哈爾濱工程大學(xué)碩士學(xué)位論文 摘要 人臉識(shí)別是生物特征識(shí)別技術(shù)的一個(gè)重要研究方向，它與傳統(tǒng)的身份 識(shí)別方法完全不同，具有更高的安全性、可靠性和有效性，因此人臉識(shí)別 已成為模式識(shí)別和人工智能領(lǐng)域的研究熱點(diǎn)。在公共安全、證件驗(yàn)證、門 禁系統(tǒng)、視頻監(jiān)視等領(lǐng)域中都有著廣泛的應(yīng)用前景。 本文是在主成分分析( p c a ) 法的基礎(chǔ)上做人臉特征提取和識(shí)別的算法 研究，主要工作是采用遺傳算法和克隆選擇算法對(duì)p c a 變換后的特征空間 進(jìn)行優(yōu)化選取，并在此基礎(chǔ)上實(shí)現(xiàn)了基于遺傳和克隆選擇算法的人臉識(shí)別。 主要研究工作有以下兩點(diǎn)： ( 1 ) 在人臉圖像的特征提取上，p c a 方法只是簡(jiǎn)單的選擇那些較大特 征值所對(duì)應(yīng)的特征矢量，而這些特征矢量組成的特征空間并不一定最有利 于分類識(shí)別，因此識(shí)別效果不夠理想。針對(duì)主成分分析法對(duì)特征空間選取 的局限性，本文深入研究了p c a 變換與遺傳算法相結(jié)合的特征提取方法。 該方法充分利用了遺傳算法的全局尋優(yōu)能力，對(duì)p c a 變換得到的特征空間 進(jìn)行優(yōu)化選取，以構(gòu)成最有利于分類的特征子空間。實(shí)驗(yàn)結(jié)果表明：遺傳 算法與p c a 相結(jié)合的特征提取方法有效地克服了主成分分析法對(duì)特征空 間選取的局限性，提高了識(shí)別率。 ( 2 ) 針對(duì)遺傳算法早熟現(xiàn)象和收斂速度慢等缺點(diǎn)，本文提出了一種p c a 變換與克隆選擇算法相結(jié)合的特征提取方法?？寺∵x擇算法以其記憶性、 多樣性和特異性的優(yōu)勢(shì)，在搜索過程中表現(xiàn)出比傳統(tǒng)進(jìn)化算法更為優(yōu)異的 全局尋優(yōu)性能。將克隆選擇算法應(yīng)用到人臉特征空間的自動(dòng)選擇，并通過 識(shí)別率驗(yàn)證該思想的可行性。實(shí)驗(yàn)結(jié)果表明克隆選擇算法應(yīng)用于人臉的特 征空間選擇能夠取得比經(jīng)典p c a 算法更為優(yōu)異的效果，且其穩(wěn)定性、降維 效果和識(shí)別率等性能更優(yōu)于標(biāo)準(zhǔn)遺傳算法。 綜上所述，遺傳和克隆選擇算法與p c a 相結(jié)合的特征提取方法在特征 空間選取上具有可信性與正確性，為人臉識(shí)別的后續(xù)研究奠定了良好的基 哈爾濱工程大學(xué)碩士學(xué)位論文 礎(chǔ)。 關(guān)鍵詞：主成分分析( p c a ) ；遺傳算法；克隆選擇算法；特征選擇 哈爾濱工程大學(xué)碩士學(xué)位論文 a b s t r a c t f a c e r e c o g n i t i o ni s 趾i m p o r t a n tr e s e a r c h d i r e c t i o no fb i o m e t r i c r e c o g n i t i o nt e c h n i q u e s i ti st o t a l l yd i f f e r e n tf r o mt r a d i t i o n a li d e n t i f i c a t i o n m e t h o d sw h i c hh a sh i 曲s e c u r i t y , r e l i a b i l i t ya n de f f e c t i v e n e s s t h e r e f o r e ，f a c e r e c o g n i t i o nh a sb e c o m et h eh o tr e s e a r c hs p o t so fp a t t e mr e c o g n i t i o na n d a r t i f i c i a li n t e l l i g e n c e i th a saw i d er a n g eo fa p p l i c a t i o n si np u b l i cs a f e t y , i d e n t i f i c a t i o no fc e r t i f i c a t e ，a c c e s sc o n t r o ls y s t e m s ，v i d