论文总字数：24613字

摘 要

本文介绍了一种新型的Gabor -Fisher分类（GFC）的人脸识别方法。该GFC方法，对于光照和面部表情的变化具有较好的鲁棒性，适用于费希尔线性判别模型（EFM），以从人脸图像的Gabor小波表现法衍生出的增广Gabor特征向量。本文所述的新颖性来自(1）增广的Gabor特征向量的维数的推导，进一步减少使用EFM考虑数据压缩与识别（推广）的性能； (2）Gabor-Fisher分类器为多类问题的发展; 3）广泛的性能评价研究：特别是，我们进行了适用于各种不同的分类相似度量的比较研究。我们还进行了各种人脸识别方案的比较研究实验，其中包括我们的新的GFC的方法，该Gabor小波的方法中所述特征脸的方法，该Fisherfaces的方法中所述的EFM方法，Gabor的组合和特征脸的方法，以及Gabor的组合和该Fisherfaces的方法。新的GFC方法的可行性已在人脸识别的600 FERET的正面人脸图像对应的200科目测试成功，这是在可变的光照和表情下获得的。指数特征脸，增强Fisher线性判别方法实现了对使用62个特征的人脸识别准确率100%。

关键词：特征脸；增强费希尔线性判别模型（EFM）；人脸识别；Fisher线性判别（FLD）的Gabor-Fisher分类（GFC）；Gabor小波。

Abstract

This paper introduces a novel Gabor–Fisher Classifier (GFC) for face recognition. The GFC method, which is robust to changes in illumination and facial expression, applies the Enhanced Fisher linear discriminant Model (EFM) to an augmented Gabor feature vector derived from the Gabor wavelet representation of face images. The novelty of this paper comes from 1) the derivation of an augmented Gabor feature vector, whose dimensionality is further reduced using the EFM by considering both data compression and recognition (generalization) performance; 2)the development of a Gabor–Fisher classifier for multi-class problems; and 3) extensive performance evaluation studies. In particular, we performed comparative studies of different similarity measures applied to various classifiers. We also performed comparative experimental studies of various face recognition schemes, including our novel GFC method, the Gabor wavelet method, the Eigenfaces method, the Fisherfaces method, the EFM method, the combination of Gabor and the Eigenfaces method, and the combination of Gabor and the Fisherfaces method. The feasibility of the new GFC method has been successfully tested on face recognition using 600 FERET frontal face images corresponding to 200 subjects, which were acquired under variable illumination and facial expressions.The novel GFC method achieves 100% accuracy on face recognition using only 62 features. Index Terms—Eigenfaces, enhanced Fisher linear discriminant

model (EFM)；face recognition； Fisher linear discriminant (FLD)；Gabor–Fisher classifier (GFC)； Gabor wavelets.

