（控制理论与控制工程专业论文）基于人脸识别的身份认证系统研究.pdf

独创性声明 i 肿l l ! l i i l f i i h ! l i ! l l f l ! l l l i l , , l l l l l l l l l l l f i l l l y 18 2 0 15 9 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人 已经发表或撰写过的研究成果，也不包含为获得西南科技大学或其它教育机构的 学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己 在论文中作了明确的说明并表示了谢意。 签名：南盈 同期：h6 关于论文使用和授权的说明 本人完全了解西南科技大学有关保留、使用学位论文的规定，即：学校有权 保留学位论文的复印件，允许该论文被查阅和借阅：学校可以公布该论文的全部 或部分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的学位论文在解密后应遵守此规定) 签名：触 多和乡秘 剥币刮知之 ，朋l 争、亿 日期：r o 辜- 卟一 西南科技大学硕士研究生论文第1 页 摘要 基于生物特征的身份认证技术在社会生活中具有越来越重要的地位和作用， 已逐渐成为信息安全的重要研究领域。使用人脸作为身份认证系统所需的生物特 征，可以让识别系统使用更加方便、友善。本文的主要内容包括： 本文是基于a d a b o o s t 算法的人脸检测，对人脸和非人脸样本提取h a a r 特征，随 后训练分类器实现对人脸的检测。对检测出的人脸图像进行大小、灰度归一化等 预处理工作，从而降低光照等因素对识别结果的影响。 详细分析基于p c a 和2 d p c a 的人脸识别方法，提出一种基于奇偶函数的改进 二维主成分分析特征提取算法，方法结合2 d p c a 和奇偶分解原理，利用镜像人脸 图像对称性，来选择特征向量构造特征空间。与p c a 、2 d p c a 相比，该算法获得 了更高识别率。 研究了支持向量机的基本思想、算法及训练分类过程，运用支持向量机一对 多算法实现人脸特征训练和识别。最终在v i s u a lc + + 6 0 平台上实现了基于人脸识别 的身份认证系统。 关键词：人脸识别a d a b o o s t改进二维主成分分析支持向量机 西南科技大学硕士研究生论文第1 i 页 a b s tr a c t t h ei d e n t i t yv e r i f i c a t i o nt e c h n o l o g yb a s e do nb i o m e t r i ef e a t u r e sp l a y e da n i n c r e a s i n g l yi m p o r t a n tr o l ei no u rs o c i e t y ；i th a sb e e nak e yr e s e a r c ha r e ai ni n f o r m a t i o n s e c u r i t y a u t h e n t i c a t i o ns y s t e mu s e dt h ef a c e a st h er e q u i r e db i o m e t r i c ，w h i c hm a k e f a c er e c o g n i t i o nm o r ec o n v e n i e n t ，f r i e n d l y t h em a i nc o n t e n t si n c l u d e ： b a s e do nt h ea d a b o o s tf a c ed e t e c t i o na l g o r i t h m ，t h i sp a p e ra d o p tt h ea l g o r i t h m a b s t r a c t i n gt h eh a a rc h a r a c t e r i s t i cf r o mh u m a nf a c ea n di n h u m a nf a c ea n dt h e nt r a i n c l a s s i f i e rt oa c h i e v et h ef a c ed e t e c t i o n a n dd os o m ep r e t r e a t m e n tw o r kt h a tc a r r y i n g o u ts i z e ，g r a d a t i o no nt h ef a c et h a ta l r e a d yb e e nd e t e c t e d i t sa l t ni sr e