯(lián)系。與指紋、視網(wǎng)膜、虹膜、基因、掌形等其他人體生物特征識別系統(tǒng)相比，人臉識別系統(tǒng)更加直接、友好，使用者無任何心理障礙，并且通過人臉的表情和姿態(tài)分析，還能獲得其他識別系統(tǒng)難以得到的一些信息[9]。20世紀(jì)90年代以來，隨著需要的劇增，人臉識別技術(shù)成為一個熱門的研究話題。這局部主要介紹人臉識別相關(guān)技術(shù)，主要包括PCA算法理論、人臉數(shù)據(jù)庫等。2.1PCA算法理論P(yáng)CA是PrincipalComponentAnalysis的縮寫，中文翻譯為主成分分析。它是一種對數(shù)據(jù)進(jìn)行分析的技術(shù)，最重要的應(yīng)用是對原有數(shù)據(jù)進(jìn)行簡化。正如它的名字：主成分分析，這種方法可以有效的找出數(shù)據(jù)中最“主要〞的元素和結(jié)構(gòu)，去除噪音和冗余，將原有的復(fù)雜數(shù)據(jù)降維，揭示隱藏在復(fù)雜數(shù)據(jù)背后的簡單結(jié)構(gòu)[10]。它的優(yōu)點(diǎn)是簡單，而且無參數(shù)限制，可以方便的應(yīng)用于各個場合。因此應(yīng)用極其廣泛，從神經(jīng)科學(xué)到計(jì)算機(jī)圖形學(xué)都有它的用武之地，被譽(yù)為應(yīng)用線形代數(shù)最價(jià)值的結(jié)果之一。2.1.1PCA算法優(yōu)缺點(diǎn)PCA方法是一種簡單、快速、實(shí)用的基于變換系數(shù)特征的算法，它的主要優(yōu)點(diǎn)是：(1)圖像原始灰度數(shù)據(jù)直接用來學(xué)習(xí)和識別，不需要任何低級或中級處理：(2)不需要人臉的幾何和反射知識；(3)通過低維子空間表示對數(shù)據(jù)進(jìn)行壓縮；(4)與其他匹配方法相比擬，識別簡單有效。但是，由于PCA方法本質(zhì)上依賴于訓(xùn)練集和測試集圖像的灰度相關(guān)性，而且要求測試圖像與訓(xùn)練集比擬相似，所以它有著較大的局限性，表現(xiàn)在以下方面：(1)對尺度變化很敏感，因此在識別前必須先進(jìn)行幾何歸一化處理，而且PCA在圖像空間是線性的，它不能處理幾何變化；(2)只能處理J下面人臉圖像，在姿態(tài)、發(fā)型和光照等發(fā)生變化時(shí)，識別率明顯下降；(3)要求背景單一，對于復(fù)雜變化背景，需要首先進(jìn)行復(fù)雜的圖像分割處理；(4)學(xué)習(xí)時(shí)間長，只能離線計(jì)算。傳統(tǒng)的PCA方法在很大程度上反映了光照等的差異。研究說明，PCA方法隨著光線、角度和人臉尺寸等因素的引入，識別率急劇下降，因此PCA方法用于人臉識別還存在理論的缺陷。2.2人臉數(shù)據(jù)庫目前，人臉識別技術(shù)已經(jīng)從實(shí)驗(yàn)室中的原型系統(tǒng)逐漸走向了商用，出現(xiàn)了大量的識別算法和假設(shè)干商業(yè)系統(tǒng)。然而，人臉識別的研究仍舊面臨著巨大的挑戰(zhàn)，人臉圖像中姿態(tài)、光照、表情、飾物、背景、時(shí)間跨度等因素的變化對人臉識別算法的魯棒性有著負(fù)面的影響，一直是影響人臉識別技術(shù)進(jìn)一步實(shí)用化的主障礙[12]。多數(shù)人臉識別算法的研究、開發(fā)和測試需要更多的人臉圖像來克服上述障礙，主要包括兩方面：人臉庫所包含的人數(shù)，人臉庫中每個人所具有的在不同條件下的人臉圖像數(shù)。人臉圖像庫在提供標(biāo)準(zhǔn)的人臉圖像訓(xùn)練、測試集合的同時(shí)，還應(yīng)該能對影響人臉識別性能的不同情況進(jìn)行模擬，以方便研究人員針對不同的關(guān)鍵問題進(jìn)行重點(diǎn)研究。3人臉識別預(yù)處理人臉圖像獲取人臉圖像獲取預(yù)處理特征提取系統(tǒng)數(shù)據(jù)庫輸出結(jié)果特征匹配人臉圖像獲取預(yù)處理特征提取圖3-1人臉識別流程3.1人臉圖像采集采集人臉圖像是通過傳感器采集人臉圖像，并將其轉(zhuǎn)換為計(jì)算機(jī)可以處理的數(shù)字信號。這是人臉識別的第一步。