太原科技大学 毕业设计(论文) 设计(论文)题目:基于PCA算法的人脸识别
毕业设计(论文)原创性声明和使用授权说明 原创性声明 本人郑重承诺:所呈交的毕业设计(论文),是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知,除文中特别加以标注和致谢的地方外,不包含其他人或组织已经发表或公布过的研究成果,也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体,均已在文中作了明确的说明并表示了谢意。 作者签名:日期: 指导教师签名:日期: 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计(论文)的规定,即:按照学校要求提交毕业设计(论文)的印刷本和电子版本;学校有权保存毕业设计(论文)的印刷本和电子版,并提供目录检索与阅览服务;学校可以采用影印、缩印、数字化或其它复制手段保存论文;在不以赢利为目的前提下,学校可以公布论文的部分或全部内容。 作者签名:日期: Ⅰ
学位论文原创性声明 本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名:日期:年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名:日期:年月日 导师签名:日期:年月日 Ⅰ
人 脸 识 别 过 程 图1 人脸识别流程图 1. 人脸的检测和定位:检测图中有没有人脸,将人脸从背景中分割出来,获 取人脸或人脸上的某些器官在图像上的位置。 2. 特征提取:提取特征点,构造特征矢量;多个样本图像的空间序列训练出 一个模型,它的参数就是特征值;模版匹配法用相关系数做特征;而大部分神经网络方法则直接使用归一化后的灰度图像作为输入,网络的输出就是识别结果,没有专门的特征提取过程。 3. 识别:将带识别的图像或特征与人脸数据库里的特征进行匹配,进而将给 出的人脸图像与数据库中的某一个人脸图像及其名字,相关性对应起来。 人脸检测方法 基于知识的方法 a) 优点:规则简单。 视频捕获图像预处理人脸检测人脸特征提取人脸识别人脸数据库比对
b)缺点:难以将人类知识转化为明确的规则。 基于特征的方法 c)优点:可以依据面部器官的几何关系进行人脸检测。 d)缺点:光照、噪声和遮挡可能使得人脸的边界特征被弱化,从而使得算 法难以使用。 基于模版匹配的方法 e)优点:简单高效。 f)缺点:难以应对各种不同的成像条件;关于人脸模式和非人脸模式不存 在一个清晰的、明确的界限。 基于外观的方法 g)优点:通过大量的样本训练使得人脸识别的精确度高。 h)缺点:算法复杂。 基于肤色的系统 i)优点:不受人脸姿态变化的影响。 j)缺点:受光照等外在因素影响较大。
人脸识别方法 基于几何特征的识别方法 a)优点: i.符合人类识别人脸的机理,易于理解。 ii.对每幅图像只需存储一个特征矢量,存储量小。 iii.对光照变化不太敏感。 b)缺点: i.从图像中抽取稳定的几何特征比较困难,特别是特征受到遮挡时。 ii.对强烈的表情变化和姿态变化的鲁棒性较差。 iii.一般几何特征只描述了部件的基本形状与结构关系,忽略了局部细微特征,造成部分信息丢失,该方法比较适合于人脸图像粗分类。基于统计的识别方法:隐马尔可夫法 c)优点:人脸识别率高。 d)缺点:算法实现复杂。 基于连接机制的方法 e)优点: i.能够根据有代表性的样本自我学习,具有鲁棒性和自适应性。 ii.以并行的方式处理信息,配以硬件实现,可以显著地提高速度。 f)缺点:算法实现复杂。
基于神经网络的人脸检测方法 摘要:自动人脸检测应用十分广泛,如安全访问控制,基于模型的视频编码或基于内容的视频索引,所以它正在成为一个非常重要的研究课题。在本文中,我们在假设不考虑内容,场景的照明条件,大小,方向和外观的前提下,提出了一种检测复杂图像和精确本地半正面人脸的方法。这就是卷积神经网络结构,这种方法不像其他系统,其他系统需要一个手工检测的阶段或特征分类阶段。卷积神经网络结构是从一个大的训练集中自动合成自己的一套特征提取方法,所以它可以直接从未预处理的照片中提取变化的人脸模型,而且可以在神经元模型中利用感受区域,共享权数和空间采样对人脸进行一定程度的旋转,缩放和变形。我们将会对我们的结构,研究策略和检测过程进行详细的描述。最后我们将证明在环境和人脸变化的情况下这种方法相当稳健,具有精确检测的能力。 1简介 因为其广泛的应用范围,人脸检测正在成为一个非常重要的的研究课题。比如在安全访问控制,基于模型的视频编码,基于内容的视频索引等方面。相对于人脸检测,脸部识别和表情分析算法已经得到学术方面的足够关注。近年来,在光线,面部表情和姿势微小变化的情况下,对人脸的识别已经取得相当大的进展。在[1]中你会发现一个现象。就是大多数的人脸识别和表情分析算法是在特定条件下得到的,要么是在同一背景下要么是出现过的图像要么直接是“人脸照片”,在这种情况下,人脸识别相对比较容易。然而,多数情况人脸检测是在复杂的场景下,这并不简单。由于面部表情,表现力和方位的改变面部模型也会呈现巨大的变化。 最近一些检测非人脸照片的技术已经得到了提高。这些方法可大致分为三大类:本地的面部特征检测,模板匹配和图像不变性。第一种方法,低层次的计算机视觉算法[3,7,13]用于检测的面部特征,如眼睛,嘴巴,鼻子,下巴和其他特征部位。第二种方法,几个相关模板用来进一步检测本地特征。这些人脸特征将被作为硬性模板(基于eigenspaces [8])或(模板 [12, 5])。