基于子图分割的人脸特征提取算法性能比较研究
资料包括： 论文(70页26869字) 任务书 开题报告
说明：
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。
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
Comparison Research on Performance of Face Feature Extraction Algorithms Based on Sub-image Segmentation
Abstract ：Face recognition technology is front-line task in pattern recognition domain, which can be used in all kinds of fields, such as security systems, criminal identifications, teleconferences and entertainment. Face recognition is also one of hot spots in pattern recognition and artificial intelligence.
This thesis analyzes the actuality of automated face recognition. Combined with the previous research, two face feature extraction algorithms (coefficients of variances (CV) and singular value decomposition (SVM)) are proposed. Based on sub-image dividing idea and back-propagation neural networks, the performances of these algorithms are evaluated. In the face feature extraction algorithms based on CV, suitable coefficients are selected to denote images, which can reduce image information redundancy. The further research shows that the recognition rate can be improved and the computing recourse can be cut down if the sub-image including little information is removed. In the face feature extraction algorithms based on SVD, singular values of image have some good characteristics, such as stability, scale fixity and angle fixity. Compared with some algorithms, the proposed algorithms’ performances are higher. Based on ORL database, experiments results show that our algorithms have high recognition rate. Otherwise, a static face picture recognition system is developed based on the previous research. The system is realized by using VC++ 6.0 and theories of image proceeding and pattern reorganization. The system can recognize face image effectively and easily.
Key Words: face recognition, sub-image segmentation, coefficients of variances, singular value decomposition, back-propagation neural networks
1. 绪论
1．1 课题研究背景
人脸识别技术作为多学科领域的、具有挑战性的难题，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。同时人脸识别也具有十分广泛的应用意义。在国家安全方面，人脸识别技术可以应用于对罪犯、恐怖分子的追踪识别，对犯罪高发地区的监视或重大嫌疑犯重点地区的布控系统，机场安检口身份证检查及结合犯罪嫌疑人识别系统的安检口控制系统；在军事方面，人脸识别技术可以应用于数字化士兵的交互通讯，从而进行敌我识别，信息提取等；在公众安全方面，人脸识别技术应用于智能视频监控、电脑网络安全、访问控制、司机驾照验证、自动门卫系统，也可以应用于各类银行卡、金融卡、信用卡的持卡人的身份验证；在人机交互方面，计算机可以通过人脸识别确定目前是谁在它的视野当中，根据不同人的身份提供不同的服务；在家庭娱乐等方面，通过人脸识别，可以实现能够识别主人身份的智能玩具和机器人，具有真实人脸的虚拟游戏玩家等[1,2]。
在六十年代初期，人脸识别就引起了研究者的强烈兴趣。最近几年来，人脸识别研究越来越受到学术和商业界的关注，人脸识别的输入图像通常有三类情况：正面、侧面、倾斜。目前，对正面人脸识别最多，它的发展主要分为三个阶段：
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Bertillon系统中，采用一个简单语句与数据库中的一张人脸建立联系，取得了较好的识别效果。Allen为待识别的人脸设计了一个有效特征，从而提高了人脸的识别率。Parke把它用计算机实现，并产生了较高质量的人脸灰度图模型。这一阶段的特点是识别过程几乎完全依赖于操作人员[3,4,5]。
摘 要.I
ABSTRACTII
1.绪论1
1．1 课题研究背景1
1．2 课题研究内容2
1．3 论文组织结构3
2.人脸识别综述4
2．1 特征提取算法4
2．1．1 基于几何特征的方法4
2．1．2 基于模型的方法5
2．1．3 基于统计的方法5
2．1．4 弹性图匹配方法6
2．2 基于三维数据的人脸识别的方法7
2．2．1 基于曲率的方法7
2．2．2 基于模型合成的方法7
2．3 分类算法7
2．3．1 基于神经网络的方法7
2．3．2 多分类器集成方法8
2．4 总结8
3.神经网络概述10
3．1 人工神经网络概述10
3．2 神经元模型10
3．3 BP神经网络分类器11
3．3．1 BP神经网络模型11
3．3．2 BP网络学习算法12
4.基于子图分割的人脸特征提取算法与人脸识别系统15
4．1 子图分割思想15
4．2子图分割与变异系数相结合的人脸特征提取算法15
4．2．1变异系数的传统意义及其在图像处理中的应用15
4．2．2变异系数的几何意义及其在图像处理中的应用16
4．2．3变异系数的选取18
4．3 子图分割与奇异值分解相结合的人脸特征提取算法20
4．3．1 奇异值的代数特性及其在图像处理中的应用20
4．3．2 奇异值的降维压缩21
4．3．3 奇异值的选取22
4．4 系统框架23
4．4．1 图像预处理23
4．4．2 特征提取算法中系数选取的方案24
4．4．3 BP神经网络的结构设计25
5.性能分析27
5．1 人脸数据库27
5．2 实验结果28
6.静态人脸图像识别演示系统35
6．1 系统简介35
6．2 系统的基本技术要求35
6．3 系统中的关键技术35
6．4 系统的软硬件平台35
6．5 系统实现36
6．5．1 系统流程图36
6．5．2 系统总体编程框架36
6．5．3 程序使用说明38
7.总结43
致 谢44
参考文献45
附录 攻读学位期间的研究成果47
参考文献：
Yin 1, Basu. A Generating realistic facial expression with wrinkles for model-based coding [J]. Computer Vision and Image Understanding, 2001, 84(2): 201- 240.
Aerates G, Pereira F. MPEG-4 facial animation technology: survey, implementation and results [J]. IEEE Transactions on Circuits and Systems for Video Technology, Special Issue on SNHC, 1999, 9(2):290-305.
