基于Gabor小波和二维主元分析的人脸识别
１引言
小波变换是一种信号“空－频”分析工具，在时间域和频率域里同时具有良好的局部特性。由于它能在时域或频域逐渐细化信号高频部分，因而可以对信号任意细节进行聚焦。正因为如此，人们一直在努力尝试用小波变换进行图像处理，并取得了许多研究成果。Ｌｅｅ［１］用Ｇａｂｏｒ小波来表征图像，并证明在一定条件下，二维Ｇａｂｏｒ小波是紧框架，同时还特别强调了Ｇａｂｏｒ小波的生物学背景，即Ｇａｂｏｒ小波是对高级脊椎动物视觉皮层中的神经元的良好逼近，是时域和频域精确度的一种折中。因此用Ｇａｂｏｒ小波变换系数作为特征来匹配有良好的视觉特性和生物学背景，这也是Ｇａｂｏｒ小波被广泛用于人脸识别的原因所在。
以上述思想为基础，Ｗｉｓｋｏｔｔ等［２］提出了一种基于Ｇａｂｏｒ小波的弹性束图法识别人脸，Ｃｈｅｎｇｊｕｎ［３］将Ｇａｂｏｒ小波和核ＰＣＡ结合起来对人脸进行识别，徐杰［４］则是将Ｇａｂｏｒ小波和ＰＣＡ相结合识别人脸，这几种方法对于人脸识别都取得了较好的识别效果。
尽管上述方法都可取得很好的识别效果，但是在处理人脸图像时都会遇到一个共同问题，即图像处理的实时性。换句话说，用一组Ｇａｂｏｒ小波核提取的特征向量组成的矩阵维数较高，计算量大，这是影响图像处理实时性的主要因素。要解决这个问题，就需要对高维矩阵进行降维。对于弹性束图法，为达到降维的目的，需要找出特征点并手工设定一定数量的网格点。而采用核ＰＣＡ［３，５］或ＰＣＡ［６］降维时要事先将二维矩阵转换成一维向量，由于该向量通常维数很高，因此其相应的协方差阵的维数就非常高，计算起来很困难。核ＰＣＡ法通过一个非线性映射将原样本映射到一个高维空间再进行主元分析，虽然它不需要ＳＶＤ［７］（奇异值分解）技术支持，但是它需要选择一个适当的核函数，若核函数选择不当就会极大地影响识别结果。而ＰＣＡ则要采用ＳＶＤ技术，但是ＳＶＤ所得的协方差阵的维数是由训练样本的个数来决定，若训练样本太少，就不能提取出有效的特征；若训练样本过多，则所得的协方差阵的维数就很高，需要的运行时间就长。
２ＤＰＣＡ［８］是一种直接投影技术，二维的数据矩阵不需要预先转化成一维向量，而是用二维的数据矩阵直接构建一个协方差阵。２ＤＰＣＡ提取的有效特征受样本个数的影响较小，与ＰＣＡ相比，２ＤＰＣＡ有两个优点［８］：（１）易于准确估计协方差矩阵；（２）计算出协方差矩阵的特征向量的时间比较少。正因为如此，本文利用２ＤＰＣＡ来进行特征降维。
本文针对人脸图像的特点，选取一组Ｇａｂｏｒ小波核，并用
基于Ｇａｂｏｒ小波和二维主元分析的人脸识别
马晓燕杨国胜范秋凤王应军
（河南大学计算机与信息工程学院，开封４７５００１）
Ｅ－ｍａｉｌ：ｙａｎｚｉ８０４７＠１６３．ｃｏｍ
摘要论文提出了一种基于Ｇａｂｏｒ小波和二维主元分析（２ＤＰＣＡ）的人脸识别方法。该方法首先对人脸图像进行Ｇａｂｏｒ小波变换，将小波变换的系数作为人脸图像的特征向量；然后，用２ＤＰＣＡ对所得的人脸图像特征进行降维，并采用最近邻法进行分类；最后，利用ＡＴ＆Ｔ人脸库，对基于Ｇａｂｏｒ小波和二维主元分析（２ＤＰＣＡ）的人脸识别方法和基于Ｇａｂｏｒ小波和ＰＣＡ的人脸识别方法进行了仿真比较实验。仿真实验表明，基于Ｇａｂｏｒ小波和２ＤＰＣＡ的人脸识别方法具有较好的识别性能。
关键词Ｇａｂｏｒ小波２ＤＰＣＡ特征向量人脸识别
文章编号１００２－８３３１－（２００６）１０－００５５－０３文献标识码Ａ中图分类号ＴＰ３９１
ＦａｃｅＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｄｏｎＧａｂｏｒＷａｖｅｌｅｔａｎｄＴｗｏ－Ｄｉｍｅｎｓｉｏｎａｌ
ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ
ＭａＸｉａｏｙａｎＹａｎｇＧｕｏｓｈｅｎｇＦａｎＱｉｕｆｅｎｇＷａｎｇＹｉｎｇｊｕｎ
（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，Ｈｅ＇ｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｋａｉｆｅｎｇ４７５００１）Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｍｅｔｈｏｄｏｆｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｔｈｅＧａｂｏｒｗａｖｅｌｅｔａｎｄｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（２ＤＰＣＡ）．Ｆｉｒｓｔ，ｔｈｅｃｏｅｆｆｉｃｉｅｎｔｓｏｆＧａｂｏｒｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｄｅｒｉｖｉｎｇｆｒｏｍａｆａｃｅｉｍａｇｅａｒｅｔａｋｅｎａｓｅｉｇｅｎｖｅｃｔｏｒｓ．Ａｎｄｔｈｅｎ２ＤＰＣＡｉｓｕｓｅｄｔｏｄｅｃｒｅａｓｅｔｈｅｄｉｍｅｎｓｉｏｎｏｆｔｈｅｅｉｇｅｎｖｅｃｔｏｒ，ａｎｄｔｈｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｃｌａｓｓｉｆｉｅｒｉｓｅｍｐｌｏｙｅｄｆｏｒｆａｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｆｉｎａｌｌｙ，ｂｙｕｓｅｏｆｔｈｅＡＴ＆Ｔｆａｃｅｄａｔａｂａｓｅ，ｔｈｅｃｏｍｐａｒｉｓｏｎｓｉｍｕｌａｔｉｏｎｓａｒｅｐｅｒｆｏｒｍｅｄｂｏｔｈｏｎｔｈｅｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅＧａｂｏｒｗａｖｅｌｅｔａｎｄ２ＤＰＣＡ，ａｎｄｔｈｅｏｎｅｂａｓｅｄｏｎｔｈｅＧａｂｏｒｗａｖｅｌｅｔａｎｄＰＣＡ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｆｏｒｍｅｒｈａｓｔｈｅｇｏｏｄｒｅｃｏｇｎｉｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｆｏｒｔｈｅｆａｃｅｉｍａｇｅ．
