基于PCA的人脸识别

基于PCA的人脸识别陈哲盼（华北电力大学自动化系，河北保定071003）摘要：人脸识别技术，作为目前模式识别领域研究的热点也是难点之一，其最早提出可以追溯到1888年[1]。然而，到目前为止，由于人脸识别问题自身的复杂性，使得虽然有众多科学研究人员潜心研究多年，也做出了许多的成果，但离彻底解决并达到实用，仍旧有很多关键性的问题需要解决。本文结合研究生阶段参与教研室的科研项目，对人脸识别做了一定的研究。论文首先介绍了人脸识别的背景、研究范围以及方法，对人脸识别领域的一些理论方法作了总体的介绍。本文中所采用的人脸识别方法是比较经典的PCA(PrincipleComponentAnalysis，主成分分析)[2-6]。关键词：人脸识别，主成分分析，PCA，特征脸PCA-basedfacerecognitionCHENZhe-pan(DepartmentofAutomationNorthChinaElectricPowerUniversity,Baoding071003China)Abstract:TechniquesforfacerecognitionwereproposedbyFrancisGaltonasearlyas1888[1]Inrecentyearsconsiderableprogresshasbeenmadeintheareaoffacerecognition：ThroughthedevelopmentoftechniqueslikeEigenfacescomputerscannowoutperformhumansinmanyfacerecognitiontasks，particularlythoseinwhichlargedatabasesoffacesmustbesearched．Whilstthesemethodsperformsextremelywellunderconstrainedconditions，theproblemoffacerecognitionundergrossvariationsremainslargelyunsolved．ThisthesisdetailsthePCA(PrincipleComponentAnalysis)algorithmandthedevelopmentofareal-timefacerecognitionsystemaimedtooperateinconstrainedenvironmentsKeywords：facerecognition,principlecomponentanalysis,PCA,Eigenfaces0引言随着社会的不断发展进步以及各方面对快速有效的身份识别技术的迫切需求，生物特征识别技术在最近十年中得到了很快的发展。生物特征识别技术是为了验证身份而采用自动测量技术对身体的特征或个人行为特点进行采集处理，并将采集的特征或特点与模板进行比较，从而完成身份验证的一种解决方案。由于生物特征识别技术利用人本身所具有的特征(如指纹、虹膜、人脸等)进行身份认证，因而它比传统的根据人所携带物品(如身份证)和你所记忆的内容(如账号和密码)更加安全和可靠。我们有理由相信生物特征识别技术将使人们的生活方式产生重大的变化[7]。人脸识别是生物特征识别技术的一种，它也是人们生活中最常用的一种身份认证手段，同时它也是当前最热门的模式识别研究课题之一。通过人脸我们可以判定许多信息:性别、种族、大致年龄及表情等。与其它的生物特征识别技术相比，人脸识别在采集特征时不需要与采集对象进行直接接触，因此人们不会产生排斥的心理，所以人脸识别可以成为一种最友好的身份认证技术。人脸识别应用前景广泛，可用于公安机关罪犯身份的认证，档案管理，银行的监控系统，入口控制等。人脸识别对于我们人类而言是一件非常简单的问题，但人脸识别的机制实际上是非常复杂的。人脸识别的课题涉及到计算机视觉、图像处理、机器学习、模式识别等很多方面的知识[8]。近年来人脸识别技术己经取得了很大发展，产生了很多新颖的方法，一些人脸识别系统也己经投入市场。但还有很多的因素制约着它的发展，人脸识别的鲁棒性受人脸自身和环境的复杂性，如表情、姿态、光照变化的影响很大。所以它仍是目前一项非常具有挑战性的研究课题。1人脸特征提取与识别方法人脸识别本质上是三维塑性物体二维投影图像的匹配问题，它的困难体现在：(1)人脸塑性交形(如表情等)的不确定性；(2)人脸模式的多样性(如胡须，发型，眼镜，化妆等)；(3)图像获取过程中的不确定性(如光照的强度，光源方向等)。识别人脸主要依据人脸上的特征，也就是说依据那些在不同个体之间存在较大差异而对于同一个人则比较稳定的度量。由于人脸变化复杂，因此特征表述和特征提取十分困难。在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小，灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度地克服光照变换的影响而提高识别率[9]。关于人脸特征提取和识别的方法可概述如下：基于几何特征的方法：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由这些每个人脸千差万别，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。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。基于特征脸的方法：Turk和Pontland[2,3]提出特征脸的方法，它根据一组人脸训练图像构造主元子空间，由于主元具有脸的形状，也称为特征脸。识别时将测试图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像进行比较进行识别。