基于几何特征的人脸识别.docx
《基于几何特征的人脸识别.docx》由会员分享，可在线阅读，更多相关《基于几何特征的人脸识别.docx（13页珍藏版）》请在冰点文库上搜索。
基于几何特征的人脸识别
基于几何特征的人脸识别
学号:
姓名：
（上海大学机电工程与自动化学院，200072）
摘要：
人脸识别技术作为多学科领域的、具有挑战性的课题，它覆盖了数字图像处理、模式识别、神经网络、数学等诸多学科的内容，同时也具有十分广泛的应用价值.在人脸识别领域,基于几何特征的人脸识别算法因其计算简单、使用有效等特性，引起了人们的广泛注意,并已成为人脸图像特征提取和识别的主流方法之一。
本文定位人脸器官，通过人脸面部拓扑结构几何关系的先验知识,利用基于灰度投影的方法在知识的层次上提取人脸面部主要器官特征,将人脸特征用一组几何特征向量表示，识别归结为特征向量之间的匹配.本文工作包括：
（1）对灰度积分投影理论进行了详细的介绍和分析.这种方法是目前定位人脸轮廓的主要方法。
在此基础上对一种新的在竖直方向上定位人脸左右轮廓的灰度差投影法进行了改进。
投影法本质上是一种基于统计的方法，在具体应用时又结合了人脸特征分布的先验知识。
这种方法不需要对积分投影图做任何平滑处理等操作,因而算法简单,准确率高，速度很快。
（2）提出了一种精确定位眼睛的方法，该算法将眼区灰度总体分布特点与眼部灰度变化特点相结合，将传统的积分投影法与灰度差累加值投影法相结合，通过大量试验选取合适的参数.试验结果表明,该算法对光照变化不敏感，定位准确率高。
运用灰度积分投影结合人脸特征的先验知识定位鼻子,这种定位方法得到的准确率也是比较高的。
嘴巴的定位则利用投影法求得。
（3）本文根据定位出来的人脸器官选出七个特征点，即四个眼角点、鼻尖点和两个嘴角点.利用它们构造了十个特征向量，并对其进行归一化运算。
图像识别的最后一个过程就是分类，本文采取根据模式相似性的最近距离分类器进行分类。
用加权比值函数来计算特征相似度，更适用于人脸图像的识别和计算。
如何选择出合适的识别门限是个很复杂的问题，还有待于进一步研究。
关键词：
人脸识别；灰度投影；几何特征；特征提取
TheResearchofFaceRecognitionAlgorithmBasedon
GeometricFeatures
Studentnumber:
15721637Name:
ZhaoPei—pei
（Instituteofelectricalandmechanicalengineeringandautomation，ShanghaiUniversity,Shanghai200072，China）
Abstract：
thetechnologyofhumanfacerecognitionasamulti-disciplinaryfieldandchallengingpsubjectwhichcontainsdigitalimageprocessing,patternrecognition，computervision，neuralnetwork,psychology,physiology，mathematicsandagoodmanysubjects．Inthemeantime，italsohaswidelyused．Inthefieldoffacerecognition,themethodofhumanfacerecognitionbasedongeometricfeatureshasbeenpaidgreatattentionforitssimplecalculationandavailability．Atpresent，ithasbecomeoneofthedominantmethodsasthefeatureextractionandrecognition．TMsarticlelocateshumanfaceorgans，throughaprioriknowledgeofhumanfacetopologicalstructuregeometricalrelationship，makinguseofmethodbasedonconstructtoextractthefeaturesofhumanfaceorgans,expressinghumanfacethroughasetofgeometricfeaturevectors．Therecognitionputtinginsummaryismatchedwithfeaturevector．Thispaperincludesthefollowingparts：
（1）Haveadetailedintroductionandanalysisaboutthetheoryofgreyscaleintegratedprojection．Thismethodisnowthemainmethodoflocatinghumanface．Weputforwardanewmethodcalledgreyscaledifferentialprojectionwhichisbasedonthepreviousmethodandlocatingthecontourofhumanfaceverticaldirectly．Projectionmethodisessentially
basedonstatistics．Itcombinestheaprioriknowledgeofhumanfacefeaturedistributionintheapplication．Thismethodneedn'ttodoanypretreatmenttotheimageandanysmoothingtreatmenttotheintegratedprojectionimage．Sothisalgorithmissimple；theaccuracyishigh;thespeedisquick．