e os u r v e i l l a n c ea n d o t h e rf i e l d s t h i sp a p e rp r e s e n t st h em e t h o do ft h ef e a t u r ee x t r a c t i o na n dr e c o g n i t i o no f f a c ei m a g eb a s e do nt h ep c a t h et a s ki st h eb e s tc h o i c eo ft h ep a r a m e t e rf o r f a c er e c o g n i t i o ni nt h ef e a t u r es p a c ea f t e rp c at r a n s f o r mb yt h ec l o n ea n d g e n e t i ca l g o r i t h m t h em a i nt a s ki sa sf o l l o w s ： f i r s t l y , i nt h em e t h o do ff e a t u r ee x t r a c t i o no ff a c ei m a g e ，p c ai sas i m p l e m e t h o dt os e l e c tf e a t u r ev e c t o r st h a th a v el a r g e re i g e nv a l u e ，b u tt h o s ef e a t u r e s m a yn o tm o s tc o n d u c i v et oi d e n t i f i c a t i o na n dc a n th a v et h es a t i s f a c t o r yr e s u l t s a c c o r d i n gt ot h el i m i t a t i o n so ft h ec h o i c ei nf e a t u r es p a c eo ft h ep c a ，t h i s p a p e rr e s e a r c h e so n em e t h o do ff e a t u r ee x t r a c t i o nw h i c hi sc o m b i n e dt h ep c a 、析t l lg e n e t i ca l g o r i t h m t h i sm e t h o di sf u l lu s eo ft h ea b i l i t yo f s e e k i n gt h eb e s t f e a t u r eg l o b a l l yt h a ti sb e s ts e l e c t e di nt h ef e a t u r es p a c ea f t e rp c at r a n s f o r mt o f o r mt h ee f f e c t i v es u b s p a c ef o rt h ec l a s s i f i c a t i o n t h ee x p e r i m e n t a lr e s u l t s h o w st h a tt h em e t h o do ff e a t u r ee x t r a c t i o nc o m b i n i n gt h eg e n e t i ca l g o r i t h m a n dp c ao v e r c o m e se f f e c t i v e l yt h el i m i t a t i o n sf o rt h ec h o i c eo ft h ef e a t u r e s p a c eo ft h ep c a a n di n c r e a s e st h er a t i oo fr e c o g n i t i o n t h i sp a p e rp r o p o s e sa n o t h e rm e t h o do ff e a t u r ee x t r a c t i o nc o m b i n i n gt h e p c aa n dc l o n es e l e c t i o na l g o r i t h m ，a c c o r d i n gt ot h ep r e m a t u r i t ya n dt h es l o w c o n v e r g e n c eo ft h eg e n e t i ca l g o r