这些方法有很大的缺点,就是即使是很小的约束全局条件被改变也会对人脸模型和提取特征造成强烈的影响,比如噪声,表情的变化和焦点的改变等。最后一种方法,即使在不同的成像条件下图像不变方案也假定图像存在一定空间关系,比如亮度分布,相似点,人脸模型[10]的唯一性。在场景不受限制的情况下,这些算法都不是很健壮。 肤色信息的使用是制约搜索空间的一个重要线索。在[4]中,Garcia and Tziritas提出一个快速检测到人脸的方法,即皮肤颜色过滤和概率分布方法,而所用到的统计数据是从小波包中分解提取得到的。在[5]中,Garcia 将可变的脸部模板进行扩展,从而使这种方法可以精确的定位面部特征。 对于一般灰度图像,不需要遵守人为设定的规则,事实证明,类似于[11,9]中提到的基于神经网络的方法,效果最好。在本文中,我们提出一种新的检测方法,这种方法是基于神经网络的检测方法,这种方法可以对复杂的照片即使是半正面的人脸进行准确的检测。不需要考虑场景的照明条件,人脸大小,方向和人的外貌特征等因素。
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术,应用非常广泛。与其它身份识别方法相比,人脸识别具有直接、友好和方便等特点,因而,人脸识别问题的研究不仅有重要的应用价值,而且在模式识别中具有重要的理论意义,目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词:人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多,常用的方法有:基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2.1所示: 图2.1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法,由于人眼可以将人脸在不此研究人员认为有一个潜在的假设:人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性,如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征,并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高,对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子,因此,这类方法对图像质量要求较高,对光照和背景等有较高的要求,因为光照、噪音、阴影都极有可能破坏人脸部件的边缘,从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板),然后在检测人脸时,计算输入图像与模板之间的相关值,这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述,最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多,但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理,也不需要人工的对人脸特征进行分析或是抽取模板,而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度,非人脸样本集的容量要为人脸样本集的两倍以上)进行学习,再将学习而成的模板或者说分类器用于人脸检测。因此,这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果,并且
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910164890.2 (22)申请日 2019.03.05 (71)申请人 北京超维度计算科技有限公司 地址 100142 北京市海淀区西四环北路160 号9层一区907 (72)发明人 马宁 徐杰 张颢 向志宏 杨延辉 (74)专利代理机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 代理人 陈霁 (51)Int.Cl. G06K 9/00(2006.01) (54)发明名称一种深度图像中人脸检测方法(57)摘要本发明涉及一种深度图像中人脸检测方法,包括以下步骤:找出深度图像中所有有效深度值的局部最小值点;计算局部最小值点的曲率,去除曲率超出范围的点;如果此时还有剩余的局部最小值点,则在纵向剖线上用深度阈值切割出人脸廓线,去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点;如果还有剩余的局部最小值点,则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值,排除鼻子的深度值或比值超出一定范围的局部最小值点;如果还有剩余的局部最小值点,则通过深度阈值切割出可能存在的人脸,并排除切割区域尺寸小于实际人脸尺寸的局部最小值点;如果此时还有剩余的局部最小值点,则认为图像中有人脸,否则认为图像 中没有人脸。权利要求书2页 说明书3页 附图1页CN 109961021 A 2019.07.02 C N 109961021 A