d u c i n gt h ei m p a c t o ft h er e c o g n i t i o nr e s u l t sb yl i g h ta n do t h e rf a c t o r s t 1 1 i sp a p e rm a i n l yi n t r o d u c e ss o m em e t h o d si n c l u d i n gp c a ，2 d p c a , a n dp r o p o s e s a ni m p r o v e df a c ef e a t u r ee x t r a c t i o nm e t h o db a s e do no d d e v e nf u n c t i o nt w o d i m e n s i o n a lp r i n c i p a lc o m p o n e n ta n a l y s i s t h em e t h o dc o m b i n e d2 d p c aw i mo d d e v e nd e c o m p o s i t i o np r i n c i p l e ，a n ds e l e c t dt h ef e a t u r ev e c t o r st oc o n s t r u c tf e a t u r es p a c e b yf a c ei m a g e so fm i r r o rs y m m e t r i c a l c o m p a r e d w i t hp c a ，2 d p c a ，t h ei m p r o v e d a l g o r i t h mh a sab e t t e rr e c o g n i t i o nr a t e 1 1 1 eb a s i cp r i n c i p l eo fs u p p o r tv e c t o rm a c h i n e ，i t sa l g o r i t h m sa n dp r o c e s so f t r a i n i n ga n dc l a s s i f i c a t i o n a les t u d i e d a p p l y i n go n e - a g a i n s t r e s ts v ma l g o r i t h mt o a c h i e v et r a i n i n ga n dr e c o g n i t i o no ff a c ef e a t u r e s f i n a l l y , lc o n s t r u c t e da ni d e n t i t y a u t h e n t i c a t i o ns y s t e mb a s e do nf a c er e c o g n i t i o no nv c + + 6 0p l a t f o r m k e yw o r d s ：f a c er e c o g n i t i o n ；a d a b o o s t ；i m p r o v e d2 d p c a ；s v m 西南科技大学硕士研究生论文第1 | i 页 目录 1 绪论1 1 1 身份认证的背景和研究意义1 1 2 人脸识别的相关研究及应用2 1 3 国内外发展历程及研究现状4 1 4 人脸识别的主要困难6 1 5 论文主要工作及结构安排7 1 6 本章小结7 2 基于a d a b o o s t 算法的人脸检测8 2 1a d a b o o s t 算法简介8 2 2a d a b o o s t 人脸检测的人脸特征描述9 2 2 1h a a r 一1i k e 特征。9 2 2 2 积分图像9 2 3a d a b o o s t 人脸检测11 2 3 1 弱分类器1 1 2 3 2a d a b o o s t 算法过程与强分类器1 2 2 3 3 层叠分类器一1 3 2 4 人脸图像预处理1 4 2 4 1 人脸图像几何归一化1 4 2 4 2 人脸图像灰度归一化一1 5 2 4 3 人脸图像均值方差归一化1 7 2 5 本章小结1 8 3 基于改进的二维主成分分析的人脸特征提取19 3 1 引言1 9 3 2 基于主成分分析的人脸识别1 9 3 2 1 基于主成分分析的基本思想一1 9 3 2 2 基于主成分分析的特征提取。