搜索
1绪论1.1研究背景及意义人脸识别是生物特性鉴别技术的一个主要方向，它涉及图像处理，模式识别，计算机视觉等多个研究领域，具有十分广泛的应用前景，多年来一直是一个研究热点。相对于其它人体生物特征识别技术，如指纹识别、虹膜识别、掌纹识别，人脸识别技术是最直接、最自然、最容易被人接受的。与其它技术相比，它具有侵犯性小、较少需要或不需要用户的主动配合、样本采集方便、应用场合广泛、潜在的数据资源丰富、设备成本低等优点[1]。人脸识别系统具备操作及流程简单、适用面广、支持一对一或一对多比对、支持多点同时采集比对、带有数据库支持记录及查询功能，对采集现场环境要求较低，可在极短的时间里判断出进出者的身份是否合法，杜绝使用他人钥匙、密码、磁卡等非法进入。人脸识别技术的安全性、可靠性较高，且拥有广泛的市场需求，它可以应用于公安部门的犯人档案管理、犯人辨认查找、刑侦破案、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统、证件核对、保安监视、门禁控制及至自动柜员机（ATM）等多种场合[2]。人脸识别对人类来说是件自然而然的事情，但对计算机而言，人脸识别却远非一个已解决的课题。所有的人脸都具有相似的结构，在纹理上也十分相近。另外图像受光照、成像角度及成像距离等外界条件影响，具有“一人千面”的特点，欲建立一种具有各种不变性的描述模型还是比较困难的。此外，人脸识别技术研究与相关科学的发展及人脑的认识程度紧密相关[3]。诸多因素都使人脸识别研究成为一项极富挑战性的课题，一方面信息化进程的日益加快，电子商务、重要场所的安全认证、智能化环境等许多应用领域对与人脸有关的信息处理提出了迫切要求；另一方面，硬件和软件技术的发展，为满足实际应用系统对人脸检测、跟踪及识别技术的实时化要求提供了可能性[2]。所以，人脸识别的研究不仅涉及心理学、生理学、人工智能、模式识别、计算机视觉、图像分析与处理等多个学科领域，更是模式识别、人工智能和计算机视觉的典型案例之一[2]。对这一问题的研究和解决，有助于对其他对象识别问题的研究分析和解决，人脸识别也因此成为这些基础研究领域的重要课题之一，具有重要的理论研究价值。1.2国内外研究现状及发展趋势近30年来，人脸自动识别的研究取得了很大的进展，从工程索引（EI）上检索到的相关文献已达数千篇，包括IEEEPAMI在内的重要国际期刊也有专栏甚至专刊报道人脸识别的最新研究进展，同时还出现了专门的国际学术会议，如人脸手势识别国际学术会议[1]。目前人脸识别领域内最著名的国际研究机构包括：美国麻省理工学院媒体实验室及人工智能实验室、南加州大学、CMU卡内基—梅隆机器人研究及交互系统实验室、马里兰大学等。另外，一些国家或地区也有不少研究机构在人脸识别领域进行了大量的研究工作[4]。90年代中后期以来，国内的许多研究机构在自然科学基金、863计划、攀登计划等资助下，开始了对人脸识别的研究。其中主要包括清华大学计算机系、自动化系、电子系以及哈尔滨工业大学、南京理工大学信息学院、中科院自动化所、上海交通大学图像处理与模式识别研究所、中山大学数学系等，他们在人脸识别研究领域都进行了许多很有意义的尝试，积累了经验[5]。中科院计算所人脸识别研究小组2001年5月与专门从事人脸识别商业系统开发和销售的四川成都银晨网讯科技有限公司全面合作，在北京成立了ICT-YCNC人脸识别联合实验室，专门研究和开发商业人脸识别系统。一年来，实验室在实时人脸检测与跟踪、人脸识别、人脸确认等方面进行了大量卓有成效的研究，并开发了一套具有良好鲁棒性的实时人脸检测系统；提出了一种新的基SFS的人脸识别方法，并基于该方法开发了一套实时人脸识别确认系统，目前已通过系统测试，并进入产品开发阶段。