（信号与信息处理专业论文）基于主元分析和神经网络的人脸识别方法研究.pdf

摘要 入黢垂动识瘸楚嚣蘸搂式谈羯领域擎其寄广蠲盛耀蘩豢巍实 际应用价值的热门研究课题。人脸的自动识别就是用计算机对人脸 鞫像迸杼分祈，笄跌久脸图像串提取有效的识剿信惠，用班进行人 脸鉴别的一门技术。 本文提出了一种主元分析和神经弼络相结宙的人脸识别方法。 其中主元分援方法照予提取久验躅像款特征，藤棒经燧终震予慰提 取的人脸特 芷谶行识别。 蓄先，采惩主元分舞法提取大验嚣豫静有效特征。圭元分掇法 怒模式识别中的一种行之有效的特征提取方法。其基本思想是：高 壤静入脸图像空闻缎过k l 交换爝得虱一缀新静正交蒺，由这些正 交基可以组成低维线性空闻。本文以训练样本集的总体散布缒阵作 为产生矩阵，以总体散布矩阵的特征向鬣作为人脸空瀚，由予对应 予梅缝傻越大瓣特摄彝量瓣入验黧像弱嚣献率凝越大，为了瓷效地 压缩人脸特征冉勺维数，本文去掉了较小特征值对应的特征向殿，然 器，凳簿一辐久验强豫投影到鑫较大特髹蓬慰巍懿特，媛彝耋掰强残 的空间中其投影系数向量即为所提取的人脸特征。 然稽，分鄹采溺b p 神经弼络和径囱基函数( r b f ) 神经网络 进行人脸识别。神经网络作为一种新的方法体系，具露较强的自适 应性，这使得它的_ | 菠用极为广泛，特别慰它的朗适应学习能力在模 式识别方匿表现褥梵为突嫩。 传统的b p 神经网络惑一种基于误麓反向传播算法的多层前馈 耱经瓣终，象已或为器蔫纛霜最建广泛瓣秘经阏终。挺弱辩传统懿 b p 神缎网络也存在赣一些缺陷，例如由于采用梯度算法，b p 神经 网络韵调练速度校侵，蔼越容荔麓入弱都援，j 、点等。为魏，本文撼 燃了种改进的b p 棒经嘲络并把它甩予人脸识别，并与传统的b p 神经嘲络进行了入脸识别的比较。实验证明，改迸磁的b p 网络有 效蟪克服了传统b p 神缀网络的一些缺陷。男终，本文用径向基函 数神经网络作为分类器进行人脸识别，并与b p 神经网络进行了比 较。露对，为说绢本文掰提密瓣方法戆优越往，本文分瘸把b p 糖 经网络和径向基函数神疑网络的识别结果与最近邻距离分类器的 谖掰绪莱送行了辩晓。 本文提出和采用的所有算法，都在f d b 6 0 3 人脸图像库上进行 了赏验。f d b 6 0 3 是南京理工犬学模式识剐与人工智能实验室的一 个较大规模的人黢匿像麾。f d b 6 0 3 鞠像库中一共9 6 人，每人1 0 幅阕像，总图像数为9 6 0 幅。本文从人脸图像库中随机抽取3 0 个 入筵3 0 0 辆入验濒像，其孛每令久帮舂1 0 糨夔部强像，对于每一 个人的这1 0 幅圈像，选取其中的7 幅图像作为训练样本，另外3 福瀚豫终为谈嗣祥率，舞在爨谖羁样零豹蒸礁主翻入离颓噪声，构 成新的识别样本。在特征提取之前，本文对这3 0 0 幅人黢图像进行 了i 翩一化预处理，部分琏消除入脸图像因必寸大小、角魔旋转、光 照强弱带来的不剩影响。 实验结果表明，本文提出的主元分析和神经删络相结合的方法 进褥人黪谖裂取褥了藏好懿效莱。戴方法嶷鸯较溅楚壹逶瘦毽、较 快的识别速度、较高的识别率以及时噪声的鲁棒性。 关键词：人脸识剐，神经两络，主冠分析，模式识别 u a b s t r a c t a u t o m a t i ch u m a nf a e r e c o g n i t i o n ，w h i c hh a saw i d er a n g eo f p o t e n t i a la p p l i c a t i o n s ，i sa na c t i v er e s e a r c ha r e ao f 口a t t e r n r e c o g n i t i o n i t i st h e t e c h n o l o g y o fp a t t e r n r e c o g n i t i o n ，w h i c h i s c o n c e r n e dw i t h a n a l y z i n g f a c i a l i m a g e s ，e x t r a c t i n gu s e f u l i n f o r m a t i o nf o rr e c o g n i t i o na n d a u t h e n t i c a t i n gh u m a n s i nt h i s t h e s i s ，a na p p r o a c ht h a tc o n n e c t sp 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 ) w i t hn e u r a l n e t w o r k si s p r o p o s e d a n di su s e di n h u m a nf a c er e c o g n i t i o n ，p c ai su s e di n e x t r a c t i n gt h ef e a t u r e so f f a c i a l i m a g e s ，a n dan e u r a ln e t w o r ki su