目录

第一章 绪论 1

1. 1引言 1

1.2 人脸识别方法研究 1

1.2.1研究目的与意义 1

1.2.2研究背景及历史现状 1

1.3 本文所做工作 3

1.3.1 前期准备工作 3

1.3.2 中期设计方案论证 3

1.3.3 最终程序调试实现工作 4

第二章 人脸识别技术的算法 6

2.1 人脸识别方法简介 6

2.1.1 特征脸方法 6

2.1.2 基于子空间分析的人脸识别方法 6

2.1.3 基于三维形变模型的人脸识别方法 6

2.1.4 基于模板匹配的人脸识别方法 6

2.1.5 基于神经网络学习的人脸识别方法 7

2.1.6 基于几何特征的识别方法 7

2.2 Fisher线性判别研究 7

2.2.1 Fisher线性鉴别 7

2.2.2 改进的Fisher判别人脸识别的方法研究 9

2.2.3 核Fisher判别分析 10

第三章 实验过程与结果分析 14

3.1 实验基本配置与步骤 14

3.1.1 调试环境 14

3.1.2 配置环境变量 14

3.1.3 建立工程 14

3.1.4 配置工程的opencv依赖 16

3.2 程序流程和结构 18

3.2.1 基本流程与结构 18

3.2.2 人脸检测相关说明及实现流程 18

3.2.3 人脸识别相关说明及流程图 19

3.2.4 人脸检测与人脸识别的区别与联系 20

3.3 训练过程及准确率 21

3.3.1 训练过程 21

3.3.2 准确率 25

3.4 运行结果 26

3.4.1 人脸检测 26

3.4.2 人脸识别 27

3.5 精度比较 29

3.6 常用人脸库 31

3.6.1 FERET人脸识别数据库 31

3.6.8 AR人脸数据库 32

3.6.9 MPI人脸数据库 32

3.7 整理分析 32

第四章 总结与展望 33

第一章 绪论

1. 1引言

自踏入21世纪之后，社会逐步发展，随之发展的不仅仅只有我们的生活，经济方面，还有我国的计算机技术也在飞速的发展当中。但是技术在不断发展，危险也如影随形，例如：有人会凭借自己的技术而去仿照别人的身份进行犯罪行为以及一些非法的勾当，或者利用身份识别对我们广大的人民造成伤害，因此对身份验证的要求也在日益完善。

现代是一个高速发展的信息化时代，我们怎么才能既快速又有效而且还比较安全的去鉴别一个人的身份信息以及其他一些相关的信息，这是一个我们必须要去重视和全力、尽可能的去解决掉的这样一个社会问题。我们知道生物特征^[1]是人的内在属性，它具有非常强的自身稳定性以及个体差异性，可以具体分为两种特征：一是生理特征（例如：指纹、面容、掌纹、虹膜、皮肤等）；一是行为特征（例如：走路的型态、说话的声音、个人的习惯等），而我们此次课题所要研究的正是生理特征里的面容即人脸识别方法的研究。因为生物识别技术^[2]是进行身份验证的理想技术，它在利用人脸的特征上相比其他生物特征更自然、直接、便捷，也更容易被广大群众所接受，并且在各个方向上面也都有被应用（例如：智能型身份证、智能型出入控制、智能驾照验证、各种卡类持卡人身份验证、公安实施布控监控、司法进行认证、安检、海关进行身份验证等等），具有强大的应用功能。

1.2 人脸识别方法研究

1.2.1研究目的与意义

因为人脸识别这个技术，它的应用在很多领域都会有所涉及，例如它在国家安全领域、公共安全与管理领域、军事安全领域、服务娱乐领域等方面都有着至关重要的实际应用价值。下面介绍一下他们在各个领域所执行的工作以及他的重要性：

（1）国家安全领域：可以识别犯罪分子、恐怖分子的身份，并且实时地进行跟踪；有效的协助相关部门进行场面监控，身份验证等。

（2）公共安全与管理领域：现如今我们随身都会带着一些证件，例如银行卡、身份证、驾驶证、信用卡、储蓄卡等等，但是一旦这些卡丢失了，我们的财产将很有可能被夺取，而且这些证件极易损坏，安全度低，就拿身份证来说，一旦遗失了，如果被不法分子得到，很有可能利用我们丢失的证件进行一些犯罪活动，冒名顶替我们，而是我们的声誉遭到破坏，但是如果采用人脸识别技术的话，安全性提高了，而且极可靠又方便。

（3）军事安全领域：每个国家的军事安全向来都是最为保密的，所有的信息都要极其小心得传达，利用人脸识别技术将保密信息封存起来只有相关人员能沟通过该系统进行查看，极大的保障了信息的安全性。

（4）服务娱乐管理领域：在大众社会中，每天都会需要我们进行身份的验证，上班的人要打卡，上学的人也要打卡，这个卡就是身份的象征，但是这样做并不能完全避免缺勤的情况产生，比如你可以让人代打，但是如果采用了人脸识别技术，将会有效地排除了这种现象的发生；该技术还有应用在视频会议、家庭娱乐（通过识别主人身份而确定的玩具和机器人等）等方面。

