基于子图分割的人脸特征提取算法性能比较研究

摘   要
人脸识别技术是国内外共同关注的一个前沿课题，在现代经济和社会的发展中有着十分广泛的应用领域和应用前景，如安全系统、罪犯识别、电视会议等，人脸识别技术也是当前模式识别和人工智能领域的研究热点之一。
本文分析了人脸识别技术的研究现状，结合已有的研究基础提出了基于变异系数的人脸特征提取算法和基于奇异值分解的人脸特征提取算法，并结合子图分割思想和神经网络技术对算法进行了评价。在基于变异系数的算法中，选择合适的变异系数代表原图的特征减少了图像信息的冗余。进一步研究表明去除包含信息量少的子图能在一定程度上提高识别率并节约计算资源。在基于奇异值分解的算法中，将图像变换后的奇异值作为特征，这具有一些良好的性质，如稳定性、比例不变性和旋转不变性。和一些人脸识别方法相比，本文提出的两种人脸识别算法具有较好的性能，基于ORL人脸库的性能模拟实验表明，算法具有较高识别率。此外，本文在VC++ 6.0环境下，作者依据前期研究成果并结合图像处理和模式识别的基本原理开发了一个静态人脸图像识别演示系统。该系统能有效快捷的进行人脸识别。

think58.com

[来源：http://www.think58.com]

关键词：人脸识别，子图分割，变异系数，奇异值分解，反向传播神经网络
课题研究内容
人脸识别技术就是利用计算机分析人脸图像，进而从中提取出有效的识别信息，用来“辨认”身份的一门技术。从广义上来讲，人脸识别大致包括以下五个方面的内容[3]：
(1)人脸的定位与检测：即从静态图片或者视频序列中是否检测出人脸的存在并且确定其位置，最后分离出来。然而，人脸是一个极为复杂的、多维的、典型的非刚性模式，其中蕴含的信息也远远多于人身体的其他部位。因此，要对人脸做出准确的检测与定位，将是一个非常具有挑战性的任务。首先，人脸具有相当复杂的细节变化，不同的外貌如脸形、肤色等，不同的喜怒哀乐表情，以及局部特征如眼睛、嘴的开和闭等。其次，人脸还受到光照和复杂的背景的影响。人脸定位检测是人脸识别的前期工作，所以人脸检测与定位是人脸识别过程的一个重要环节。
(2)人脸的表征：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。通常表示的方法包括几何特征(如欧式距离、曲率、角度)、代数特征(矩阵特征向量)、固定特征模板、特征脸等。人脸图像信息数据量巨大，为了提高检测和识别的运算速度，提高图像传输和匹配检索速度，必须对图像进行数据压缩，降低向量维数，即用尽可能少的数据表示尽可能多的信息。人脸表征在提取人脸特征的同时，也实现了对原始图像的数据降维。 [来源：http://www.think58.com]
(3)人脸识别：就是将待识别的人脸与数据库中的己知人脸进行比较，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。目前国内外研究人脸识别的方法层出不穷，根据人脸表征方式的不同常用的方法总体可以分为：基于几何特征的识别方法、基于统计特征的识别方法和基于连接机制的识别方法。基于几何特征的方法是通过人脸面部拓扑结构几何关系的先验知识，利用基于结构的方法提取人脸面部主要器官特征，将人脸用一组几何特征矢量表示。统计特征的识别方法将人脸用代数特征矢量来表示。代数特征有图像本身的灰度分布决定，它描述了图像的内在信息。这种识别方法通过对图像灰度进行各种代数变换和矩阵分解，从整体上捕捉和描述人脸的特征。连接机制的识别方法主要有弹性图匹配方法，这类方法采用属性拓扑图代表人脸，它对光线、尺寸、角度具有一定的不变性，并能在一定程度上容忍表情和视角的变化。
(4)表情/姿态分析：即对待识别人脸的表情或姿态信息进行分析，并对其加以归类。
(5)生理分类：即对待识别人脸的生理特征进行分析，得出其年龄、性别等相关信息，或者从几幅相关的图像推导出希望得到的人脸图像，如从父母图像推导出孩子的脸部图像、基于年龄增长的人脸图像估算等。
特征提取算法 本文来自think58 [资料来源：http://think58.com]
2．1．1 基于几何特征的方法
基于几何特征的方法是早期的人脸识别方法之一[8]。常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等的局部形状特征。脸型特征以及五官在脸上分布的几何特征。提取特征时往往要用到人脸结构的几何关系。识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征矢量之间的匹配，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。
文献中记载最早的人脸识别方法就是Bledsoe提出的基于几何特征的方法，该方法以面部特征点之间的距离和比率作为特征，通过最近邻方法来识别人脸。以该方法建立的人脸识别系统是一个半自动系统，面部特征点必须由人手工定位。也正是由于人工的参与，该系统对光照变化和姿态变化不敏感。
Kanade首先计算眼角、鼻子、嘴巴、下巴等面部特征之间的距离和它们之间的角度以及其它几何关系，然后通过这些几何关系进行人脸的识别工作。在一个20人的数据库上识别率为45%-75%。Brunelli和Poggio[9]通过计算鼻子的宽度和长度、嘴巴位置和下巴形状等进行识别，在一个47人的人脸库上的识别率为90%。然而，简单模板匹配方法在同一人脸库上的识别率为100。侧影(Profile)识别[10]也是早期基于几何特征人脸识别的一个重要方法，其基本原理是从人脸的侧影轮廓线上提取特征点，将侧影转化为轮廓曲线，从中提取基准点。根据这些点之间的几何特征来进行识别。由于侧影识别相对较简单且应用面小，对侧影识别的研究较少。 think58 [来源：http://think58.com]
基于几何特征的方法非常直观。识别速度快，内存要求较少，提取的特征在一定程度上对光照变化不太敏感。但是，当人脸具有一定的表情或者姿态变化时，特征提取不精确，而且由于忽略了整个图像的很多细节信息，识别率较低，所以近年来已经很少有新的发展。
2．1．2 基于模型的方法
隐马尔可夫模型(Hidden Markov Model, HMM)是一种常用模型，基于HMM的方法首先被用于声音识别等身份识别上，之后被Nefian和Hayes引入到人脸识别领域[11]。它是用于描述信号统计特性的一组统计模型。HMM方法的鲁棒性较好，对表情、姿态变化不太敏感，识别率高。
主动形状模型(Active Shape Model，ASM)方法由Cootes等人提出[12]，Cootes对形状和局部灰度表象建模，用建立的ASM在新的图像中定位易变的物体。后来，Lanitis等将其应用于解释人脸图像，在使用ASM找出人脸的形状后，将人脸切割并归一到统一的框架，对这个与形状无关的人脸采用亮度模型来进行解释和识别。
主动表象模型(Active Appearance Model，AAM)可以看成是对ASM 的进一步扩展[13,14]，是一种通用的非线性图像编码模式，通过变形处理将通用人脸模型与输入图像进行匹配，并将控制参数作为分类的特征向量。
[资料来源：http://www.THINK58.com]