信息安全论文.docx

信息安全论文.docx

《信息安全论文.docx》由会员分享，可在线阅读，更多相关《信息安全论文.docx（10页珍藏版）》请在冰点文库上搜索。

信息安全论文

基于图像研究的人脸识别技术

数学计算机学院软件工程2011届王丽媛

摘要：

人脸识别因其在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、系统公安（罪犯识别等）等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点.

针对人脸识别这一问题，本文主要阐述了人脸识别技术的发展状况，存在问题，主要算法，人脸识别技术的常用方法[1]进行了分类总结，重点对近年来人脸识别方法的研究进展进行综述并对各种方法加以评价，总结了现阶段存在的研究困难并提出今后的发展方向.

关键字：

人脸识别技术，图像处理，人脸检测，算法分析

中图分类号：

TP3

Facerecognitiontechnologybasedonimageresearch

Abstract:

Facerecognitionbecauseofitsinthesecurityauthenticationsystem,creditcardvalidation,medicine,filemanagement,videoconference,human-computerinteraction,systemofpublicsecurity（criminalidentification,etc.）andsoongreatapplicationprospectandincreasinglybecomethepatternrecognitionandahotresearchtopicinthefieldofartificialintelligence.

Aimedattheproblemoffacerecognition,thispapermainlyexpoundsthedevelopmentoffacerecognitiontechnology,theexistingproblems,themainalgorithmoffacerecognitiontechnologyofthecommonlyusedmethodsareclassified,focusingontheresearchprogressoffacerecognitionmethodsinrecentyearsweresummarizedandtoevaluatevariousmethods,summarizesthepresentresearchdifficultiesandputforwardthedevelopmentdirectioninthefuture.

Keywords:

Facerecognitiontechnology，Theimageprocessing，Facedetection，Algorithmanalysis

Chineselibraryclassification：

TP3

目录

1引言1

1.1人脸识别技术的研究意义和发展现状1

1.2人脸识别的研究范围1

2人脸识别的图像处理的主要算法2

2.1基于LGBP的人脸识别方法2

2.2基于AdaBoost的Gabor特征选择及判别分析方法3

2.3基于SV的Kernel判别分析方法sv-KFD3

2.4基于特定人脸子空间的人脸识别方法4

3人脸的图像处理4

3.1图像预处理4

3.2数字图像处理的主要方法和技术5

3．2.1图像变换5

3．2.2图像增强6

3.2.3图像复原6

3.2.4图像压缩编码6

3.2．5图像分析基础6

3.2.6颜色对实现思路介绍7

4结束语7

4.1总结7

4.2人脸识别技术的发展前景及趋势7

参考文献8

致谢8

基于图像研究的人脸识别技术

1引言

1.1人脸识别技术的研究意义和发展现状

人脸识别技术（FaceRecognitionTechnology）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，在诸如证件检验、银行系统、军队安全、安全检查方面都具有相当大的应用前景.这方面的研究最早始于二十世纪七十年代初期，由于当时计算机技术发展水平等因素的限制”“l，此项研究并没有受到广泛的重视，甚至一度处于相对停滞状态.进入二十世纪九十年代以来，计算机人脸识别的研究重新成为人们所关注的热点，在心理学、“神经网络”、“工程学”、“图像处理及分析”、“数字图像处理”、“计算机视觉”等方面发表了大量的关于人脸识别的论文，仅从1995年3iU2001年之间，EI检索到的相关文献就多达数千篇.由于人脸表情丰富，并且受光照、成像角度及成像距离等因素的影响，还涉及模式识别和神经网络等学科，同时也和对人脸的认识程度密切相关，这诸多因素使得人脸识别成为一项极富挑战性的研究课题.

人类在日常的社交活动中经常需要“认人”，这主要是通过识别人身上最独特、最重要的特征——人脸，人类识别人脸的能力非常强，是目前所有用计算机实现的自动人脸识别系统所无法比拟的.