Ｋｅｙｗｏｒｄｓ：Ｇａｂｏｒｗａｖｅｌｅｔ，２ＤＰＣＡ，ｅｉｇｅｎｖｅｃｔｏｒ，ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ
基金项目：河南省科技厅资助项目；河南省教委自然科学基金资助项目（编号：２００３１２００１５）；河南省高校创新人才工程项目
作者简介：马晓燕（１９８０－），女，硕士研究生，主要研究方向是图像处理和模式识别。杨国胜，男，博士，副教授，硕士生导师，主要研究方向是多传感器多目标数据融合技术、图像处理技术等。范秋凤，女，硕士研究生，主要研究方向是图像处理和模式识别。王应军，男，主要研究方向是图像处理和模式识别。
５５
计算机工程与应用２００６．１０
２００６．１０计算机工程与应用
这组Ｇａｂｏｒ小波核对人脸图像进行Ｇａｂｏｒ小波变换，提取人脸图像的有效信息。在此基础上，用２ＤＰＣＡ对Ｇａｂｏｒ小波提取的数据矩阵进行降维，最后用最近邻法对人脸进行分类。
本文的结构如下：先介绍Ｇａｂｏｒ小波和Ｇａｂｏｒ的特征表
示；第三部分对Ｇａｂｏｒ小波提取的人脸的特征向量，
用二维主元分析法（２ＤＰＣＡ）进行特征降维；第四部分是分类器的设计；第五部分给出算法在ＡＴ＆Ｔ人脸数据库上的仿真实验及结果；最后一部分是本文所得结论。
２基于Ｇａｂｏｒ小波的图像特征提取２．１Ｇａｂｏｒ小波
Ｇａｂｏｒ小波变换核函数具有与人类大脑皮层简单细胞的二维反射区相同的特性，即能够捕捉到对应于空间频率（尺度）、空间位置及方向选择性的局部结构信息，被广泛地应用于图像分析和理解。Ｇａｂｏｒ小波的特性使得其对于亮度和人脸表情的变化不敏感，这对于人脸识别极为有利。
定义：
!"，#（
ｚ）＝‖ｋ"，$‖２%２ｅｘｐ（－‖ｋ"，$‖２‖ｚ‖２
２&２
）×［ｅｘｐ（ｉｋ’，$ｚ）
－ｅｘｐ（－&２
２
）］（１）
为Ｇａｂｏｒ小波核［３］，其中，"和$分别是决定Ｇａｂｏｒ变换核的方向和尺度，ｚ＝（ｘ，ｙ）为坐标值，‖?‖表示模运算，‖ｚ‖＝ｘ２＋ｙ２"，参数ｋ"，$定义为：
ｋ"，$＝ｋｖｅｘｐ（
ｉ("）（２）
参考文献［９］，本文取ｋｖ＝２－
ｖ＋２
２
)，("＝
)"
８
，&＝)。由式（１）可以看出Ｇａｂｏｒ变换核是母小波通过参数ｋ"，$进
行尺度变换和旋转变换而产生的，所以这些变换核都是自相似的。每个变换核都是一个Ｇａｕｓｓｓｉａｎ包络函数和一个复平面波的乘积。式（１）方括号中的第一项决定了变换核的振荡部分，第二项则是变换核的ＤＣ值。ＤＣ值使得滤波器响应能够更多地独立于图像的绝对亮度部分，改善其性能。当&的值足够大时，ＤＣ项可以忽略不计。本文中，可取Ｇａｂｏｒ小波的５个不同尺度和８个不同方向，即令$∈｛０，…，４｝和"∈｛０，…，７｝。
２．２Ｇａｂｏｒ特征表示
一幅图像的Ｇａｂｏｒ小波表示是通过图像与一组Ｇａｂｏｒ变换核的卷积得到的。假定Ｉ（ｘ，ｙ）是一幅灰度图像，它的Ｇａｂｏｒ小波变换定义如下：
Ｏ"，$＝Ｉ（ｚ）＊!"，$（ｚ）（３）其中，＊表示卷积运算，Ｏ"，$是对"方向和$尺度上的Ｇａ－
ｂｏｒ变换核的卷积结果。因此，Ｓ＝｛Ｏ"，$（
ｚ）："∈｛０，…，７｝，$∈｛０，…，４｝｝是图像Ｉ（ｚ）的Ｇａｂｏｒ小波表示。
为了初步降低空间的维数，对每个Ｏ"，$以采样因子*为间隔进行下采样，这样就得到矩阵Ｏ’，$*
。用公式（４）对矩阵Ｏ’，$*
归一化：
Ｏ’，$*１
＝Ｏ’，$*
－+,
（４）
其中，+和,分别为矩阵Ｏ"，$*
的均值和方差。然后连接矩阵Ｏ"，$*１
的所有行，得到扩展后的向量Ｏ"，$（*）
，从而可得到一个扩展的Ｇａｂｏｒ特征矩阵Ａ：Ａ＝（Ｏ０，０（*）Ｔ
，Ｏ０，１（*）Ｔ
，…，Ｏ４，７（
*）Ｔ
）
（５）
其中，
Ｔ表示转置运算。本文可以令采样因子*为４×４，即对矩阵的行和列分别以４为间隔进行下采样。
３２ＤＰＣＡ的特征降维
２ＤＰＣＡ用二维数据矩阵直接构建一个协方差矩阵，求出此协方差矩阵特征值和特征向量，并用对应于最大几个特征值的特征向量构建坐标系，然后将每个数据矩阵在这个坐标系上投影，从而得到有效的特征。本节主要介绍２ＤＰＣＡ算法以及特征降维方法。
３．１２ＤＰＣＡ算法
假定有Ｍ个训练样本，第ｊ个训练样本的数据矩阵为Ａｊ
（ｊ＝１，…，Ｍ），Ａ&为Ｍ个数据矩阵的均值，Ａｊ和Ａ&都是ｍ×ｍ的矩
阵，则有协方差阵Ｇｔ［８］
：Ｇｔ＝１ＭＭ
ｊ＝１
’（Ａｊ－Ａ&）Ｔ（Ａｊ－Ａ&）（６）
则总散度准则为：Ｊ（Ｘ）＝ＸＴＧｔＸ（７）其中，向量Ｘ为最大化总散度准则的最优投影坐标轴。通常，需要选择一组正交的投影坐标轴Ｘ１，…，Ｘｄ，使得Ｊ（Ｘ）最大。即：
｛Ｘ１，…，Ｘｄ｝＝ａｒｇｍａｘＪ（Ｘ）
ＸＴ
ｉＸｊ＝０，ｉ≠ｊ，ｉ，ｊ＝１，…，)
ｄ
（８）事实上，Ｘ１，…，Ｘｄ是Ｇｔ的前ｄ个最大的特征值对应的特征向量。
