畢業論文-基于分塊離散余弦變換變換和主成分分析法的人臉識別-文庫吧

【正文】 換參數以及 PCA 維數的選取方式和實際效果。 利用分塊 DCT 對人臉圖像進行預處理，將 DCT 預處理后的低頻信息作為特征，然后通過使用 KL 變換取特征值、特征向量以及 PCA 降維的方式來形成特征臉，最終采用歐氏距離最近鄰法完成模板圖像與測試圖像的匹配。 實驗表明采用分塊 DCT變換和 PCA算法來選取特征臉進行識別的方法是一種可行的快速算法。 2 第 1 章 人臉識別相關理論 人臉識別研究的背景及意義 隨著計算機和網絡技術的快速發展，信息化、數字化日益融入人們的日常生活，身份識別與認證作為保證信息安全的必要前提越來越受到人們的重視。在國家安全、公安系統、司法系統、電子商務、電子政務、安保監控等領域都需要準確的身份識別與認證。 身份是人們日常生活的重要組成部分，對身份進行識別與認證是人們基本社會生活之一。目前廣泛采用的身份識別方法主要有標識號碼、磁卡、 IC卡等技術，這些傳統方法雖然在日常生活中應用廣泛，但從本質上來講這些驗證手段都依賴于后天賦予的信息 ，存在著易丟失、易偽造、安全性差等不足。隨著科學技術的不斷發展和信息安全要求的不斷提高，對個人進行方便、快捷、可靠性高的身份認證變得日益迫切。其中利用人臉特征進行身份驗證又是最自然直接的手段，相比其它人體生物特征它具有直接、友好、方便的特點，易于為用戶所接受 [3]。 人臉識別是指對于輸入的圖像或視頻，首先進行人臉檢測，找出圖像中存在的人臉，然后進一步識別每個人臉的位置、大小等信息，并依據這些信息，提取每個人臉中所蘊含的身份特征，并將其與已知入臉庫中的人臉進行對比，從而識別每個人臉的身份。人臉識別技術除了擁有 巨大的市場應用前景外，其在理論研究上也具有重要價值。作為典型的圖像模式分析、理解與分類計算問題，人臉識別技術為模式識別、計算機視覺、神經計算、人工智能、圖像處理與分析、人機交互、計算機圖形學、人類生理學和心理學等諸多學科提供了良好的實驗平臺，有利于這些學科融合，解釋新現象、嘗試新方法、驗證新理論。相信隨著人臉識別技術的進一步發展，將極大地促進這些學科的發展。 人臉識別的現狀及難點 人臉識別的現狀 人臉識別因其廣闊的發展前景和重要的理論研究價值，受到國內外眾多研究 3 機構的廣泛重視。國外一 些著名的研究機構如美國麻省理工學院人工智能和媒體實驗室 (MIT)、卡內基美隆大學機器人研究所 (CUM)均走在人臉識別領域研究的前列，引導著國際人臉識別領域的技術潮流。中國雖然對人臉識別領域的研究起步較晚，但也取得了不錯的成果。目前全國各大高校及一些著名科研院所均開展了對人臉識別的研究。 在國內人臉識別研究始于 20世紀 80年代，雖然起步相比國外晚，但發展很快。同時，國家對人臉識別方面的研究高度重視， 863計劃、國家科技支撐計劃、自然科學基金等都撥出?？钯Y助人臉識別技術的相關研究。國家“十一五 ”科技發展規劃也將 人臉識別技術的研究與發展列入其中，明確的指出：“要在生物特征識別技術領域縮小與世界先進水平的差距，開展生物特征識別技術研究，開發高安全性、低誤報率的出入識別新產品。在這種環境下，國內一些科研院所和院校在人臉識別技術方面積極研究，取得重大發展。 2021年，由中科院計算機所等單位承擔的國家 863計劃之一的面像檢測與識別技術順利通過專家鑒定，該系統只需 1/10秒或 1/20秒就可自動檢測到人臉。中科院自動化所的中科奧森近紅外入臉識別系統設計的基于近紅外圖像的人臉識別核心技術，在不同光線條件下，能夠拍攝到不受光照變 化影響的近紅外人臉圖像，解決了困擾人臉識別領域的光照影響問題，識別率達到 ％。在由清華大學蘇光大教授主持的二代身份證識別系統，通過二代身份證內只有 12K大小的圖像作為入臉的數據庫，獲得了較好的識別率和識別速度，并且在距離攝像頭 2米左右便可檢測出人臉并進行識別，為我國人臉識別技術的研究奠定了堅實的基礎。 在人臉識別技術商業化應用方面，國外的一些較為成熟的商用軟件有NevenVision公司的 PersonSpotter、 eTure公司的 TrueFace、 VisionSphere公司的Unmask和 C． VIS公司的 FaceSnap等。雖然國內企業進入人臉識別領域的時間較晚，但也發展迅速，目前已有諸多產品投入市場，在公共安全領域發揮著重要作用，其中具有代表性的產品有中科院計算所的 GodEye、奧森科技的奧森人臉識別系統等。 