基于具有面部明顯色差特征的人臉識別方法研究.pdf

1、進入新世紀的今天,我們越來越需要解決身份識別的問題。目前通用的身份識別手段大致分為兩類,一類是實物性標志物,如印章、鑰匙、卡片等等；另一類是數(shù)據性標志物,如ID號、密碼、賬號、編碼等等。但上述識別手段都存在這樣那樣的缺點,如印章易被仿制,鑰匙可能丟失而被別人撿到,密碼可能被泄露或破解,凡此種種,都使這些標志物失去身份識別的意義而且有極大的風險性,即將非法者認定為合法用戶而造成財產和信息損失。近年來出現(xiàn)的生物特征身份識別技術較好地解決了此

2、類問題,為人們所接受,在社會生活中越來越多的領域得到了應用和發(fā)展。
　　 生物識別是近年來發(fā)展起來的一項身份鑒別技術,是指根據人類生物信息中具有唯一性和相對不變性的特征,使用現(xiàn)代科技手段加以識別的技術。生物特征一般是指人的臉部特征、指紋特征、眼底虹膜血管圖案、DNA序列、血型等,是人所具有的自然特征,不易改變,難以偽造,具有高度的穩(wěn)定性；同時這些特征大都因人而異,例如指紋圖案,世界上沒有任何兩個人的十指指紋完全相同,可區(qū)分度很高

3、,這是我們可以利用生物特征進行人的身份識別的基礎。一個人具有的生物特征只有他(她)自己能夠提供,可以保證這種特征的識別確保結果的正確性,不可能像鑰匙一樣被遺失,不存在類似密碼遺忘或泄漏的情況,相比傳統(tǒng)的身份識別手段,生物特征識別的優(yōu)勢是顯而易見的。
　　 我們在社會生活中去識別、分辨某一個人,最廣泛應用的就是照片對比法,即利用人的臉部特征進行身份的識別。基于此,人臉識別成為我們多年來研究的重要方向,但是人的面部特征(人臉)是一個

4、特殊的不規(guī)則變形體,存在著主動形變和被動形變,人臉識別一般是對照片進行分析,而照片是由人臉的三維信息投影至二維平面而成,在投影的過程中,會損失一些信息,加之攝像時人的頭部姿態(tài)、傾斜角度、旋轉角度、光照條件等諸多因素的影響,將會使照片信息與真實人臉信息之間的差距加大,呈現(xiàn)出非常復雜的轉化模式,無疑增大了識別的難度,影響了識別的效率。而且用計算機處理人臉識別還涉及到數(shù)學、光學、心理學、計算機視覺、圖形圖像處理、神經網絡等諸多領域,因此人臉識

5、別在國內外的研究雖然處于迅速發(fā)展的時期,但也還存在許多亟待解決的技術問題。
　　 隨著科學技術的日新月異,在這個領域中應用的技術手段也被大大擴展和增強,使用計算機進行數(shù)據處理可以實現(xiàn)在瞬間對大量、復雜的信息分析、計算、統(tǒng)計,并迅速給出有價值的結論。當前,國際上人臉識別技術的研究成果很多,大家摸索了一系列的比較成熟的識別算法和方法,在不同的條件下,識別的準確率也有所不同。有些優(yōu)秀的算法可以達到令人滿意的識別率?，F(xiàn)在人們選耿研究方法

6、,一般是根據所需要的精度,所識別對象的特點選擇不同的識別方法,以期達到有針對性的識別,提供識別的準確度與速度。在日常生活中,人們對于某些面部有明顯色差特征的人群格外注意,比如面部有明顯痣或色斑,作為識別此人的特點會大大提高識別率。也就是我們常說的,看見了他的這個痣,就認出了他。如果我們把這項特征點的檢測與識別應用于大量人群的排查,對于快速排除不含此特征的大量樣本起到了重要作用,為后續(xù)的精細比對做了前期初篩的工作,其對于提高識別效率的貢獻

7、不言而喻。本文的研究目的是希望選擇一項有效的方法,可以高效迅速準確地利用人臉的明顯色差特征對人臉進行識別。
　　 對圖像進行處理之前,都必須對圖像大小和灰度進行歸一化處理,使其分辨率、灰度與數(shù)據庫中的標準相匹配；然后通過圖像灰度增強、圖像灰度拉伸使圖像的細節(jié)更清晰,更易于分析和處理；再用閾值分割和區(qū)域生長的方法進行分割得到特征區(qū)域的圖像。
　　 特征提取時,在了解了顏面皮膚的面部明顯色差特征的醫(yī)學生理學、病理學知識之后,

8、對比主分量分析法(PCA)、獨立分量分析法(ICA)、幾何特征方法、隱馬爾可夫模型方法(HMM)、小波變換法,這幾種方法各有其優(yōu)缺點和適宜的情況。幾何特征法不受姿態(tài)等因素對人臉的影響,但對人臉各個器官的特征的信息；局部PCA方法算法復雜,不利于開發(fā)和應用；小波變換的方法已經比較成熟,有效的提取圖像中的細節(jié)信息,缺點是小波變換必須先做降維的處理。經過比較最后我們選用小波變換的方法來表示人臉明顯色差面部特征,提取局部圖像的Gabor小波函數(shù)

9、特征。
　　 最后在決策分類的階段我們采用了小波神經網絡的方法。小波神經網絡是把小波變換理論和人工神經網絡系統(tǒng)相結合,通過有教師學習的方式,不斷優(yōu)化小波基的形狀,最終選擇一個最優(yōu)的小波基函數(shù)來完成小波變換。充分發(fā)揮了神經網絡系統(tǒng)函數(shù)逼近能力。最大限度地發(fā)揮了小波變換優(yōu)秀的時頻局部化特性,將信號中的細節(jié)特征完整的解析出來,體現(xiàn)出小波神經網絡的在決策分類上的優(yōu)越性。本文采用全局特征和局部特征相結合的特征融合方法,作為小波神經網絡的輸