i t h m t h ec l o n es e l e c t i o na l g o r i t h mh a s 哈爾溟工程大學(xué)碩士學(xué)位論文 a d v a n t a g e so fm e m o r y , d i v e r s i t ya n ds p e c i f i c ，a n di t s s h o w sm u c hb e t t e r p e r f o r m a n c ei ng l o b a lo p t i m i z a t i o nt h a nt r a d i t i o n a la l g o r i t h md u r i n gt h es e a r c h p r o c e s s t l l ec l o n es e l e c t i o na l g o r i t h mi sa p p l i e di nt h ec h o i c eo ft h ef a c e f e a t u r es p a c ea u t o m a t i c a l l y , a n dp r o v e dt h ef e a s i b i l i t yo ft h i sm e t h o db yt h e r a t i oo fr e c o g n i t i o n 弛ee x p e r i m e n t a lr e s u l ts h o w st h a tt h ec l o n es e l e c t i o n a l g o r i t h mh a st h eb e t t e re f f e c tt h a nt h et y p i c a lp c 八a n do t h e rp e r f o r m a n c e s s u c h 弱，i t ss t a b i l i t y , t h ee f f e c to ft h ed e c r e a s i n gt h ed i m e m i o n ，t h er a t i oo f r e c o g n i t i o na r ea l s ob e t t e rt h a nt h es t a n d a r dg e n e t i ca l g o r i t h m a si ss t a t e d , t h ec l o n ea n dg e n e t i ca l g o r i t h m 、析t hac o m b i n a t i o no fp c a m e t h o di sa c c u r a c ya n dc r e d i b i l i t ya l g o r i t h mi nt h es e l e c t i o no ff e a t u r es p a c e ， a n di tl a i dag o o df o u n d a t i o no ff o l l o ws t u d yo nt h ef a c er e c o g n i t i o n k e yw o r d s ：p r i n c i p a lc o m p o n e n ta n a l y s i s ( p c a ) ；g e n e t i ca l g o r i t h m ；c l o n e s e l e c t i o na l g o r i t h m ；f e a t u r es e l e c t i o n 哈爾濱工程大學(xué) 學(xué)位論文原創(chuàng)性聲明 本人鄭重聲明：本論文的所有工作，是在導(dǎo)師的指導(dǎo)下，由 作者本人獨(dú)立完成的。有關(guān)觀點(diǎn)、方法、數(shù)據(jù)和文獻(xiàn)的引用已在 文中指出，并與參考文獻(xiàn)相對(duì)應(yīng)。除文中已注明引用的內(nèi)容外， 本論文不包含任何其他個(gè)人或集體已經(jīng)公開發(fā)表的作品成果。對(duì) 本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式 標(biāo)明。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。 作者( 簽字) ：王呻：、乙 日期：三功f 年，月多日 哈爾濱工程大學(xué) 學(xué)位論文授權(quán)使用聲明 本人完全了解學(xué)校保護(hù)知識(shí)產(chǎn)權(quán)的有關(guān)規(guī)定，即研究生在校 攻讀學(xué)位期間論文工作的知識(shí)產(chǎn)權(quán)屬于哈爾濱工程大學(xué)。