2 0 3 2 3 基于主成分分析的人脸识别2 1 3 2 4 主成分分析方法的优缺点分析2 2 3 3 基于二维主成分分析的人脸识别2 3 3 3 1 基于二维主成分分析的基本思想2 3 3 3 2 基于二维主成分分析的人脸特征提取2 4 3 3 3 基于二维主成分分析的人脸识别2 4 3 3 4 二维主成分分析方法的优缺点分析2 5 3 4 基于奇偶函数二维主成分分析的人脸识别2 6 3 4 1 基于奇偶函数二维主成分分析的基本思想2 6 西南科技大学硕士研究生论文第lv 页 3 4 2 基于奇偶函数二维主成分分析的理论分析一2 7 3 4 3 基于奇偶函数二维主成分分析的特征向量选择2 8 3 4 4 基于奇偶函数二维主成分分析的人脸识别算法实现2 9 3 4 5 奇偶函数二维主成分分析方法的优缺点分析3 0 3 5 实验一3 1 3 5 1 人脸数据库31 3 5 2 实验结果与分析3 2 3 6 本章小结一3 4 4 基于支持向量机的特征分类3 5 4 1 支持向量机简介。3 5 4 1 1 线性可分一3 6 4 1 2 线性不可分一3 7 4 1 3 非线性可分3 8 4 2 多分类支持向量机的训练与识别3 9 4 2 1 一对一训练一4 0 4 5 2 一对多训练4 l 4 3 实验结果与分析4 3 4 4 本章小结一4 4 5 人脸识别系统的设计与实现一4 5 5 1 人脸识别系统的框架4 5 5 1 1 图像采集和人脸检测4 7 5 1 2 人脸图像的预处理。4 7 5 1 3 人脸图像特征提取一4 7 5 1 4 人脸识别分类4 7 5 2 人脸识别系统的界面与功能。4 7 5 3 本章小结5 l 6 结论与展望5 2 6 1 论文总结5 2 6 2 未来工作的展望5 2 致谢5 4 参考文献5 5 攻读硕士学位期间发表的学术论文及研究成果5 9 西南科技大学硕士研究生论文第1 页 1 绪论 1 1 身份认证的背景和研究意义 在科技快速发展的社会里，随时随地都可以看见人们使用的笔记本电脑、移 动电话、甚至是一张小小的磁卡来保存许多个人隐私信息。当然可以保存的个人 数据方法愈多，从另一个方面看也就增加了数据被盗的风险，如何在这个信息透 明的外部环境下，保护个人隐私就成为一个很重要的课题。 随着人们对安全防护观念的提升，传统识别方式( 如密码、磁卡、i c 卡等) 都 是使用到身体以外的物品，若是遗失或是忘记密码时，除了造成使用者的不便外， 更让有些人有可趁之机侵入或是盗用。因此近年来越来越兴起了利用生物认证方 式来确认使用者的身份。所谓的生物认证( b i o l o g i c a l a u t h e n t i c a t i o n ) 是利用生物的 生理特征( p h y s i c a lc h a r a c t e r i s t i c ) 或行为特征( p e r s o nt r a i t ) 来与事先建立的数据库 中的数据进行比对或鉴定。由于每个人都有独有的生理特征来表示每个人的独特 性，那么生理特征可随身携带且是属于独一无二的密码，还可省去随身携带者的 麻烦( 如钥匙) ，也可降低遗忘密码或密码被盗的风险，更能加强信息的保护，以 维护个人隐私“”。 生物认证常用的方式有臼m ，：1 、指纹认证：每个人的指纹都不一样，通过小型 图像扫描仪就可以得到受测者的指纹，分析后得知是否为此人。又由于人体皮肤 层会分泌出特殊的分泌物，且会遗留在物体上，早已广泛应用在犯罪追踪上。2 、 视网膜认证：人类视网膜的血管分布亦是每个人都不同，要求受测者目视高解析 摄影机，由此得到此人的视网膜分布状况来识别身份。3 、声音认证：每个人说话 的频率、音质、波形均不同，可用来识别身份。但可能因为当时个人身体状况( 如 感冒、7 喉咙痛而声哑) 而改变声音，通常会搭配其它方式来做识别，不会单独使用。 4 、人脸认证：相较于前三种特征，对于人类视觉而言，人脸是最直接的识别方式， 依据每个人的人脸图像上不同的特征来识别身份。这些身份认证技术称为生物认 证技术，而人脸认证是其中佼佼者，它无需穿戴额外的任何特殊仪器，更不需要 测试装置有任何的接触，比其它方法更加方便、友善。随着计算机运算速度的不 断加快及各种特征撷取设备的进步与小型化，现在人脸识别技术已经成为身份认 证的新潮流技术。 西南科技大学硕士研究生论文第2 页 1 2 人脸识别的相关研究及应用 人脸识别( f a c er e c o g n i t i o n ) 是在己有的人脸样本库中，通过图像处理和模式 识别技术识别或验证静态或动态场景中的一个或多个人脸。从广义上来说，人脸 识别主要包括人脸检测、人脸表征、人脸辨识、表情姿态分析和物理分类五个方 面哺“”。 人脸检测( f a c ed e t e c t i o n ) 人脸检测主要受噪声、光照、头部倾斜以及各种遮挡物的影响。能在各种不 同的场景中检测出人脸的存在与否，并确定人脸位置、尺度和姿势。 人脸表征( f a c er e p r e s e n t a t i o n ) 人脸表征主要是确定检测出的人脸和数据库中的已有人脸的描述方式。常用 的表示方法有几何特征( 如欧氏距离、角度、曲率等) 、固定特征模板、代数特征( 如 矩阵特征矢量) 、特征脸等。 