人臉識別的難點及現況 權威評測機構在 2021年發布的 FRVT2021(Face Recognition Vendor Test 2021) 4 測試結果表明，理想條件下的人臉識別技術已相當成熟，千人左右的系統識別率己達到 90％；但當外界條件不可控 (如光照發生變化 )時，系統性能下降極 快，因此人臉識別技術仍有許多問題亟待解決，尤其針對非理想條件下 (如光照、姿態、表情變化、用戶不配合等 )的識別技術。 人臉識別的主要難點，包括光照、姿態、表情變化問題，遮擋、采集設備、樣本缺乏所引起的問題，識別算法的泛化能力及自適應學習問題等，并指出這些問題往往是組合出現的。因為人臉識別技術主要依賴從樣本圖像中提取的有效人臉特征，即那些對不同個體差異較大但對相同個體保持穩定的特征量度，但由于人臉本身表示極其復雜且人臉圖像維數一般較高，故如何有效地進行特征選擇與提取是解決人臉識別問題的關鍵之一。 目前一種常見的 方法是利用小波變換 (Wavelet Transform)的時頻局域特性將光照、表情等變化區分在不同頻段，從中提取出魯棒性較強的低頻系數作為人臉特征進行識別。小波變換成功應用到人臉識別領域的重要原因是由于其能有效地表達圖像中的點奇異性，而在人臉圖像中，更多的是面部輪廓及五官的曲線信息，人臉圖像的曲線奇異性影響了很多小波系數，導致其不能成為曲線的稀疏表達，影響了人臉識別的精度。由 Candes和 Donoho等人提出的曲波變換 (Curvelet Transform)在尺度和位移參量的基礎上增加了一個方向參量，使之具 有更好的方向辨識能力和曲線稀疏表達能力，為解決人臉特征選擇與提取提供了新思路。 人臉識別的應用前景 生物識別技術已廣泛用于政府、軍隊、銀行、社會福利保障、電子商務、安全防務等領域。 同時 當前社會上 社會治安 案件頻繁出現 并 不斷發生，鑒于此種原因，防盜門開始走進千家萬戶，給家庭帶來安寧；然而，隨著社會的發展，技術的進步，生活節奏的加速，消費水平的提高，人們對于家居的期望也越來越高，對便捷的要求也越來越迫切，基于傳統的純粹機械設計的防盜門，除了堅固耐用外，很難快速滿足這些新興的需求：便捷，開門記錄等功能 。人臉識別技術已經得到廣泛的認同，但其應用門檻仍然很高：技術門檻高（開發周期長），經濟門檻高（價格高）。 5 人臉識別產品已廣泛應用于金融、司法、軍隊、公安、邊檢、政府、航天、電力、工廠、教育、醫療及眾多企事業單位等領域。隨著技術的進一步成熟和社會認同度的提高，人臉識別技術將應用在更多的領域。 企業、住宅安全和管理。如人臉識別門禁考勤系統，人臉識別防盜門等。 電子護照及身份證。中國的電子護照計劃公安部一所正在加緊規劃和實施。 公安、司法和刑偵。如利用人臉識別系統和網絡，在全國范圍內搜捕逃犯。 自 助服務。 信息安全。如計算機登錄、電子政務和電子商務。在電子商務中交易全部在網上完成，電子政務中的很多審批流程也都搬到了網上。而當前，交易或者審批的授權都是靠密碼來實現，如果密碼被盜，就無法保證安全。但是使用生物特征，就可以做到當事人在網上的數字身份和真實身份統一，從而大大增加電子商務和電子政務系統的可靠性。 現有人臉圖像集簡介 由于人臉檢測問題最初來自人臉識別問題，長期以來，研究人員雖然提出了大量的人臉檢測方法，但在說明各自檢測方法的性能時，往往使用不同的人臉測試集，因此，這就使得各種人 臉檢測方法的優劣評價缺乏一個統一的平臺。針對此種情況就出現了一些標準人臉圖像集，但是對于怎樣才是一個“成功的人臉測試方法”，仍舊缺乏一個統一標準；另一方面，對于不同的訓練集，尤其是一些基于統計信息的人臉檢測方法，對測試結果的影響也是巨大的。 下面簡單介紹一下國內外已有的部分人臉圖像集 [4]： (1)MIT圖像集 (美國，麻省理工學院 )：包括 16人，每個人有不同光照、不同尺寸、不同角度的 27張照片。 (2)FERET圖像集 (美國軍方 )：此圖像集包含大量的人臉圖像，并且每幅圖中均只有一個人臉。該集中，同一個人的照 片有不同表情，光照，姿態和年齡的變化。 (3)UMIST圖像集 (英國，曼切斯特大學 )： 20個人共 564幅圖像，每個人具有不同角度、不同姿態的多幅圖像。 6 (4)Yale圖像集 (美國，耶魯大學 )： 15人，每人 11張照片，共 165張。