特征脸方法是一种简单，快速，实用的基于变换系数特征的算法，但由于它本质上依赖于训练集和测试集图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的局限性。基于弹性模型的方法：Lades等人针对畸变不变性的物体识别提出了动态链接模型(DLA)，将物体用稀疏图形来描述，其顶点用局部能量谱的多尺度描述来标记，边则表示拓扑连接关系并用几何距离标记，然后应用塑性图形匹配技术来寻找最近的已知图形[10,11]。Wiscott等人在此基础上作了改进，用FERET图像库做实验，用300幅人脸图像和另外300幅图像做比较，准确率达到97.3%[12]。此方法的缺点是计算量非常巨大。神经网络方法：神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述还是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。其他方法：Brunelli等对模板匹配方法作了大量实验，结果表明在尺度，光照，旋转角度等各种条件稳定的情况下，模板匹配的效果优于其他方法[13]，但它对光照，旋转和表情变化比较敏感，影响了它的直接使用。Goudail等人采用局部自相关性作为人脸识别的判断依据，它具有平移不变性，在脸部表情变化时比较稳定[14]。在最近的一些工作中[15]，Benarie等提出VFR的表示框架并将它用于人脸识别的工作中，Lam等人研究了不同视点下的人脸匹配和识别问题闭，Vetter等人讨论了由单幅人脸图像生成其他视点的人脸图像的可能性，Mirhosseini等则探讨了多种信息融合的人脸识别方法。本文主要从基于代数特征的主成分分析(PCA)方法着手，在大量实验的基础上对影响人脸识别的因素进行了研究和探讨。2基于PCA的人脸识别2.1概述主成分分析(PrincipalComponentsAnalysis。即PCA，也称为K-L变换)，是图像压缩中的一种最优正交变换。PCA用于统计特征提取构成了子空间法模式识别的基础。它从图像整体代数特征出发，基于图像的总体信息进行分类识别。Simvich和Kirby首先将K-L变换用于人脸图像的最优表示。Turk和Pentland进一步提出了“特征脸”(Eigcnface)这个概念．下文首先介绍了PCA算法的原理和实现过程，然后给出了在ORL库上的实验结果。将PCA方法用于人脸识别，其实是假设所有的人脸都处于一个低维线形空间，而且不同的人脸在这个空间中具有可分性。其具体做法是由高维图像空间经KL变换后得到一组新的正交基，对这些正交基作一定的取舍，保留其中的一部分生成低维的人脸空间，也即人脸的特征子空间。完整的PCA人脸识别算法步骤包括：(1)、人脸图像预处理。(2)、读入人脸库。训练形成特征子空间。(3)、把训练图像和测试图像投影到上一步骤中得到的子空间上。(4)、选择一定的距离函数进行识别。2.2人脸图像预处理人脸图像的预处理主要处理旧照片或扫描照片因拍摄环境不同产生的光照干扰和角度倾斜。常用的处理有：(1)、图像噪声滤波输入图像一般在人脸定位、特征提取等方面都会受到噪声问题的影响，一般来说，去除噪声的算法主要是平滑滤波：平滑滤波算法首先需要选择一定的图像区域，在这个区域内，选取一个像素作为中心，进而在区域内选择一个小的区间，该区间的像素作为该像素区间的基数，然后讲过一种公式化的预算变化推导出该中心像素的新值。一般通过卷积的方法实现平滑滤波。(2)、图像旋转在有些情况下，人脸的正面图像会因为坐姿，摄像机倾斜等问题产生不同角度的偏差和倾斜现象，这些偏差数值不一，有大有小，但是在图像识别过程中，细微的、小角度的偏差也会对图像的视觉效果造成一定程度的影响，由此，对这些小角度的处理是也是人脸预处理的必要步骤。调整人脸角度的原理一般是依据常识情况下，图像中，在正常无倾斜的情况下，人物两眼处于同一个水平线上，对人物两眼间的夹角进行计算，如果夹角为0，则图像是水平的，如果夹角不为零，则说明两眼存在一定程度的倾斜。具体计算时，将两眼夹角设为θ，将θ的数值计算出后，反向旋转θ角度，就可以得出校正后的图像。具体计算方法如下：设两眼的瞳孔坐标分别为（x1,Y1）和（x2,Y2），则θ的求取公式如下：121222121=sin()()()yyxxyy设图像中任意点的坐标为（x,y），旋转后该点的坐标为（X,Y），则cossin[,][,]sincosTTXYxy在进行具体操作时，需要注意我们通常对数据图像进行存储时，存储方式一般是矩阵方式，如果仅仅是将处理图像进行扩大存放，就会导致图像位移。因此，在调整图片角度时，所应进行的预备步骤是首先将图像四个顶点进行旋转，然后取得这些坐标的最值，进而在确定旋转后图像应有的高度和宽度，然后依次对矩阵进行扩展。(3)、图像姿态归一化处理在进行图像识别过程中，还会遇到人物姿态存在一定深度的偏转现象，对这种图像，一般我们都会将其调整到图片正面视图以保证图片的质量，在图像旋转中，两眼间的角度是进行图片旋转的基准，而在此，两眼间的中点和鼻、鼻尖的角度为计算的基准。两眼的中点与鼻、鼻尖处于同一条垂直线上为正面视图，如果不在一条垂直线上，则视为姿态偏转视图。其计算原理是将双眼、鼻尖三个点作为特征点，进而求出两幅图像间的仿射变化关系，进而将输入的图像进行校准，从而补偿由姿态深度偏转带来的影响。2.3PCA人脸识别流程(1)、读入人脸库。读入每一个二维的人脸图像数据并转化为一维的向量。每人选择一定数量的图像构成训练集，其余构成测试集。假设图像的大小是W×h(w和h分别为图像的宽度和高度)，整个人脸库中图像个数是n，用于训练的人脸图像个数是n1，测试的图像个数是n2，令m=w×h，则训练集是一个m×n1的矩阵，测试集是m×n2的矩阵。第i幅人脸可以表示为(m为一位向量维数)：12[,,,]iiiiTmxxxx(2)、计算KL变换的生成矩阵Σ，进行KL变换。KL变换的生成矩阵可以是训练