３．２特征降维
由于本文中取Ｇａｂｏｒ小波的５个尺度和８个方向，所以对于每幅图像来说，通过Ｇａｂｏｒ小波变换都得到了４０个Ｇａｂｏｒ特征，如果用这些特征直接匹配，就会产生维数危机，因此需要对Ｇａｂｏｒ特征矩阵进行降维。而上面所提的２ＤＰＣＡ方法是直接用二维矩阵来构建协方差阵，所得协方差阵较小，并且计算时间也少。因此，本文就采用上述的２ＤＰＣＡ方法来对Ｇａｂｏｒ特征矩阵降维。
由上述２ＤＰＣＡ算法可知，协方差阵Ｇｔ是ｎ×ｎ对称矩阵。记Ｇｔ的特征值和特征向量分别为-ｉ（ｉ＝１，２，…，ｎ）和Ｘｉ（ｉ＝１，２，…，ｎ），则：
ＧｔＸｉ＝-ｉＸｉ（９）将特征值按-１≥-２≥…≥-ｎ顺序排列，并令：
.ｊ＝-ｊ
ｎｉ＝１
’-ｉ
（１０）当累积贡献率.ｊ≥９０％时，数据对（-ｊ，Ｘｊ）所对应的Ｙｊ称为
主元，用以表示对样本的贡献，此主元可由下式确定：
Ｙｊ＝ＡＸｊ（１１）
假设选取主分量的个数为ｄ，
根据式（１０）和（１１），可得到的正交投影坐标系为Ｘ１，…，Ｘｄ，对应的数据矩阵Ａ的主元为Ｙ１，…，Ｙｄ，特征矩阵Ｂ＝｛Ｙ１，…，Ｙｄ｝。这也正是２ＤＰＣＡ与ＰＣＡ不同的地方，即ＰＣＡ的主元是一个标量，而２ＤＰＣＡ的主元是一个向量。
４分类器设计
最近邻法是模式识别非参数法中最重要的方法之一，该方
５６
计算机工程与应用２００６．１０降维方法协方差阵的维数主元维数１训练时间２／ｓ识别率男女错分／张
２ＤＰＣＡ４０×４０２５７６×５１５．７０３９３．１％（１４９／１６０）２ＰＣＡ
２４０×２４０
２９
７６．６５７
８５．６％（１３７／１６０）
４
（注：中间一行为已知样本（训练样本），指向已知样本的是测试样本。）
法简单的说就是比较未知样本和所有已知类别样本之间的欧式距离，未知样本与离它最近的样本属于同类。２ＤＰＣＡ的主元是一个向量，由它们构成的每个已知样本都是矩阵而不是向量。因此，本节首先给出未知样本和已知样本之间的矩阵距离定义。
任意给定两个特征矩阵Ｂｉ＝｛Ｙ１（ｉ）
，…，Ｙｄ（ｉ）
｝和Ｂｊ＝｛Ｙ１（ｊ）
，…，Ｙｄ（ｊ）
｝，则距离定义为［８］：
ｄ（Ｂｉ，Ｂｊ）＝ｄ
ｋ＝１!‖Ｙｋ（ｉ）
－Ｙｋ（ｊ）
‖２
（１２）
其中，Ｙｋ（ｉ）
表示特征矩阵Ｂｉ的第ｋ个主元，‖Ｙｋ（ｉ）
－Ｙｋ（ｊ）
‖２
表示两个主元向量Ｙｋ（ｉ）
和Ｙｋ（ｊ）
之间的欧式距离。
假定训练样本为Ｂ１，
…，ＢＭ，每个样本属于给定的类!ｋ，测试样本为Ｂ，如果ｄ（Ｂ，Ｂｌ）＝ｍｉｎ｛ｄ（Ｂ，Ｂｊ）ｊ＝１，２，…，Ｍ｝，且Ｂｌ∈!ｋ，则Ｂ∈!ｋ。
５仿真实验
为了验证本文提出的基于Ｇａｂｏｒ小波和２ＤＰＣＡ的人脸识别方法的有效性，同时也为了比较基于Ｇａｂｏｒ小波和２ＤＰＣＡ的人脸识别方法与基于Ｇａｂｏｒ小波和ＰＣＡ的人脸识别方法在运行时间及识别率上的优略，本文进行了仿真实验。
实验采用英国剑桥大学的ＡＴ＆Ｔ人脸库，这个图库包括４０个人（ｓ１～ｓ４０）的灰度图像，每幅图像的大小是１１２×９２像素，每人１０幅，共有４００幅人脸图像。将每个人的前６幅图像取出，组成有２４０幅人脸图像的训练样本集，剩余的１６０幅用来测试。实验所用的仿真环境是ａｃｅｒＰ４、主频２．６ＧＨＺ、内存为５１２Ｍ的个人计算机，Ｍａｔｌａｂ６．５编程。
图１为某一给定测试样本的人脸图像识别结果。上下两行分别为三幅测试样本，它们对应于ＡＴ＆Ｔ人脸库中三个人（ｓ１，ｓ１３，ｓ３２）的人脸图像（ｓ１．７，ｓ１３．８，ｓ３２．７），中间一行为已知样本（训练样本），对应于ＡＴ＆Ｔ人脸库中包含测试样本的识别结果（ｓ１．１，ｓ１．６，ｓ１３．５，ｓ２．５）的部分人脸图像。由图１可以看到，对同一幅图像，采用基于Ｇａｂｏｒ小波和２ＤＰＣＡ的方法与采用基于Ｇａｂｏｒ小波和ＰＣＡ的方法识别成功时，识别结果可能是同一个人的同一幅图像，也可能是同一个人的不同图像；而基于Ｇａ－ｂｏｒ小波和ＰＣＡ的方法识别失败时，出现了测试样本为女性但识别结果却是男性或者测试样本为男性但识别结果却是女性的情况，对于基于Ｇａｂｏｒ小波和２ＤＰＣＡ方法，这种情况也会出现。
表１给出了采用基于Ｇａｂｏｒ小波和２ＤＰＣＡ的识别方法与采用基于Ｇａｂｏｒ小波和ＰＣＡ的识别方法的仿真实验结果比
较。从表１可以看出，采用基于Ｇａｂｏｒ小波和２ＤＰＣＡ的识别方法识别率为９３．１％，而采用基于Ｇａｂｏｒ小波和ＰＣＡ的识别方法
识别率只有８５．６％，相比之下，采用基于Ｇａｂｏｒ小波和２ＤＰＣＡ的识别方法具有较高的识别率；而且由于采用２ＤＰＣＡ所得的协方差阵的维数只有采用ＰＣＡ时所得的协方差阵的维数的１／３６，所以采用２ＤＰＣＡ的训练时间是采用ＰＣＡ时的１／５。然而，对每个样本来说，采用ＰＣＡ时，只需存储２９维的向量；而采用２ＤＰＣＡ时，尽管只有５个主元，但是每个主元都是２５７６维的向量，就需要存储２５７６×５维的矩阵，所以它需要的存储空间要比采用ＰＣＡ时大的多。同时从表１中还可以看到，无论采用哪一种方法，识别时都出现男女错分问题，如果能事先对男女作分类，采用Ｇａｂｏｒ小波和２ＤＰＣＡ方法的识别率就能提高到９４．４％（１５１／１６０），而采用Ｇａｂｏｒ小波和ＰＣＡ方法的识别率也能提高到８８．１％（１４１／１６０），识别的准确率会得到进一步改善。
表１２ＤＰＣＡ和ＰＣＡ降维方法的实验结果比较
（注：１在使用２ＤＰＣＡ降维时得到的５个主元，每个主元都是２５７６维的向量；而ＰＣＡ降维时得到２９个主元，每个主元都是标量。
２训练时间是指求协方差阵的特征向量并选出最优投影坐标
轴所用的时间。）
６结论