另外，实验室以成熟的“特征脸”人脸识别技术为基础，对其进行了很多改进和扩充，尝试了基于人工神经网络、支持向量机、线性判别分析、基于GMM的双子空间人脸识别方法等，研究了基于Gabor小波变换和弹性图匹配的人脸识别技术，以及基于统计模型的人脸识别方法等[5]。1.3人脸识别的常用方法（1）基于几何特征的方法几何特征最早是用于人脸识别的。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，可以作为人脸识别的重要特征。将人脸用一个几何特征矢量表示，用模式识别中层次聚类的思想设计分类器达到识别目的[6]。这就要求选取的几何特征矢量具有一定的独特性，能够反映不同人脸之间的差别，同时又具有一定的弹性，以消除时间跨度、光照等的影响。几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等[6]。（2）基于弹性模型匹配方法弹性模型匹配方法的思想是将人脸上的一些特征点作为基准点构成弹性图，每个基准点存储一串具有代表性的特征矢量，采用分级结构的弹性图，去除一些冗余节点，形成稀疏的人脸描述结构[7]。通过测试样本和特征样本的弹性匹配来完成识别。弹性模型匹配方法有很多，例如：在人脸图像上放置一组矩形网格节点，每个节点的特征用该节点处的多尺度Gabor幅度特征描述，各节点之间的连接关系用几何距离表示，从而构成基于二维拓扑图的人脸描述，根据两个图像中各节点和连接之间的相似性进行人脸识别。还有将人脸图像表示为可变形的3D网格表面，将人脸匹配问题转换为曲面匹配问题，利用有限元分析的方法进行曲面变形，根据两幅图像之间变形匹配的程度识别人脸等。（3）神经网络方法目前神经网络方法在人脸识别中的研究方兴未艾。Valentin[8,9]提出一种方法，首先提取人脸的50个主元，然后用自相关神经网络将它映射到5维空间中，再用一个普通的多层感知器进行判别，对一些简单的测试图像效果较好；Intrator[8,9]等提出了一种混合型神经网络来进行人脸识别，其中非监督神经网络用于特征提取，而监督神经网络用于分类。Lee[8,9]等将人脸的特点用六条规则描述，然后根据这六条规则进行五官的定位，将五官之间的几何距离输入模糊神经网络进行识别，效果较一般的基于欧氏距离的方法有较大改善；Laurence[8,9]等采用卷积神经网络方法进行人脸识别，由于卷积神经网络中集成了相邻像素之间的相关性知识，从而在一定程度上获得了对图像平移、旋转和局部变形的不变性，因此得到非常理想的识别结果。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。（4）基于线性和非线性子空间的方法基于子空间的方法是基于图像像素本身的，主要是利用计算模板和图像灰度的自相关性来实现识别功能，一般来说模板匹配法要优于基于几何特征法[10]。目前，在诸多子空间方法中，应用最广泛的是特征脸法（PCA），这是针对人脸整体特征的研究，利用Karhunen-Lobve变换原理，将图像表示为一些低维的正交基组成的子空间，然后采用最小距离准则进行人脸识别。线性判别分析（LDA）是一种较为普遍的用于特征提取的线性分类方法。它使投影后的模式样本的类间散布矩阵最大而类内散布矩阵最小，也就是说，投影后保证模式样本在新的空间中有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。线性判别分析提取的特征向量集强调的是不同人脸的差异而不是照明条件、人脸表情和方向的变化。因而，采用此方法对光照条件、人脸姿态等的变化不太敏感，从而有助于提高识别效果。但是传统的算法常常遇到的一个问题是样本类内散度矩阵通常是奇异的，即“小样本集合问题”。针对这一问题已有了许多改进方法并取得了很好的识别效果。独立分量分析（ICA）是一种很有效的提取方法。