1.2人脸识别的研究范围

“人脸识别（FaceRecognition）”的研究范围一般主要包括以下五个方面的

（1）人脸的检测（FaceDetection）：

在不同背景条件下检测出人脸存在并且确定其位置.影响这一任务的因素主要有光照、噪声、面部倾斜度以及各种各样遮挡等.

（2）人脸的表征（FaceRepresentation）：

采取某种表示方式表示检测出来的人脸.一般的表示法包含代数特征、几何特征、固定特征模板、特征脸、云纹图等.

（3）人脸的识别（FaceIdentification）：

主要是将需要识别的人脸和所存在的数据库中人脸比较.这一过程的关键是选择恰当的人脸表征方式，以及匹配策略.

（4）表情/姿态分析（Expression/GestureAnalysis）:

主要是对需要识别的人脸表情或者姿态信息进行分析,归类.

（5）生理分类（PhysicalClassification）主要是指对需要识别的人脸的生理特征进行分析,得出相关信息，比如性别，年龄等.

2人脸识别的图像处理的主要算法

2.1基于LGBP的人脸识别方法

对于给定的人脸图像[2]，LGBP方法首先将其与多个不同尺度和方向的Gabor滤波器卷积（卷积结果称为Gabor特征图谱）获得多分辨率的变换图像.然后将每个Gabor特征图谱划分成若干互不相交的局部空间区域，对每个区域提取局部邻域像素的亮度变化模式，并在每个局部空间区域内提取这些变化模式的空间区域直方图，所有Gabor特征图谱的、所有区域的直方图串接为一高维特征直方图来编码人脸图像.并通过直方图之间的相似度匹配技术（如直方图交运算）来实现最终的人脸识别.在FERET四个人脸图像测试集合上与FERET97的结果对比情况见下表.由此可见，该方法具有良好的识别性能.而且LGBP方法具有计算速度快、无需大样本学习、推广能力强的优点.

2.2基于AdaBoost的Gabor特征选择及判别分析方法

人脸描述是人脸识别的核心问题之一，人脸识别的研究实践表明：

在人脸三维形状信息难以准确获取的条件下，从图像数据中提取多方向、多尺度的Gabor特征是一种合适的选择.使用Gabor特征进行人脸识别的典型方法包括弹性图匹配方法（EGM）和Gabor特征判别分类法（GFC）.EGM在实用中需要解决关键特征点的定位问题，而且其速度也很难提高；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别分析，尽管这避免了精确定位关键特征点的难题，但下采样的特征维数仍然偏高，而且简单的下采样策略很可能遗漏了非常多的有用特征.

针对上述问题，我们考虑如何对Gabor特征进行有效降维，将目前受到极大关注的AdaBoost算法创新性的应用于Gabor特征的选择上来，用于提取对识别最有利的特征（我们称这些选择出来的Gabor特征为AdaGabor特征），并最终通过对AdaGabor特征的判别分析实现识别（称该方法为AGFC识别方法）.在CAS-PEAL和FERET人脸图像库上的对比实验表明：

AGFC方法不但可以大大降低Gabor特征的维数从而可以更加有效地避免“维数灾难问题”，降低了计算复杂度，同时识别精度也有了较大的提高.将AGFC与EGM，GFC进一步比较可以看出：

无论是EGM还是GFC，均是主观的选择若干面部关键特征点提取人脸的特征表示，而我们提出的AGFC方法则是通过机器学习的方法自动的选择那些对区分不同人脸具有关键作用的Gabor特征.

2.3基于SV的Kernel判别分析方法sv-KFD

支持向量机（SVM）和KernelFisher分析是利用kernel方法解决线性不可分问题的两种不同途径，我们将二者进行了有机结合.我们首先证明了SVM最优分类面的法向量在基于支持向量的类内散度矩阵的前提下具有零空间性质，基于此定义了核化的决策边界特征矩阵（KernelizedDecisionBoundaryFeatureMatrix，简写为KDBFM），最后利用基于零空间的KernelFisher方法计算投影空间.[3]我们还进一步提出了融合类均值向量差及KDBFM来构建扩展的决策边界特征矩阵（EKDBFM）的方法，并把这两种方法成功地应用到了人脸识别领域，在FERET和CAS-PEAL数据库的实验结果表明该方法比传统人脸识别算法具有更好的识别性能.