（2）Giveanintroductionaboutthemethodoflocatingeyesprecisely．Thisalgorithmcombinesthecharacteroftheeyeareagreyscaletotallydistributionandgreyscaletransformation;combinesthemethodsoftraditionalintegratedprojectionanddifferentialprojection．Theexperimentledtothefactthatthisalgorithmisnotsensitivetotheilluminationtransformationandhasahighaccuracy．Usinggreyscaleintegratedprojectioncombinestheaprioriknowledgeofhumanfacecharactertolocatenose．Thislocationmethodalsohashighaccuracy．Thelocationofmouthisabtainedthroughprojectionmethod．
（3）Thechoiceofcharacteristicpointsneedsenoughinformationandcan’tgosofarastoincreasecalculationquantity．Thisarticlechoosessevencharacteristicpoints，namely,fourcanthuspoints,tipofnoseandtwocornersofmouthpoints．Constructteneigenvectorsusingthemandcarriesonthenormalizationcalculationtothem．Thelastprocessofimagerecognitionisclassification．Afteradoptingsomestandardstoextractfeatureofhumanimages，weconstructcategoryseparabilitydecisionruleaccordingtothesecharactersanddesignclassifier．Thisarticletakesuseofminimumdistanceclassificationtoclassify．ItiSmoresuitableforhumanfacerecognitionandcalculationusingweighingratiotocalculatesimilarity．Howtochooseasuitablerecognitionthresholdisadifficultproblemandneedfurtherresearch．Thisarticleascertainsitthroughagoodmanyexperiments．
KeyWords：
FaceRecognition；GreyscaleProjection；GeometricCharacters；FeatureExtraction
1.引言
1.1人脸识别技术：
人脸识别是一个活跃的研究领域,是人类视觉最杰出的能力之一。
虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。
应用领域：
人脸识别系统在金融、证券、社保、公安、军队及其他需要安全认证的行业和部门有着广泛的应用.典型应用：
1）罪犯调查3）重用门票
2）访问控制4）信用卡
1。
2人体生物认证技术
人脸识别是人体生物认证技术的一种，人体生物的生物特征包括生理特征和行为特征两大类.
⑴人体的生理特征主要包括人脸、指纹、掌纹、掌形、虹膜、视网膜、静脉、DNA、颅骨等，这些特征是与生俱来的,是先天形成的；
⑵而行为特征包括声纹、签名、步态、耳形、按键节奏、身体气味等，这些特征是由后天的生活环境和生活习惯决定的。
这些生物特征本身固有的特点决定了其在生物认证中所起的作用是不同的。
生物特征识别:
人脸脸部热量图指纹签名
FaceFaceheatfigureFingerprintSignature
图1
Fig。
1
常用生物特征的比较:
生物特征
普遍性
独特性
稳定性
可采集性
性能
接受程度
防欺骗性
人脸
高
低
中
高
低
高
低
指纹
中
高
高
中
高
中
高
手形
中
中
中
高
中
中
中
虹膜
高
高
高
中
高
低
高
视网膜
高
高
中
低
高
低
高
签名
低
低
低
高
低
高
低
声音
中
低
低
低
低
高
低
2.人脸识别的过程
人脸识别过程主要通过三个步骤完成,即人脸检测、图像的预处理、面部特征提取和人脸对比识别确认及分类器的设计，典型的人脸识别流程图如下：
人脸定位
输出结果
比对识别
特征提取
预处理
图像获取
人脸检测
人脸特征
人脸库
图2人脸识别过程图
Fig。
2Facerecognitionprocess
图像的获取
该模块从外界获取图像作为人脸识别系统的输入，通常人脸信息的来源有以下几种方式：
1）通过扫描仪对照片的扫描；2）通过数码相机对人脸的拍摄;3）Internet上提供的免费数据库。
人脸的检测与定位
处理分析从图像获取模块输入的图像.判断是否存在人脸，如果存在人脸则找到人脸在图像中的位置，并且将人脸从背景中分离出来.获取的图像可以是静态的，也可以是动态的，可以是彩色的，可以是黑白的，该模块功能十分重要。
图像预处理
预处理主要作用在于尽可能的去除或减少光照、成像系统、外部环境等对图像处理的干扰,为后续提供高质量的图像,这部分对图像进行图像增强、二值化处理,边缘检测,几何归一化，为后续特征提取做好准备。
特征提取
该部分完成从经过预处理模块处理的图像提取可以用来识别的特征，将原始图像中的数据映射到特征空间中，如何提取有效的特征是该系统的关键。
识别
完成人脸的判别工作，给出最后的识别结果。
3。
人脸器官的定位
人脸由眼睛、鼻子、嘴巴和下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得每个人的脸千差万别,因此这些形状和结构的几何描述可以作为人脸描述的重要特征。
采用几何特征进行正面人脸识别一般是通过提取人眼口鼻的等重要特征点的位置和几何形状作为分类特征.