s e df o rt h ec l a s s i f i c a t i o no f t h ef a c i a li m a g ef e a t u r e s f i r s t ，t h ee f f e c t i v ef e a t u r e sa r ee x t r a c t e db yp c a p c ai sav e r y e f f e c t i v ef e a t u r ee x t r a c t i n gm e t h o di np a t t e r nr e c o g n i t i o n t h eb a s i c i d e ao ft h em e t h o di st h a th i g hd i m e n s i o n a ls p a c eo ff a c i a li m a g e si s t r a n s f o r m e dt oag r o u po fn e wo r t h o n o r m a lb a s e sb yk a r h u n e n l o e v e 装l ) t r a n s f o r m ，o fw h i c hl o wd i m e n s i o n a la n dl i n e a rs p a c ei sm a d e u p i n t h i st h e s i s ，t h et o t a l s c a t t e r i n gm a t r i xo ft h es e t o ft r a i n i n g s a m p l e si su s e dt of o r mt h ep r o d u c t i o nm a t r i xa n di t sf e a t u r ev e c t o r s a r eu s e da sf a c i a ls p a c e + b e c a u s et h eb i g g e re i g e n v a l u er e l a t e dt ot h e e i g e n v e c t o r ，t h eg r e a t e ri t sc o n t r i b u t i o nr a t et ot h ef a c i a li m a g e s ，t h e e i g e n v e c t o r sr e l a t e dt os m a l le i g e n v a l u e sa r ed i s c a r d e di nt h i st h e s i s i no r d e rt oc o m p r e s st h ed i m e n s i o no ff a c i a lf e a t u r e sm o r ee f f e c t i v e l y c o n s e 鞋e 矗l y ，e v e r y f a c i a l i m a g ei sp r o j e c t e dt o t h es p a c et h a ti s e x t e n d e db yt h ee i g e n v e c t o r sr e l a t e dt ob i g g e re i g e n v a l u e s ，a n dt h e v e c t o r so f p r o j e c t e dc o e f f i c i e n t sa r ej u s tt h ee x t r a c t e df a c i a lf e a t u r e s t h e n ，b a c k - p r o p a g a t i o n ( b p ) n e u r a l n e t w o r ka n dr a d i a lb a s i s f u n c t i o n ( r b f ) n e u r a ln e t w o r ka r e u s e dt o r e c o g n i z ef a c i a li m a g e s m r e s p e c t i v e l y a san e wm e t h o d o l o g ys y s t e m ，n e u r a ln e t w o r kh a sv e r y s t r o n gs e l f - a d a p t a b i l i t y t h e r e f o r e ，i th a sb e e nu s e dw i d e l yi nm a n y f i e l d s ，e s p e c i a l l yi np a t t e r nr e c o g n i t i o n t r a d i t i o n a lb pn e u r a ln e t w o r ki sa m u l t i l a y e r f e e d - f o r w a r d n e t w o r kt h a ti sb a s e do ne r r o rb a c