2.4基于特定人脸子空间的人脸识别方法

“特征脸”方法中所有人共有一个人脸子空间，而我们的方法则为每一个体人脸建立一个该个体对象所私有的人脸子空间[4]，从而不但能够更好的描述不同个体人脸之间的差异性，而且最大可能地摈弃了对识别不利的类内差异性和噪声，因而比传统的“特征脸算法”具有更好的判别能力.另外，针对每个待识别个体只有单一训练样本的人脸识别问题，我们提出了一种基于单一样本生成多个训练样本的技术，从而使得需要多个训练样本的个体人脸子空间方法可以适用于单训练样本人脸识别问题.在YaleFaceDatabaseB人脸库对比实验也表明我们提出的方法比传统的特征脸方法、模板匹配方法对表情、光照、和一定范围内的姿态变化具有更优的识别性能.

3人脸的图像处理

3.1图像预处理

图像预处理是人脸识别的重要环节，是进行人脸识别的前提.预处理的质量将直接影响到最终的识别结果.下面介绍本文的人脸识别系统的预处理过程.

本文的预处理过程主要是对图像进行标准化[5]，即尺寸归一化和灰度归一化引.鉴于拍摄时已经将摄取的人脸图像进行了相应的规定和处理，即人脸图像的像素大小已经完全相同，且为了减少预处理的时间，因此这里只对图像的灰度进行处理[6]，具体方法如下：

为了减少光照条件变化对人脸识别的影响，对每幅图像进行自身灰度的零均值处理，即每幅图像减去自身灰度的均值，并在此基础上对标准库中的原始图像进行灰度的线性变换[7].

图像灰度的线性变换是点运算中最简单的运算之一.所谓灰度线性变换，即将图像中所有的点的灰度按照线性变换函数进行变换[8].该线性变换函数f【x）是一个一维线性函数，可用如下公式表示：

f（x）=fa．x+fB

灰度变换方程[9]相应的可以写为：

DB=f（DA）=fA*DA+fB.

其中各个参数的含义如下：

参数．廖为线性函数的斜率；

fB为线性函数在Y轴的截距；

DA表示输入图像的灰度；

DB表示输出图像的灰度.

当fA>l时，输出图像的对比度将增大；当fA

3.2数字图像处理的主要方法和技术

3．2.1图像变换

一般指利用正交变换（诸如傅立叶变换、余弦变换、沃尔什变换、小波变换等等）的性质和特点[11]，见图像转换到变幻域中进行处理，如由时间域或空间域的图像转换到频率域的变换处理以改善图像的质量，同时还因为大多数变换都有快速实现的方法，从而大大提高了处理运算的速度.该部分主要研究各种变换模型和处理方法.

3．2.2图像增强

指利用各种数学方法和变换手段提高图像中的对象与非对象的对比度与图像清晰度，对象指所需研究的目标，非对象指对象以外的背景.从而突出人或其它接收系统所感兴趣的部分[12]，例如若强化图像高频分量，则可使图像中目标轮廓清晰、细节明显等等.该部分主要研究各种增强模型和处理方法.

3.2.3图像复原

在景物成像过程中，由于目标的高速运动、介质散射、系统畸变、噪声干扰等因素，致使最后形成的图像存在种种恶化.把恶化了的图像恢复到能真实反映原景物图像的处理，称为图像复原[13].该部分主要研究各种校正模型和处理方法.

3.2.4图像压缩编码

把数字化的图像数据按一定规则迸行排列或运算的过程，称为图像编码.利用图像本身的内在特性，通过某种特殊的编码方式，达到减少原图像数掘时空占用量的处理叫做图像压缩编码[14].该部分主要研究各种高效压缩编码方法.