权 利 要 求 书1/2页CN 109961021 A 1.一种深度图像中人脸检测方法,其特征在于,包括以下步骤: 找出深度图像中所有有效深度值的局部最小值点; 计算局部最小值点的曲率,去除曲率超出范围的点; 如果此时没有剩余的局部最小值点,则可以判断这一张深度图像中没有人脸;如果还有剩余的局部最小值点,则在纵向剖线上用深度阈值切割出可能的人脸廓线,去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点; 如果此时没有剩余的局部最小值点,则可以判断这一张深度图像中没有人脸;如果还有剩余的局部最小值点,则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值,排除鼻子的深度值或比值超出一定范围的局部最小值点; 如果此时没有剩余的局部最小值点,则可以判断这一张深度图像中没有人脸;如果还有剩余的局部最小值点,则通过深度阈值切割出可能存在的人脸区域,并排除切割区域尺寸小于实际人脸尺寸的局部最小值点; 如果此时还有剩余的局部最小值点,则认为图像中有人脸,输出图像中所有的人脸区域位置,否则认为图像中没有人脸。 2.根据权利要求1所述的方法,其特征在于,所述找出深度图像中所有有效深度值的局部最小值点步骤,包括: 对深度相机输出的深度图像,找出深度图像中所有在局部窗口中有效深度值最小的像素点的位置,如果邻接的多个像素都为局部最小值点,则只取这几个邻接像素的中心位置为局部最小值位置。 3.根据权利要求1所述的方法,其特征在于,所述计算局部最小值点的曲率,去除曲率超出范围的点步骤,包括: 对得到的每个局部极小值点,在一定邻域范围内计算有效深度值梯度幅度的平均值,此梯度幅度平均值反映了物体表面的曲率,通过人鼻尖表面曲率的范围,可以排除一些不是鼻尖的局部最小值点。 4.根据权利要求1所述的方法,其特征在于,所述在纵向剖线上用深度阈值切割出可能的人脸廓线,去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点步骤,包括:对于剩余的每个局部最小值点,找出深度图像中该位置的纵向廓线,由局部最小值点的深度和位置信息可以估计出该距离下真实人脸在纵向廓线上的最大范围,该范围作为人脸可能存在的范围,在该范围内,用该局部最小值点的深度值加上一个深度差值,作为深度切割的阈值,用该阈值切割出可能存在的人脸纵向廓线,并计算可能的人脸廓线的长度,由局部最小值点的深度可以估计出该距离下真实人脸廓线的长度,通过对比可以去除一些纵向剖线不符合真实人脸尺寸的局部最小值点。 5.根据权利要求1所述的方法,其特征在于,所述计算纵向剖线上鼻子廓线占人脸廓线长度的比值,排除比值超出一定范围的局部最小值点步骤,包括: 根据符合真实人脸尺寸的每个局部极小值点,计算其在人脸廓线上的梯度,如果梯度值不大于0,则继续计算其在人脸廓线上的上一个像素点的梯度;当梯度值大于0时,此时的像素点位置即为鼻子廓线的上边缘位置; 所述像素点位置的深度值与对应的局部最小值点位置的深度差值即为鼻子的高度;所述像素点位置与对应的局部最小值点位置的差值即为鼻子廓线的长度; 2
1.1 人脸识别的主要方法 目前,国内外人脸识别的方法很多,并且不断有新的研究成果出现。人脸识别的方法根据研究角度的不同,有不同的分类方法。根据输入图像中人脸的角度不同,可以分为正面,侧面,倾斜的人脸图像的识别;根据图像来源的不同,可分为静态和动态的人脸识别;根据输入图像的特点,又可分为灰度图像和彩色图像的人脸识别等等。本文重点研究基于正面的、静态的灰度图像的识别方法。 对于静态的人脸识别方法从总体上看可以分为三大类:一是基于统计的识别方法,主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称HMM)方法等;二是基于连接机制的识别方法,包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称EBGM)方法等;三是一些其他的综合方法及处理非二维灰度图像的方法。下面分别进行介绍。 1.1.1 基于特征脸的方法 特征脸方法[5],又称为主成份分析法(Principal Component Analysis 简称PCA),它是20 世纪90 年代初期由Turk 和Pentland 提出的,是一种经典的算法。它根据图像的统计特征进行正交变换(即K-L 变换),以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量,即特征脸。 特征脸方法的基本思想是将图像经过K-L 变换后由高维向量转换为低维向量,并形成低维线性向量空间,利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。这样,就产生了一个由“特征脸”矢量张成的子空间,称为“人脸子空间”或“特征子空间”,每一幅人脸图像向其投影都可以获得一组坐标系数,这组坐标系数表明了人脸在子空间中的位置,因此利用特征脸方法可以重建和识别人脸。 通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。主分量特征