在采集人臉圖像時(shí)，要注意用戶人臉姿態(tài)，臉部有無遮擋，周圍光照是否滿足要求及設(shè)備采集圖像的質(zhì)量是否能滿足要求。3.2人臉圖像預(yù)處理預(yù)處理是為了除去噪聲和對測量儀器或其他因素對人臉圖像造成退化現(xiàn)象進(jìn)行復(fù)原。從傳感器采集到圖像除了包含人臉特征信息，還包含背景信息，所以必須從原始人臉圖像分割出我們要處理的局部。如何分割就需要定位和分割算法。他們一般以人臉圖像在圖像結(jié)構(gòu)和人臉信號分布的先驗(yàn)知識為依據(jù)。常用的人臉預(yù)處理有人臉圖像灰度化，人臉圖像二值化，人臉圖像歸一化，圖像濾波和圖像銳化等。下面主要介紹人臉圖像灰度化處理：3.2.1圖像灰度化處理圖像一般可以分為彩色圖像和灰度圖像。彩色圖像的像素點(diǎn)是由R(紅色)、G(綠色)、B(藍(lán)色)三元色混合而成，不同含量的RGB組成不同的顏色。灰度圖像那么是只含有亮度信息，不包含彩色信息的圖像，且亮度是連續(xù)變化的，要表示灰度圖像就需要把圖像的亮度值進(jìn)行量化。通常劃分為0到255共計(jì)256個灰度級別。O表示最暗(全黑)，255表示最亮(全白)。利用彩色圖像的顏色信息進(jìn)行識別往往會受到復(fù)雜背景(特別是膚色背景)的影響，存在很多缺陷。然而灰度圖像那么易于處理，且大多數(shù)經(jīng)典的圖像處理方法都是基于灰度圖像的，因而人臉識別的研究一般以灰度圖像為研究對象。對于彩色的人臉圖像，可首先對其進(jìn)行灰度化處理[13]。彩色圖像中像素點(diǎn)的RGB分量是不相等的，而灰度圖像像素點(diǎn)的RGB分量是相等的。這也就是說，RGB值從(0，0，0)，(1，1，1)一直到(255，255，255)。(0．0，0)是全黑色，(255，255，255)是全白色，中間的區(qū)間是灰色。圖像灰度化就是使彩色圖像像素點(diǎn)的各RGB分量相等的過程。彩色圖像與灰度圖像之間的RGB分量對應(yīng)關(guān)系見式(3-1)所示，根據(jù)該公式我們就可以將一幅彩色圖像轉(zhuǎn)換成灰度圖像?！?-1〕3.3人臉識別特征提取特征提取就是計(jì)算機(jī)通過提取人臉圖像中能夠凸顯個性化差異的的本質(zhì)特征，進(jìn)而來實(shí)現(xiàn)身份識別。本文講解如何使用PCA算法提取人臉特征，進(jìn)而實(shí)現(xiàn)人臉識別。特征主要包括三種類型：物理特征，結(jié)構(gòu)特征和數(shù)學(xué)特征。由于物理特征和結(jié)構(gòu)特征容易被發(fā)覺，觸覺以及其他感覺器官所感知，所以人類常常是利用這些特征來對對象進(jìn)行識別。對于計(jì)算機(jī)而言，模擬人類的感覺器官是很難實(shí)現(xiàn)的，但計(jì)算機(jī)在處理數(shù)學(xué)特征的能力上要比人類強(qiáng)得多，因此我們通過諸如協(xié)方差矩陣，統(tǒng)計(jì)平均值和相關(guān)系數(shù)等數(shù)學(xué)特征來構(gòu)建人臉識別系統(tǒng)。特征提取和選擇的根本任務(wù)就是從許多特征中找出那些最有效的特征。在樣本數(shù)不是很多的情況下，可以利用這些特征進(jìn)行分類器的設(shè)計(jì)，但是在大多數(shù)情況下，由于測量空間的維數(shù)很高，不能直接進(jìn)行分類器的設(shè)計(jì)。因此，如何把高維測量空間壓縮到低維特征空間，以便有效的設(shè)計(jì)分類器，便成為了一個值得思考的問題。為了獲得有效的特征，一般需要經(jīng)過特征形成，特征提取和特征選擇等步驟。特征形成特征形成是根據(jù)被識別對象產(chǎn)生出一組根本特征的過程，當(dāng)被識別的對象是波形或數(shù)字圖像時(shí)，這些特征可以通過計(jì)算得來；當(dāng)被識別對象是實(shí)物或某種過程時(shí)，這些特征可以用儀表或傳感器測量來得到。通過上面方法獲得特征被稱為原始特征。3.3.2特征提取原始數(shù)據(jù)組成的空間被稱為測量空間。由于測量空間的維數(shù)一般都很高，不易設(shè)計(jì)分類器，所以在分類器設(shè)計(jì)之前，需要從測量空間變換到維數(shù)很少的特征空間，由特征向量表示。通過映射或變換方法用低維空間來表示樣本的過程被稱為特征提取。映射后的特征稱為二次特征，它們是原始特征的某種組合，通常是線性組合。