1、学科分类号 520.20 本 科 毕 业 论 文 题 目 人脸图像识别技术及鲁棒性的研究 姓 名 学 号 1007020540068 院 （系） 物理与电子科学学院 专 业 物理学 年 级 2010级 指导教师 职 称 讲师 二一四 年 四 月 贵州师范学院本科毕业论文诚信声明 本人郑重声明：所呈交的本科毕业论文，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。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结果由本人承担。 本科毕业论文
2、作者签名： （亲笔签名） 年 月 日 I 目录 摘要 . 2 1、 人脸图像识别技术综述 . 3 1.1 引言 . 3 1.2 人脸图像识别技术 . 3 1.3 人脸自动识别系统 . 4 1.4 本文的安排 . 6 2、人脸图像识别方法 . 6 2.1 face recognition PCA-based . 6 2.2 二维 PCA算法 (2DPCA) . 7 2.3 face recognition FLD-based . 8 2.4直方图 histogram 的人脸识别程序 . 10 3、人脸图像识别方法及鲁棒性的比较 . 11 3.1 实验准备及安排 . 11 3.2 基于 PCA和
3、FLD 的人脸识别鲁棒性比较 . 12 3.3 基于直方图 histogram 与 2DPCA算法的鲁棒性比较 . 12 3.4 小结 . 13 3.5 展望与存在问题 . 13 参考文献 . 15 致谢 . 17 贵州师范学院毕业论文 2 摘要人脸图像识别技术近年来越发越发受到重视及推广，它在图像采集、身份认证以及许多领域中都得到一定的采用。人脸图像识别技术指的就是通过采集人脸脸部特征，进行人脸判别，选择测试图像（摄像头或是静态人脸）库，和训练图像库， 进行比较选出要选择的图像，当然这是早期较不成熟的识别技术。现今人脸识别技术在国家地方政府，以及高校研究机构的共同努力之下，已经取得不错的成绩
4、。本文的目的是为了比较在 PCA、 FLD、直方图不同识别方法下的鲁棒性的探究。 关键词： 人脸识别 ;2DPCA；直方图 Abstract In recent years, more and more attention to promote it for Face recognition technology, that in the image acquisition, authentication, and many areas have been certain uses. Facial image recognition technology refers to the facia
5、l features by collecting human face ,conducting human face discrimination, select the test image (camera or static face) library, and training image library, comparing elected to choose an image, of course, early identification is less mature technologies. Under the joint efforts of the national loc
6、al government, research institutions and universities, have achieved good results. The purpose of this paper is to compare the PCA, FLD, Histogram robustness of inquiry under different identification methods. Keywords： face recognition; 2DPCA; histogram 贵州师范学院毕业论文 3 1、 人脸图像识别技术综述 1.1 引言 人脸图像识别技术近年来越