基于LBP的人脸识别算法研究 一、应用背景 随着社会的发展以及技术的进步,人们对快速、高效的自动身份验证的要求日益迫切,生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中,人脸所包含的视觉信息占据了重要地位,它无疑是区分人与人之间差异的最重要特征之一。相对于指纹、虹膜、掌纹、步态、笔迹、声纹等生物特征,利用人脸来识别具有不可比拟的优势:操作隐蔽,特别适用于安全、监控、和抓逃工作;非接触式采集,无侵犯性,容易接受;方便、快捷、强大的实时追踪能力;符合人类识别习惯,交互性强;应用摄像头即可完成图像采集,设备成本较低。人脸识别属于计算机科研领域的一项热门技术,它是一种基于生物特征的识别技术,利用计算机从图像或图像序列中检测出人脸,并判断其身份。 人脸识别目前主要运用在如下三个方面: 第一,刑侦破案方面。例如,公安部门获得案犯的照片之后,可以利用人脸识别技术在存储罪犯照片的数据库中找出最相像的人,即嫌疑犯。 第二,证件验证方面。如身份证、驾驶执照以及其他很多证件上都有照片,现在这些证件多是人工验证的,如果应用人脸识别技术,这项任务就可以交给机器去完成,从而实现自动化智能管理。 第三,人口控制方面。此应用范围很广,例如可以设在楼宇单位或者私人住宅入口的安全检查,也可以是计算机系统或者情报系统等的入口检查。 世界上很多国家都在积极地开展对人脸识别技术的相关研究,不同的研究机构或研究人员按照不同的划分标准,对人脸识别的研究内容的分类不尽相同。在此处按其所研究得具体技术的范围可以大致将人脸识别分为如下四个方面的内容来进行阐述: (1)人脸检测,主要的方法有:基于轮廓(或肤色等)信息人脸检测方法,基于Adaboost 算法人脸检测方法,基于支持向量机(SVM)人脸检测方法以及基于神经网络的人脸检测方法等; (2)人脸特征描述与提取即特征提取,主要方法:基于局部二值模式纹理特征提取方法,基于人脸几何特征的特征提取方法,还有基于主成分特征(PCA)特征提取方法,基于独立元特征的特征提取算法,如Gabor等,还有2D 和3D 形变模型方法等; (3)人脸特征降维,主要方法:线性降维方法如主成分分析PCA和LDA (Linear Discriminate Analysis) 等发展到非线性降维方法如局部线性嵌入(LLE) 、等距嵌入
人脸识别主要算法原理 主流的技术基本上可以归结为三类,即:基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法,通常需要和其他结合才能有比较好的效果; 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型,主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别,首先根据侧面轮廓曲线确定若干显著点,并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究,结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进,其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数,通过调整模型参数使能量函数最小化,此时的模型参数即做为该器官的几何特征。 这种方法思想很好,但是存在两个问题,一是能量函数中各种代价的加权系数只能由经验确定,难以推广,二是能量函数优化过程十分耗时,难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述,但它需要大量的前处理和精细的参数选择。同时,采用一般几何特征只描述了部件的基本形状与结构关系,忽略了局部细微特征,造成部分信息的丢失,更适合于做粗分类,而且目前已有的特征点检测技术在精确率上还远不能满足要求,计算量也较大。 2. 局部特征分析方法(Local Face Analysis) 主元子空间的表示是紧凑的,特征维数大大降低,但它是非局部化的,其核函数的支集扩展在整个坐标空间中,同时它是非拓扑的,某个轴投影后临近的点与原图像空间中点的临近性没有任何关系,而局部性和拓扑性对模式分析和分割是理想的特性,似乎这更符合神经信息处理的机制,因此寻找具有这种特性的表达十分重要。基于这种考虑,Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果,它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法(Eigenface或PCA)
t 开题报告 1. 研究背景 各种智能系统在生活中的应用越来越普遍。智能系统中经常需要身份识别以便提供 个性化服务。身份识别是一个很棘手的的问题,传统方法中主要是通过一些具有个人身 份特征的事物来鉴别,比如证件、钥匙等身份标识物品,或者是用户名和密码之类的身 份标识知识。在一些要求比较高的系统中,一般将这两方法结合起来使用,例如我们在 使用ATM机时,只有ATM卡和密码都正确才能访问特定的用户并进行一些列操作。但是 传统的身份鉴别方法缺点是相当明显的:身份标识物品容易丢失或被伪造,身份标识知 识容易遗忘或被盗取。这个时候身份鉴别就是天方夜谭了。如果利用每个人本身的生物 特征如人脸特征,指纹等等就能达到相当好的效果。这使得生物特征识别技术焕发光彩。 由于微电子和机器视觉方面取得了新进展,高性能自动识别的技术可行性越来越高。近 年来兴起的人脸识别在众多生物识别方法中应用最为广泛。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。 2. 研究意义 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。 基于人脸生物特征的身份鉴别具有以下优点: (1)用户易接受:操作简单,身份识别度高,识别速度快。 (2)防伪性能好:人脸特征被伪造或被盗可能性很低。 (3)使用方便:不用担心丢失或遗忘,随时随地可用。