采用Ｇａｂｏｒ小波提取的特征对人脸的姿态和表情的变化不敏感，对人脸图像有很好的识别性能。同时，２ＤＰＣＡ方法直接、简单，所得的协方差阵维数小并且所花费的计算时间少，适用对Ｇａｂｏｒ小波提取的高维矩阵进行降维。本文将两者结合起来应用于人脸图像识别，仿真结果表明，利用这种方法对人脸图像进行识别，不仅识别时间短而且具有较高的识别率。在此基础上，下一步的研究工作是用支持向量机来分类，进一步提高识别率。（收稿日期：２００５年９月）
参考文献
１．ＬｅｅＴＳ．Ｉｍａｇｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｕｓｉｎｇ２Ｄｇａｂｏｒｗａｖｅｌｅｔ［Ｊ］．ＩＥＥＥＴｒａｎｓＯｎＰＡＭＩ，１９９６；１８（１０）：９５９～９７１
２．ＬＷｉｓｋｏｔｔ，ＪＭＦｅｌｌｏｕｓ，ＮＫｒｕｇｅｒｅｔａｌ．Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｂｙｅｌａｓｔｉｃｂｕｎｃｈｇｒａｐｈｍａｔｃｈｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓＰａｔｔｅｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，１９９７；１９（７）：７７５～７７９
３．ＣｈｅｎｇｊｕｎＬｉｕ．Ｇａｂｏｒ－ｂａｓｅｄｋｅｒｎｅｌＰＣＡｗｉｔｈｆｒａｃｔｉｏｎｐｏｗｅｒｐｏｌｙｎｏ－ｍｉａｌｍｏｄｅｌｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓＰａｔｔｅｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００４；６（５）：５７２～５８１
４．徐杰，
施鹏飞．基于Ｇａｂｏｒ小波特征的多姿态人脸图像识别［Ｊ］．计算机工程与应用，２００３；３９（１２）：１７～１８
５．张学工．关于统计学习理论与支持向量机［Ｊ］．自动化学报，２０００；２６（１）：３３～４２
６．ＡｌｅｉｘＭＭａｒｔｉｎｅｚ，ＡｖｉｎａｓｈＣＫａｋ．ＰＣＡａｎｄＬＤＡ［Ｊ］．ＩＥＥＥＴｒａｎｓＰａｔ－ｔｅｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００１；２３（２）：２２８～２３３７．边肇祺，张学工等．模式识别［Ｍ］．第二版，北京：清华大学出版社，２０００８．ＪｉａｎＹａｎｇ，ＤａｖｉｄＺｈａｎｇ，ＡｌｅｊａｎｄｒｏＦＦｒａｎｇｉｅｔａｌ．Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌＰＣＡ：Ａｎｅｗａｐｐｒｏａｃｈｔｏａｐｐｅａｒａｎｃｅ－ｂａｓｅｄｆａｃｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓＰａｔｔｅｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００４；２６（１）：１３１～１３７
９．刘江华，陈佳品，程君实．基于Ｇａｂｏｒ小波特征抽取和支持向量机的人脸识别［Ｊ］．计算机工程与应用，２００３；３９（８）：８１～８３
图１ＡＴ＆Ｔ人脸库中部分人脸图像的识别结果５７
人脸识别流程
概述 本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。 本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下： 第一步人脸检测定位 确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：
页脚内容 第二步人脸图像预处理 图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关 重要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下： 第三步特征提取对比识别 人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描 述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。
人脸识别技术的应用背景及研究现状
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
人脸识别技术
人脸识别技术 人脸识别 人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点： 非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术流程 人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。 人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处
面部表情识别实验报告分析
面部表情识别实验 实验报告 小组成员： 面部表情识别实验 西南大学重庆 400715