Guo G, Li S. Z., Chan K. L. Support vector machines for face recognition [J] , International Journal of Computer Vision, 2001, 19(3): 631-638.
Tanzeem Choudhury. Face Recognition for Smart Environments [J]. IEEE Computer. 2000, 2(1): 50-55.
P Jonathon Phillips, Hyeonjoon Moon, Syed Rizvi. The FERET Evaluation. Proceedings of the NATO Advanced Study Institute on Face Recognition [J]. From Theory to Application, 1997, 12(3):44-261.
赵海涛, 龄东军, 余忠. 基于形状和纹理的人脸自动识别[J] ,计算机研究与发展,2003,40(4):40-44.
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[J]. 计算机研究与发展.2003, 40(3):30-35.
Cheng Y, Liu K, Yang J. Human face recognition method based on the statistical model of small sample size [J] . SPIE Proc, Intell. Robots and Computer Vision X: Algorithms and Techn.1991, 16(6):85-95.
Brunelli R, Poggio T. Face Recognition: Features versus Templates. IEEE Trans on Pattern Analysis and Machine Intelligence[J] ,1993,15(10):1042-1052.
Samal A, Iyengar P A. Automatic Recognition and Analysis of Human Faces and Facial Expressions Survey [J] .Pattern Rec-ognition, 1992, 25(1):65- 77.
Cootes T F, Taylor C J. Active Shape Models-Their Training and Application[J] .Computer Vision and Image Understanding,1995,61(1):38-59.
Copies T F, Edwards G J. Active Appearance Models [J]. IEEE Trans on Pattern Analysis and Machine Intelli-gence, 2001, 23(6):681-685.
Matthews I, Baker S. Active Appearance Models Revisited [J] .International Journal of Computer Vision, 2004, 60(2):135-164.
Turk M,Pentland A. Eigenfaces for Recognition[J] .Journal of Cognitive Neuroscience, 1991,3(1):71-86.
[15] Hong Z Q. Algebraic Feature Extraction of Image for Recognition [J] .Pattern Recognition, 1991, 24(3):212-219.
[16] Lades M, Vorbruggen J C. Distortion Invariant Object Recognition in the Dynamic I ink Architecture [J]. IEEE Trans on Computers, 1992, 42(3):300-3l1.
[17] Iawrence S. Face Recognition-A Convolution Neural Network Approach [J] . IEEE Trans on Neural Networks, 1997, 8(1):98-113.
[18] Ranganath S, Arun K. Face Recognition Using Transform Features and Neural Networks [J]. Pattern Recognition, 1997, 30 (10):1615-1622.
[19] Haywood K. Hopfield lake Net-works for Pattern Recognition with Applications to Face Recognition[C]. In:Proc of the Intcrnational Joint Conference on Neural Networks.Washington.USA.1999. pp: 3265-3269.
[20] Gutta S.Wechsler H.Face Recognition Using Hybrid Classifier Systems[C]. In:Proc of the InternationaI Conference on Neural Networks. W ashington, USA, 1996, pp: 1017-1022.
[21] 胡小锋, 赵辉. Visual C++/MATLAB 图像处理与识别实用案例精选[M]. 北京:人民邮电出版社, 2004: 178-230.
[22] CHEN FB, GAO XM, ZHANG SL, YANG JY. Human Face Recognition Method Based on Modular PCA[J]. M INI- MICRO SYSTEMS, 2006, 27(10):1943-1947.
[23] 张锦, 成奋华等. 基于子图特征组合的人脸识别技术研究[J]. 湖南大学学报: 自然科学版, 2007, 34(6): 70-73.
[24] 陈昭炯,叶东毅. 变异系数的新性质及其在图像处理中的应用[J]. 小型微型计算机系统, 2006, 27(1): 162-166.
作者点评：
计算机人脸识别是一个涉及图像处理、模式识别、计算机视觉和神经网络等多个领域的研究课题。它有着巨大的商业应用前景，由于其界面友好，即使在已经有了像指纹分析和虹膜扫描这样非常可靠的生物特征识别技术的情况下，人脸识别技术依然具有极大吸引力。
本文首先介绍人脸识别的基本情况和发展前景。接下来重点介绍神经网络的基本理论和BP算法，对于BP神经网络的结构和学习算法作了详细的描述。然后详述作者提出的基于子图分割思想的两种特征提取算法。在基于变异系数的算法中，原图被分割成若干子图，将子图转换成变异系数后，通过选取合适的变异系数组成原图的特征向量。在基于奇异值分解的算法中，原图被分割成若干子图，将子图进行奇异值分解后，选取最合适的奇异值代表子图组成原图的特征向量。接下来分析了在ORL人脸库上进行的一系列的实验并由此评价两种算法的性能。这些实验主要分别测试两种算法在不同的子图维数，不同的训练集测试集，不同的训练神经网络迭代次数和选取不同的特征值的情况下的性能。基于ORL人脸数据库的实验结果表明，特征提取算法是有效的。在基于奇异值分解的算法中最大和次大的系数或奇异值具有较为理想的性能，而在基于变异系数的算法中变异系数在子图切割比较细时能方便的去除一些包含信息量很少的变异系数从而提高识别效率。最后介绍了作者在VC++环境下，依据前期研究成果开发的一个静态人脸图像识别演示系统，该系统能有效快捷的识别人脸图像。
为了进一步提高实用性，需要进一步研究人脸探测技术，去除图像中的无用边界，更大限度的提高信息的有效率，并可以尝试使用其它的分类器来提高识别率。