人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题,它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强,能够记住并辨识上千个不同的人脸,可是对于计算机则困难多了,其表现在:人脸表情丰富;人脸随年龄的增长而变化;发型、胡须、眼镜等装饰对人脸造成的影响;人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的,90年代更成为科研热点,仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇,关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位,然后是对人脸进行特征提取和识别(匹配)。本文着重介绍人脸识别技术的各类方法,通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题,因为人脸是非刚体,且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种:(1)对于给定的一幅人脸图像,将其中的人脸定位并给出其位置;(2)在一幅混乱的单色场景图中检测出所有的人脸;(3)在彩色图像中检测(定位)所有人脸;(4)在某一视频序列中,检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述,指出常用的人脸检测方法有四种:(1)基于知识的方法;(2)基于人脸固定特征的方法;(3)基于模板匹配的方法;(4)基于外貌的方法(Appearance-based methods),在基于模板匹配的方法中所采用的是预先确定的模板,而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说,基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库,主要的算法评定指标为错误接受率(FAR)和错误拒绝率(ARR)。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像,也有基于三维人脸模型的方法,还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大
3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵,也可以扩展开,看成一个矢量,如一幅 N*N 象素的图像可以视为长度为N2 的矢量,这样就认为这幅图像是位于N2 维空间中的一个点,这种图像的矢量表示就是原始的图像空间,但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何,这种方法用于图像识别的基本思想都是一样的,首先选择一个合适的子空间,图像将被投影到这个子空间上,然后利用对图像的这种投影间的某种度量来确定图像间的相似度,最常见的就是各种距离度量。因此,本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时,必定涉及多个随机变量X1,X2,…,Xp,它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息,而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外,还必须能充分反映个体间的变异。如果有一项指标,不同个体的取值都大同小异,那么该指标不能用来区分不同的个体。由这一点来看,一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1,X2,…,Xp,其样本均数记为,,…,,样本标准差记为S1,S2,…,Sp。首先作标准化变换,我们有如下的定义: (1) 若C1=a11x1+a12x2+ … +a1pxp,…,且使 Var(C1)最大,则称C1为第一主成分; (2) 若C2=a21x1+a22x2+…+a2pxp,…,(a21,a22,…,a2p)垂直于(a11,a12,…,a1p),且使Var(C2)最大,则称C2为第二主成分; (3) 类似地,可有第三、四、五…主成分,至多有p个。 3.1.2 主成分的性质 主成分C1,C2,…,Cp具有如下几个性质: (1) 主成分间互不相关,即对任意i和j,Ci 和Cj的相关系数 Corr(Ci,Cj)=0 i j (2) 组合系数(ai1,ai2,…,aip)构成的向量为单位向量, (3) 各主成分的方差是依次递减的,即 Var(C1)≥Var(C2)≥…≥Var(Cp)
人脸识别技术的主要研 究方法 The manuscript was revised on the evening of 2021