摘要：情绪认知是一种复杂的过程，它包含观察、分析、判断、推理等，是借助于许多线索，特别是借助面部那些活动性更大的肌肉群的运动而实现的。所以，情绪认知的准确度受多种因素的影响。 当我们与他人相互交往的时候，不管是不是面对面。我们都正在不断的表达着情绪，同时又正在观察，解释着的对方做出的表情，在人际交往过程中，情绪的表达和认知是十分的迅速和及时，那么人是借助于哪些表情来认知他人的情绪的呢？情绪识别实际上并不是针对表情本身的，而是针对这它背后的意义。例如：皱眉可能是一种情绪的表现，我们见到这种面部表情就试图解释潜在于它背后的情绪。尖锐，短促，声音嘶哑可能是一种情绪表现，我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸，顿足可能是一种情绪的表现，我们见到这种动作表情就是试图解释潜在于它背后的情绪。对于这个复杂的问题，心理学家曾经做过许多的研究。 面部表情认知的研究可分为两个步骤：第一步是面部表情刺激物的制作或选择，这可以用专门拍摄(录像)或图示来描画，也可以用完全装扮出的活生生的表情或自发的表情等。第二步时对表情进行识别评定。也可以用多种方法，如自由评定法，即让被试自由地对表情给出情绪词汇；或限制评定法，即向被试提供各种提供各种情绪词汇或情绪情境，要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等；或参照自由评定法，即向被试提供参考线索（如情境，人格特征等），让其说出所表达的情绪的词汇等。 关键词：情绪表情认知线索
1 前言 传统心理学把情绪列为心理现象的三大方面之一。情绪也是心理学理论体系中一个不可缺少的研究环节。情绪（emotion）是体验，又是反应；是冲动，又是行为；它是有机体的一种复合状态。情绪的表现有和缓的和激动的，细微的和强烈的，轻松的和紧张的等诸多形式，广泛地同其他心理过程相联系。自古以来，科学家们十分注意探讨情绪之奥妙，但与情绪的重要性不相适应的是，长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。造成这一现象的最主要原因是情绪所特有的复杂性以及由此衍生出来的情绪研究方法学上的困难。我国心理学家孟昭兰（1987）将理论认为面部表情是传递具体信息的外显行为面部表情是提供人们在感情上互相了解的鲜明标记。情绪过程既包括情绪体验，也包括情绪表现，而表情既是情绪的外部表现，也是情绪体验的发生机制；既是最敏锐的情绪发生器，也是最有效的情绪显示器。这就从机制上说明了以面部肌肉运动模式作为情绪标志的根据。 面部表情（facial expression_r）的发生是有其客观的物质基础的：表情按面部不同部位的肌肉运动而模式化，面部反应模式携带着心理学的意义，那就是或快乐、或悲伤等具体情绪。但是，对表情进行测量的原则在于：所要测量的是面孔各部位的肌肉运动本身，而不是面部所给予观察者的情绪信息。该实验将14名被试分为两组进行表情认知的实验，实验目的在于通过实验了解面部表情认知的基本
人脸识别主要算法原理
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）
人脸识别技术原理解析
人脸识别技术原理解析 你还记得电影里的这些情节吗？《变形金刚2》中，年轻的男主角和他的小伙伴们过关卡时，虽然骗过了值班军人，却被军方的人脸识别技术发现。2014年翻拍版的《机械战警》中，机械战警第一次面对大众公开亮相，就在人群中不停地扫描所有人脸，同时将获取的人脸在通缉犯资料库中作比对，瞬间就发现看热闹的人群中有一个逃逸多年的通缉犯，并将其制服。其他还有许多电影中，但凡是美国的机要部门，进门就要扫描各种生物特征，从早年电影中的指纹、虹膜，到现在的人脸。 人脸识别到底是什么？ 人脸识别，是视觉模式识别的一个细分问题，也大概是最难解决的一个问题。其实我们人每时每刻都在进行视觉模式识别，我们通过眼睛获得视觉信息，这些信息经过大脑的处理被识别为有意义的概念。于是我们知道了放在我们面前的是水杯、书本，还是什么别的东西。 我们也无时无刻不在进行人脸识别，我们每天生活中遇到无数的人，从中认出那些熟人，和他们打招呼，打交道，忽略其他的陌生人。甚至躲开那些我们欠了钱还暂时还不上的人。然而这项看似简单的任务，对机器来说却并不那么容易实现。 对计算机来讲，一幅图像信息，无论是静态的图片，还是动态视频中的一帧，都是一个由众多像素点组成的矩阵。比如一个1080p的数字图像，是一个由1980*1080个像素点组成矩阵，每个像素点，如果是8bit的rgb格式，则是3个取值在0-255的数。 机器需要在这些数据中，找出某一部分数据代表了何种概念：哪一部分数据是水杯，哪一部分是书本，哪一部分是人脸，这是视觉模式识别中的粗分类问题。 而人脸识别，需要在所有机器认为是人脸的那部分数据中，区分这个人脸属于谁，这是个细分类问题。 人脸可以分为多少类呢？ 取决于所处理问题的人脸库大小，人脸库中有多少目标人脸，就需要机器进行相应数量的细分类。如果想要机器认出每个他看到的人，则这世界上有多少人，人脸就可以分为多少
人脸识别介绍
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
基于matlab的人脸识别算法(PCA)
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)
基于LBP的人脸识别算法研究
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
人脸识别发展趋势及应用领域分析