哈爾濱 工程大學(xué)有權(quán)保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件。 本人允許哈爾濱工程大學(xué)將論文的部分或全部?jī)?nèi)容編入有關(guān)數(shù)據(jù) 庫(kù)進(jìn)行檢索，可采用影印、縮印或掃描等復(fù)制手段保存和匯編本 學(xué)位論文，可以公布論文的全部?jī)?nèi)容。同時(shí)本人保證畢業(yè)后結(jié)合 學(xué)位論文研究課題再撰寫的論文一律注明作者第一署名單位為哈 爾濱工程大學(xué)。涉密學(xué)位論文待解密后適用本聲明。 本論文舊在授予學(xué)位后即可口在授予學(xué)位1 2 個(gè)月后口 解密后) 由哈爾濱工程大學(xué)送交有關(guān)部門進(jìn)行保存、匯編等。 作者( 簽字) ：土帆 日期：聊羅年月，鉬 導(dǎo)師( 簽字) ：枷埠 嘲年t 艮，強(qiáng) 哈爾濱工程大學(xué)碩士學(xué)位論文 ii i i i 第l 章緒論 1 1 課題意義 隨著網(wǎng)絡(luò)及信息化技術(shù)的大量普及，在人機(jī)交互技術(shù)、自動(dòng)身份驗(yàn)證、 銀行安全、以及司法刑偵等各方面都迫切希望能夠進(jìn)行快速、有效、穩(wěn)定的 身份驗(yàn)證。而生物特征是人的內(nèi)在屬性，具有很強(qiáng)的自身穩(wěn)定性，因此采用 生物特征來(lái)識(shí)別是身份驗(yàn)證的最理想依據(jù)。近幾年來(lái)隨著計(jì)算機(jī)技術(shù)的迅速 發(fā)展，計(jì)算機(jī)己經(jīng)能利用人臉、瞳孔，掌紋、指紋、筆跡及聲音來(lái)驗(yàn)證身份。 其中人臉識(shí)別技術(shù)憑借其識(shí)別速度快、不要求用戶與設(shè)備進(jìn)行物理接觸等優(yōu) 點(diǎn)，易于為廣大用戶所接受。人臉識(shí)別技術(shù)是生物識(shí)別技術(shù)中的一個(gè)重要課 題具有極其廣泛的應(yīng)用前景u 。 人臉識(shí)別技術(shù)是一個(gè)非?；钴S的研究領(lǐng)域瞄1 ，它覆蓋了數(shù)字圖像處理、 模式識(shí)別、計(jì)算機(jī)視覺、神經(jīng)網(wǎng)絡(luò)、心理學(xué)、生理學(xué)、數(shù)學(xué)等諸多學(xué)科的內(nèi) 容。人臉識(shí)別與指紋識(shí)別、視網(wǎng)膜識(shí)別、虹膜識(shí)別、基因識(shí)別等其它人體生 物特征識(shí)別系統(tǒng)相比，有著更加直接、友好、能使被識(shí)別者無(wú)心理障礙等特 點(diǎn)。同時(shí)，與其它識(shí)別系統(tǒng)相比，人臉識(shí)別具有主動(dòng)性、非侵犯性和用戶友 好等許多優(yōu)點(diǎn)，人臉識(shí)別系統(tǒng)還能夠通過人臉的表情等獲得更多的信息。這 使得人臉識(shí)別在公安、海關(guān)、銀行、機(jī)場(chǎng)等領(lǐng)域有著潛在的應(yīng)用空間。 如今，雖然在人臉識(shí)別的研究己經(jīng)取得了一些可喜的成果，但是在實(shí)際 應(yīng)用中仍面臨著很嚴(yán)峻的問題，因?yàn)槿四樜骞俚姆植际欠浅Ｏ嗨频模胰?臉本身又是一個(gè)柔性物體，表情、姿態(tài)或發(fā)型、化妝的千變?nèi)f化都給正確識(shí) 別帶來(lái)了相當(dāng)大的麻煩。如何能正確識(shí)別大量的人臉并滿足實(shí)時(shí)性要求是迫 切需要解決的問題。因此，人臉識(shí)別也成為一項(xiàng)極具挑戰(zhàn)性的研究課題。 1 2 課題的國(guó)內(nèi)外研究現(xiàn)狀 1 2 1 人臉識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀 早在上世紀(jì)六、七十年代，人臉識(shí)別技術(shù)就引起了研究者的濃厚興趣。 l 哈爾濱工程大學(xué)碩士學(xué)位論文 進(jìn)入九十年代之后，由于高速度高性能的計(jì)算機(jī)的出現(xiàn)，人臉識(shí)別技術(shù)取得 了重大進(jìn)展。而自美國(guó)發(fā)生“9 1 l 事件以后，人臉識(shí)別在信息安全領(lǐng)域的 作用逐漸顯現(xiàn)出來(lái)，人臉識(shí)別技術(shù)受到了前所未有的重視。 