7、发受到重视及推广，它在图像采集、身份认证以及许多领域中都得到一定的采用。人脸图像识别技术指的就是通过采集人脸脸部特征，进行人脸判别，选择 测试图像（摄像头或是静态人脸）库，和训练图像库，进行比较选出要选择的图像，当然这是早期较不成熟的识别技术，现今人脸识别技术在国家地方政府，以及高校研究机构的共同努力之下，已经取得不错的成绩。本文的目的是为了比较在 PCA、 FLD（ fisherface)、直方图不同识别方法下的鲁棒性的探究。 1.2 人脸图像识别技术 生物特征识别技术将生物技术和信息技术相结合的一种创新技术，随着计算机技术和生物医学工程的快速发展， 利用其独特的身份的生物特征识别技术，生物
8、特征属性变得认证和鉴定，核查任务的首选方法，能承担这一重要 的安全性。 当前人体生物特征识别技术逐渐趋于成熟，发展速度稳健，基于生物特征的识别系统随着高新技术的发展，其识别率和鲁棒性正在逐步提高，应用也越来越广 1。 人脸识别技术是结合我们自己的人的视觉习惯，生理线，其中最自然，视觉识别技术之一的生物特征识别技术。成功的关键是人脸识别系统是否有一个成熟的核心算法，并确定了识别率和速度的实际结果； 90 年 代后的上个世纪，随着计算机技术的飞速发展，机器制造各种自动识别算法。目前的人脸自动识别技术主要有四类 2。 这四类都有各自的特点与优势：基于特征点贵州师范学院毕业论文 4 的人脸的识别算法。
9、直观 和简单的操作，但在姿势颌面部表情的人脸变化适应性和鲁棒性并不怎么乐观；基于模板识别算法，使用预先设定的模板和人脸图像从灰度相关运算确定实现人脸识别，表情中关键决策点的识别性能是人脸模板的选择； 基于整幅人脸图像的识别算法，第四类基于联系机制的方法，主要有两大类方法，分别为弹性图匹配方法和神经网络方法，其中基于神经网络方法因其特有的模糊特性和自我学习特性使其具有很强的鲁棒性和适应性，若能以硬件实现其并行的处理信息方式则能显著提高识别的速度。belhumer 等提出了 fisherface 人脸识别方法， fisherface 采用主成分分析法对人脸图像表观特征进行降维使其获得“尽量小的类内
10、散度和尽量大的类间散度”。基于 fisherface 及其改进的方法仍然活跃在今天的人脸识别领域上。随着计算机技术、模式识别等技术的进一步发展，人脸识别技术向前迈出了一大步。支持向量机做统计理论的代表，人脸建模和识别光照，年龄的变化和3D 模型已经成为应用到人脸识别上的一个研究热点。 对人脸识方法研究非常多，且涉及领域也非常广，其中比较著名的有美国的卡耐基梅隆大学机器人研究及交互系统实验室（ CMU），麻省理工学院媒体实验室（ MIT medialab）等， 1991 1997 年间实现了人机交互。人们研究重点是在较理想下、用户配合下的别问题。 1.3 人脸自动识别系统 一个典型的系统包括人脸
11、的训练过程和识别过程。主要完成训练过程将已知人脸进行检测定位、图像预处理、特征提取与选择、以及分类器的设计；识别过程完成，得到的照片进行处理，识别分类的身份。其总体结构如图 1.3所示 3: 贵州师范学院毕业论文 5 图 1.3典型人脸识别系统的总体结构 从图中可以看出，其主要功能模块包含如下几个部分： （ 1） 图像采集：人脸图像数据源包括静 止图像和运动图像序列（视频流）。主要是通过扫描仪，数码相机，摄像头，数字输入设备来获取。 （ 2） 人脸检测和定位：此模块用于所述分析输入图像，从而确定是否有人脸，如果有的话，识别出人脸的位置并使面部图像从背景图像分离开来。 （ 3） 图像预处理：作为
12、预处理的重要作用，使得在相同的规模和标准的面部图像，对输入图像的最终质量，以提供用于随后的处理。通常这部分需要提取出的图像比例正常化，灰度归一化，降噪，去光照，白平衡等功能能完成的。 （ 4） 特征提取和选择：经过根据一个策略，用于识别原始脸特征空间上的特征的人脸图像提取 处理被映射到新的空间。在这一步中，不仅要着登录系统 获取图像 已有人脸库 人脸检测定位 图像预处理 特征提取与选择 人脸检测定位 图像预处理 特征提取 与选择 识别 训练 给出身份 贵州师范学院毕业论文 6 眼于如何与良好的分离性能提取数据，我们还必须考虑到鲁棒性和整体算法处理等应用指标。 （ 5） 训练：分类器设计。这个过