人脸识别发展趋势及应用领域分析 人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，具有极其广阔的市场应用前景。在公安、国防、海关、交通、金融、社保、医疗及其他民用安全控制等行业和部门存在着广泛的需求。 一、人脸识别何以瞬间爆发？ 其实对于整个生物识别领域来说，由于指纹识别应用时间早，价格低廉，而且使用便利，因此早早地便占据了国内的大部分市场，在顶峰时期，甚至可以达到90%左右。但是，又是什么力量，使人脸识别在短短五六年的时间里，就实现了如此迅猛的腾飞呢？ （一）政策因素：抛开技术因素，国家政策的支持可以说是人脸识别崛起的重要因素之一。尤其随着近些年来，平安城市等技术的大力推广，我国安防市场的需求也随之迅速升温，各领域安保的等级也就随之实现明显的提升。甚至在部分地区的部分领域，人脸识别已经开始被列为使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。因此，虽然政策的角色只是一种诱导的作用，但是这种诱导对于人脸识别的爆发，却又是不可或缺的。 （二）社会需求：在我国，随着城镇化的进程加快，流动人口比例大大增加，面临的突发事件和异常事件越来越复杂。因此这也就给城市的安保工作，以及视频监控带来了更大的压力。传统依靠人工来“盯”的方式难免会因疲劳或精神不集中等原因影响监视效果，难以胜任对庞大数据库的分析与理解，从而影响事后查找证据，更难以满足时代的需求，于是，人们对于具有智能分析的视频监控应用的呼声越来越高。 二、人脸识别发展趋势 （一）与视频监控相结合：随着人脸识别技术的进一步发展，将人脸识别技术将实现与数字监控系统的进一步融合，将成为人脸识别技术的另外一大应用领域。据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的市场规模。（二）逐步取代指纹考勤：人脸识别考勤，通过对人脸一些独一无二的特征识别对验进行考
人脸表情识别
图像处理与模式识别 ------人脸表情识别介绍摘要：人脸表情是我们进行交往和表达情绪的一种重要手段，不经过特殊训练，人类对其面部表情往往很难掩饰，所以，通过对人脸表情进行分析，可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分，也是模式识别、图像处理领域的一个重要研究课题，近几年来，受到了越来越多的科研人员的关注。 本文综述了国内外近年来人脸表情识别技术的最新发展状况，对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取，做了详细分析和归纳。 关键词：人脸定位；积分投影；人脸表情识别；流形学习；局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic. In this paper,we present the latest development of this area,and give a detailed analysisand summary for facial
特征提取在人脸识别中的应用.pdf
特征提取在人脸识别中的应用 刘磊，2014080008 一、 人脸识别研究现状 人脸识别的研究早已展开,Calton等早在1888年和1910年就分别在Nature杂志上发表过两篇关于利用人脸特征进行身份识别的文章,提出检测人脸特征或是关键点的方法。自动人脸识别的研究论文最早出现在1965年Chan和Bledsoe在Panoramic Research Inc上发表的技术报告中至今已有四十多年的历史。学者们一般将AFR的研究历史按照研究内容、技术方法等划分为以下三个阶段。 第一阶段(1964—1990年)。这一阶段人脸识别刚刚起步,还只是被作为一个一般性的模式识别问题进行研究,所釆用的方法主要是比较人脸的几何结构。总体而言,这一阶段可以看做是人脸识别研究的初级阶段,代表性的成果没有很多,也没有得到实际应用。 第二阶段(1991一1997年)。尽管第二阶段的时间比较短暂,但却是人脸识别研究的发展高峰期,不仅涌现出大量重量级研究成果,而且出现了若干商业化运作的人脸识别系统。这一阶段的人脸识别技术发展非常之快,所提出的算法在较理想图像采集条件下的中小规模正面人脸数据库上可以达到令人满意的性能。 第三阶段(1998—现在)。20世纪90年代以来,对人脸识别方法的研究变得非常热门,吸引了大量的研究人员和基金支持。由于主流的人脸识别技术对于光照、姿态等非理想采集条件,以及用户不配合造成的人脸变化等条件下的鲁棒性比较差。目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。 二、人脸识别系统 人脸识别系统是提取人脸的相关特征信息,并根据这些特征信息进行身份识别的生物识别技术,它利用计算机对人脸静态图像或动态视频流进行分析,提取出对识别有用的信息,从而进行身份认证,它是人类用来进行身份确认最直接、最自然、最友好的生物特征识别方法,而且与其他身份识别方法相比,人脸识别具有采集过程的非侵犯性、釆集的便捷性等优点,特别是使用者不会产生任何心理障碍,通过对人脸表情与姿态进行分析,还能获得其他识别系统难以获得的一些信息。 三、人脸识别的描述分类 1、人脸检测
人脸识别相关技术分析报告汇总
人脸识别相关技术 分析报告 2015年10月 目录 第一章分析概述 (3) 一、背景调研 (3)
