重庆邮电大学本科毕业设计（论文）
前 言
随着社会和科技的发展，社会步伐的加快，人们对高效可靠的身份识别需求日益强烈。各种技术在科研和实际中都受到了很大的重视和发展。由于生物特征内在的稳定性和唯一性使其成为了作为身份识别的理想依据。人脸特征作为典型的生物特征外，还有隐蔽性好，易于被用户接受，不需要人的配合等优点。现已成为了身份识别领域研究的热点。PCA算法通过降低维度，提取主元素，减少了数据冗余，解决了图像纬度太高无法处理或处理很慢的特点，同时保持了原始图像的绝大部分信息。在人脸识别领域，很多先进的识别算法都是在其基础上的改进。所以研究基于PCA的人脸识别算法实现具有重要的理论和使用价值。
本文主要介绍基于PCA的人脸识别算法的实现，除第一章外，其余内容按照人脸识别的流程可分为人脸图像获取，人脸图像预处理，人脸特征提取和特征匹配四个部分。具体安排如下:
第一章主要介绍人脸识别的研究现状，人脸识别技术的主要难点及人脸识别流程。 第二章主要介绍常用的人脸图像获取方法和人脸图像数据库。 第三章主要介绍常用的人脸图像预处理方法。
第四章主要介绍PCA算法，SVD定理，如何通过PCA和SVD提取人脸特征及如何使用最近邻法分类器欧几里得距离来进行判别分类。
- 1 -
重庆邮电大学本科毕业设计（论文）
第一章 人脸识别系统概述
第一节 人脸识别的研究概况
人脸识别的研究起源比较早，Galton 在1888年和1910年就已在Nature杂志发表两篇关于如何使用人脸进行身份识别的论文。在他的文章，他使用一组数字表示相异的人脸侧面特征，同时还对人类本身的人脸识别能进行了研究分析。自动人脸的研究历史相对比较短，到现在不过五十多年的时间。不过1990年以来，才得到了长足的进步。现在，已变成计算机视觉领域的一个焦点，很多著名的大学和IT公司都有研究组在从事这发面的研究。
对于人脸识别的研究历史可分为三个阶段：
第一阶段（1964-1990）这个阶段主要采取的技术是基于人脸几何结构的。研究的重点主要在剪影上。研究人员做了大量关于如何提取面部剪影曲线的结构特征的研究。这个阶段属于人脸识别的初级阶段，突出的研究成果不多，也没有获得的实际应用。
第二阶段（1991-1997）这个阶段虽然时间相对较短，但是硕果累累，出现了若干具有代表性的算法和几个商业化的人脸识别系统，如Identix（原为Visionics）公司的FaceIt系统。
这个时期最具盛名的人脸识别方法是MIT媒体实验室的Turk和Pentland提出的的“特征脸”方法。后来很多人脸识别技术都与特征脸有关，现在特征脸已与归一化的协相关量方法一起成为了人脸识别性能测试的基准算法。
这个时期的主要成果有：
1992年左右，Brunelli和Poggio做了一个基于结构特征的方法和基于模板匹配的方法性能对比的实验，并得出了模块匹配的方法优于基于特征的方法的结论。这个结论和特征脸的共同作用，基本上停止了纯粹基于结构特征人脸识别的研究，并且很大的促进了基于表观的线性子空间建模和基于统计模式识别技术的发展，使其逐渐成为主流技术。
Belhumeur等人的Fisherface方法也是此阶段一个重要的成果。该方法目前依然是主流人脸识别方法中的一种，产生了很多变种，比如子空间判别模型等。其先使用PCA即特征脸对人脸图像表现特征进行降维，并使用线性判别分析方法对降维后的主成分进行变换以获得“尽量大的类间散度和尽量小的类内散度”。
弹性匹配技术[1]为另一个重要方法。它用一个属性图来描述人脸：属性的顶点代表面部关键特征点，它的属性为相应特征点处的多分辨率，多方向局部特征—Gabor变换[2]，称为Jet；边的属性为不同特征点间的几何关系。对于输入的图像，其通过一种优化搜索策略来定位预先定位的若干面部关键特征点，同时提取它们的Jet特征，得到输入人脸图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。弹性匹配方法的优点是既保留了面部的全局结构特征，也对人脸关键局部特征进行了建模。
- 2 -
重庆邮电大学本科毕业设计（论文）
局部特征分析由Atick等提出。其在本质上是基于统计的低维对象描述方法，与PCA相比，局部特征分析在全局主成分分析的基础上提取的是局部特征。它既保留了全局拓扑信息，有提取了局部特征，使其具有了更好的描述和识别能力。局部特征分析技术已商业化为著名FaceIt系统。
柔性模型，包括主动形状模型和主动外观模型。它是人脸建模方面的一个新的进步。其主要将人脸描述为2D形状和纹理两个分离的部分，分别用PCA建模，然后再通过PCA[3,4,5]将两者合成来对人脸建模。柔性模型具有良好的人脸合成能力，可以使用基于合成的图像分析技术对人脸图像进行特征提取和建模。
这个阶段所提出的算法在理想图像采集条件，人员配合，中小规模正面人脸数据库上达到了非常好的性能。，也诞生几个著名的人脸识别系统。
第三阶段（1998年—现在）这个时期关于人脸识别的研究非常热门。有大量的研究人员从事这方面的研究。主要针对的是主流的人脸识别技术在采集条件不理想和用户不配合下鲁棒性差的问题。光照和姿态问题成为了研究焦点。