3.3.3特征選擇從一組特征中挑出一些最有效的特征從而到達(dá)降低特征空間維數(shù)目的的過程稱為特征選擇。由于在許多實(shí)際問題中常常不容易找到那些最重要的特征，或者由于條件限制而不能對這些重要特征進(jìn)行測量。從而使得特征選擇和特征提取的任務(wù)復(fù)雜化。特征提取和特征選擇在有些情況下并不是截然分開的，因?yàn)閺囊欢ㄒ饬x上來講，二者都是要到達(dá)對數(shù)據(jù)進(jìn)行降維的目的，只是實(shí)現(xiàn)的途徑不同。特征提取是通過某種變換的方法組合原有的高維特征，從而得到一組低維的特征。而特征選擇是根據(jù)專家的檢驗(yàn)知識或評價(jià)準(zhǔn)那么來挑選對分類最有影響的特征。比方可以先將原始特征空間映射到維數(shù)較低的空間，在這個空間中在進(jìn)一步選擇特征來進(jìn)一步降低維度；也可以先去除那些明顯不含有分類信息的特征，而后再進(jìn)行映射以降低維度。3.4特征匹配特征匹配是計(jì)算兩個人臉圖像特征樣本的特征模塊間的相似度即將采集到的人臉圖像的特征模版與系統(tǒng)中已存儲的特征模版進(jìn)行比對，并輸出最正確匹配對象。4基于K-L變換的PCAPCA，即PrincipalComponentAnalysis，主成分分析方法，是一種得到廣泛應(yīng)用的事實(shí)上的標(biāo)準(zhǔn)人臉識別方法。傳統(tǒng)主成分分析方法的根本原理是：利用K-L變換抽取人臉的主要成分，構(gòu)成特征臉空間，識別時(shí)將測試圖像投影到此空間，得到一組投影系數(shù)，通過與各個人臉圖像比擬進(jìn)行識別。這種方法使得壓縮前后的均方誤差最小，且變換后的低維空間有很好的分辨能力[14]。4.1基于K-L變換的特征臉方法4.1.1K-L變換簡介K-L變換是圖像壓縮的一種最優(yōu)正交變換，人們將它應(yīng)用于特征提取，形成了子空間法模式識別的根底。將K-L變換用于人臉識別，需要假設(shè)人臉處于低維的線性空間，不同人臉具有可分性。高維的圖像空間經(jīng)過K-L變換后得到一組新的正交基，保存其中重要的正交基從而形成了低維的人臉空間[15]。假設(shè)將所有子空間的正交基排列成圖像陣列，那么正交基呈現(xiàn)人臉的形狀，因此這些正交基也被稱為特征臉。選擇那些正交基形成的子空間那么有不同的考慮，與較大特征值對應(yīng)的一些正交基(也稱主分量)能夠表達(dá)人臉的大體形狀，而具體細(xì)節(jié)需要那些小特征值對應(yīng)的特征向量(也稱次分量)來加以補(bǔ)充描述，因此低頻成分用主分量表示，高頻分量用次分量表示。采用主分量作為新的正交空間的正交基的方法稱為主分量(PrincipalComponentAnalysis，簡稱PCA)方法。K-L變換在90年代初受到了很大的重視，實(shí)際用于人臉識別取得了很好的效果，一般庫的大小為100幅左右，識別率在70％-100％之間不等，這主要取決于人臉庫圖像的質(zhì)量。從壓縮能量的角度來看，K-L變換是最優(yōu)的，變換后的低維空間對于人臉有很好的表達(dá)能力，然而這并不等同于對不同人臉具有較好的判別能力。選擇訓(xùn)練樣本的散布矩陣作為K-L變換的生成矩陣，其最大特征向量反映了該樣本集合的最大分布的方向，但這是圖像統(tǒng)計(jì)方法，而不是人臉統(tǒng)計(jì)方法。它查找的是圖像之間所有的差異，并根據(jù)這些差異來確定不同人臉間的距離，而不管這些差異是由于光線、發(fā)型或背景的改變引起的，還是屬于人臉本身的內(nèi)在差異，因此特征臉的方法用于人臉識別存在理論的缺陷。研究說明，特征連的方法隨著光線、角度以及人臉的尺寸的引入而識別率急劇下降。主分量的方法使得變換后的表達(dá)能力最正確，次分量的方法考慮了高頻的人臉區(qū)分能力，但是由于外在因素帶來圖像差異和人臉本身帶來的差異對K-L變換而言是不加任何區(qū)分的，因此，如何選擇正交基并不根本解決問題。改良的一個思路是針對干擾所在，對輸入圖像作標(biāo)準(zhǔn)化處理，包括輸入圖像的均值方差歸一化，人臉尺寸歸一化。另一種改良是考慮到局部人臉圖像受到外在干擾相對較小的情況，除了計(jì)算特征臉之外，還利用K-L變換計(jì)算出特征眼、特征嘴等。將局部特征向量加權(quán)進(jìn)行匹配得到一些好的效果?？