二、检索及分析内容 (3) 第二章人脸识别专利态势及技术研发分析 (5) 一、专利态势及技术研发分析 (5) （）人脸识别专利申请趋势分析 (51) （）技术生命周期 (26) （）人脸识别技术构成 (37) （）人脸识别竞争对手分析.............................................................................................................. 8 4二、技术路线分析.. (9) （）人脸定位技术路线 (91) （）图像获取技术路线.................................................................................................................. 2 10 （）人脸跟踪技术路线 (311) 分析概述第一章 一、背景调研人脸检测识别技术是基于人脸特征来进行身份识别的技术。与其他识别方式相比，由于人脸始终暴露在外面，采集人脸特征有直接、友好、方便的特点。现在，国际银行组织、国际民航组织的生物特征识别护照的标准中明文规定必选的特征是人脸，可选的特征是指纹、虹膜或者在其它特征中任何一种。目前我国公民的第二代身份证有嵌入可机读的人脸图像信息，这也为下一步人脸识别广泛应用打下有利的基础。上世纪九十年代以来，人脸检测识别技术研究达到了高潮时期，一批具有代表性的论文和算法产生，自动人脸识别技术也得到了长足的发展，相关机构组织了如人脸手势识别等专门的国际学术会议。另外，现在很多的研究型理工大学和兀公司都在着手人脸检测识别研究。领域南加州大学、内最著名的国际研究机构包括：美国麻省理工学院媒体实验室及人工智能实验室、清华大学计算机系、卡内基一梅隆大学机器人研究及交互系统实验室等。在我国，马里兰大学、电子系瞻嘲、中科院自动化所阳吲、南京理工大学、南京航空航天大学、哈尔滨工业大学等进行了许多很有意义的尝试，积累了经验。国内的研究工作主要是集中在三大类方法的研究：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和基于连接机制的人脸识别方法。人脸识别由于具有直接、友好、方便的特点，使用者无任何心理障碍，易于被用户所接受，从(4)(3)档案管理系统(2)安全验证系统信用卡验证(1)而得到了广泛的应用。主要在以下几个方面：人机交互等。(5)银行和海关的监控(6)公安系统的罪犯身份识别基于人脸图像比对的特征提取(4)(3)(1)人脸识别系统包括：人脸图像的获取(2)人脸的检测身份识别(5)基于人脸图像比对的身份验证 二、检索及分析内容 本分析对人脸识别相关专利进行了中国专利检索，检索采用国家知识产权局专利数据库，以该专利数据为基础对其相关技术进行了分析，以期能从战略层面为汉柏的技术研发、专利布局和专利风险预防提供借鉴参考。 具体分析项如下： （1）专利申请趋势分析 （2）技术构成
基于MATLAB的人脸识别
基于ＭATＬAB的人脸识别
————————————————————————————————作者: ————————————————————————————————日期:
图像识别 题目:基于MＡTＬAB的人脸识别 院系:计算机科学与应用系 班级: 姓名： 学号： 日期：
设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。
人脸识别技术分析
人脸识别技术分析 近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。 对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。 在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
人脸识别论文(基于特征脸)陈立
人脸识别论文（基于特征脸） 学生姓名：陈立学号： 20107977 专业年级： 10级计算机科学与技术一班
摘要 生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。 本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下： （1）对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。 （2）介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。 （3）给出了基于matlab环境的编程及实验结果，并对结果进行分析。 关键词：人脸识别，特征脸，K-L变换，主成分分析