与PCA相比，ICA有两个优势：一是ICA获得的独立分量不需要满足正交关系，能够消除象素间的高阶统计相关性，而PCA只能消除象素间的二阶统计相关性；二是ICA获得的一组矢量比本征矢量更具空间局部描述性，具有更好的人脸描述能力。借鉴SVM的Kernel方法，PCA、LDA和ICA等都被扩展到了核空间。与线性子空间方法相比，基于Kernel的方法获得了更好的识别效果[11,12]。（5）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，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。在最近的一些工作中，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，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[13]。1.4本论文的主要研究工作本论文主要研究一种应用于人脸识别的特征融合算法，该算法提取人脸图像中关键特征点的Gabor特征作为局部特征，提取人脸图像的奇异值特征作为全局特征，对这两类特征利用串行融合算法进行融合，并利用最近邻分类规则将图像进行分类。更多文章绪论1.1研究背景网络被认为是互联网发展的第三阶段。网络的设计和实施能够带来切身实际的利益，城域网、企业网、局域网、家庭网和个人网络都是网络发展的体现。网络发明的初衷并不仅仅是表现在它的规模上，而是互联互通，资源共享，消除资源访问的壁垒，让生活更加方便、快捷、高效。随着网络技术的发展，网络在应用方面也体现出了很大的潜力，能够共享和调度成千上万的计算设备协同并发工作，能汇聚数百万计的信息资源加以归类、分析和发布，还可以让世界每一个角落的人们实时沟通交流。在现代高速发展的社会里，企业与企业之间的联系日益密切，大量的、复杂的信息交流显得由为重要。随着电子科技的高速发展，那些如何复杂大量的信息，通过网络技术帮助下，就可以轻而易举的从某一地方传送到另一地方，而且简单、快速、准确，给人们带来了很大的方便。而在现代企业中，网络技术在管理中的应用，已显得举足轻重。随着企业信息化进程的进一步深入和发展，计算机在企业中的应用越来越广泛，而企业对计算机的依赖越来越强。随着网络应用的日益丰富以及人们在日常生活中对网络依赖的日渐紧密，那么对于网络吞吐量，网络延时，网络链路的稳定性以及网络服务的多样性就会产生新的要求，同时也希望网络应用的花销能更加低廉，这样针对电信网络运营商所提供的服务将会产生巨大的挑战，本实时通信系统的成功应用将会给运营商们提供更加方便，快捷，稳定，并且低廉的网络运营成本，本实时通信系统帮助企业实现巨大的商业价值的同时也为用户带来的更加高效，快速，稳定并且廉价的网络服务资源。1.2选题理论1.2.1需求分析方法在软件的设计和开发过程中，需求分析是一个重要的阶段，是项目开发的基本要素，是项目实现和实行的关键。软件工程的需求分析指的是了解用户需求，在软件的功能上和客户沟通并且达成一致，评估软件的风险系数和项目需要付出的代价，最终形成一个完善设计实现的复杂过程。目前比较流行的软件需求分析方法有：结构化分析方法和面向对象的分析方法。1.结构化分析结构化分析方法给出一组帮助系统分析人员产生功能规约的原理与技术。它一般利用图形表达用户需求，使用的手段主要有数据流图、数据字典、结构化语言、判定表以及判定树等。结构化分析的步骤如下：①分析当前的情况，做出反映当前物理模型的DFD;②推导出等价的逻辑模型的DFD;③设计新的逻辑系统，生成数据字典和基元描述;④建立人机接口，提出可供选择的目标系统物理模型的DFD;⑤确定各种方案的成本和风险等级，据此对各种方案进行分析;⑥选择一种方案;⑦建立完整的需求规约。2.面向对象分析面向对象是在结构化设计方法出现很多问题的情况下应运而生的。从结构化设计的方法中，我们不难发现，结构化设