13、程可以用来生成识别的主要参数。通常情况下，在已确定的样本训练集基础上确定某个判定规则，分类被识别对象所造成的错误识别率最小或者结果期望最大在该规则下。 （ 6） 识别：人脸通过比对未知参数和训练的结果，来分类和判别人脸，给出识别结果。 1.4 本文的安排 第一章，人脸图像识别技术综述。着重介绍了人脸图像识别技术的研究对象、意义、难点、国内外发展现状以及典型 人脸系统的组成。 第二章 ,人脸图像识别方法。 face recognition PCA-based， face recognition FLD-based， 直方图 histogram 的人脸识别程序，以上识别方法的运算都是在matlab
14、 上实现人脸识别。 第三章，人脸图像各种识别技术以及鲁棒性的比较。通过实验比对，比较出各种识别方法在鲁棒性上的优劣。 2、人脸图像识别方法 2.1 face recognition PCA-based face recognition PCA-based 是非常经典、实用的人脸识别方 法，我们通常称之为 eigenface。 传统主成份分析方法（ PCA）的基本原理是 4：利用 K-L贵州师范学院毕业论文 7 变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。具体原理如下： 一幅 NM 的人脸图像，将其每列相连构成一个大小为
15、 NMD 维的列向量。 D 就是人脸图像的维数，也即是图像空间的维数。设 n 是训练样本的数目； jx 表示第 j 幅人脸图像形成的人脸向量，则所需要样本的协方差矩阵为 5： Tjnj jr uxuxS )()(1 (2.1.1) 其中 u为训练样本的平均图像向量： nj jxnU 11 (2.1.2) 令 A= uxuxux m ,., 21 ,则有 Tr AAS ，其维数为 DD 。 根据 K-L 变换原理，需要求得的新坐标系由矩阵 TAA 的非零特征值所对应的特征向量组成。直接计算的计算量比较大，所以采用奇异值分解定理，通过求解 AAT 的特征值和特征向量来获得 TAA 的特征值和特征向
16、量。 依据 SVD 定理，令 ),.,2,1( rili 为矩阵 AAT 的 r个非零特征值， vi为 AAT应于 il 的特征向量，则 TAA 的正交归一特征向量 iu 为 : ),.,2,1(1 riAvlU iii 则“特征脸”空间为： ),.,( 21 ruuuw . 将训练样本投影到“特征脸”空间，得到一组投影向量 uwT ,构成人脸识别的数据库。在识别时，先将每一幅待识别的人脸图像投影到“特征脸”空间，再利用最邻近分类器比较其与库中人脸的位置，识别出该图形是否是其中的人脸，是哪一类。 2.2 二维 PCA算法 (2DPCA) 贵州师范学院毕业论文 8 假设一个大小为 nm 的 图像
17、 X，令投影空间 pmRU ,其中每列为正交向量，且 pn 。将图像矩阵 X 投影到 U 将产生一个 pm 的投影矩阵 XUY .在2DPCA 中，用投影矩阵 Y 的总离散度作为准则函数 )(UJ 来衡量投影空间 U的优劣 : )(UJ = )( ur St 其中： uS 是投影矩阵 Y 的协方差矩阵； )( ur St 是 US 的迹，且： UxExxExEUS TTu )()( (2.2.1) 图像的协方差矩阵 G 定义为 ： )()( xExxExEG T (2.2.2) G 是一个 n n的非负正定矩阵。假设有 M 幅测试样本图 ix ( Mi ,.,2,1 ),平均图像矩阵： Mi
18、ixMu 11 , )()(1 1 uxuxMG iTMi i , )()( GUUtUJ Tr . 由此可知，是的 )(UJ 最大的 U 中每列向量是图像协方 差矩阵 G 的 r 个非零特征值对应的特征向量，一般选择前面 p 个特征向量来构成特征空间 U： ),.,( 21 PUUUU = maxarg )(UJ , 0jTi UU ; ji! ; pj ,.,2,1 利用这个特征脸空间，分别将训练样本和测试样本投影到此空间，得到训练样本和测试样本的特征矩阵。利用最近邻分类器 ,根据测试样本投影特征矩阵与所有训练样本投影特征矩阵之间的最小距离来判断测试样本所属的类别 6。 2.3 face recognition FLD-based fisherface 方法也称为 fisher 线性判别分析 （ fisher linear discriminant analysis， FLDA） ， 1997 年由 P . N. Belhumeur 等人提出的 7。研究者注意到