人脸辨识( f a c ei d e n t i f i c a t i o n ) 人脸辨识就是常说的人脸识别，将待识别的人脸与数据库中己有的人脸进行 对比，得出比较结果。这一方法重点在于选择适当的人脸表示方式与匹配策略。 表情姿态分析( e x p r e s s i o n g e s t u r ea n a l y s i s ) 表情姿态分析主要是对待识别人脸的表情或姿态进行分析，并对信息加以分 类。 物理分类( p h y s i c a lc l a s s i f i c a t i o n ) 物理分类主要是根据面部特征检测与提取的结果，结合面部图像中的亮度分 布信息，对待识别人脸的物理特征进行分类，得出其可能的性别、年龄、种族等 相关信息，或者从多幅相关的图像推导出希望得到的人脸图像，如从父母图像推 导出孩子的脸部相貌图像、对年龄增长的人脸图像估算等。 圜 图1 - 1人脸识别系统流程图 f i g 1 1 f a c er e c o g n i t i o ns y s t e mf i o wd i a g r a m 西南科技大学硕士研究生论文第3 页 因为上述五个方面有着不同的研究侧重，它们的研究内容都已演变成为独立 的研究方向。通常一个自动人脸识别系统由人脸检测、人脸图像预处理、人脸特 征提取、人脸识别等四个技术环节组成，如图1 - 1 所示 ，。 其中，人脸图像预处理包括几何规范化和灰度规范化。几何规范化是在缩放、 平移、旋转等变换中，从复杂的背景图像中将分割出来的人脸图像归一化到一定 的尺寸，并使重要的人脸局部特征移动位于给定的区域。灰度规范化是通过滤波、 直方图均衡化、照度梯度修正、均方差正规化等方法，来消除光照不均和图像噪 声等对人脸图像质量的影响阳1 。 随着科技的快速发展，使用人脸作为生物认证技术所需的生物特征，可以让 识别系统使用起来更加方便、友善，今后人脸识别在各个领域的应用前景也将越 来越广泛，主要有以下几个方面的应用l g l l e ： 刑侦破案 公安部门在获取到罪犯的影像资料时，可以在储存罪犯影像资料或者户籍系 统的数据库中，利用人脸识别技术找出最像的人为嫌疑犯。还有另外一种应用， 就是根据目击证人的描述，再由画家画出入脸草图，最后到人脸库中比对查找嫌 疑犯。而罪犯人脸数据库往往很大，由几千甚至上万幅人脸图像构成。如果这项 比对查找工作完全由人来完成，人在看上百幅人脸图像后，记忆力会急剧下降， 因此搜索工作不仅效率低，而且容易出错，而由人脸识别系统来完成则不出现这 种情况。网上追逃，指的是犯罪分子作案逃跑后，公安机关将罪犯的资料收集， 组成一个在逃犯数据库，把数据库刻成光盘发放到基层派出所、刑警队，通过计 算机与暂住人口系统、旅店业管理信息系统、在押人员系统等与嫌疑人进行比对。 但在一般的情况下追逃是通过查对身份证，逃犯会伪造身份证，查看身份证是没 有多大作用的，对此情况利用人脸识别技术将逃犯无处藏身。 证件验证 在许多场合( 如海关、机场、机密部门等) ，检查证件是确认某人身份的一种 常用手段。如果采用人脸识别技术，身份证、护照以及其它很多证件上的照片查 验，这项工作就可以交给机器来完成，从而能实现自动化智能管理，节省大量的 时间、人力和物力。而当前普遍使用的是另一类证件，用符号或条形码标记的， 比如信用卡、自动提款机等。这类磁卡的安全系数比较低，因为卡可能丢失，密 码可能遗忘或被窃取。如果在这类卡上加上人脸特征信息，或直接采用人脸识别 技术，则可以大大改善其安全性能。 视频监视 视频监视可以作为监视及门禁的保障系统。现在的公共场所( 如学校、机场、 西南科技大学硕士研究生论文第4 页 商店、银行等) 内进行入口控制、检查证件是件相当麻烦的事，而且安全系数也不 高。但若能加装摄影机，在拍摄的过程中可以快速侦测出人脸，并识别出该人的 身份，则可帮助相关部门对可疑份子进行监控与社会治安维护。在美国“9 1 1 ”事 件后，使得人脸识别技术的应用得到了极大的重视，现在美国多个机场使用了人 脸识别系统，以防恐怖分子再次进行恐怖活动。而对于其它身份验证的方式( 签名 辨认、指纹辨认与虹膜辨认等) ，这些方式使用的设备售价昂贵并且操作不方便， 而人脸识别作为验证的方式时，只需一台计算机连接一台摄影机即可，则可提升 效率与降低系统成本，因此对比人脸识别，其他的生物特征识别技术很难在监控 领域得到应用。 电子商务 网络是个近年来发展极快速的虚拟世界，而电子商务对于使用者的身份验证 问题一直是个很大隐忧，若能将人脸识别技术应用到网络上，作为辅助性的身份 验证，那么网络可提供电子商务、网上购物等更加安全的交易环境，使网络带来 更多的商机。 娱乐用途 若机器人可与人产生互动，则机器人的附加价值可大幅增加，如s o n y 公司的 a i b o 狗。