k p r o p a g a t i o na l g o r i t h ma n dh a s t h ew i d e s t a p p l i c a t i o n a l t h o u g ht r a d i t i o n a l b pn e u r a ln e t w o r ki s s u c c e s s f u l ， i th a ss o m e d i s a d v a n t a g e s f o r e x a m p l e ， i t s l e a r n i n g c o n v e r g e n tv e l o c i t y i s s l o w ，p o s s i b i l i t y o f c o n v e r g i n g t oal o c a l m i n i m u mi s h i g h a n ds oo n t h e r e f o r e ，a n i m p r o v e d b pn e u r a l n e t w o r ki s p r o p o s e di n t h i st h e s i sa n di su s e di nf a c i a l r e c o g n i t i o n a n di ti sa l s o c o m p a r e dw i t h t r a d i t i o n a lb pn e u r a ln e t w o r ki nt h e a s p e c t o ff a c i a l r e c o g n i t i o n e x p e r i m e n t a l r e s u l t ss h o wt h a tt h e i m p r o v e db pn e u r a l n e t w o r ko v e r c o m e ss o m ed i s a d v a n t a g e so ft h e t r a d i t i o n a lb pn e u r a ln e t w o r ke f f e c t i v e l y m o r e o v e r ，i nt h i st h e s i s ， r b fn e u r a ln e t w o r ki su s e da st h ec l a s s i f i e ri nf a c i a lr e c o g n i t i o na s a na l t e r n a t i v e ，a n dt h ee x p e r i m e n tr e s u l t sa r ec o m p a r e dw i t ht h a to f b pn e u r a ln e t w o r k a tt h es a m et i m e ，i no r d e rt os h o wt h ea d v a n t a g e o ft h ep r o p o s e da p p r o a c h ，e x p e r i m e n tr e s u l t so ff a c i a lr e c o g n i t i o nb y b pn e u r a ln e t w o r ka n dr b fn e u r a ln e t w o r ki sc o m p a r e dw i t ht h a to f t h en e a r e s t d i s t a n c ec l a s s i f i e r a l lp r o p o s e da p p r o a c h e si nt h i st h e s isa r ee x p e r i m e n t e do nt h e f d b 6 0 3f a c i a li m a g ed a t a b a s e f d b 6 0 3i sal a r g e r s c a l ef a c i a li m a g e d a t a b a s et h a ti s p r o v i d e db yt h el a b o r a t o r yo fp a t t e r nr e c o g n i t i o n a n da r t i f i c i a l i n t e l l i g e n c e ，n a n j i n gu n i v e r s i t y o fs c i e n c ea n d t e c h n o l o g y t h ed a t a b a s ei n c l u d e sf a c i a li m a g e so f9 6p e r s o n s ，e a c h p e r s o n h a s1 0 i m a g e s ，a m o u n t i n g t o9 6 0o n e s i nt h i st h e s i s ，3 0 p e r s o n ss u m m i n g t o3 0 0i m a g e