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术,应用非常广泛。与其它身份识别方法相比,人脸识别具有直接、友好和方便等特点,因而,人脸识别问题的研究不仅有重要的应用价值,而且在模式识别中具有重要的理论意义,目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词:人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多,常用的方法有:基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2.1所示: 图2.1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法,由于人眼可以将人脸在不此研究人员认为有一个潜在的假设:人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性,如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征,并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高,对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子,因此,这类方法对图像质量要求较高,对光照和背景等有较高的要求,因为光照、噪音、阴影都极有可能破坏人脸部件的边缘,从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板),然后在检测人脸时,计算输入图像与模板之间的相关值,这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述,最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多,但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理,也不需要人工的对人脸特征进行分析或是抽取模板,而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度,非人脸样本集的容量要为人脸样本集的两倍以上)进行学习,再将学习而成的模板或者说分类器用于人脸检测。因此,这也是j种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果,并且该方法在复杂背景下,多姿态的人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整个图片才能得到检测结果,并且在训练过程中需要大量的人脸与非人脸样本,以及较长的训练时间。近几年来,针对该方法的人脸检测研究相对比较活跃。 4、基于代数特征的人脸识别方法
人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类,即:基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法,通常需要和其他算法结合才能有比较好的效果; 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型,主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别,首先根据侧面轮廓曲线确定若干显著点,并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究,结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进,其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数,通过调整模型参数使能量函数最小化,此时的模型参数即做为该器官的几何特征。 这种方法思想很好,但是存在两个问题,一是能量函数中各种代价的加权系数只能由经验确定,难以推广,二是能量函数优化过程十分耗时,难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述,但它需要大量的前处理和精细的参数选择。同时,采用一般几何特征只描述了部件的基本形状与结构关系,忽略了局部细微特征,造成部分信息的丢失,更适合于做粗分类,而且目前已有的特征点检测技术在精确率上还远不能满足要求,计算量也较大。 2. 局部特征分析方法(Local Face Analysis) 主元子空间的表示是紧凑的,特征维数大大降低,但它是非局部化的,其核函数的支集扩展在整个坐标空间中,同时它是非拓扑的,某个轴投影后临近的点与原图像空间中点的临近性没有任何关系,而局部性和拓扑性对模式分析和分割是理想的特性,似乎这更符合神经信息处理的机制,因此寻找具有这种特性的表达十分重要。基于这种考虑,Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果,它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法(Eigenface或PCA)