傊?，特征臉方法是一種簡單、快速、使用的基于變換系數(shù)的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集合測試集圖像的灰度相關(guān)性，而且要求測試圖像與訓(xùn)練集比擬接近，所以存在著很大局限。4.1.2K-L變換原理PCA方法是由Turk和Pentlad提出來的，它的根底是Karhunen-Loeve變換(簡稱K-L變換)，是一種常用的正交變換。假設(shè)x為n維的隨機(jī)變量，X可以用n個基向量的加權(quán)和來表示，如式(4-1)所示：〔4-1)其中，為加權(quán)系數(shù)，是基向量，此式還可以用矩陣的形式表示，如式(4-2)所示：〔4-2)其中=，=。我們?nèi)』蛄繛檎幌蛄浚慈缡?4-3)所示：〔4-3)由正交向量構(gòu)成，所以是正交矩陣，即如式(4-4)所示：〔4-4)將公式(4-4)兩邊左乘，并考慮到為正交矩陣，得到式(4-5)和式(4-6)：(4-5)(4-6)我們希望向量口的各個向量間互不相關(guān)。那么如何保證的各個分量互不相關(guān)就取決于選取什么樣的正交向量集了。設(shè)隨機(jī)向量的總體自相關(guān)矩陣為式(4-7)所示：(4-7)將式(4-2)代入到式(4-7)中，得到式(4-8)：(4-8)我們要求向量口的各個分量間互不相關(guān)，即滿足以下關(guān)系式(4-9)：〔4-9)寫成矩陣的形式如式(4-10)：〔4-10)那么有式(4-11)：(4-11)將上式兩邊右乘，且因?yàn)槭钦痪仃?，所以得?4-12)和式(4-13)：(4-12)〔〕(4-13)可以看出，是X的自相關(guān)矩陣R的特征值，是對應(yīng)的特征向量。因?yàn)镽是實(shí)對稱矩陣，其不同本征值對應(yīng)的本征向量應(yīng)正交。綜上所述，K-L展開式的系數(shù)可用以下步驟求出：(1)求隨機(jī)向量X的自相關(guān)矩陣R=E[XX]，由于沒有類別信息的樣本集的均值向量常常沒有意義，所以也可以把數(shù)據(jù)的協(xié)方差矩陣作為K-L坐標(biāo)系的產(chǎn)生矩陣，這里是總體均值向量。(2)求出自相關(guān)矩陣或協(xié)方差矩陣R的特征值和特征向量，其中(=1,2，…,n),同時(shí)特征向量組成的矩陣。(3)展開式系數(shù)為。K-L變換的實(shí)質(zhì)是建立了一個新的坐標(biāo)系，將一個物體主軸沿特征向量對齊的旋轉(zhuǎn)變換，這個變換解除了原有數(shù)據(jù)向量的各個分量之間相關(guān)性，從而有可能去掉那些帶有較少信息的坐標(biāo)系以到達(dá)降低特征空間維數(shù)的目的。5基于PCA人臉識別的實(shí)現(xiàn)主成分分析為一種統(tǒng)計(jì)學(xué)中特征提取方法，在實(shí)際中應(yīng)用的非常廣泛。PCA是通過提取原始數(shù)據(jù)的主元來減少數(shù)據(jù)的冗余，使數(shù)據(jù)在低維度的空間中被處理，同時(shí)它還能很好保持了原始數(shù)據(jù)的絕大局部信息，有效的解決了由于空間維數(shù)過高而導(dǎo)致的一系列問題。圖5-1將詳細(xì)介紹如何使用PCA算法進(jìn)行人臉識別。創(chuàng)立數(shù)據(jù)庫創(chuàng)立數(shù)據(jù)庫(CreatBatabase.m)計(jì)算特征臉〔EigenFaceCore.m〕輸入測試圖像人臉識別〔Recogtition.m〕主函數(shù)〔main.m〕顯示測試頭像和匹配頭像圖5-1運(yùn)用PCA進(jìn)行人臉識別5.1創(chuàng)立數(shù)據(jù)庫讀入系統(tǒng)人臉數(shù)據(jù)庫，并將圖像變換為相應(yīng)的灰度圖像圖(a)圖像為系統(tǒng)人臉數(shù)據(jù)庫中的原始人臉圖像，(b)圖像為經(jīng)過灰度轉(zhuǎn)換后的人臉圖像圖5-2灰度化人臉圖像同時(shí)將變換后的二維人臉灰度圖像變換為一維人臉向量矩陣一個大小為M*N的二維人臉圖像可以看成長度為MN的人臉圖像列向量。為了將二維人臉圖像變?yōu)榱邢蛄浚覀儾扇〉拇胧椋菏紫扔?jì)算出人臉圖像的大小，然后將人臉圖像經(jīng)行轉(zhuǎn)置，最后按列依次取出所有灰度值形成大小為MN的一維向量，其實(shí)整個階段的效果相當(dāng)于將圖像的灰度值按行取出依次連接成一維圖像向量[16]。