通常侦测出人脸位置与识别出该人的人脸身份，则是机器人与人互动的 首要任务。可惜目前这方面的机器人的售价过高，若今后可以降低其成本与价位， 则在玩具领域中带有人脸识别的娱乐机器人，其商业价值相当可观。 此外，研究人脸识别还可涉及模式识别，图像处理、分析与理解，计算机视 觉，人工智能，人机交互，计算机图形学，认知科学，神经计算，生理学，心理 学等多个学科领域，更是模式识别、人工智能和计算机视觉综合应用的典型案例。 对这一问题的研究和解决，有助于对复杂对象识别问题的研究分析和解决，因此 对于上述基础研究领域，人脸识别已经成为了其重要研究课题，具有非常重要的 理论研究价值。 1 3 国内外发展历程及研究现状 十九世纪末f r a n c i sg a l t o n ，所做的工作可视为人脸识别的最早研究，不同侧脸 的特征他采用一组数字来描述表达。然后随着计算机技术的快速发展，上个世纪 九十年代人脸识别的研究才取得了实质性的进展m 。而人脸识别的发展过程大体可 以分为三个阶段：非自动识别阶段、半自动识别( 人机交互) 阶段、自动识别阶段。 西南科技大学硕士研究生论文第5 页 第一阶段：非自动识别阶段，主要研究人脸识别所需要的面部特征，以 b e r t i l l o n 、a n e n 和p a r k e n 3 11 1 4 ，为代表。在b e r t i n o n 的研究中，把数据库中某一张人脸 与一个简单语句相互关联，同时与此人一起指纹分析，提出了一个较强的识别系 统。而后为了提高人脸识别率，待识别人脸被a l l e n 设计出了一套逼真和有效的摹 写，p a r k e 把这一想法运用计算机实现，并且生成了较高质量的人脸灰度图模型。 在这一阶段中，工作的重点是识别过程全部由操作人员完成，显然这不是一种可 以自动完成识别的系统。 第二阶段：半自动识别阶段，早期的半自动人脸识别系统把眼睛、鼻子、嘴 巴和耳朵等这类特征，通过人工在人脸图像上进行特征定位。这一阶段以 g o f d s t i o n ，h a r m o n 和l e s k t 埘n 引为代表，用几何特征参数来表示人脸正面图像。他们 使用2 1 维特征矢量表征人脸面部特征，并且完成了基于2 l 维特征表示法的识别系 统。k a y a 和k o b a y a s h i 【j 7 l 则采用了统计识别方法，用欧氏距离来表征人脸特征，如 嘴唇与鼻子之间的距离、嘴唇的高度等。t k a n a d ( m n a g a o ) n 。，创造性地从单幅图像 上运用积分投影法，计算出一组脸部特征参数，再利用人脸相匹配与模式分类技 术标准进行人脸识别，而他设计的系统实现了快速、实时的处理。总的来说，这 类方法仍然摆脱不了人的进一步干预，需利用操作员的某些先知经验。 第三阶段：自动人脸识别阶段，这一阶段以k o h o n e n “引为代表，使用了简单神 经网络设计出了最著名的早期人脸识别系统，这个神经网络能够计算出了人脸的 图像的自相关矩阵的特征向量的近似值，这些特征向量就是现在我们所熟知的特 征脸( e i g e n f a c e s ) ，它能够应用到事先对齐且归一化的人脸的识别上。然而，k o h o n e n 的识别系统因为只能对事先做过对齐以及归一化等处理的人脸有效，并没有达到 实用标准。1 9 9 0 年，k i r b y 和s i r o v i c h 啪将主成分分析法( p r i n c i p a lc o m p o n e n t a n a l y s i s ，p c a ) 这一标准线性代数技术应用到人脸识别中，使得特征脸可以通过 直接简单计算得到。之后1 9 9 1 年，t u r k 和p e n t l a n d 幢“发现当使用特征脸时，可以把 残差用于人脸的检测，这为实时自动人脸识别系统的实现提供了可能，也标志着 现代人脸识别方法研究的开始。 此后，随着生产、生活对人脸识别技术的需求以及计算机技术、图像处理技 术和模式识别技术的发展，出现了很多自动人脸识别方法，这些方法都在一定程 度上提高了人脸识别的速度和识别率，也带动了人脸识别研究的兴起。目前，世 界范围内的许多科研机构都设立了专门的研究组从事人脸检测和识别的研究。国 际上，著名的人脸检测和识别研究机构包括美国卡内基梅隆大学( c m u ) 机器人研 究所、美国麻省理工学院( m i t ) 媒体实验室和人工智能实验室、英 s u r r e y s 学视 觉、语音和信号处理研究中心( c e n t e rf o rv i s i o n ，s p e e c ha n ds i g n a lp r o c e s s i n g ) 等。 西南科技大学硕士研究生论文第6 页 国内相关人脸识别的研究开始于2 0 世纪8 0 年代，主要有清华大学、北京大学、中 国科技大学、哈尔滨工业大学、南京理工大学、中国科学院自动化所等。