0引言 人脸检测是模式识别的一个新近的发展方向和重要应用,人脸检测和识别在安全识别、身份鉴定、以及公安部门的稽查活动中都有广泛而重要的应用前景。 就人脸检测这一部分,它是人脸识别的首要步骤,长久以来人们都在致力于找到一个能够快速定位人脸的算法。目前人脸检测的方法主要有两种,基于启发式模型的方法和基于统计式模型的方法,而近些年,基于统计模型的模式识别方法被广泛运用,比如基于神经网络的模式识别等。本文将介绍人脸检测中遇到的一系列问题,并列举数据比较各种人脸检测方法的检测效果,以作参考。 1人脸检测和人脸识别 说到人脸检测就不能不提到人脸识别问题,人脸识别问题是指:对输入的人脸图像或者视频,首先判断其中是否存在人脸,如果存在人脸,则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息,并依据这些信息,进一步提取每个人脸中所蕴含的身份特征,并将其与已知人脸库中的人脸进行对比,从而识别每个人脸的身份。 人脸识别的过程可以分为以下三个部分: (1)人脸检测:判断输入图像中是否存在人脸,如果有,给出每个人脸的位置,大小; (2)面部特征定位:对找到的每个人脸,检测其主要器官的位置和形状等信息; (3)人脸比对:根据面部特征定位的结果,与库中人 脸对比,判断该人脸的身份信息 人脸识别技术具有广泛的应用前景,在国家安全、军事安全和公共安全领域,智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等是典型的应用;在民事和经济领域,各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证,社会保险人的身份验证等具有重要的应用价值;在家庭娱乐等领域,人脸识别也具有一些有趣有益的应用,比如能够识别主人身份的智能玩具、家政机器人,具有真实面像的虚拟游戏玩家等等。 本文提出的人脸检测问题是人脸识别这个问题下的一个子问题,这也是人脸识别的前提。 人脸检测研究具有重要的学术价值,人脸是一类具有复杂细节变化的自然结构目标,由于人脸的特殊性,人脸检测面临如下几个难题: (1)人脸外貌、 表情、肤色的不同,造成模式的可变性; (2)人脸可能存在眼睛、 胡须等附属物;(3)人脸影像收到光照产生的阴影影响。 因此,如果能够找到解决此类问题的方法,构造人脸检测和跟踪系统,将为人脸识别以及类似的复杂模式检测问题提供重要启发。 目前国内外针对人脸检测问题的研究很多,比如著名的MIT、CMU等,国内的又清华大学、 北京工业大学、中科院计算技术研究所等,而且,MPEG7标准组织已经建立了人脸识别草案小组,人脸检测算法也是征集内容之一。随着人脸检测问题研究的深入,国际上在此项目上发表的相关论文数也大幅度增长,本文针对人脸检测 收稿日期:2005-10 作者简介:吕琳(1982-),男,同济大学嘉定校区软件学院硕士在读。 人脸检测方法综述 吕琳 (同济大学软件学院,上海201804) 摘要:随着计算机科学的发展和社会的进步,人脸检测的研究和应用越来越得到广泛的关注。但是设计快速有效的人脸检测方法仍然是一个难度很大的问题。本文将从人脸检测方法的两个主要模式出发,分析了当前人脸检测的主要问题和方法,并对这些方法进行比较。 关键词:人脸检测;启发式模型;统计式模型 中图分类号:TP391文献标识码:A文章编号:1009-3044(2005)36-0159-04 SurveyonHumanFaceDetectMethod LVLin (SchoolofSoftwareEngineering,TongjiUniversity,Shanghai201804,China) Abstract:Withthedevelopmentofcomputerscienceandthesociety,thefacedetectionresearchandapplicationdrewmoreandmoreattention.Buthowtodesignfastandefficientfacedetectionmethodisstillabigproblem.Thispa-perwillanalyzetheprimaryproblemandmethodoffacedetection,whichbasedontwoprimaryfacedetectionpatterns,andmakeacomparisonbetweenthesemethods. Keyword:Facedetection;Heuristicmodel;StatisticalModel
人脸识别技术研究背景与方法 1人脸识别技术研究背景 .................................................................................... 错误!未定义书签。 1.1人脸检测技术概述 ................................................................................. 错误!未定义书签。 1.2人脸检测的研究内容 ............................................................................. 错误!未定义书签。 2 人脸检测方法 ................................................................................................... 错误!未定义书签。 2.1基于知识的方法 ..................................................................................... 错误!未定义书签。 2.2基于特征的方法 ..................................................................................... 错误!未定义书签。 2.3模板匹配 ................................................................................................. 