本環(huán)節(jié)完成后將會產(chǎn)生由一維圖像向量組成的矩陣T。5.2計(jì)算特征臉對圖像矩陣T進(jìn)行標(biāo)準(zhǔn)化首先計(jì)算出圖像矩陣中一維列向量的平均值m，然后對圖像矩陣的每一列都減去平均值形成標(biāo)準(zhǔn)化的圖像矩陣A。5.2.2計(jì)算特征臉人臉訓(xùn)練圖像的協(xié)方差矩陣為，其中人臉訓(xùn)練樣本為，維度為，那么協(xié)方差矩陣C的維度為。這就出現(xiàn)問題，C的維度過高，在實(shí)際中直接計(jì)算它的特征值和特征向量非常困難。因此，本文使用奇異值分解定理來解決這個問題。奇異值分解定理：假設(shè)B為維秩為p的矩陣，那么存在兩個正交矩陣和一個對角矩陣：正交矩陣為(4-14)(4-15)其中(4-16)(4-17)對角矩陣為那么可以得到，而且和有共同的非零特征值，和分別為和對應(yīng)特征值的正交特征向量。由上述定理可以得到：(4-18)那么可以由協(xié)方差矩陣，構(gòu)造出矩陣，從而容易求出L的特征值和特征向量，再根據(jù)上述〔4-18〕式可以求得協(xié)方差C的特征值和特征向量。實(shí)際上我們并不需要協(xié)方差所有的特征值和特征向量，m個〔m<M，M為特征值的數(shù)目〕個特征值足夠用于人臉識別。所以，實(shí)際操作中，只取L的前m個最大特征值對應(yīng)的特征向量用于計(jì)算特征臉。在本環(huán)節(jié)，本文通過直接構(gòu)造，來計(jì)算出L的特征值，再挑選L特征值大于100的作為C的特征值，最后通過C的特征值計(jì)算出它的特征向量，從而形成特征臉。5.3人臉識別人臉識別過程分為訓(xùn)練和測試兩個階段。在訓(xùn)練階段，主要是提取數(shù)據(jù)庫人臉圖像的特征，并形成特征庫。在測試階段，主要是提取待識別圖像的特征和計(jì)算提取的特征和特征庫中特征之間的距離測度，并輸出最小距離測度對應(yīng)的人臉圖像作為結(jié)果。訓(xùn)練階段將標(biāo)準(zhǔn)化的圖像矩陣A中的每一列向量投影到特征子空間，形成特征庫。測試階段〔1〕假設(shè)測試人臉圖像為Y，在人臉識別前，先對其進(jìn)行標(biāo)準(zhǔn)化，即?！?〕把標(biāo)準(zhǔn)化后的人臉圖像向特征子空間進(jìn)行投影得到向量?！?〕本文使用最近鄰法分類器歐幾里德距離進(jìn)行判決分類。測試圖像與每個人臉圖像間的距離為(k=1,2,…,P)，并將最小距離對應(yīng)的訓(xùn)練圖像作為測試圖像的匹配圖像?？梢詮膱D5-3，圖5-4看出，在人臉姿態(tài)、表情有略微變化的情況下依舊可以成功識別出正確的人臉。圖5-3人臉姿態(tài)發(fā)生變化下的人臉識別結(jié)果圖5-4人臉表情變化下的人臉識別結(jié)果之后我們利用ORL人臉庫和自建人臉庫分別進(jìn)行了測試，在ORL人臉庫的識別過程中，我們選取了20個人，每人4張照片作為訓(xùn)練樣本。并對這20個人每人另取了一張照片作為測試樣本。每個人測試后最終統(tǒng)計(jì)成功識別17個人，識別失敗3人。因?yàn)槲覀儾捎玫氖亲罱彿ǚ诸惼鳉W幾里德距離進(jìn)行判決分類，因此對于識別失敗的人同樣會顯示與其距離最小的照片。為了解決這個問題，我們決定在該判決分類的根底上加上閾值限制，當(dāng)最小歐幾里德距離高于某個值時(shí)，不再顯示最近鄰的照片，而是顯示“無法識別〞的提示。成功識別如圖5-5所示：圖5-5閥值過小，成功識別當(dāng)用訓(xùn)練集外的人的圖像測試時(shí)，歐幾里德距離大于閾值，顯示無法識別如圖5-6。圖5-6超過閥值，無法識別接下來我們對歐幾里得距離的閾值進(jìn)行了一定的選取測試。如圖5-7所示當(dāng)閾值選取較大時(shí)〔閾值取9*10^15〕，圖像可以更好的識別出來，圖5-7閥值測試結(jié)果但是此時(shí)不可防止的就是降低人臉識別的準(zhǔn)確率，因此個別測試圖像因?yàn)椴粯?biāo)準(zhǔn)而與訓(xùn)練庫中某些圖像的距離更小，就造成了識別錯誤。如圖5-8，圖5-9所示，此時(shí)由于兩幅圖像的歐幾里得距離更小，因而系統(tǒng)顯示識別正確，其實(shí)是錯誤的。