人脸识别论文基于特征脸.docx

人脸识别论文基于特征脸.docx

《人脸识别论文基于特征脸.docx》由会员分享，可在线阅读，更多相关《人脸识别论文基于特征脸.docx（38页珍藏版）》请在冰点文库上搜索。

人脸识别论文基于特征脸

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

作者：

***

指导老师：

***

Abstract

Biometics,becauseofusingtheproperlivingcreaturecharacteristicofhumanbody,isthetotallybrandnewtechniquedifferentfromtraditionalpersonalideniificationmethodandithasthebettersafety,dependablewiththeusefulness,anditwaspayedgreatattention.Facerecongnitionisanimportantcomponentofbiometricsandinallkindsofmethods,itisalsooneofthemostactiveandchallengingtasksforcomputervisionandpatternrecognitioninrecent30years.Facerecognitionhasawiderangeofpotentialapp1icationsintheareasofpublicsecurity，identificationofcertificate，entrancecontrolandvideosurveillanee.

Thispapermainlystudiestheapproachestothefeaturesextractionandrecognitioninthefacedatabase.Themaincontentsareasfollows:

（1）Giveafullintroducetothecontentsoffacerecongnition,relatedtechonology,themainimplementmethodsanditsdevelopmenthistory.

（2）GiveaintroducetothePrincepleComponentsAnalysis（PCA）,K-Ltranslation,andrealizeditviaeigenfacemethod.

（3）Programeditbasedthematlabenvironmentandprovidetheexperimentresultandanalysisedit.

KeyWords:

FaceRecongnition，Eigenface，K-LTranslation,PrincipleComponentAnalysis

前言

目前，在个人身份鉴别中主要依靠ID卡和密码等传统手段，这些传统手段的安全性能较低，都是基于“Whathepossesses”或“Whatheremembers”的简单身份鉴别，离真正意义上的身份鉴别“Whoheis”还相差甚远。

依靠传统方法来确认个人身份越来越不适应现代科技的发展和社会的进步。

生物特征识别技术给可靠的身份鉴定带来了可能。

最近，国际生物特征组织（IBG）对生物特征识别技术做了较详细的市场分析和预测，其结果显示，全球生物特征识别技术2009年的产值将为34亿美元，预计到2014年将超过93亿美元，市场潜力非常巨大[1]。

生物识别技术是指利用一个人固有的生理或行为特征进行自动的身份认证。

只有满足以下几个条件的生理或行为特征才能被用做生物识别特征:

1）普遍性。

即每个人都要具备这种特征。

2）唯一性。

即不同的人应该具备不同的这种特性。

3）持久性。

即这种特征不随时间地点的改变而变化。

4）可采集性。

即该特征可以被定量地测量。

研究和经验表明，人脸、指纹、手型、掌纹、虹膜、视网膜、签名、声音等都满足这些条件，可以用于识别人的身份。

基于这些特征，人们发展了人脸识别、指纹识别、语音识别、虹膜识别等多种生物识别技术。

在所有的生物特征识别技术中，利用人脸特征进行身份识别是最自然、最直接和最友好的手段。

与其它生物特征识别技术相比，人脸的获取非常容易，几乎可以在被采集对象无意识的状态下获取人脸图像，这样的取样方式没有“侵犯性”。

人脸识别技术是一种重要的生物特征识别技术，应用非常广泛。

人脸是自然界存在的一种特殊的复杂视觉模式，它包含及其丰富的信息。

首先，人脸具有一定的不变性和唯一性，人脸识别是人类在进行身份确认时使用最为普遍的一种方式，人脸图像还能够提供一个人的性别、年龄、种族等有关信息。

其次，人脸也具有多样的变化能力，从人脸的不同表情人们可以感知到一个人的情绪、感受、甚至秉性和气质。

它无需特殊的采集设备，系统的成本低，而且自动人脸识别的使用非常自然，可以在被识别对象毫无察觉的情况下进行，是一种非常受使用者欢迎的方式。

虽然人类在表情、年龄或发型等发生巨大变化的情况下，可以毫不费力地由人脸来识别某一人，但要建立一个能够完全自动进行人脸识别的系统却是非常困难的，诸多因素使得人脸识别研究成为一项极具挑战性的课题.它牵涉到模式识别、图像处理、计算机视觉、生理学、心理学、以及认知科学等方面的诸多知识，并与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。