sa r et a k e no u tr a n d o m l y 7i m a g e so f e a c hp e r s o na r ec h o s e na st r a i n i n gs a m p l e s ，a n dt h er e m a i n d e r sa r e u s e da sr e c o g n i t i o ns a m p l e s g a u s s i o nn o i s ei sa d d e dt ot h eor i g i n a l i v r e c o g n i t i o ns a m p l e st o b eu s e da sn e wr e c o g n i t i o ns a m p l e s b e f o r e f e a t u r ee x t r a c t i o n ，3 0 0f a c i a li m a g e sa r en o r m a l i z e d ，w h i c hp a r t i a l l y r e d u c e st h e d i s 8 d v 鑫羲t 韪g e o u s e f f e c tc a u s e db ys i z e ，a n g l e a n d i l l u m i n a t i o nr o t a t i o n so ft h ef a c i a li m a g e s e x p e r i m e n t a l r e s u l t ss h o wt h a t t h e p r o p o s e da p p r o a c h e o m b i n i n gp c a a n dn e u r a ln e t w o r k sp e r f o r m sb e t t e ri nr e c o g n i t i o no f f a c i a l i m a g e s t h ep r o p o s e d m e t h o dh a ss t r o n g e rs e l f 。a d a p t a b i l i t y ， g r e a t e rs p e a d a n dh i g h e rr e c o g n i t i o nr a t e s t r o n g e r r e s i s t a n c et o n o is e k e y w o r d s ： f a c e r e c o g n i t i o n ， c o m p o n e n ta n a l y s i s ， n e u r a ln e t w o r k s ，p r i n c i p a l p a t t e r nr e c o g n i t i o n v 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进 行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何 其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人 承担。 论文作者签名：至壹查亟 日 z 牛每 氇j g b 关于学位论文使用授权的声明 本人完全了解山东大学有关保留、使用学位论文的规定，同意学校保 留或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；本人授权山东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、缩印或其他复制手段保存论文和汇编本 学位论文。 ( 保密论文在解密后应遵守此规定) 论文作者签名：整堑 导师签名：；：l 王4 臣么 期：三翌丝坠业四 第1 章引言 1 1 人脸识别技术的意义和原理 随着社会经济的发展，社会各个方面对快速有效的自动身份验 证的要求日益迫切。由于生物特征是人的内在属性，具有较强的自 身稳定性和个体差异性，因此是身份验证的最理想依据。这其中， 利用人脸特征进行身份识别又是最自然直接的手段，与指纹、虹膜、 d n a 等其它人体生物特征识别系统相比人脸识别系统具有直接、 友好和方便的特点，用户无任何的心理障碍，并且通过表情分析， 还能获得其它识别系统难以获得的一些信息人脸识别技术应用前 景广泛，可用于公安系统的罪犯身份识别、驾驶执照及护照等与实 际持证人的核对、银行及海关的监控系统及保密部门的自动门卫系 统等。 人脸自动识别技术是利用计算机分析人脸图像，并从人脸图像 中提取有效的识别信息，用来“辨认”身份的一门技术。人脸自动 识别技术涉及模式识别、图像处理、计算机视觉、神经网络、生理 学以及心理学等诸多学科，是一个典型的多学科交叉的边缘应用。 人脸识别系统应该能够处理脸部图像的变化，但是人脸图像会受到 年龄、心情、拍摄角度、光照条件、发型等诸多因素的影响，因此， 人脸的自动识别也是极具挑战性的工作。 图i 1人脸识别系统原理图 通常人脸识别系统主要由五个功能模块组成：人脸图像训练 模块、人脸定位模块、预处理模块、特征提取模块和识别模块。