其中中 国科学院自动化所和计算所的研究工作处于国内领先水平噙，。 1 4 人脸识别的主要困难 人类对于自己的认知、思维等神经活动机理认识不够，以及对其细节掌握的 缺乏，目前我们还不完全清楚人的视觉系统和大脑的工作原理等。这使得人脸自 动识别仍然十分困难，目前的识别效果不如其他的生物识别技术，如指纹识别、 虹膜识别等。人脸识别研究还存在以下几个方面困难，： ( 1 ) 人脸本身差异性很大。虽然每张脸都有眼睛、嘴、鼻子，且都按照一定的 空间结构分布，但是从不同个体的肤色、大小、形状、性别到同一个体的表情等 的差异都为人脸自动检测、识别造成了巨大的障碍。 ( 2 ) 对于非配合情况下进行的人脸图像采集，遮挡是一个非常严重的问题。特 别是在监控环境下，往往被监控对象都会带着眼镜，帽子等饰物，使得被采集出 来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人 脸检测识别算法的失效。如何有效地去除遮挡物的影响将是人脸识别研究一个非 常有意思的研究课题。 ( 3 ) 人脸图像易受环境的影响。光照的差异、成像角度和成像距离、三维物体 光照下的阴影不均匀等。人脸图像采集过程决定了人脸图像识别系统必须面对不 同的光照条件、视角、距离变化等非常困难的视觉问题，这些成像因素都会极大 影响人脸图像的采集质量，从而使得识别性能不够稳定。 ( 4 ) 人脸图像数据量大。目前出于计算量的考虑，人脸检测、识别算法的研究 大多使用尺寸很小的图像，因此很多算法的实时性很差。随着图像尺寸、人脸数 据库规模的增长，人脸识别算法的性能将呈现下降，如何维持或提高大规模应用 环境下的人脸识别算法的识别率是一个非常重要的问题。同时，大规模人脸数据 库的建立、维护、编码和检索也是非常值得研究的问题。 总之，这诸多因素的影响使得人脸检测和识别具有一定的难度和复杂性，但 相信对这些问题的深入研究，不仅会不断完善对这些问题的解决，而且将推动计 算机视觉、人工智能、模式识别、认知学等学科的发展进步。 西南科技大学硕士研究生论文第7 页 1 5 论文主要工作及结构安排 经过阅读大量的中外文献，分析了人脸识别相关的技术及其算法，针对基于 主成分分析法的特征提取环节提出了改进，有效地提高了人脸识别的性能。并采 用v c 抖6 0 实现了一个简单的人脸识别系统，对该系统的各个功能模块进行了详细 的介绍。本文共分五章，组织结构如下： 第一章，本章介绍了人脸识别的背景和研究意义，国内外研究现状以及人脸 识别技术的相关应用。 第二章，本章介绍了用于人脸检测的a d a b o o s t 算法以及其所使用的人脸特征 描述方式。然后介绍了系统所采用得几种常见的人脸图像预处理方法：几何归一 化，灰度归一化和均值方差归一化。 第三章，本章详细论述了基于p c a 和2 d p c a 的人脸识别算法，分析了它们的 优缺点。重点针对已有算法的不足，提出改进意见，本文在应用镜像对称性的基 础上，结合2 d p c a 变换与奇偶分解原理，提出奇偶二维主成分分析( o e 2 d p c a ) 。 通过实验结果验证，改进算法有效提高了人脸识别率。 第四章，本章首先介绍支持向量机的基本理论及多类支持向量机分类器， 然后分别对支持向量机的训练和分类过程进行研究。最后在0 r l 人脸数据库 上进行实验，验证了内积函数的性质。 第五章，本章以v c + + 6 0 作为开发工具，完成了人脸识别系统程序，介绍其 框架结构，并对系统的各个功能模块做了简述。 第六章，本章对全文作了一个总结，并指出了人脸识别技术的未来研究和发 展方向。 1 6 本章小结 本章主要针对人脸识别技术的背景、研究意义与发展现状，以及人脸识别技 术的相关应用做了简单介绍，并给出了论文主要工作与结构安排。 西南科技大学硕士研究生论文第8 页 2 基于a d a b o o s t 算法的人脸检测 2 1a d a b o o s t 算法简介 b o o s t i n g 是1 9 8 4 年由v a l i a n t 首先提出来，。在机器学习领域中，b o o s t i n g 来源 于p a c ( p r o b a b l ya p p r o x i m a t e l yc o r r e c t ，概率近似正确) 学习模型的理论分析。其 中v a l i a n t 提出了强可学习( s t r o n gl e a r n i n g ) 、弱可学习( w e a kl e a r n i n g ) 和强弱可学 习等价性的概念。一组概念是强可学习的，那么这组概念存在一个多项式学习算 法来识别，并且识别正确率很高；一组概念是弱可学习的，那么对于识别这组概 念学习算法的正确率仅比随机猜测略好。强弱学习算法的等价性问题，是能否将 弱学习算法提升成为强学习算法。