与指纹、视网膜、虹膜、基因、掌形等其它生物特征识别系统相比，人脸识别具有直接、友好、方便和非接触等许多优点，多年来一直受到许多研究者的关注。

人脸识别研究，起源于l9世纪末法国人SirFranisGahon的工作。

到20世纪9O年代，开始作为一个独立学科快速发展起来。

人脸识别研究的发展大致分成三个阶段：

第一阶段以Allen和Parke为代表，主要研究人脸识别所需要的面部特征。

研究者用计算机实现了较高质量的人脸灰度图模型。

这阶段的工作特点是识别过程全部依赖于操作人员。

第二阶段是人机交互式识别阶段，其中用几何特征参数来表示人脸正面图像是以Harmon和Lesk为代表，将人脸面部特征用多维特征矢量表示出来，并设计了基于这一特征表示法的识别系统。

而以Kaya和Kobayashi为代表，则采用了统计识别的方法、用欧氏距离来表示人脸特征。

这两类方法都摆脱不了人的干预。

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，人脸识别技术进人了实用化阶段。

如Eyematic公司研发的人脸识别系统。

我国清华大学的“十五”攻关项目《人脸识别系统》也通过了由公安部主持的专家鉴定。

人脸识别有着广泛的应用领域：

（1）在安全防范领域中的应用。

社会上有许多重要的部门，如军事、金融、保密等部门都需要对出入人员进行身份识别，以防止信息泄漏和不法现象的发生。

使用该技术可以方便地进行身份识别，而不使被识别者感到不舒服。

（2）在犯罪刑侦领域中的应用。

在刑侦工作中，对罪犯的抓捕是至关重要的一环。

应用人脸识别技术可以依据犯罪嫌疑人的人脸图像对机场、车站、港口等重要交通场所进行监控，从而大大促进了罪犯抓捕工作的开展。

（3）在公共事业领域中的应用。

在现代社会，许多领域都需要对人进行身份验证。

如银行、保险、交通等公共事业部门。

采用传统的密码、IC卡等手段和技术对人进行身份验证具有安全性差、易遗失、易伪造等缺点。

而采用人脸识别技术进行身份验证则能够很好地克服传统身份验证手段和技术的缺点。

因此成熟的人脸识别技术不但具有极大的学术研究价值，而且具有广泛的社会需求和市场领域。

一个成功的具有商用价值的人脸识别系统必将给现实社会带来极大的影响。

当前，人脸识别己成为计算机视觉、模式识别和人工智能等领域的一个研究热点。

我们有理由相信，随着技术的不断发展，人脸识别技术将不断完善，并得到更为广泛的应用。

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：

（1）人脸检测从不同的背景中检测是否存在人脸，并确定其位置、大小、形状、姿态等信息的过程。

它关系到后续识别工作能否正确进行，并保障最终识别结果的可靠性。

（2）人脸表征确定表示检测出的人脸和数据库中的已知人脸的描述方式。

通常的表示方式包括几何特征（如欧氏距离、曲率、角度等）、代数特征（如矩阵的特征矢量）和固定特征模板等。

（3）人脸鉴别即狭义的人脸识别，就是通常所指的将待识别的人脸与数据库中的已知人脸进行比较，得出相关信息。

这一过程的核心是选择适当的人脸表示方式和匹配策略，系统地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进行分析，并对其加以归类。

（5）生理分类对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息，或从几幅相关的图像中推导出希望得到的人脸图像，如从父母的脸推导出孩子的脸像等。

本论文中的人脸识别主要是指狭义的人脸识别，指将待识别的人脸与数据库中的已知人脸之间进行匹配的人脸鉴别。

人脸识别的目的是让计算机具有通过人脸的特征来鉴别身份的功能。

基于人脸特征的身份识别主要设计到复杂场景中的人脸检测及识别技术，是一种依托于图像理解、模式识别及计算机视觉、统计学和人工智能等高技术的研究方向。

1.3人脸识别的研究背景及意义

在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。

社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。

不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。

可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。

人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。

传统的身份识别方法主要基于身份标识物（如证件、卡片）和身份标识知识（如用户名、密码）来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。

但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。

人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。

身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。

在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。

面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。

于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。

与原有的人类身分识别技术（如:

个人密码、磁卡、智能卡等）相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。

人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。

基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。

人脸识别和其他的生物识别比起来有以下几个优点:

1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。

2、人脸识别可应用在远距离监控中。

3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。

4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。

人脸识别技术作为生物识别技术的一种，以其特有的稳足性、方便性、唯一性等特点被愈来愈多地应用于除安全问题外的各种身份识别领域。

人脸识别技术可应用于以下方面：

1.在安全防范领域中的应用

社会上有许多重要的部门，如军事、金融、保密等部门都需要对出入人员进行身份识别，以防止信息泄漏和不法现象的发生。

使用该技术可以方便地进行身份识别，而不使被识别者感到不舒服。

2.在犯罪刑侦领域中的应用

在刑侦工作中，对罪犯的抓捕是至关重要的一环。

应用人脸识别技术可以依据犯罪嫌疑人的人脸图像对机场、车站、港口等重要交通场所进行监控，从而大大促进了罪犯抓捕工作的开展。

3.在公共事业领域中的应用。

在现代社会，许多领域都需要对人进行身份验证。

如银行、保险、交通等公共事业部门。

采用传统的密码、IC卡等手段和技术对人进行身份验证具有安全性差、易遗失、易伪造等缺点。

而采用人脸识别技术进行身份验证则能够很好地克服传统身份验证手段和技术的缺点。

此外，人脸识别的研究还具有重要的理论研究价值。

由于人脸模式的特殊性，人脸识别的研究涉及图像处理、模式识别、计算机视觉、神经网络、认知科学、生理学、心理学等多个学科领域，因此对人脸识别的深入研究能够推动这些基础研究的发展。

1.4人脸识别理论的发展

人脸识别的理论发展大致可以分为三个阶段：

第一阶段，以Bertillon,Allen和Parke为代表，主要研究人脸识别所需要的面部特征。

在Berliton的系统中，用一个简单的语句与数据库中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，Allen为待识别脸设计了一种有效和逼真的摹写，Parke则利用计算机实现了这一想法，并产生了较高质量的人脸灰度模型。

这一阶段工作的特点是识别过程全部依赖于工作人员，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。

代表性工作有：

Goldstion,Harmon和Lesk用几何参数来表示人脸正面图像。

他们采用21维特征向量来表示人脸面部特征，并设计了这一特征表示法的识别系统。

Kaya和Kobayashi则采用了统计识别方法，用欧氏距离来表征人脸特征，如嘴唇和鼻之间的距离、嘴唇的高度等。

更进一步地，T.Kanad设计了一个高速且有一定知识引导的半自动回溯系统，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。

Kanad的系统实现了快速、实时的处理，是一个很大的进步。

相比之下，Baron所做的工作少为人所知，他先将图像灰度归一，再利用四个掩膜（眼、鼻、嘴以及眉毛以下的整个脸部）表示人脸，然后分别计算四个掩膜与数据库中每幅标准图像的相应掩膜之间的互相关系数，以此作为判别依据。

总的来说，这两个阶段主要是在20世纪60年代到90年代，这段时间的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。

早期的人脸识别方法有两大特点：

（1）大多数识别方法都是基于部件的，他们利用人脸的几何特征进行识别，提取的信息是人脸主要器官特征信息及其之间的几何关系。

这类方法比较简单，但是很容易丢失人脸的有用信息，从而在视角、表情等变化的情况下，识别能力差。

鉴于这种情况，后来出现了性能较优的模板匹配方法，即根据图像库中的人脸模板与待识别人脸模板在灰度上的相似程度来实现人脸识别，这类方法在一定时期内占据主流。

（2）人脸识别研究主要是在较强约束下的人脸图像识别。

假设图像背景单一或者无背景，人脸图像已知或者很容易获得，因此对现实场景产生的图像处理效果不佳。

第三阶段，主要是进入20世纪90年代，由于高速度性能计算机的出现和各方面对人脸识别系统的迫切要求，人脸识别的研究重新变的热门起来，人脸识别的方法也有了重大突破，进入了真正的机器自动识别阶段，同时涌现了很多著名的人脸识别算法，例如麻省理工学院米提实验室的Turk和Pentland在1991年提出的“Eigenface（特征脸）”方法，Belhumeur等在1997年提出的Fisherface方法是这个时期的两个重要成果，还有好多方法都是基于这两个方法的深入研究。

再有一个重要的方法就是弹性图匹配技术（ElasticGraphMatching,EGM）,还有在此技术上发展的一些技术，如局部特征技术（LacalFeatureAnalysis,LFA）、柔性模型（FlexibleModels）。

现在人脸识别的研究重点主要是对光照、姿态等非理想采集条件和用户不配合的情况下的人脸识别方法的研究，尽力克服光照、姿态的影响。

非线性建模方法、统计学习理论、基于Boosting的学习技术、基于三维建模的人脸建模与识别方法成为备受关注的研究趋势[3]