以測試圖像3.jpg為例。圖5-8測試圖像3.jpg圖5-9識別錯誤結(jié)果而當(dāng)閾值設(shè)定比擬小時(shí)〔閾值取4.5*10^15〕，可以看到上面的測試圖像3.jpg無法再識別成功，因?yàn)闆]有足夠近距離的訓(xùn)練樣本。盡管17.jpg訓(xùn)練樣本與3.jpg測試圖像歐幾里得距離最小，但因不在閾值范圍內(nèi)故說明不是匹配的圖像如圖5-10。圖5-10改良后無法識別同樣當(dāng)閾值減小后，之前成功識別的11.jpg圖像無法再成功識別出來，如圖5-11。圖5-11閥值減小，無法識別綜上所述，再選定歐幾里得最近距離判定距離時(shí)要考慮不能選取過大，降低成功率。因此我認(rèn)為在建立人臉庫時(shí)，盡量使所有的圖像在相同的背景下進(jìn)行采樣，這樣測試時(shí)每個人的測試圖像和訓(xùn)練圖像間的歐幾里得距離均處在較小的范圍內(nèi)，可以提高準(zhǔn)確率。6結(jié)論本文研究的是基于PCA的人臉識別的實(shí)現(xiàn)。在試驗(yàn)中采用的人臉數(shù)據(jù)庫為Essexfaces94人臉數(shù)據(jù)庫和自建的人臉數(shù)據(jù)庫，人臉特征提取算法為PCA算法，分類方法采用的是最小距離分類法。通過實(shí)驗(yàn)發(fā)現(xiàn)在無光照變換，正面姿態(tài)，少量遮擋情況下，基于PCA的人臉識別系統(tǒng)的識別率很高，而且反響很迅速。當(dāng)然也存在著一些問題，例如本文對圖像的光照變化，其他姿態(tài)沒有進(jìn)行考慮，但實(shí)際中這是無法忽略的問題，有可能會導(dǎo)致人臉識別率減小。為了進(jìn)一步提高基于PCA的人臉識別系統(tǒng)的性能和適應(yīng)性，我們可以通過以下幾個方面進(jìn)行改良：改良圖像獲取方法：我們可以通過使用人臉檢測和跟蹤算法，在圖像獲取的時(shí)候，動態(tài)跟蹤和檢測人臉，只采集最正確姿態(tài)下的人臉圖像。這在一定程度可以解決姿態(tài)所引起的問題，但也同時(shí)對系統(tǒng)的檢測和跟蹤人臉的反響時(shí)間提出較嚴(yán)格的要求。如果反響時(shí)間較長，對于快速移動的人臉可能錯過采集最正確姿態(tài)的圖像，而導(dǎo)致系統(tǒng)無法識別人臉。改良人臉識別特征提取算法：基于PCA的人臉識別雖考慮了人臉圖像間的差異，但是不能區(qū)分這種差異是由光照，發(fā)型變更或背景導(dǎo)致，還是人臉的內(nèi)在差異，因此特征臉的識別方法在理論上存在一定的缺陷。究其原因是人臉圖像中所有像素都處于同等地位，在角度，光照，尺寸和表情變換可能會導(dǎo)致性能急劇惡化。采用同一個人的訓(xùn)練樣本的平均來計(jì)算人臉圖像類間散布矩陣可在一定程度上補(bǔ)償這個缺點(diǎn)。同時(shí)也可以對輸入的人臉圖像做標(biāo)準(zhǔn)化處理，主要包括對人臉圖像做均值方差歸一化，人臉尺寸歸一化。另外還可以在計(jì)算特征臉的同時(shí)利用K-L變換計(jì)算特征眼睛和特征嘴，然后將這些局部特征向量加權(quán)進(jìn)行匹配，也可以將人臉圖像分塊進(jìn)行PCA算法的比擬，使各塊的歐幾里得距離都小于一定閾值時(shí)方可以成功識別人臉，這樣可能會得到更好的結(jié)果。綜合不同的人臉識別方法：在目前，僅僅單獨(dú)采用一種現(xiàn)有的人臉識別方法一般都不會取得很好的識別效果。各種技術(shù)和方法都有自己不同的適應(yīng)環(huán)境和各自的特點(diǎn)。如果我們想進(jìn)一步提高人臉識別系統(tǒng)的識別率，可以考慮使用數(shù)據(jù)融合理論，將不同的方法綜合起來，相互補(bǔ)充，來取得很好的人臉識別效果。這也是為人臉識別的研究趨勢之一。參考文獻(xiàn)[1]劉麗華.自動人臉識別方法研究與展望,內(nèi)江科技,2005,5:57-58[2]王偉,張佑生,方芳.人臉檢測與識別技術(shù)綜述,合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2000:158-163[3]周杰,盧春雨等.人臉自動識別方法綜述,電子學(xué)報(bào),2000,28(4):102-106[4]肖冰,王映輝.