國(guó)內(nèi)外對(duì)于人臉識(shí)別的研究發(fā)展，技術(shù)趨勢(shì)分別經(jīng)歷了三個(gè)階段：機(jī)械 式的識(shí)別階段、機(jī)器自動(dòng)識(shí)別初級(jí)階段、機(jī)器自動(dòng)識(shí)別高級(jí)階段。 第一階段以b e r t i l l o n ，a l l e n 和p a r k c 為代表，主要研究人臉識(shí)別所需要 的面部特征。在b c r t i l l o n 的系統(tǒng)中，用一個(gè)簡(jiǎn)單的語(yǔ)句與數(shù)據(jù)庫(kù)中某一張臉 相聯(lián)系，同時(shí)與指紋分析相結(jié)合，提供了一個(gè)較強(qiáng)的識(shí)別系統(tǒng)。為了提高臉 部識(shí)別率，a i l e r d s l u l 為待識(shí)別人臉設(shè)計(jì)了一種有效和逼真的摹寫，p a r k e l h 。 用計(jì)算機(jī)實(shí)現(xiàn)了這一想法，并產(chǎn)生了較高質(zhì)量的人臉灰度圖模型。這一階段 工作的特點(diǎn)是識(shí)別過程全部依賴于操作人員，顯然這不是一種可以完全自動(dòng) 識(shí)別的系統(tǒng)。 第二階段是人機(jī)交互式識(shí)別階段。代表性工作有：g o l d s t i o n ，h a r m o n 和 l e s k 用幾何特征參數(shù)來(lái)表示人臉正面圖像。他們采用2 l 維特征矢量表示 人臉面部特征，并設(shè)計(jì)了基于這一特征表示法的識(shí)別系統(tǒng)。k a y a 和k o b a y a s h i 則采用了統(tǒng)計(jì)識(shí)別方法，用歐氏距離來(lái)表征人臉特征1 ，如嘴唇與鼻之間的 距離，嘴唇的高度等。更迸一步地，k a n a d 設(shè)計(jì)了一個(gè)高速且有一定知識(shí)導(dǎo) 引的半自動(dòng)回溯識(shí)別系統(tǒng)，創(chuàng)造性地運(yùn)用積分投影法從單幅圖像上計(jì)算出一 組臉部特征參數(shù)，再利用模式分類技術(shù)與標(biāo)準(zhǔn)人臉相匹配。k a u a d 的系統(tǒng)實(shí) 現(xiàn)了快速、實(shí)時(shí)的處理，是一個(gè)很大的進(jìn)步。但這類方法需要利用操作員的 某些先驗(yàn)知識(shí)，仍然擺脫不了人的干預(yù)。 第三階段是真正的機(jī)器自動(dòng)識(shí)別階段。由于生產(chǎn)、生活各方面對(duì)人臉識(shí) 別系統(tǒng)日益迫切的需求，以及計(jì)算機(jī)技術(shù)、圖像處理、模式識(shí)別技術(shù)的發(fā)展 成熟，人臉識(shí)別方法有了較大的突破。這一階段，人們提出了很多人臉自動(dòng) 識(shí)別的方法。 進(jìn)入9 0 年代，對(duì)人臉識(shí)別方法的研究重新變得非常熱門，吸引了大量的 研究人員和基金支持。美國(guó)，日本，英國(guó)，以色列，意大利等經(jīng)濟(jì)發(fā)達(dá)國(guó)家 2 哈爾濱工程大學(xué)碩士學(xué)位論文 和發(fā)展中國(guó)家如印度等國(guó)都有專門的研究組進(jìn)行這方面的研究。國(guó)內(nèi)很多教 學(xué)科研機(jī)構(gòu)都有人員從事人臉識(shí)別的相關(guān)研究。到目前為止，人臉識(shí)別工作 已經(jīng)進(jìn)行了2 0 多年，但是仍然面臨著種種困難，其中主要有人臉圖像中人臉 角度變化，遮擋引入，以及光照變化，圖像質(zhì)量間的差異等造成識(shí)別率下降 的問題。 1 2 2 克隆選擇算法的國(guó)內(nèi)外研究現(xiàn)狀 近年來(lái)，由仿生學(xué)帶動(dòng)的信息科學(xué)的發(fā)展越來(lái)越受到人們的重視。如人 工神經(jīng)元網(wǎng)絡(luò)，遺傳算法等都有著非常廣泛的應(yīng)用。人們不斷地模擬生物體 的各種優(yōu)秀特性并演變出新穎的計(jì)算機(jī)算法。其中，生物體的免疫系統(tǒng)以其 記憶性、多樣性和特異性的優(yōu)勢(shì)被引入到計(jì)算機(jī)科學(xué)領(lǐng)域中。 