人脸轮廓的确定
利用灰度差投影法确定人脸轮廓。
定义检测近似竖直边缘的灰度差算子为
注释:
对每一列，计算每一个像素与相邻两个像素的灰度差，然后把这一列每个像素的的灰度差相加，记为v（y），并在图像左（右）侧1/3内寻最大值，得到v（y），y为人脸的边界的位置。
为避免竖直头发造成人脸伪边缘,而肤色的灰度值一般要比头发的灰度值要大，所以灰度值相加的条件为
灰度差累加值
图3灰度差投影图
Fig。
3Greyscaledifferenceprojection
注释:
由于人脸上任何一个特征的竖直边缘都没有面颊的边界长，所以面颊的边界所对应的垂直灰度差的和应该是虽大的。
即对灰度差的竖直方向的积分投影图上，两端各有一个最大值，分别对应面颊的两条边界线。
利用灰度差投影确定人脸轮廓的效果如下图所示：
图4灰度差投影法定位后的效果图
Fig。
4Greyscaledifferenceprojectionimage
4。
眼睛的定位
由于垂直方向和水平方向的定位方法相同，所以在此只讨论水平方向的定位。
（1）积分投影的方法
设I（x，y）表示点（x,y）处的像素灰度值，在区间[x1，x2]，［y1，y2］内的垂直积分投影函数和水平积分投影函数分别表示为
但实验发现，这种方法经常受眼区眉毛或者光线变化带来的阴影所影响，产生误判.所以采用水平积分与水平差分累加相结合的方法。
（2）水平差分累加
在水平方向（经过皮肤．眼白．瞳孔．眼白．皮肤）灰度变化较大。
在灰度变化突变处进行微分，将产生高值，将其绝对值累加，则灰度变化越大的那一行,累加值越大。
在数学上可用灰度的导数来表示变化,而在数字图像中应用差分代替导数运算
通过上式,可将其大小累加，得
一方面，在眼区进行水平积分投影，利用眼部灰度值较小的特点，积分投影值S越小则越可能是眼睛。
另一方面，对水平方向每行进行微分投影。
利用人脸图像中眼睛区域的灰度变化比较丰富的特点,将差分累加值的绝对值绘制成投影图，则眼球周围灰度值比较高，而眉毛周围等其他部位比较暗.在水平方向进行投影时，由于眼睛周围灰度变换频繁，差分后绝对值累加得到的现值较大。
眼部区域水平积分投影曲线眼部区域水平差分累加值投影曲线
EyeareahorizontalintegralprojectionEyeareahorizontaldifferenceprojection
图5
Fig.5
定位结果如下图：
图6定位结果
Fig.7Locationresult
5。
人脸特征向量的构造及匹配
5。
1特征点的选择
人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征.
征向量的构造本文选取了人脸识别的七个特征点,分别为四个眼角点、鼻尖和两个嘴角点.
我们把这7个特征点共组成了适用于计算机识别的10个具有尺寸、旋转和位移不变性的距离特征值,依次为:
左眼的宽度d1、鼻尖与双眼连线的垂直距离d2、人脸左右边界的距离d3、嘴巴的宽度d4、两眼中心与左嘴角水平距离d5、两眼外侧的水平距离d6、有眼的外侧眼角与鼻项的水平距离d7、左服的内侧服角与鼻顶的水平距离d8、嘴巴中点与鼻尖的垂直距离d9、鼻尖与嘴角的距离d10。
我们将这些距离特征值与眼睛中点到嘴巴中点之间的垂直距离L之比定义为标准化特征向量。
图7构造特征向量的图像
Fig.7Imagestoconstructfeaturevectors
5。
2人脸图像所构造的特征向量
图7人脸特征向量
Fig.7Facefeaturevector
根据构造的特征向量进行归一化处理，归一化处理的目的是体现人脸器官分布比例这一几何特征。
特征向量对于人脸转动和图像大小基本保持不变，从而提高了识别的准确率和灵活性.