人 脸识别系统的原理框图如图1 1 所示。人脸图像训练模块完成对已 有人脸图像库的训练，得到参数以供识别模块使用。它是人脸识别 研究的核心，与所采用的算法有极大的相关性。人脸定位模块完成 从原始图像中确定出人脸的位置，得到人脸图像以便后续处理。在 具体摄像条件可控制时。这一步还可以省略。预处理模块完成对人 脸图像的大小归一化、灰度归一化、消除噪声等，可视具体的应用 情况而选用，以便在同一条件下完成训练和识别。特征提取模块完 成提取人脸特征，如何提取稳定和有效的特征是人脸识别系统成败 的关键。识别模块根据所得到的参数完成对人脸的最后判别工作。 人脸自动识别的研究范围从广义上讲大致包括以下五个方面 的内容【2 】： ( 1 ) 人脸的检测与规范化【3 ，4 5 ，6 7 】：郎从各种不同的场景中检 测出人脸的存在并确定其位置，提取出人脸图像，并校正人脸在尺 度、光照和旋转等方面的变化。这一任务主要受光照、噪声、面部 倾斜度以及各种各样遮挡的影响。 ( 2 ) 人脸表征：即采用某种表示方式表示检测出的人脸和数 据库中的已知人脸。通常的表示方法有几何特征( 如欧氏距离、曲 率、角度) 、代数特征( 如矩阵特征向量) 、固定特征模板等。 ( 3 ) 人脸鉴别( 通常所说的“人脸识别”) ；即将待识别的人 脸与数据库中的已知人脸比较，得出相关信息这一过程的核心是 选择适当的人脸的表征方式与匹配策略，系统的构造与人脸的表征 方式密切相关。 ( 4 ) 表情姿态分析：即对待识别人脸的表情或姿态信息进行 分析，并对其加以归类。 ( 5 ) 生理分类：即对待识别人脸的生理特征进行分析，得出 其年龄、性别等相关信息。 1 2 人脸识别的发展及现状 人脸识别的研究已有很长的历史【，甚至可以追溯到1 9 世纪， g a l t o n 就曾经用一组数字代表不同的人脸侧面特征。人脸识别的输 入图像通常有三种情况：正面、倾斜、侧面。根据实际情况的要求， 对人脸正面模式的研究最多，它的发展大致可分为以下三个阶段。 第一阶段以b e r t i l l o n 、a l l e n 和p a r k e 为代表，主要研究人脸 识别所需要的面部特征。在b e r t i l l o n 的系统中，用一个简单的语 句与数据库中的某一张脸相联系，同时与指纹分析相结合，提供了 一个较强的识别系统。为了提高脸部识别率，a l l e n 为待识别脸设 计了一种有效和逼真的摹写，p a r k e 则用计算机实现了这一想法， 并产生了较高质量的人脸灰度图模型。这一阶段工作的特点是识别 过程全部依赖于操作人员，显然这不是一种可以完成自动识别的系 统。 第二阶段是人机交互式识别阶段。这一阶段的代表性工作有： g o l d s t i o n 、h a r m o n 和l e s k 用几何特征参数来表示人脸的正面图像 一l 。他们采用2 l 维特征向量表示人脸面部特征，并设计了基于这 一特征表示法的识别系统。k a y a 和k o b a y a s h i 则采用了统计识别方 法，用欧氏距离来表征人脸特征，如嘴唇与鼻之间的距离，嘴唇的 高度等。更进一步地，t k a n a d 设计了一个高速且有一定知识导引 的半自动回溯识别系统，创造性地运用积分投影法从单幅图像上计 算出一组脸部特征参数，再利用模式分类技术与标准人脸相匹配。 k a n a d 的系统实现了快速、实时的处理，这是一个很大的进步。总 的来说，这些方法需要利用操作员的某些先验知识，仍然摆脱不了 人的干预。 第三阶段是真正的机器自动识别阶段。近十余年来，随着高速 度高性能计算机的发展，人脸模式识别方法有了较大的突破，提出 了多种机器全自动识别系统【10 , 1 。根据人脸表征方式的不同，我 们通常将人脸正面自动模式识别技术分为三大类：基于几何特征的 识爨方法、蒸手代数特缝懿谖裂方法禳基予逐接凝铡靛谖嬲方法。 ( 1 ) 熬于几何特征的人脸难面自动识别方法。这类识别法将 入验蠲一个凡篱特征蠢爨表示，翔模式识爨审痿次蘩类弱蒜怒设诗 分类器达到识别目的。这就要求选取的几何特征向爨具有一定的独 特性。能够反映不同入脸之间鹩差嗣，同时叉具有定的弹牲，以 消除时阀跨度、光照等的影响。几俺特征向蟹是以入脸器富的形状 和几何关系为基础的特征向量，其分塞通常包括人脸指定两点间的 欧氏凝褰、馥奉、燕疫等。壤麴，p o g g i o 帮b r u n e l l i 曩改遴鳇积分 投影法提取出用欧氏距离表征的35 维人脸特征向量用于模式分类 n l 。p o g g i o 帮b r u n e l l i 酌系统获褥了9 0 滚上熬谈爨率。 | 羹稻遥 将b a r o n 的模板隧配法加以改进。设计了一种自动横板匹羁已识别系 统，并与基于几何特征酌识别系统做了性能比较。h u a n g c h u n g l i n 和c h e nc h i n g w e n 使用了另一种凡懈特征掇取枫翩。即采用动态 模板与活动轮廓模型提取出入脸器官的轮廓。动态横板是参数化的 蕊攀霪元楱墼，横擐先骚知识寇义均熬耋丞数及穰廒夔鹜像约束条 件指导其收敛过稷，主簧用于掇取跟踏和嘴融轮廓。