早在1 9 5 8 年，b u m e t 等人便提出了免疫系統(tǒng)的克隆選擇學(xué)說(shuō)，該學(xué)說(shuō)認(rèn) 為抗體是天然產(chǎn)物，以受體的形式存在于細(xì)胞表面，抗原可與其選擇性地反 應(yīng)?？乖c相應(yīng)抗體受體的反應(yīng)可導(dǎo)致細(xì)胞克隆增殖，該群體具有相同的抗 體特異性，其中某些細(xì)胞克隆分化為抗體生成細(xì)胞，通過抗體基因頻繁的變 異和編輯，再經(jīng)過免疫后得到改善，即親和力成熟。另一些則形成免疫記憶 細(xì)胞以便參加之后的二次免疫反應(yīng)。這個(gè)理論揭示了免疫系統(tǒng)的很多優(yōu)秀 特性，逐漸引起了計(jì)算機(jī)科學(xué)家的重視并開始用計(jì)算機(jī)模擬免疫系統(tǒng)。 克隆選擇概念最初在優(yōu)化問題領(lǐng)域中應(yīng)甩廣泛。最早注意到克隆選擇在 函數(shù)優(yōu)化問題上的應(yīng)用價(jià)值的是b e r s i n i 。1 9 9 0 年他提出一種免疫補(bǔ)充機(jī)制u 1 ， 該方法模仿免疫系統(tǒng)的啟發(fā)式動(dòng)態(tài)過程，通過不斷產(chǎn)生新個(gè)體，用于求解函 數(shù)的全局優(yōu)化問題，獲得了較好效果。 1 9 9 6 年，h i t o w e r 舊1 在對(duì)抗體基因庫(kù)和免疫多樣性的研究過程中，從 b a l d w i n 效應(yīng)的角度，考察了抗體的優(yōu)化過程。文中指出b 細(xì)胞的克隆選擇 能夠產(chǎn)生類似b a l d w i n 效應(yīng)，即：能夠以更大的可能，將部分細(xì)胞或抗體獲 得的良好特性傳遞給下一代，使得后代抗體的親和力快速提高，在抗體多樣 性的產(chǎn)生和抗體優(yōu)化過程中起到重要的作用。該文證明了克隆選擇過程具有 哈爾濱工程大學(xué)碩士學(xué)位論文 較強(qiáng)的優(yōu)化能力。 1 9 9 7 年，c h u n u w 將克隆選擇算法用于r o s e n b r o c k 和s m e 等函數(shù)優(yōu)化問 題以及永磁同步電機(jī)的表面設(shè)計(jì)。結(jié)果顯示，利用該算法進(jìn)行復(fù)雜多模態(tài)函 數(shù)優(yōu)化，效果比普通進(jìn)化算法要好。 2 0 0 1 年y u n m s u u 等人在b 細(xì)胞網(wǎng)絡(luò)理論和克隆選擇原理的基礎(chǔ)上，提出 一種新的函數(shù)優(yōu)化方法。該方法利用b 細(xì)胞網(wǎng)絡(luò)，通過細(xì)胞間的相互作用實(shí) 現(xiàn)b 細(xì)胞自組織記憶，用克隆選擇實(shí)現(xiàn)b 細(xì)胞模式進(jìn)化更新。仿真結(jié)果表明， 將克隆選擇方法與免疫網(wǎng)絡(luò)相結(jié)合，能夠有效減少計(jì)算冗余，節(jié)約計(jì)算資源。 2 0 0 2 年c a r l o s u 副等人以克隆選擇為核心構(gòu)造一種人工免疫系統(tǒng)，用于求 解多目標(biāo)函數(shù)優(yōu)化問題，并與三種有代表意義的多目標(biāo)函數(shù)進(jìn)化優(yōu)化方法比 較，仿真結(jié)果顯示，基于克隆選擇的方法能夠搜索和保存更多的p a r e t o 解。 同年，杜海峰u 馴將克隆選擇原理應(yīng)用于函數(shù)優(yōu)化問題求解，并對(duì)算法的全局 收斂性進(jìn)行了分析。 克隆選擇方法具有較好的優(yōu)化性能，它作為一種嶄新的優(yōu)化方法逐漸引 起了人們的注意，最近幾年在模式識(shí)別領(lǐng)域中也逐漸得到應(yīng)用，不過由于起 步較晚，其應(yīng)用研究的深度和廣度還有待于進(jìn)一步加強(qiáng)。 2 0 0 3 年，d ec 簽咖u 毛均1 等人對(duì)克隆選擇機(jī)理進(jìn)一步濃縮和概括，提出一 種較為簡(jiǎn)潔的克隆算法。該算法包括一組抗原、一組b 細(xì)胞抗體、一組記憶 細(xì)胞。其基本操作是b 細(xì)胞的高變異克隆增生、。最優(yōu)模式的選擇記憶。 2 0 0 4 年，y a o g u a n g u 刨等人利用克隆選擇算法對(duì)鍋爐加熱狀態(tài)進(jìn)行識(shí)別， 結(jié)果表明，所建立的模型能夠?qū)﹀仩t的不同熱狀態(tài)進(jìn)行很好的區(qū)分識(shí)別，證 明了克隆算法具有很好的自學(xué)習(xí)和自適應(yīng)能力。 后來(lái)，吳澤俊u 等人提出了一種基于免疫的克隆選擇算法。