图8归一化后的特征向量
Fig.8Featurevectorafterthenormalization
分类器的设计
图像识别的最后一个过程就是分类，分类的输出仅仅是一种决策，确定每个物体应该归属的类别。
每个物体被识别为某一特定类型，它是通过一个分类过程完成的，分类器的设计为分类确定数学基础。
分类器本身的各种可调参数（识别门限等）在分类器训练阶段决定.常用的分类器有:
（1）最小距离分类器
（2）最近邻分类器
（3）贝叶斯分类器
（4）支撑向量机
（5）神经网络分类器
特征相似度的计算
采取最近距离分类法首要是计算各个类的相似度。
所谓相似度,顾名思义即一个图像与另一个图像相似的程度。
（1）欧式距离
欧式距离的定义为
其中,Xi和Ri分别表示待识别向量和人脸库中的特征向量的第i个分量，n表示总的特征数.欧式距离是一种很常用的相似度计算方法，它的好处是简单易用而且比较直观。
识别门限
计算待识别人脸样本特征向量与样本库中人脸样本的平均特征向量之间的相似度，相似度大于或等于识别门限，则认为带识别的人脸图像是属于同一个人的；相似度小于识别门限，则认为待识别的人脸图像不是属于同一个人的。
小结
本文系统地对基于几何特征的人脸识别技术涉及到的部分关键技术进行了研究和讨论，在论述现有方法不足的基础上，给出了一个合理的解决方案，提出了改进的人脸定位和识别方法，并通过试验验证了该方法的有效性及正确性.具体来说，本文所完成的工作包括以下几个方面：
（1）全面综述了自动人脸识别的研究意义、应用领域，并对其发展历史的三个阶段的研究特点以及代表性方法进行了总结，在此基础上对人脸识别研究的现状进行了阐述，讨论了人脸识别领域目前面临的主要问题和技术趋势。
通过对近年来人脸识别领域的主要工作的回顾，指出这一领域中现存的困难。
（2）阐述了图像预处理在整个人脸识别系统中的重要作用,列出了图像预处理的几种基本方法，并通过试验方式，给出了处理后的效果图.又介绍了人脸常用的数据库及其性能指标的评价。
（3）重点讨论了基于几何特征的人脸定位算法，首先介绍了灰度积分投影确定人脸轮廓，并在此基础上提出了改进方法，利用灰度差投影进行投影，通过试验验证了此方法的准确定位率。
然后详细介绍了定位人脸器官的方法，提出了利用灰度投影和三停五眼一法结合的定位算法，提高了定位的精度和效率。
（4）钔针对人脸定位出的器官确定了7个特征点,以此来构造特征向量。
采用最近距离分类法，用计算出来的相似度与识别门限的比较来确定识别率。
（5）试验结果表明本文的基于几何特征的人脸识别算法有着良好的效果，而改进的人脸轮廓定位和器官定位算法的也较标准的算法提高了定位速度和准确率，并加强了算法的鲁棒性。
经过试验我们发现，对于我们所使用的ORL人脸库，要想达到快速、简便的目标，采用基于几何特征的人脸识别算法是比较好的.这种方法快速简单，可满足弱实时应用。
但由于受到试验所用到的人脸库的限制我们无法对所有情况都做出同样高识别的结论。
并且通过大量文献的结论发现，要想要对任何人脸情况都能达到非常理想的识别效果就目前的理论技术还很难达到。
参考文献
[1]ChellappaR,WilsonCL,SiroheyS．HumanandMachineRecognitionofFaces：
ASurvey．
[2]ProceedingoftheIEEE，1995,83（5）：
705—740．
[3]SamalA。
IyengarP九AutomaticRecognitionandAnalysisofhumanFacesandFacial
[4]Expression：
ASurvey．PatternRecognition，1992，25
（1）：
65-77．
[5]壬磊．基于单样本正面人脸图像识别的研究:
上海交通大学博士学位论文．上海：
上海交通大学，1998．
[6]赵海涛，於冬军．基于形状和纹理的人脸自动识别．计算机研究与发展．2003，40（4）：
538—543．
[7]杨健，杨静宇．具有统计不相关性的图像投影鉴别分析及人脸识别．计算机研究与发展．2003,40（3）：
447—452．
[8]周杰，卢春雨，张长水等．基于方向对称变换的人脸定位方法．电子学报．1999，27（8）:
12-15．
[9]M．Bichsel．Humanfacerecognitionandthefaceimageset’Stopology．CVGIP：
ImageUnderstanding．1994，59：
254—261．
[10]DrorIE,FlorerFL．Neuralnetworksthatrecognizefaces．ProceedingofSPIE．1995,2485：
123-128．
[11]RowleyHA，BalujaS,andKanadeT．Neuralnetwork_basedfacedetectioll．IEEETrans．
[12]PatternAnal．MachineIntell．1998，20
（1）：
23—38．
[13]YangGZ．Humanfacedetectioninacomplexbackground．PatternRecognitiom1994。
27
（1）：
53—63．
[14]何斌．VisualC++数字图像处理．北京：
人民邮电出版社．2002．
[15]贾永红．数字图像处理．武汉：
武汉大学出版社．2003．
[16]唐良瑞,景晓军．图像处理实用技术．北京：
化学工业出版社．2001．
[17]朱军民，黄磊，刘昌平．图像二值化方法的比较．第八届全国汉字识别学术会议．中国绍兴．2002：
11pll4．
[18]龚雯，陈丽华，沈建国．基于几何特征的人脸正面图像特征提取．现代计算机．2005．09：
61—63．
[19]董长虹．Matl
升级会员 