人臉識別過程詳解

                                                                                                                                                                                                                                                                                                                                                                                                                                                                                人臉識別（Facial Recognition），就是經過視頻採集設備獲取用戶的面部圖像，再利用核心的算法對其臉部的五官位置、臉型和角度進行計算分析，進而和自身數據庫裏已有的範本進行比對，後判斷出用戶的真實身份。人臉識別技術基於局部特徵區域的單訓練樣本人臉識別方法。

第一步，須要對局部區域進行定義；

第二步，人臉局部區域特徵的提取，依據通過樣本訓練後獲得的變換矩陣將人臉圖像向量映射爲人臉特徵向量；

第三步，局部特徵選擇（可選）；

後一步是進行分類。分類器多采用組合分類器的形式，每一個局部特徵 對應一個分類器，後可用投票或線性加權等方式獲得終識別結果。

      人臉識別綜合運用了數字圖像/視頻處理、模式識別、計算機視覺等多種技術，核心技 術是人臉識別算法。目前人臉識別的算法有 4 種：基於人臉特徵點的識別算法、基於整幅 人臉圖像的識別算法、基於模板的識別算法、利用神經網絡進行識別的算法。

     做爲人臉識別的第一步，人臉檢測所進行的工做是將人臉從圖像背景中檢測出來，因爲受圖像背景、亮度變化以及人的頭部姿式等因素影響令人臉檢測成爲一項複雜研究內容。檢測定位：檢測是判別一幅圖像中是否存在人臉，定位則是給出人臉在圖像中的位置。定位後獲得的臉部圖像信息是測量空間的模式，要進行識別工做，首先要將測量空間中的數據映射到特徵空間中。採用主份量分析方法，原理是將一高維向量，經過一個特殊的特徵向量矩陣，投影到一個低維的向量空間中，表徵爲一個低維向量，而且僅僅損失一些次要信息。經過對通過檢測和定位過的人臉圖像進行特徵提取操做能夠達到下降圖像維數，從而能夠減少識別計算量，提升識別精度的做用。人臉識別系統採用基於特徵臉的主 成分分析法（PCA），根據一組人臉訓練樣本構造主元子空間，檢測時，將測試圖像投影到 主元空間上，獲得一組投影係數，再和各已知的人臉圖像模式比較，從而獲得檢測結果。