而活幼轮廓则 是簸量囊夸纯钓灏线，巍髓耋滋数捂羚其浚簸裂嚣郏逶赛，主要羽 于提取属龟和下巴轮廓。在此_ 之前，y u i l l e 茵先利用动态模板进行 特镊提取，h u a n g cl 翼| j 进一疹提出了用动态模板舄活动轮廓避行 人脸几傍特征细提取的冀法。用动态模板与滔动轮廓提取出的人脸 器官轮廓，对入脸具有较为精确的橘述能力，为几何特，证向量的生 残耔下7 爨实静纂疆。隽癸，g l o r i ac h o w 采用7 自适应鬟夫交抉 与动态模檄相结含的方i 去。同h u a n gc l 类似，动态模板的作用是 撵壤疆瑭麓嘴巴耱薅，褥霍夫变袭裂主要躅予疆患疆球、下巴戆轮 廓。 ( 2 ) 基于代数特铤豹入濂正萄爨动谖剐方法。这类识羽法仍 然怒将人脸用特征向量袭示，只不过用的趋代数特征向蠢；即人脸 图像的表示是在幽“特蜒脸”张成的降维子空间上的投影。s i r o v i c h 窝k i l b y 营先将k l 变换用予入黢圈像懿最饯袭示 t 3 l 。t u r k 和 p e n t l a n d 进步提出了“特征脸”方法【】，该方法以 j l i 缘样本集的 总体散布矩阵为产生矩阵，经k l 变换后得到鞠应的一组特征向 量，称作“特征脸”。这榉，就产生了一个由“特援脸”向量张成 的予空间，每一幅入脸图像向其投影都可以获得一组坐标系数，这 鳃熊标系数表甓了人黢在子空翊孛熟位曩，实验表明这秘方法粪蠢 较强的稳定性，可以作为人脸识别的依据。m a s s i m ot i s t a r e l l i 和 e n r i c og r o s s o 潮谈兔“特征验”法肖一令弱限l 邵l ：都虽然验都不 同区域对识别的影响不同，但“特征脸”法却对糕个图像区域( 甚 至臀景) 采用统一的裔分辨率。m a s s i m ot i s t a r e l l i 和e n r i c og r o s s o 采用了以下方法解决这个问题： ( a ) 对数据库中每个人采用个不同的视角，每个视角由p 幅 苓囿夔嚣跨缀成，分剃瓣应不同的脸罄重要特援( 翔骣睛、囔篷黪) ； 这与人脸视觉系统的功能类似：人脸视觉系统就怒通过巍接把观察 赢定整刭验舔繁要特缀豹方式降低绥号的带宽，跌磊减少了楚疆时 间。由每一个视角图片集( j p 幅不同的图片) 产生一个维特征向 璧。计算其与所有对象向量平均值之差：k = 吭一甲，r = 古旷。 其中，m 。n 不同人股类别数目。 9 ) 鼹m 个岛量致俦列，产生铤阵鸯a 。人黢空阉则由蛰方差 矩阵c = a a 7 的特征向量所张成。为了减少运算量，m a s s i m o t i s t a r e l l i 器e n r i c og r o s s o 莰采躅芰分耋黪，珏u ，( 帮去簿小饕缝蓬 对应的特征向擞) 定义人脸空间。然后，计算人腧图像向人脸空间 韵投影，并班魏作为不嗣入验图像静编码：m = u f y ，j = l ，2 ，m 。 由同一个人训练集中的不同规角图盼得到的投影向量取平均，得到 向量q = ( w l ，w ：，) 。，将此向登存储在数据霹中，作为此入的 验部标攥特鬣。分类器采用最小( 歉氏) 鼷离分类器，帮蜷德识别 人脸图像的代数特征与数据库中的标准特，征比较，距离最近者即为 掰衷。戴露器簧黯耀蔫蓬设是令上限，著掰褒躐离均太予踅上溪， 则拒识表明该人脸不在数据库中。 ( 3 ) 基于连接机制的人脸正面自动识别方法1 16 t ，1 8 i 。这类识 别法将人脸直接用灰度图( 二维矩阵) 表征，利用了神经网络的学 习能力及分类能力。这种方法的优势在于保存了人脸图像中的材质 信息及细微的形状信息，同时避免了较为复杂的特征提取工作。而 且，由于图像被整体输入，符合格氏塔( g e s t a l t ) 心理学中对人类 识别能力的解释。与前两种识别方法相比，基于连接机制的识别方 法具有两个明显的不同：一是信息处理方式是并行而非串行：二是 编码存储方式是分布式。k o h o n e n 率先运用自相关记忆( 全互联神 经网络) 存储和重建人脸图像。利用简单h e b b 学习律人脸图像 的自相关记忆将被创建并存储在全互联神经网络的权值中。实验表 明。在噪声存在甚至人脸图像被部分遮挡的情况下，该网络能有 效地重建人脸图像。这表明了自相关神经元具有识别能力。 m i l l o w a r d 和o t o o l e 利用的则是w i d r o w h o f f 学习律，同样证明 了自相关神经元具有识别能力。c o t t r e l l 和f 1 e m i n g 采用了不同的 网络拓扑结构一一非线性前馈神经网络。该网络经b p 算法训练后 用于人脸灰度图像的识别。他们采用的前馈式神经网络具有4 0 9 6 个输入神经元，8 0 个隐层神经元，4 0 9 6 个输出神经元。神经元的 激活函数为s i g m o i d 函数。该网络实际上实现了对多幅人脸图像的 压缩编码( 编码信息同样储存在权值中) ，对人脸识别与生理分类 均具有较高的准确率。 基于几何特征的识别法、基于代数特征的识别法和基于连接机 制的识别法在最近十几年中均对“人脸识别”这一研究领域做出了 很大的贡献，同时深化了我们对人类复杂视觉机制的了解，取得了 一定的成功。