人臉識別研究綜述,計(jì)算機(jī)應(yīng)用研究,2005,8:1-5[5]李世進(jìn),郭躍飛,楊靜宇.基于多分類組合的人臉識別,數(shù)據(jù)采集與處理,2000,15(3),293-296[6]Ming-HsuanYang，DavidJ．Kriegman，andNarendraAhuja.DetectingFacesinImages：ASurvey，IEEETransactionsonPatternAnalysisandMachineIntelligence，January2002,24(1):34-58[7]ChellappaR．，WilsonC．L．SiroheyS．Humanandmachinerecognitionofface：Asurvey，ProcIEEE,1995,83(5):705-740[8]倪世貴,白寶剛.基于PCA的人臉識別研究[J].現(xiàn)代計(jì)算機(jī),2023,23(42):20-22[9]高曉興,李仁睦,王文佳.基于人臉分類和K-L變換的人臉識別新方法[J].微計(jì)算機(jī)信息,2023，26(3):3-6[10]QiongYan1andXiaoouTan2.RecentAdvancesinSubspaceAnalysisforFaceRecognition，Sinobiometrics,LNCS3338,2004,275-287[11]王映輝.人臉識別：原理,方法與技術(shù)[M].北京:科學(xué)出版社,2023[12]程自龍,雷秀玉.基于K-L變換(PCA)的特征臉人臉識別方法綜述[J].中國圖像圖形學(xué)報(bào),2023,20(22):15-18[13]陳惠明．圖像歐氏距離在人臉識別中的應(yīng)用研究[J]．計(jì)算機(jī)工程與設(shè)計(jì),2023,3(14):22-25[14]盛驟,謝式千,潘承毅.概率論與數(shù)理統(tǒng)計(jì)[M].北京:高等教育出版社,2023[15]鄭峰,楊新．基于Adaboost算法的人臉檢測.計(jì)算機(jī)仿真,2005(22):167-169[16]張儉鴿，王世卿，盛光磊．基于小波和DFB-PCA的人臉識別算法研究.模式識別,V01.2003,2007HumanfaceimagerecognitionbasedonprincipalcomponentanalysisJinLisong(CollegeofPhysicsandElectronicDezhouUniversity,DezhouUniversity,Dezhou,253023)AbstractHuman-facerecognitionisadynamicfieldinbiologicalidentificationresearchandtheintelligentsoftwareproductsforhumanfacerecognitionareofsignificanceinsuchcausesasfightingterrorismandmaintainingpublicsecurity.Facerecognitionsystemuseshumanimageasitsrecognitionobject．Itadopts.Thetechnologyofcomputervisionandimageprocessingtofindthecontourofhumanfacesandpartofdetailfacefeatures，thenstudiestherecognitionmethodsusingthefoundfeature.Atpresent,facerecognitioncontinuestobeahottopicinpatternrecognitionfieldduetoitswiderangeofapplicationssuchasdistinguishingsomebodyfromothersandcontrollingauthority．Facerecognitionisakindoftechnologywhichcallcompletetorecognizefacebyprocessingandanalyzingthefaceimageinthecomputer,andextractingtherepresentationoffaceimagefromtheprocessedimage．