错误!未定义书签。 2.4基于外观的方法 ..................................................................................... 错误!未定义书签。 2.5 其他方法 ................................................................................................ 错误!未定义书签。 2.6人脸检测方法评析 ................................................................................. 错误!未定义书签。1人脸识别技术研究背景 在计算机及网络技术高速发展的现代社会中,信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提,在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域,都需要准确的身份识别及鉴定。目前,个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡和储蓄卡等)和密码等手段,然而这些手段存在携带不便、容易遗失、由于使用过多或不当而损坏、密码易被遗忘和破解等诸多问题。由于技术的发展,犯罪分子伪造假证件的手段越来越高明,如假身份证、假工作证、假文凭等在现实社会中也不时发生;在信息界,黑客攻击别人的计算机系统,破译计算机口令亦常有之。美国每年在福利发放、信用卡交易、移动电话以及ATM交易方面由于身份诈骗而造成的经济损失高达60亿美元。因此,目前广泛使用的依靠证件、个人识别号码(PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战,已不能适应现代科技发展和社会进步的需要。 人们希望有一种更加方便可靠的办法来进行身份鉴别,生物特征识别技术给这一愿望带来了实现的可能。早在古埃及时人们就开始通过人体生物特征的测量(如人脸、人手等)来鉴别人的身份;在刑侦领域,人们也早已使用最有效的人体生物特征之一—指纹来确定罪犯。人们可能会遗忘或丢失他们的卡片或密码,但绝不会遗忘或者丢失自己的生物特征,如人脸、指纹、虹膜、掌纹等。因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性,正越来越受到人们的重视,并开始进入人们社会生活的各个领域,迎接新时代的挑战。美国政府在“9.11”事件以后连续签署了三个国家安全法案,要求采用生物识别技术。2003年6月,联合国国际民用航空组织公布了其生物技术的应用规划,将
主流的人脸识别技术基本上可以归结为三类,即:基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别,首先根据侧面轮廓曲线确定若干显著点,并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究,结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进,其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数,通过调整模型参数使能量函数最小化,此时的模型参数即做为该器官的几何特征。 2. 局部特征分析方法(Local Face Analysis) 主元子空间的表示是紧凑的,特征维数大大降低,但它是非局部化的,其核函数的支集扩展在整个坐标空间中,同时它是非拓扑的,某个轴投影后临近的点与原图像空间中点的临
近性没有任何关系,而局部性和拓扑性对模式分析和分割是理想的特性,似乎这更符合神经信息处理的机制,因此寻找具有这种特性的表达十分重要。基于这种考虑,Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果,它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法(Eigenface或PCA) 特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一,具有简单有效的特点, 也称为基于主成分分析(principal component analysis,简称PCA)的人脸识别方法。 特征子脸技术的基本思想是:从统计的观点,寻找人脸图像分布的基本元素,即人脸图像样本集协方差矩阵的特征向量,以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。 实际上,特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇,统称特征子脸。特征子脸在相应的图像空间中生成子空间,称为子脸空间。计算出测试图像窗口在子脸空间的投影距离,若窗口图像满足阈值比较条件,则判断其为人脸。 基于特征分析的方法,也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量,这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系,而且也保留了各部件本身的信息,而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。