1.2.2研究背景及历史现状

关于人脸识别最早在七十年代就已经开始了相关的一些研究，但当时因为只是初次进入这一领域的研究，所以在早期主要是基于对人脸的外部轮廓进行研究和探索。但是要想十分准确的进行提取人脸的外部轮廓特征无疑是十分困难，所以在这之后的一段的时间里人脸识别的技术方法的研究开始出现了滞后甚至是停滞不前的情况；随着时间的推移，人们开始提出新的解决法案，就是主成员分析法的提出，因而人脸识别方法有了新的突破并于八十年代后期开始重新活跃起来。在十九世纪后期，Francis Galton也对这个问题进行了研究与探索，他是采用了一组数字来代表不同的人脸侧面的生理特征并根据这个来进行识别人脸侧面的图像；到了20世纪90年代以前，典型的人脸识别技术一直使用的是人脸正面或者侧面的特征点之间的距离量度，且早期的人脸识别技术多侧重于对人脸侧面图像的研究^[3]。总的来说人脸识别方法的研究经历了三个阶段：初级阶段、快速发展阶段、机器自动识别阶段。

初级阶段(1964年~1990年)：在这个阶段人脸技术的鉴定只是被当做人脸识别的其中一种的一般的识别模式来进行的，它是基于在我们面临几何曲线的结构特征所使用的技术，因此人们对于人脸的面部剪影曲线的结构特征的提取与许多先进的分析做了大量的研究。总而言之，这一阶段的成果非常显著的并没有很多，因此有很多在实践中都没有应用到。

快速发展阶段(1991年~1997年)：在这一阶段仅仅只经历了六到七年的时间，但在这个阶段所研究出来的成果确是相当多的，且诞生了不上具有代表性的人脸识别算法，并出现了许多具有营销识别的，能进行商业化运作的人脸识别系统（例如：Visionics(现为Identix)的FaceIt系统）。

美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出了“特征脸”的方法，该方法是这一阶段最有名的，具有最能够进行鉴定识别的优秀的人脸识别方法^[4]。

这一阶段还有另外一个非常重要的结论，是什么呢？它就是由来自麻省理工学院人工智能实验室的研究人员布鲁内里(Brunelli)和波基奥(Poggio)，他们俩在1992年左右，在通过对比了基于结构特征的方法与基于模板匹配的方法的识别性能中，经过大量的实验与数据中分析得出一个结论，那就是说在人脸识别中，模板匹配的方法比基于特征的方法要好得多^[5]。

当然，在这期间还有很多其他重要的成果，这些成果都对之后的发展有着或多或少有些相关的影响，足见在这短短的时间内人脸识别技术的飞速发展，该阶段也是极为重要的阶段。

机器自动识别阶段(1998年~现在)

该阶段是通过对光照、姿态还有表情的变化进行研究，并在不断的探索和努力中取得了一定的研究成果。其中基奥盖蒂斯(Georghiades)等人通过基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件下的人脸识别方法证明了一个重要发现：在相同的视角下的同一人脸，在不同的光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。

布兰兹(Blanz)和维特(Vetter)等人是在提出了基于3D变形(3D Morphable Model)模型的多姿态、多光照条件人脸识别和图像分析方法的模型，并且通过相关的实验证明了该方法的有效性。   

巴斯里(Basri)和雅各布(Jacobs)也证明了一个重要的发现：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间^[6]。   

总的来说，目前室内外光照变化、姿态、时间跨度等变化条件对于商业系统的人脸识别技术仍然有很大的限制，同时大规模人脸库上的有效识别问题也非常严重，这些问题都有待进一步的努力。反之来看非线性建模方法、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。