Atpresent,therearemanytechnologiesoffacerecognition,andeachofthemhasitsspecial.HeprocessofFRmainlyconsistsofthreeparts:Imagepreprocessing,FeatureextractionandRecognition．KeywordsFacerecognition;Principlecomponentanalysis;PCA;K-Ltransform致謝在本篇論文的完成之際，首先我要衷心的感謝我的老師老師。感謝她在我完本錢篇論文的過程中對我的熱忱的幫助。能完本錢篇學(xué)士論文的撰寫，離不開董老師的悉心指導(dǎo)以及不厭其煩的教誨。老師傾注了大量的心血和汗水，無論是在論文的選題、構(gòu)思和資料的收集方面，還是在論文的中期過程檢查以及成文定稿方面，我都得到了老師悉心細(xì)致的教誨和無私的幫助，在此表示真誠地感謝和深深的謝意。然后還要感謝大學(xué)四年來所有的老師，為我們打下專業(yè)知識的根底；同時(shí)還要感謝所有的同學(xué)們，正是因?yàn)橛辛四銈兊闹С趾凸膭?。此次畢業(yè)設(shè)計(jì)才會順利完成。最后,感謝我的母校-德州學(xué)院四年來對我的大力栽培。我還要感謝培養(yǎng)我長大含辛茹苦的父母，謝謝您!附錄人臉識別%FaceRec.m%PCA人臉識別修訂版，識別率88％%calcxmean,sigmaanditseigendecompositionallsamples=[];%所有訓(xùn)練圖像fori=1:40forj=1:5a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg'));%imshow(a);b=a(1:112*92);%b是行矢量1×N，其中N＝10304，提取順序是先列后行，即從上到下，從左到右b=double(b);allsamples=[allsamples;b];%allsamples是一個M*N矩陣，allsamples中每一行數(shù)據(jù)代表一張圖片，其中M＝200endendsamplemean=mean(allsamples);%平均圖片，1×Nfori=1:200xmean(i,:)=allsamples(i,:)-samplemean;%xmean是一個M×N矩陣，xmean每一行保存的數(shù)據(jù)是“每個圖片數(shù)據(jù)-平均圖片〞end;%獲取特征值及特征向量sigma=xmean*xmean';%M*M階矩陣[vd]=eig(sigma);d1=diag(d);%按特征值大小以降序排列dsort=flipud(d1);vsort=fliplr(v);%以下選擇90%的能量dsum=sum(dsort);dsum_extract=0;p=0;while(dsum_extract/dsum<0.9)p=p+1;dsum_extract=sum(dsort(1:p));endi=1;%(訓(xùn)練階段)計(jì)算特征臉形成的坐標(biāo)系base=xmean'*vsort(:,1:p)*diag(dsort(1:p).^(-1/2));%base是N×p階矩陣，除以dsort(i)^(1/2)是對人臉圖像的標(biāo)準(zhǔn)化〔使其方差為1〕%詳見《基于PCA的人臉識別算法研究》p31%xmean'*vsort(:,i)是小矩陣的特征向量向大矩陣特征向量轉(zhuǎn)換的過程%while(i<=p&&dsort(i)>0)%base(:,i)=dsort(i)^(-1/2)*xmean'*vsort(:,i);%base是N×p階矩陣，除以dsort(i)^(1/2)是對人臉圖像的標(biāo)準(zhǔn)化〔使其方差為1〕%詳見《基于PCA的人臉識別算法研究》p31%i=i+1;%xmean'*vsort(:,i)是小矩陣的特征向量向大矩陣特征向量轉(zhuǎn)換的過程%end%以下兩行addbygongxun將訓(xùn)練樣本對坐標(biāo)系上進(jìn)行投影,得到一個M*p階矩陣allcoorallcoor=allsamples*base;%allcoor里面是每張訓(xùn)練人臉圖片在M*p子空間中的一個點(diǎn)，即在子空間中的組合系數(shù)，accu=0;%下面的人臉識別過