3.2．5图像分析基础

图像处理的另一个重要分支是图像分析，它主要研究图像特征、图像分割、

图像描述以及一些图像分析方法.

3.2.6颜色对实现思路介绍

主要目的：

借助图像中相邻予块之间的颜色直方图的配对建模，实现对图像中的具体对象的查询，支持对象的移位、旋转和部分变形[15].

4结束语

4.1总结

本文主要基于图象识别和处理的方法进行了人脸识别的研究，并且对人脸识别系统进行实现.通过一些人脸识别的主要算法来研究，最后得到满意的结果.

4.2人脸识别技术的发展前景及趋势

人脸识别应用已经越来越被很多企业及相关行业标准制定部门所关注.如2007年发布的上海市地方标准《重点单位重要部位安全技术防范技术要求》中的城市轨道交通和酒店、办公楼部分明确要求使用人脸识别装置，且轨道交通部分为强制性要求；2009年8月1日实施的北京市地方标准《城市轨道交通安全防范技术要求》中明确要求要有人脸采集系统及使用人脸比对技术.人脸识别技术作为安全防范技术中一个重要组成部分，逐渐从系统集成发展到嵌入式独立工作，再到模块化、芯片化.这都需要我们每一位行业人员去努力，始终在不断的更新技术、研发新产品、开发新应用，才能为生物识别特征技术发展带来新的契机.

参考文献

[1]王丹．粗糙集理论在图像处理中的若干问题研究：

（硕士学位论文）[D]．国防科技大学研究生院．2005：

11—14

[2]赵静，夏良正，舒志强等．不同光照条件下特征脸方法的改进研究[J]．计算机

应用研究．2005，22（6）：

240-242

[3]苏宏涛．基于统计特征的人脸识别技术研究：

（博士学位论文）[D]．西北工业大学．2005

[4]张志勇．基于神经网络的图像识别研究：

（硕士学位论文）[D]．河北工业大学．2006：

45—47

[5]AndrewR．Webb著，王萍，杨培龙，罗颖昕译．统计模式识别（第二版）[M].北京：

电子工业出版社，2004：

250—251

[6]肖冰，王映辉．人脸识别研究综述[J]．计算机应用研究．2005，22（8）：

1-5

[7]刘艳丽，赵跃龙．人脸识别技术研究进展[J]．计算机工程．2005，31（3）：

10-12

[8]周杰，卢春雨，张长水等．人脸自动识别方法综述[J]．电子学报．2000，28（4）：

102—106

[9]山世光.面部特征检测与识别的研究与实现[M].哈尔滨：

哈尔滨工业大学，1999年7月

[10]胡迎春等.人脸图像特征点眼睛的定位与提取[J].柳州：

广西工学院学报，2003年3月

[11]蒋遂平.人脸识别技术及应用简介[M].北京：

中国计算机世界出版社，2003年12月

[12]HochulShin,Seong-DaeKim,Hae-ChulChoi.Generalizedelasticgraphmatchingforfacerecognition[J].PatternRecognitionLetters,2007,v28,n9,1077~1082

[13]杨洋,曹向峰,平衡.《基于模型匹配人脸识别的研究》[D].辽宁大学学报自然科学版第35卷

[14]XX百科.

[15]王琳,李勇平,王成波,张鸿洲.《基于二维Gabor小波矩阵表征人脸的识别算法》[D].计算机工程第34期.

致谢

在此，我首先对杨老师表示深深的感谢，在这学期我通过上他的信息安全这门课程，我对人脸识别这一课题有了浓厚的兴趣.他严谨的治学态度和高尚的品格深深的感染着我，也是催我上进的动力.他的教诲使我终生受益.

我的论文之所以能够顺利完成凝聚了许多帮助过，支持过我的人的智慧和汗水，在这里我要向你们道一声谢谢.今后，我要用加倍的努力和热情去学习回报你们的帮助与支持.