第一章人脸识别概述 1.1 生物特征识别技术 生物特征识别技术是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来多为先天性的;行为特征则是习惯使然，多是后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括:指纹、掌纹、虹膜、视网膜、脸像、声音、笔迹等。 那么，生物特征识别技术是如何进行个人特征识别的呢? 生物鉴别的过程分成三个步骤:生物特征数据采样，生物特征提取和特征匹配。数据采样过程是通过各种传感器对生物特征进行原始数据采集的过程，生物特征提取过程则从传感器采集的数据中抽取出反映个体特性的信息(通常是某种数学上的编码过程)，匹配阶段则是计算生物特征之间的相似性并进行排序和一致性判断的过程。 生物特征识别技术主要有人脸识别、指纹识别、语音识别、虹膜识别等。生物识别技术在上个世纪己经有了一定的发展，其中指纹识别技术己经趋近成熟，但人脸识别技术的研究目前还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别则可以用已有的照片或是摄像头远距离捕捉图像，无须特殊的采集设备，系统的成本低。并且自动人脸识别可以在当事人毫无察觉的情况下即完成身份确认识别工作，这对反恐怖活动等有非常重大的意义。由于人脸识别技术具有如此之多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。 1.2 人脸识别技术 所谓人脸识别，是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个面部主要器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。其研究内容包括以下五个方面：
基于深度学习的人脸表情识别研究与实现
西南科技大学硕士研究生学位论文第I页 目录 1绪论 (1) 1.1研究背景及意义 (1) 1.2国内外研究现状及趋势 (2) 1.3本文的研究内容与章节安排 (6) 2人脸表情识别预处理及相关技术 (8) 2.1人脸表情数据集 (8) 2.1.1严格数据集 (8) 2.1.2非严格数据集 (9) 2.2数据筛选 (10) 2.2.1基于某种概率分布的筛选策略 (10) 2.2.2 基于图模型的筛选策略 (11) 2.3人工神经网络 (12) 2.3.1正向传播 (13) 2.3.2反向传播 (14) 2.4自编码器神经网络 (16) 2.5卷积神经网络 (18) 2.5.1局部感受野 (18) 2.5.2权值共享 (19) 2.5.3池化（pooling） (19) 2.6循环神经网络 (20) 2.7人脸检测 (22) 2.8人脸关键点检测与对齐 (23) 2.9本章小结 (25) 3基于降噪自编码器的表情识别研究与实现 (26) 3.1堆栈式降噪自编码器 (26) 3.2Dropout (27) 3.3降噪自编码器表情识别网络 (28) 3.4实验与分析 (29) 3.5本章小结 (32) 4基于卷积神经网络的表情识别研究与实现 (33) 4.1一种轻量级CNN人脸表情识别模型 (33)
西南科技大学硕士研究生学位论文第II页 4.2利用bottleneck特征训练CNN表情识别网络 (38) 4.3微调（fine turn）训练CNN表情识别网络 (40) 4.4本章小结 (41) 5基于循环神经网络的表情识别研究与实现 (43) 5.1图像序列筛选 (43) 5.2CNN+LSTM表情识别方法 (44) 5.3实验结果分析 (45) 5.4本章小结 (46) 总结和展望 (47) 致谢 (49) 参考文献 (50) 攻读硕士期间获取得的研究成果 (55)
人脸表情识别综述
人脸表情识别综述 一、人脸表情识别技术目前主要的应用领域包括人机交互、安全、机器人制造、医疗、通信和汽车领域等 二、1971年，心理学家Ekman与Friesen的研究最早提出人类有六种主要情感，每种情感以唯一的表情来反映人的一种独特的心理活动。这六种情感被称为基本情感，由愤怒（anger）、高兴(happiness)、悲伤(sadness)、惊讶(surprise)、厌恶(disgust)和恐惧(fear)组成 人脸面部表情运动的描述方法---人脸运动编码系统FACS (Facial Action Coding System)，根据面部肌肉的类型和运动特征定义了基本形变单元AU（Action Unit），人脸面部的各种表情最终能分解对应到各个AU上来，分析表情特征信息，就是分析面部AU的变化情况 FACS有两个主要弱点：1.运动单元是纯粹的局部化的空间模板；2.没有时间描述信息，只是一个启发式信息 三、人脸表情识别的过程和方法 1、表情库的建立：目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的 Cohn-Kanade AU-Coded Facial Expression Image Database(简称CKACFEID)人脸表情数据库;日本ATR 建立的日本女性表情数据库(JAFFE)，它是研究亚洲人表情的重要测试库 2、表情识别: （1）图像获取:通过摄像头等图像捕捉工具获取静态图像或动态图像序列。 （2）图像预处理:图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。 →目的:改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类识别打好基础 主要工作→人脸表情识别子区域的分割以及表情图像的归一化处理(尺度归一和灰度归一) （3）特征提取:将点阵转化成更高级别图像表述—如形状、运动、颜色、纹理、空间结构等,在尽可能保证稳定性和识别率的前提下，对庞大的图像数据进行降维处理。 →特征提取的主要方法有：提取几何特征、统计特征、频率域特征和运动特征等 1）采用几何特征进行特征提取主要是对人脸表情的显著特征,如眼睛、眉毛、嘴巴等的位置变化进行定位、测量,确定其大小、距离、形状及相互比例等特征,进行表情识别 优点：减少了输入数据量 缺点：丢失了一些重要的识别和分类信息，结果的精确性不高