这个时期主要成果有：
Georghiades等人基于光照锤模型的多姿态，多光照条件人脸识别方法。Blanz和Vetter等人基于3D变形模型的多姿态，多光照的人脸识别方法。Shashua等人基于上图像的人脸图像识别与绘制技术[6,7]。
总体而言，目前非理想成像条件下（尤其是光照和姿态），对象不配合，大规模人脸数据库上的人脸识别已逐渐成为研究的重点。而非线性建模方法，统计学习理论，基于Boosting的学习技术，基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。
从整个人脸识别的研究历史来看，基于PCA的特征脸[8,9]识别方法占据了非常重要的地位，也对后来的人脸识别技术产生甚远的影响。在后来很多的人脸识别技术，我们或多或少都会发现它的影子。人脸图像维数都很高，PCA方法不但很好表征人脸而且通过去除相关性，减少冗余，解决了在人脸识别过程中图像为数过高的问题。并且随着现代社会的发展，快速人脸识别的需求越来越大。所以研究基于PCA的人脸识别算法的实现还是有实际意义，本文也就在这样的背景下写作而成。
第二节 人脸识别的发展趋势
人脸识别至今虽然取得了丰硕的研究成果，但是还有很多问题需要解决。人脸识别的难度在于：人脸是非刚性物体，并且会随着年龄的增长而改变，特征难以完全描述；人脸常常有许多遮挡物，如：眼镜，帽子等；环境的光照和人脸的姿态等。人脸识别的未来主要的发展趋势如下：
- 3 -
重庆邮电大学本科毕业设计（论文）
一、多数据融合与方法综合
人脸识别技术经过这几十年的发展，已取得非常不错的成果。但是各种技术和方法都有自己不同的适应环境和各自的特点。如何使用数据融合理论，将不同的方法综合起来，相互补充，来取得较好的人脸识别效果，便成为人们的研究热点之一。
二、动态跟踪人脸识别系统
目前的静态人脸识别技术只能满足一般身份识别场合如门禁系统，考勤系统等，无法进行人脸的动态跟踪与识别。随着现在社会的发展，目前对动态人脸的跟踪与识别的需求越来越大，尤其是在一些安全领域。
三、基于小波神经网络的人脸识别
小波自提出以来，其理论和应用得到了长足的发展。它被认为是傅里叶分析的突破性的发展。随着神经网络的理论研究的深入，与小波，混沌，模糊集等非线性理论相结合已成为一个非常重要的发展方向。小波变换具有时频特性和变焦特性，神经网络具有自学习，自适应，鲁棒性，容错性和推广能力。如果能结合两者的优势，将会取得人脸识别不错的效果。
四、三维人脸识别
目前许多人脸识别成果是建立在二维人脸基础上的，而实际的人脸是三维的。三维人脸相比较于二维图像提供了更加完整的人脸信息。随着现在三维人脸采集技术的逐步发展，如何利用三维人脸进行人脸识别已成为一个新的研究热点。
五、适应各种复杂背景的人脸分割技术
现在在复杂背景下的人脸分割已经取得了一定的成果，如弹性匹配，但检测速度和效果还无法令人满意。在复杂背景下快速有效检测和分割人脸技术还需进一步的研究。
六、全自动人脸识别技术
全自动人脸识别技术目前还处于初级研究阶段，识别效果和速度离实际的要求还相差甚远。具体原因是人脸是非刚体，无法得到准确完整的描述人脸特征。如何有效的表达人脸特征将是其研究的重点。
- 4 -
重庆邮电大学本科毕业设计（论文）
第三节 人脸识别技术的主要难点
目前的人脸识别技术在人员配合，较理想采集条件下可以取得比较满意的结果。但在人员不配合，采集条件不理想下，系统的性能陡然下降。目前的主要的难点为：
一、复杂条件下人脸的检测和关键点定位
人脸检测和关键点定位为实际人脸识别系统的前端处理模块，此模块直接影响着人脸识别系统的性能。目前大多数特征定位算法的精度都会随着光照，姿态等变化而快速下降。复杂条件下的人脸检测与关键点定位是目前人脸识别急需解决的问题之一。
二、光照问题
关照问题是计算机视觉存在已久的问题，尤其在人脸识别中表现得更加明显。但目前为止光照处理技术远未达到实用的程度，还需要深入的研究。
三、资态问题
对于姿态的研究相对不多，现在人脸识别算法主要以正面或准正面姿态。当人脸姿态俯仰或左右比较大时，人脸识别的识别率骤降。如何提高人脸识别系统对姿态的鲁棒性是人脸识别中一个具有挑战性的任务。
四、表情问题
表情识别是生物特征识别的中的一种，是人机交互不可或缺的部分。表情是复杂的面部肌肉运动，每个表情都是几十块面部肌肉共同运动的结果，很难用精确的数学模型来表示这些肌肉的运动。面部表情的变化为面部特征点的运动。由于目前的计算机技术的限制，计算机还不能准确的定位这些面部特征点，也无法辨别面部肌肉的运动。而且，同一种表情在不同的人上也会有不同的表现形式。并且同一个人的不同表情之间也没有明确的界限。以上这些决定计算机很难用统一的标准来识别人的面部表情。
五、遮挡问题
对于非配合情况下，采集到的人脸图像一般都不是完整的，这会影响人脸特征提取与识别，可能还会导致人脸检测算法的失效。如何有效地排除遮挡物的影响有着非常重要的意义，如在监控环境下。
以上列举了部分主要的技术难点，其他难点由于本文的讨论不会涉及，所以不会再一一列
- 5 -