但是也各有其优缺点。基于几何特征的识别法困难在 于没有形成一个统一、优秀的特征提取标准。由于成人的面部模式 千变万化，即使是同一个人的面部图像，由于时间、光照、摄像机 角度等不同，也很难用一个统一的模式来表达，造成了特征提取的 困难。不过，由于现在各种优秀特征提取算法( 如动态模板、活动 轮廓等) 的提出，使得人脸的几何特征描述越来越充分。而且在表 6 蠢努凝方溅，入黢的足镑穗锺扔然燕簸毒老豹判攒；基予筏羧黪薤 的识别法在实际应用中取得了一定的成功。由于代数特征向量( 即 入黢圈豫肉久验窆阗稳投影) 曩畜一定鹣稳定性，谖巍系统对攀同 的倾斜角度，乃诞不同的表情均有一定的鲁棒性。但是。这也说明 了这种方法对表情豹描述不够充分，难渡搠子表情分析。基予涟接 机制的识嬲法采用了神经网络，结构上更类似于人脑，程编码联缩 与信息处理方式等方面具有一定的优势。但由于潦始灰度图像数据 耋卡分痣犬，噻裁褪经元鼗联逶豢缀多，键练时瓣缀长。男终，宠 全基于神经网络的识别法在现有的计算机系统( 冯诺伊曼结构) 上瞧畜箕内在鹣羁疆卷。劳嚣捧经瓣绣虽然畜较谶约癌缝蘸力，毽 当样本数大量增加时，萁性能有可能会严重下降。总之，人脸识别 困其表征对象的年龄、表情、禳辩等因素鹃哥交髓丽使蒺特征袈述 比较里难，因此，它的识别效果离寅甩还肖较大的距离。今后，人 们将越来越多的借鉴生物生溅模型和生物心理模溅的研究成粜t 班 攒提蹇特薤表达麴鲁壤毪帮蔼持续拣，进嚣提裹识别率。 1 3 本文的主要工作 目前人脸识别的研究可分为几何特征识别的研究方法和企局 特缝谖象兹研巍方法。凡 霉赞薤识粼静方法圭要寿：透器鼹爨、模 板匹配、人脸侧面的特征提取等；黛局特镊识别的主要方法有：自 缎织特镊提取法、等获度线法、神经网络方法等。这鳖方法辩予热 傀提取人脸特祗及提取哪些特征傲了许多的掇索。但在解决自适应 性和特征提取之间韵矛盾上静无长足的进展。为此，本文摄磁了主 嚣分援熬糖经瓣络据缱会魄方法，该方法攘提取人脸特征匏尉畦还 傺持了良好的囱适应性。 弱糙主元分辑方法来撬取入戆靛特鬣，这耱方法蠡麸上令壤纪 九十年代以来一直受到很大的重视，也取得了较好的效果尽管它 本身还存在着一些缺陷，但是由于其简单、快速、易行的特点，并 且从整体上反映了人脸图像的灰度相关性因此，围绕主元分析的 改进方法也不断出现。由于主元分析方法存在易受光照强度影响的 缺点，利用主元分析方法进行特征提取之前，本文用直方图均衡技 术对人脸图像进行了预处理，使人脸图像具有了统一的均值和方 差，部分地消除了光照的影响，修正了图像的灰度直方图。然后就 可以使用主元分析方法对人脸图像进行特征提取了。 人工神经网络是一种非线性动力学系统，它具有良好的自学 习、自组织和自适应能力。因此，人工神经网络被应用到众多的研 究和应用领域之中。特别是它的自适应能力在模式识别方面表现得 尤为突出。为了提高人脸识别系统的自适应性，本文分别采用b p 神经网络和径向基函数神经网络作为分类器进行人脸识别，为了说 明神经网络在人脸识别中的优越性，本文对神经网络和最近邻距离 分类器的识别结果进行了比较。实验结果表明，使用主元分析和神 经网络相结合的方法具有较强的自适应性、较高的识别率和较强的 抗噪声能力。 b p 神经网络是目前应用最为广泛的一种人工神经网络。b p 神 经网络是一种多层的前馈型神经网络，它可以实现任意的线性或非 线性的函数映射，具有较强的自适应性。然而，由于b p 神经网络 是基于梯度下降的误差反向传播算法进行学习的，所以b p 神经网 络也存在着一些缺陷，例如其网络的训练速度通常很慢，而且很容 易陷入局部极小点等。本文针对b p 神经网络存在的一些缺陷，提 出了一些改进的方法，使b p 神经网络的学习步长能够在网络的训 练过程中自适应地调整其大小，从而大大地加快了b p 神经网络的 训练速度。而且还可以使网络在训练过程中跳出局部极小点，到达 全局最小点。另外，本文还对隐层神经元个数的选取以及神经元激 活函数的改进都做了一些探索性的工作。本文提出的这些方法也在 一定程度上加快了网络的收敛速度，同时对b p 神经网络的自适应 性也有一定程度的提高。 1 4 本文的安排 从文章的内容看，论文分为五个部分。首先是论文的引言部分。 主要介绍了课题的研究意义和研究内容，以及人脸识别的发展过程 和本文的主要工作。其次介绍了人脸图像的预处理，并介绍了k - l 变换以及它的一些性质，并用k l 变换进行人脸图像的特征提取。 然后介绍了传统b p 神经网络和它的一些特点以及存在的缺陷，在 此基础上介绍了改进的b p 神经网络，并用改进的b p 神经网络作 为分类器进行人脸识别，并与最近邻距离分类器的识别结果进行了 比较。接着介绍了常用的另一种神经网络一一径向基函数神经网 络，包括它的结构、特点及算法并把它也作为分类器进行人脸识 别，同时也与最近邻距离分类器的识别结果进行了比较。最后对这 两种神经网络的识别结果进行了比较，并对实验结果进行了分析。 第2 章人瞳图像的预处理和特征攫取 2 。 入羧图像鑫每预链理 2 。 。 