如果两者等价，那么只需要找到一个比随机猜 测略好的方法，就可以将它提升为强学习算法。 s c h a p i r e 矧在1 9 9 0 年提出了将弱分类规则转化成强分类规则的b o o s t i n g 方法。然 而该方法有两个缺点：在实际问题中很难知道弱学习器的学习正确率下限；可能 导致表现不稳定，后来的学习器过分集中于少数特别困难的样本。 而在2 0 0 1 年v i o l a 提出基于a d a b o o s t 算法的人脸检测方法嘲，克服了以上两个缺 点。a d a b o o s t ( a d a p t i v eb o o s t ) 是一种在运算过程中能自我调整分类器结构的b o o s t 算法。之所以称为b o o s t 的原因在于每一轮的运算，算法会决定一个弱分类器( w e a k c l a s s i f i e r ) ，经过好几轮的运算，会产生许多弱分类器，最后由这些弱分类器会集 结而慢慢形成一个强分类器( s t r o n gc l a s s i f i e r ) ，这个强分类器可以用来决策输入属 于何种类别，a d a b o o s t 的流程如图2 1 所示。 图2 - 1a d a b o o s t 流程示意图 f i g 2 1 a d a b o o s tf i o wd i a g r a m 西南科技大学硕士研究生论文第9 页 2 2a d a b o o s t 人脸检测的人脸特征描述 2 2 1h a a r - iik e 特征 a d a b o o s t 在运算速度上可以优于其它的分类器数十倍、甚至数百倍，a d a b o o s t 的运算快速归功于弱分类器h a a r 的结构特色，以下将说明弱分类器h a a r 的结构与运 算原理，h a a r 的结构如图2 2 所示。 ， 图2 - 2 弱分类器h a a r 的示意图 f i g 2 - 2s c h e m a t i ct a b i eo fw e a kc i a s s i f i 8 rh a a r 计算方式为比较深色区域与浅色区域的灰度差异值，对于人脸上不同区域的 灰度差异值都有不相同的结果，如图2 3 所示。 图2 - 3 人脸上的h a a r 特征示意图 f i g 2 - 3 s c h e r 怕t i ct a b i eo ff a c eh a a rf e a t u r e 以图2 - 3 中的第二张图为例来做说明，落在浅色区域的是下眼皮部位，深色区 域的是人的眼球部位，一般而言眼球区域的灰度值累加和会大于眼皮区域的灰度 值累加和，因此h a a r 就是利用这种简单的加减法运算结果，来比较特征的存在性。 h a a r 是由许多方块组合而成的弱分类器，如何计算这些方块区域内的灰度差 异值，将会是决定h a a r 的运算效率的关键，所以a d a b o o s t 采用了一种称为积分图像 的图像结构分析方法，用来加速计算h a a r 的差异值。 2 2 2 积分图像 对于一张输入图像i ，a d a b o o s t 会先对整张图像进行积分图像( i n t e g r a li m a g e ) 西南科技大学硕士研究生论文第1o 页 的转换，在积分图像上的点( x ，y ) ，代表至左界及上界所围起的区块灰度值累加和， 如图2 4 所示。 图2 - 4 积分图像示意图 f i g 2 - 4s c h e m a t i ct a b i eo fi n t e g r a ii m a g e 积分图像上的点( x ，y ) 定义如式( 2 1 ) ， i i ( x ，y ) =：f ( x 。，y 。) ( 2 1 ) ，另s y 其中i i ( x ，y ) 代表在积分图像上的点( x ，y ) 的值，f ( x 。，y ) 代表原始图像上的点 ( x ，y ) 的值。这里可以由式( 2 2 ) 、式( 2 3 ) 和式( 2 4 ) 递归表示式( 2 1 ) 。 s ( x ，y ) = s ( x ，y 一1 ) + i ( x ，y ) ( 2 - 2 ) i i ( x ，y ) = i i ( x l ，y ) + s ( x ，y ) ( 2 - 3 ) s ( x ，一1 ) = 0 ，a n di i ( 一1 ，y ) = 0 ( 2 4 ) 其中s ( x ，y ) 代表原始图像上的点( x ，y ) 到上界的灰度值的累加和，观察以上四 式，可以发现每一点s ( x ，y ) 的值，只要知道上一点s ( x ，y 1 ) 所储存的灰度值累加 和就能计算出来，所以要计算积分图像上的任意点的灰度值累加和，只需要查询 上一点的值便能计算出来，因此采用此方法就能快速计算出积分图像上各点的值， 然后应用于h a a r 的特征运算，如图2 5 来说明。 