1.5人脸识别的难点

目前人脸识别的难点主要存在于以下几个方面：

（1）光照变化是影响人脸识别性能的最关键因素，对该问题的解决程度关系着人脸识别实用化进程的成败，在人脸图像预处理或者归一化阶段，尽可能地补偿乃至消除其对识别性能的影响。

（2）成像角度及成像距离等因素的影响，即人脸的姿态的变化，会垂直于图像平面的两个方向的深度旋转，会造成面部信息的部分缺失。

（3）不同年龄的人脸有着较大的差别。

身份证是以前照的，在逃犯的照片也是以前的，因此在公安部门的实际应用中，年龄问题是一个最突出的问题。

（4）采集图像的设备较多，主要有扫描仪、数码相机、摄像机等。

由于成像的机理不同，形成了同类人脸图像的识别率较高，而不同类间人脸图像识别率较低的情况。

随着人脸识别技术的发展，这一问题也将逐步得到解决。

（5）人脸图像的数据量巨大。

目前由于计算量的考虑，人脸定位和识别算法研究大多使用尺寸很小的灰度图像。

一张64*64像素的256级灰度图像就有4096个数据，每个数据有256种可能的取值。

定位和识别算法一般都很复杂，在人脸库较大的情况下，计算量十分大，很多情况下速度令人难以忍受。

而灰度数据事实上是丧失了色彩、运动等有用信息的。

如果使用全部的有用信息，计算量就更大了。

第二章人脸识别的常用算法与分类器介绍

2.1人脸识别常用方法

人脸识别的方法主要有：

基于几何特征的人脸识别方法、基于模板匹配的人脸识别方法、基于小波特征的人脸识别方法和基于模型的人脸识别方法。

其中基于模型的人脸识别方法包括特征脸法（Eigneafec）、神经网络法（NN）、隐马尔可夫模型方法（HMM）等方法。

（1）基于面部几何特征的方法

这个方法在时间上来说是最早提出的人脸识别方法之一，其特征提取以人脸面部特征点的形状和几何关系为基础的。

对于不同的人来说有着不同的人脸轮廓、大小、相对位置的分布也是不相同的，所以说用这种方法来进行人脸识别还是有一定依据的。

这种方法的做法是，提取眉毛、眼睛、鼻子和嘴巴这几个特征点，计算出这几个特征点的大小，以及他们之间的几何距离，来进行人脸识别，几何距离一般包括特征点之间的距离、他们之间的夹角等。

特征提取后选取最近邻分类器，相异度测试选用欧式距离。

基于几何特征的人脸识别算法的优点是方法简单，计算速度快。

但它识别人脸就靠几个特征点的大小和距离，以及特征点之间的夹角，这样的信息是远远不够的，对于一个稍微大一点的人脸库识别率不高，还有这种方法对于人脸表情变化时没有很好的鲁棒性。

但是这种方法还是有一定潜力的，好比一个大型的人脸库，进行人脸比对前可以使用基于面部几何特征的方法对训练样本进行粗分类，这样可以大大降低人脸识别时间。

（2）基于模板匹配的方法

模板匹配方法也是模式识别中的一个比较传统的方法。

把模板匹配方法用到人脸识别中要以Poggio和Bruneili所提出的基于局部特征的模板匹配算法为代表。

他们首先利用积分投影的方法确定面部特征点，提取局部特征的模板，然后进行局部模板匹配，计算相关系数进行分类，Poggio和Brulleili比较了基于几何特征和基于模板匹配的人脸识别方法。

他们的实验结果表明，在人脸尺度、光照、姿态稳定的情况下，基于模板匹配的人脸识别方法要优于基于几何特征的人脸识别方法。

通过大量的实验表明，基于模板匹配的人脸识别方法对光照、旋转、人脸表情比较敏感，仅当这些因素比较稳定时，才能获得比较好的效果。

这种方法的计算量要比基于面部几何特征的方法要大。

（3）基于小波特征的方法

小波变换是国际上公认的最新频率分析工具，由于其“自适应性’，和“数学显微镜性质”而成为许多学科共同关注的焦点，在信号处理中起着至关重要的作用。

目前小波技术在验证的特征撮上用得较多。

小波变换采用以高斯函数的二阶导数作为小波基的小波变换技术来进行拐点提取，然后以该方法为基础，进行不同图像之间拐点序列的匹配;最后再利用提敢的拐点来对图像进行分段和段一段对应处理。

由于使用离散小波变换来分解图像的参数特征，特征提取用到自适应算法，匹配则选择动态规划方法，初步试验取得较好的效果。

（4）基于特征脸的方法

特征脸方法是从主成成分分析（PCA）导出的