搬述 瓣辕入围像憋预处壤是人黢识鬟系统中鬃关耋簧的一疹，采怒 基于生元分析的人脸识别方法魑一种纂于图像整体的识别方法，熟 搴蒺 芨赣予鹜豫豹秘关毪，差嚣努毒蓐燕一静溪像统诗方法，入脸瀚 像中所有的像素被赋予了同等的地位，因此同一人脸在不同的尺寸 大小、旋转麓度、光照强发下静差异葳殃到特征空间中裁会存在较 大的差异。为了使识别过程满足主元分柝算法的基本要求，提高人 脸识别系统的识别率，在对人脸图像谶行主冠分析芝前，需要对入 验匿像进学人眼定位、旋转、剪裁、足寸虹一化、灰度癌一化等壤 处理。使所有图像在位鬣上标准化，以达到能置校准、灰发校正的 器豹，鞋酒豫夫羧嚣像鼗足专太小、角度旋转、竞熊强弱带来夔不 利影响。 2 1 2 人脸图像的几何归一化 蜜2 - l爨像羹载毙铡示意匿 人脸豳像的几何归一化可以消除由于尺度放绻、角度旋转造成 的影晌，_ 舀丁以在一定程度上使入脸翻像具裔几何不变往1 朝。假设 人舱圈像豹左右薅眼中心的位爨已经确定，并分别记为笠，和目，如 图2 l 所示。则可以通过以下步骤达到几何归一化的目的： ( 1 ) 进行图像旋转，以使e ，和e l 的连线面万保持水平。这保 证了人脸方向的一致性消除了旋转角度的影响，实现了人脸图像 在图像平面内的旋转不变性。 ( 2 ) 根据图2 - 1 所示的比例关系，进行图像剪裁。如图2 1 所示，设0 点为e ，e l 的中点，且令d = i ，蜀1 。经过剪裁，在2 d 2 d 的 图像内，可保证0 点固定于( o 5 d ，d ) 处。这保证了人脸位置的一致 性，实现了人脸图像在图像平面内的平移不变性。 ( 3 ) 进行图像缩小和放大的变换，得到同一大小的校准图像。 假定校准图像的大小为6 4 6 4 像素点则缩放倍数为口= 2 d “。这 使得d = e ，e l 为定长( 32 个像素点) 。这保证了人脸大小的一致性， 实现了人脸图像在图像平面内的尺度不变性。 经过图像校准，不仅在一定程度上获得了人脸表示的几f - 7 不变 性，而且还基本上消除了头发和背景的干扰。 2 1 3 人脸图像的灰度归一化 在完成人脸图像的几何归一化后，需要对校准图像做灰度拉 伸，以改善图像的对比度，采用直方图修正技术可以使图像具有统 一的均值和方差，以部分地消除光照强度的影响。 灰度直方图是反映一幅图像中的灰度级与出现这种灰度的概 率之间的关系的图形【2 0 1 。灰度直方图是灰度值的函数，它描述了 图像中具有该灰度值的像素的个数，灰度直方图的横坐标表示像素 的灰度级别，纵坐标表示该灰度出现的频率。任何一幅图像的直方 图都包含了可观的信息，某些类型的图像还可以由其直方图完全描 述。因此通过对图像的直方图的修正就可以重新分配各个灰度级的 像素在整个图像中所占的比例。两幅光照强度不同的人脸图像的直 方图如图2 2 所示。 由图2 2 可以看出，图像的直方图清楚地描述了各个荻度级像 素的分布情况。图像的直方图与图像的均值和方差密切相关。图像 的均值和方差分别定义为： 2 志善善刖 ( 2 - 1 ) 盯2 = 击阻( f ，) 一】2 (2-w2)h 鲁鲁。”1 、 一 圈2 2 修正前的直方图图2 - 3 修正后的直方闰 其中，4 ( f ，) 表示图像在像素点( f ) 上的灰度值，矽表示图像的 宽度，日表示图像的高度。图像的均值是反映图像平均亮度的物理 量，而图像的方差则是反映图像亮度变化大小的物理量。如图2 - 2 所示，第一个人脸原始图像的均值为8 9 ，方差为2 0 ：第二个人脸 原始图像的均值为l5 9 ，方差为2 0 。如果真接对其进行主元分析 则反映到特征空间中就会存在较大的差异。所以必须进行直方图的 修正。为此本文采用了直方图均衡技术，使人脸图像的灰度值范围 扩展到【0 ，2 5 5 ，则会明显地增强人脸图像的对比度，如图2 3 所 示，并且使图像具有了统一的均值和方差( 修正后的人脸图像均值 为1 2 7 ，方差为7 5 ) ，部分地消除了光照强度的影响。 2 2k - l 变换 k l 变换是k a r h u n e n - l o e v e 变换的简称，这是一种常用的正 交变换2 。对于给定的信号向量工= b ( 1 ) ，善( 2 ) ，x ( ) r ，经过k l 变 换后变为点向量y ，y 的各个分量之间完全消除了相关性，并且y 对x 近似的均方误差为最小。因此，k l 变换被称为最佳变换。它 主要用于一维和二维信号的数据压缩。它可以用较少数量的特征对 样本进行描述以达到降低特征空间维数的目的。 对给定的信号x ( 疗) ，若它是正弦信号，那么不管它有多长，我 们仅需要三个参数，即幅度、频率和相位，即可完全描述它。当我 们需要对x ( n ) 进行传输或存储时，仅需要传输或存储这三个参数。 在接收端，由这三个参数就可完整无误地恢复出原始信号，因此达 到了数据最大限度的压缩。对大量的非正弦信号，如果它的各个分 量之间完全不相关，那么则表示该数据中没有冗余，需要全部传输 或存储；如果x ( n ) 中有相关成分，那么通过去除相关性可以达到数 据压缩的目的。 一个宽平稳的实随机向量工，j = b ( 1 ) ，x ( 2 ) ，x f n ) y ，则它的协 方差矩阵c ，定义为 c ，= e ( ( x 一；) ( x j ) r = lc ，c ? c i lc 1 2 l c 。c ，：刭 ， ( 2 - 3 )