图2 - 5h a a r 演示参考图 fig 2 - 5d e m or e f e r e n c ec h a r to fh a a r 西南科技大学硕士研究生论文第1 1 页 深色区的灰度值累加和： i i ( b ) i i ( a ) ( 2 5 ) 浅色区的灰度值累加和： 以d ) - i i ( b ) - i i ( c ) + f f ( 彳) ( 2 - 6 ) 所以h a a r 的灰度差异值： 0 i i ( b ) 一i i ( a ) 卜【订( d ) 一i i ( b ) 一i i ( c ) + 疗( 么) 】0 ( 2 7 ) 通过上述式( 2 - 5 ) 、式( 2 6 ) 和式( 2 7 ) 的计算说明，可以了解h a a r 的运算，只 需要在积分图像上对应点进行几次简单的加减法运算，便可以求出特征差异值， 如图2 - 6 所示，这也就是使用h a a r 作为特征计算，为何能如此快速的原因。 图2 - 6h a a r 运算的示意图 f i g 2 - 6 s c h e m a t i cl a b i eo fo p e r a t i o n a ih a a r 2 3a d a b o o s t 人脸检测 2 3 1 弱分类器 在这里，构造一个弱分类器。一个矩形特征f 对应着一个弱分类器g ，对于一 西南科技大学硕士研究生论文第12 页 个候选输入图像x ，设该图像x 上的特征值毛( x ) 为一个h a a r - l i k e 特征，则弱分类器 分类函数表达式( 2 8 ) ： g ( x ) ：j 1 矿聃 b 够( 2 - 8 ) 1 0 o t h e r w i s e 其中p i 为是一个l ，谚为阀值，z 为一个图像中像素的子区域，对于这样大小 的区域，可能的矩形特征的个数超过1 8 0 ，0 0 0 个。 在实际计算中，a d a b o o s t 算法是选取这些对于分类比较重要的矩形特征的有效 手段，如图2 7 所示，就是利用此方法找到的第一和第二特征。在给定的训练样本 上，a d a b o o s t 算法从所有可能的弱分类器中挑选错误最低的那一个，然后改变样本 的权值，使得那些被错分的样本得到进一步重视，重复上述操作。这样，每一步 操作都得到一个弱分类器，最后的强分类器由这些弱分类器的线性组合构成。 f r e u n d 和s c h a p i r e ，证明了随着弱分类器个数的增加，得到的强分类器在训练样本 上的分类错误按指数递减。 怒容 滞簟x ，- 摹 ； l 善l 图2 7a d a b o o s t 算法选出的第一及第二个特征 f i g 2 7t h ef ir s ta n ds e c o n dc h a r a c t e r i s t i c ss e i e c t e db ya d a b o o s ta i g o r i th | n 2 3 2a d a b o o s t 算法过程与强分类器 a d a b o o s t 的基本思想是通过组合一组弱分类器来组成一个强大的分类器。假设 每次搜寻均可以找出分辨率最佳的特征，那以同一批样本进行搜寻，则每次搜寻 的结果将会搜寻出同一个特征或同一批特征，因此将每一个测试样本加入一个权 重值，利用权重值的调整将有机会搜寻出不同的特征矩形。而使用a d a b o o s t 搜寻人 脸特征的方法，每个图像样本都有一个权重值，其初始值是相同的，依据每次调 整完成所得到的最佳特征，来调整权重值继续下一轮的特征搜寻，最后将输出一 批特性互补的特征。其流程如下： 西南科技大学硕士研究生论文第13 页 1 输入i 个目标图像样本，j 个非目标图像样本，搜寻的特征数量， 2 初始化样本权重值： 目标图像样本权重值 形只= 去 非标目图像样本权重值 喝2 音 3 选择误差最小的矩形特征： 误差值e = 畔( 1 一r i ) + 聊，r ， 其中t 为c l a s s i 6 e r 的输出值墨影像，r 为符合该特征，r 不符合。 4 将步骤3 ，加入所选择特征，并决定对应的权重值 w k = l o g ( 半) 5 根据步骤3 ，搜寻的最佳特征更新样本权重值： 更新目标图像样本权重值 畔= 畔( 高) 卜点 更新非标目图像样本权重值暇= 鸭( 高) 卜占 6 将权重正规化： w e , ：坐生w n ；：旦 l jj 暇w n j 7 检查目前搜寻的特征数量是否满足需求，若不满足跳回步骤3 ，否则结束。 2 3 3 层叠分类器 ， v i o l a 汹吲入层叠分类器( c a s c a d ec l a s s i f i e r ) ，很好地满足了在实际人脸检测中 强分类器实时性和分类正确性的需要。 在很大程度上保留人脸区域的情况下，层叠分类器的主要思想是通过较简单 较快