主要包括光照條件的變化，表情的變化。 (5)ORL圖像集 (英國，劍橋大學 )： 40人，每人 10張照片，包括表情變化，微小姿態變化， 20％以內的尺度變化。 (6)CMU PIE圖像集 (美國，卡耐基梅隆大學 )：所謂 PIE就是姿態 (pose)，光照(I1lumination)和表情 (Expression)的縮寫。 CMU PIE人臉庫建立于 2021年 11月，它包括來自 68個人的 40000張照片，其中包括了每個人的 13種姿態條件， 43種光照條件和 4種表情下的照片，現有的多姿態人臉識別的文獻基本上都是在 CMU PIE人臉庫上測試的。 最近幾年來，隨著人臉檢測研究的不斷深入，研究者們編輯了多個人臉檢測測試圖像集。 Sung和 Poggio提出了兩個人臉檢測測試集，第一個集中包含了 71個人的 301個正視或近似正視人臉圖像，這些圖像各自的光照條件均不相同。第二個集中包括 23幅圖像共 149個人臉，每幅具有復雜背 景。而用的最廣泛的測試集是由 Rowley等人提出來的 CMU測試圖像集，包括 130幅圖像共 507個人臉，除此之外還有 CMU側面人臉圖像集，共 280幅圖像。雖然它們具有一定規模和涵蓋面，但仍不能滿足評價的要求，因此還有待于建立規模更大、覆蓋面更廣的測試集和針對不同具體應用背景的測試集。 人臉識別 技術 相關 人臉識別的技術特點 傳統的人臉識別技術主要是基于可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有 30 多年的研發歷史。但這種方式有著難以克服的缺陷，尤其在環境光照發生變化時，識別效果 會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。 迅速發展起來的一種解決方案是基于主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。 7 人臉與人體的其它生物特征（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點： 非強制性：用戶不需要專門配合人臉采集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有 “強制性 ”； 非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像； 并發性：在實際應用場景下可以進行多個人臉的分揀、判斷及識別；除此之外，還符合視覺特性： “以貌識人 ”的特性，以及操作簡單、結果直觀、隱蔽性好等特點。 人臉識別研究的技術過程 人臉識別系統主要包括四個組成部分，分別為：人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。 （ 1）人臉圖像采集及檢 測 人臉圖像采集：不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的采集。當用戶在采集設備的拍攝范圍內時，采集設備會自動搜索并拍攝用戶的人臉圖像。 人臉檢測：人臉檢測在實際中主要用于人臉識別的預處理，即在圖像中準確標定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結構特征及 Haar 特征等。人臉檢測就是把這其中有用的信息挑出來，并利用這些特征實現人臉檢測。 主流的人臉檢測方法基于以上特征采用 Adaboost 學習算 法， Adaboost 算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。 人臉檢測過程中使用 Adaboost 算法挑選出一些最能代表人臉的矩形特征 (弱分類器 )，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。 （ 2）人臉圖像預處理 人臉圖像預處理：對于人臉的圖像預處理是基于人臉檢測結果，對圖像進行 8 處理并最終服務于特征提取的過程。系統獲取的原始圖像由于受到各種條件的限制和隨機干擾，往往不能直 接使用，必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預處理。對于人臉圖像而言，其預