人脸识别的研究方法有：

1. 基于几何特征的识别方法

总的来说就是利用简单的长、宽、高来具体表示某个人脸的某一个特征，就像是两眼之间的距离、鼻梁的高度、鼻尖到嘴巴之间的距离、额头的宽度、眼睛的大小等等。这种是最为经典也比较原始，由于其实现非常简单、快速，所以这种方法对于一些对实时性有要求的企业来说是十分适用的。但是，我们也知道，物有相同，人有相似，这样一来一旦出现相似的人连特征，我们的系统就会出现偏差，甚至会损害我们的权益，因而对识别率有了更高的要求，所以我们需要对几何特征在某些敏感条件下的偏差做研究，例如说像是光照、背景、行为动作、装饰物等，几何特征的人脸识别方法^[7]仍然需要我们不断地改善，进步。

1. 基于代数特征（统计模式）的识别方法

该方法仍然是将人脸用特征表示，只是这里的特征是采用的代数特征。其含义是指将图像看做是以像素值为元素的矩阵之后，那些反应矩阵的某种代数性质的特征^[8]。一般情况下我们认为这些代数特征体现了图像的整体性质。

1. 基于连接机制的人脸识别方法

基于连接机制的人脸识别方法，它是指利用我们神经网络^[9]的学习能力和分类能力，同时在基于人工神经网络的基础上的人脸识别方法，这种方法良好的保存了人脸图像中的纹理信息和良好的形状信息，并且避免了在提取人脸特征中复杂的提取工作。

人脸识别的研究内容有：

（1）人脸检测和定位^[10]：该内容的目的是为了确定图像是不是包含了人脸，并且确定人脸所在的位置与大小，然后再将其从背景图像中分离出来。该过程十分复杂而且相当困难，因为会受到多种因素的影响（如：光照、人脸应该所在的正确位置与大小、各种遮挡物的影响，妆容等）。

（2）表情分析及生理分类^[11]

表情分析：我们人会根据不同的情境表达我们不同的心境与情感，与此同时伴随着的是我们面目表情的变化，不论我们是开心高兴、伤心绝望、惊讶、好奇等我们的人脸都会变化，因而在这种情况下，我们就需要分析表情对我们的人脸识别技术的研究有着哪些影响？

生理分类：人有男女之分、老少之分、种族之分不同的分类都会影响着我们所要研究的内容。

因此我们需要不断地改善人脸识别技术的系统，争取可以在不同的场景、姿态、光照、人脸大小、表情、发型、头饰、是不是化了妆、年龄的改变等情况下，仍然能够具有较高的识别性能。

1.3 本文所做工作

1.3.1 前期准备工作

1. 阅读五篇或以上的关于自己的课题：基于Fisher判据的人脸识别方法研究的论文的《绪论》部分，大体了解相关的内容。
2. 根据《绪论》部分进一步挖掘自己研究该课题的意义。
3. 根据所查资料以及自己的调查与理解反思所研究的东西可用来解决哪些问题？

（4）该课题所研究的方向上目前常用的方法有哪些？

（5）继续阅读文献中的绪论部分，并对其进行详细总结，考虑基本实现思路

（6）阅读论文第一章（通常为理论基础部分）

（7）安装调试开发环境。

（8）将前期综述部分作系统总结，明确自己的基本技术路线，并形成文档以备后用。

（9）收集实验数据。

（10）详细阅读论文中的相关算法。

（11）收集例程，在阅读算法的基础上，理解例程结构和算法流程。

1.3.2 中期设计方案论证

本设计要求实现一个系统，该系统能够完成对人脸的识别，在人脸检测与定位中我们要从人脸的表情，生理等方面进行分析、收集与探索，因此我们的设计中主要就是要研究人脸识别技术的人脸检测与定位。这样才能准确的识别不同的人脸。

1、Fisher线性判别

Fisher线性判别函数是研究线性判别函数中最有影响的方法之一，在我们所研究的此课题：基于Fisher判据人脸识别的方法研究中我们已经研究过其他很多种方法，但是往往在人脸检测和定位中，只适用于低维空间的方法，而在高位的空间就用不了了。因此，要想更加准确的识别人脸我们就要想办法降低维数^[12]，使得在高维空间中的转换到低维空间来进行识别，而Fisher线性判别就解决了这一维数压缩的问题。

剩余内容已隐藏，请支付后下载全文，论文总字数：24613字