    四種方法的詳解：

    一、基於幾何特徵識別 彈性圖匹配(EGM)方法可採用屬性拓撲圖來表達人臉，其拓撲圖的任一頂點均 包含一特徵矢量，它記錄了人臉在該頂點位置的分佈信息，最初的拓撲圖是矩形 的，並無注重節點的位置。後來，Wiskott[32】提出～種基於關鍵點的圖匹配算法， 稱爲彈性束圖(elastic bunchgraph)，其節點通常定位在如眼球、眼角等灰度變化 劇烈，信息豐富的地方。特徵點先是手工定位，通過一段學習之後，便可達到自 動定位。如此幾十個節點，其分離能力是不一樣的，而且前向、半側、側面人臉分 離能力較好的節點分佈範圍也不同，g_,-ugert33】深刻研究了這一問題，他給每一個 節點不一樣的權重，與該節點的分離能力成正比。統計代表，眼在前向和半側的人 臉中是最重要的分離特徵，而鼻尖是側面人臉最重要的分離特徵。Wurtz【34】研究了 多分辨的狀況，他假定在兩幅人臉圖中只有一部分節點有較好的對應，一些節點 根本沒有對應節點，它們將干擾識別。所以在匹配的過程當中只保留對應良好的節 點，而且將背景(包括頭髮區域)去掉。因爲彈性匹配對每一個存儲的人臉需計算其模 型圖，計算量大，存儲量大，Lee【35】等提出了一種基於彈性圖動態連接模型的方法， 既取得較高的識別速度，也得到了較理想的識別率，在必定程度上克服了以往方 法老是在速度與識別率之間進行折中的缺點。 二、基於代數特徵識別 主份量分析(Principal．Component Analysis，PCA)是一種經常使用的方法。它根據圖 像的統計特性進行的正交變換(K．L變換)，以消除原有向量各個份量間的相關性。 變換獲得對應特徵值依次遞減的特徵向量，即特徵臉1361。Turk和Pentland[37】進一步 提出了「特徵臉」方法，該方法以訓練樣本集的整體散佈矩陣爲產生矩陣獲得的 一組特徵矢量，稱做「特徵臉」，這樣就可產生了一個由「特徵臉」矢量組成的 子空間，每一幅人臉圖像其投影均可以得到一組座標系數，這組座標系數代表了 人臉在子空間的位置，實驗代表該方法具備較強的穩定性，能夠做爲人臉識別的 依據。 特徵臉方法使用由各個特徵臉擴展的空間來表示人臉，雖然能夠有效地表示 人臉信息，可是並不能有效地鑑別和區分人臉。Swets和Wen9138】提出PCA的基礎上 使用LDA(Lillear Discriminant Analysis，線性鑑別矢量)，也稱Fisher臉方法【39】。它選 擇以類內散佈正交的矢量做爲特徵臉空間，從而能壓制圖像之間與識別信息無關 的差別，對光照及人臉表情變化都不太敏感。 Moghaddamt40】等提出了貝葉斯人臉識別方法。他們提出了一種基於機率的圖 像類似度度量方法，將人臉圖像之間的差別分爲兩類類間差別(即不一樣人的人臉圖 像之間的差別)和類內差別(即同一我的的不一樣人臉圖像之間的差別)。他們提出了 類間差別和類內差別度量的機率模型和計算方法。因爲貝葉斯類似度的計算涉及 複雜的非線性的快速計算方法。這種人臉識別方法在1996年美國DAPAR組織的 FERET人臉測試中是效果最好的方法之一。 Yang[4l】等人考慮高階統計量，從而提出了核特徵臉(Kernel Eigenface)應用 Kernel PCA將人臉對應的向量映射到高維空間中，而後應用PCA。這種作法避免了 高維統計量計算中的組合爆炸問題，同時，還考慮了高維相關性。因爲PCA爲基 礎的傳統特徵臉方法沒有利用人臉的幾何拓撲特徵，爲此Albertt421等將PCA與人臉 三、隱馬爾科夫模型(HMM) 隱馬爾科夫模霎j．t431(Hidden Markov Model，HMM)是用於描述信號統計特性的 一組統計模型。HMM使用馬爾科夫鏈來模擬信號統計特性的變化，而這種變化又 是間接地經過觀察序列來描述的，所以，隱馬爾科夫過程是一個雙重的隨機過程。 用採集的臉像構造觀察向量，觀察向量和人臉的五官特徵之間的關係能夠用一個 一維的隱Markov模型(Hidden Markov Model，HMM)來表示，該模型的參數能較好 地表徵具體的人臉模型，在人臉識別領域已取獲得了初步成效州。這種方法至少 有兩個問題，一個是直接採用灰度值做爲觀察值矢量會受到噪聲、光線等不少隨 機因素的影響，另一個是計算量很大，學習和識別速度都比較慢。僞二維 HMM(P2．DHMM)模型是一維HMM模型的一種推廣。P2．DHMM由一組主狀態組 成，每個主狀態又包括了一個一維HMM。至關於將一組一維HMM模型嵌入另 外一組HMM模型中，由於這種結構並非真正的二維HMM模型，所以取名爲 僞二維HMM模型。能夠看出這種結構利用了圖像的二維特徵，更適合於圖像識 別，所以採用了這種HMM結構用於人臉識別。 四、支持向量機法(SVM) 支持向量機(Support Vector Machines，SVM)是Vapnik等提出的基於結構風險 最小化原理(Structural Ri．sk Minimization Principle，SRM)統計學習理論ml， 用於分 類與迴歸問題。SRM使vc(vapnik Cherovnenkis)維數的上限最小化，而經驗風險 最小化(Empirical Risk Minimization Principle，ERM)使相對於訓練數據的偏差最小 化，這使得SVM方法比基於ERM的ANN方法具備更好的泛化能力。SVM最初 是針對分類問題提出來的，目前也被推廣到迴歸問題中。直接使用SVM方法解決 人臉識別問題面臨兩個困難：(1)訓練SVM須要求解二次規劃問題，計算複雜度高、 內存需求量巨大；(2)在非人臉樣本不受限制時，須要極大規模的訓練集合，獲得 的支持矢量會不少(約佔訓練樣本總數的20％)，使得分類器的計算量太高。 爲了解決以上問題Osunal46】等人提出了分解算法，目的都是爲了把求解原始的 大規模QP問題，轉化成與之等價的一系列較小規模二次規劃子問(quadratic programming，QP)。Platt進一步提出了SMO[471(Sequential minimal ptimization)算法， SMO算法把每一步QP子問題的規模降到最小，選擇兩個違例樣本進行優化。 Keerthi等人對SMO算法的違例樣本選取進行改進使得SMO算法的速度有了很大 的提升。 Guo dongGuot48】等人採用兩我的臉數據庫，一個是含有400幅圖象，另外一個含 有1079幅圖象，並將SVM方法與其它算法進行了比較，證實SVM方法的錯識率 最低。比較遺憾的是，雖然SVM方法在理論上具備很突出的優點，但與其理論研 第二章人臉檢測識別方法 17 究相比，應用研究還相對比較滯後，目前只有較有限的實驗研究報道，且多屬仿 真和對比實驗，SVM的應用應該是一個大有做爲的方向。