該算法采用 一種新的基因型與表現(xiàn)型的表達(dá)方式，利用全新的匹配方法，引入反向選擇 算子，對(duì)人工免疫模型進(jìn)行了有效的改進(jìn)。 這些成果顯示了克隆選擇原理對(duì)于信息處理和問題求解具有廣闊的應(yīng)用 前景。然而克隆選擇原理在人臉識(shí)別中的應(yīng)用，還尚未見報(bào)導(dǎo)。 4 哈爾濱工程大學(xué)碩士學(xué)位論文 1 3 人臉識(shí)別的內(nèi)容 1 3 1 人臉識(shí)別的研究?jī)?nèi)容 人臉識(shí)別的研究?jī)?nèi)容主要包括以下四個(gè)方面： ( 1 ) 人臉檢i l l ( f a c ed e t e c t i o n ) ：主要任務(wù)是判斷給定的圖像中是否存在人 臉，如果存在，則進(jìn)一步確定人臉的位置、大小和數(shù)量。 ( 2 ) 圖像的預(yù)處理：主要是對(duì)采集到的圖像進(jìn)行各種處理，比如灰度變 換、二值化、圖像分割等。 ( 3 ) 特征提取( f e a t u r ee x t r a c t i o n ) ：采用某種方法表示出數(shù)據(jù)庫(kù)中的己知 人臉和檢測(cè)出的人臉，通常的方法有幾何特征、代數(shù)特征、固定特征模板等。 ( 4 ) 人臉識(shí)別( f a c er e c o g n i t i o n ) ：識(shí)別的任務(wù)是將待檢測(cè)的人臉與系統(tǒng)已 經(jīng)建立的人臉數(shù)據(jù)庫(kù)進(jìn)行比較，找出最相似的人臉，從而識(shí)別出待檢測(cè)人臉 的身份。 在這四個(gè)方面中，特征提取和識(shí)別是研究的重點(diǎn)，人臉識(shí)別的研究難點(diǎn) 也是這兩個(gè)方面。人臉識(shí)別的主要技術(shù)難點(diǎn)可以概括為以下兩點(diǎn)： ( 1 ) 人臉的相似性，因?yàn)樗械娜四樁季哂邢嗨频慕Y(jié)構(gòu)，而且紋理上也 比較接近，因而在識(shí)別的時(shí)候必須把握住不同人臉之間很細(xì)微的特征差別， 才能實(shí)現(xiàn)識(shí)別。 ( 2 ) 人臉的非剛體性，同一個(gè)人臉在不同光照、不同姿態(tài)、不同表情、 不同大小等條件下所獲的圖像就有很大的差異，更不用說(shuō)發(fā)型、姿態(tài)和年齡 的增長(zhǎng)等所帶來(lái)的變化了，所以要獲得在各種條件影響下，仍然不變的人臉 描述模型是極其困難的。 1 3 2 特征提取和識(shí)別的方法 人臉特征的提取是人臉識(shí)別的關(guān)鍵，它直接影響人臉識(shí)別的效率。特征 提取之前一般需要做幾何歸一化和灰度歸一化的工作。根據(jù)人臉提取方式的 不同，人臉的特征提取可分為以下四種。 ( 1 ) 基于幾何特征的人臉特征的提?。喝四樣裳劬?、鼻子、嘴、下巴等部 氣 哈爾濱工程大學(xué)碩士學(xué)位論文 件構(gòu)成，對(duì)這些部件和結(jié)構(gòu)關(guān)系的幾何描述，可作為識(shí)別人臉的重要特征。 這類方法也有不少，如基于面部幾何特征點(diǎn)提取方法，該方法是利用特征點(diǎn) 構(gòu)造出人臉的特征向量，這些特征向量具有位置、視點(diǎn)、大小等不變性?；?于幾何特征的方法提取過程中過多的依賴于先驗(yàn)知識(shí)，通常需要與其他算法 結(jié)合才能有比較好的效果。 ( 2 ) 基于統(tǒng)計(jì)方法的人臉特征的提?。航y(tǒng)計(jì)方法是人臉識(shí)別應(yīng)用最多的 一種特征提取方法，基于主元分析( p c a ) 的特征臉方法將人臉圖像數(shù)據(jù)拉成 一個(gè)矢量u 引，由訓(xùn)練樣本協(xié)方差矩陣的特征向量構(gòu)成一個(gè)人臉特征空間，將 輸入人臉圖像投影到此空間所得到的投影系數(shù)即為人臉的代數(shù)特征表示。除 了基于p c a 的特征臉方法外，還有基于獨(dú)立主分量分析、線性判別分析和基 于核的子空間等方法。 ( 3 ) 變換域提取特征方法n 吼2 們：采用g a b o r 變換等變換提取人臉特征，通 過將人臉圖像與不同尺度、不同方向的g a b o r 變換卷積得到的數(shù)據(jù)，即為人 臉特征矢量，然后結(jié)合其它方法進(jìn)行人臉識(shí)別。 ( 4 ) 神經(jīng)網(wǎng)絡(luò)提取特征方法口u ：c o e l l 采用的基于即神經(jīng)網(wǎng)絡(luò)的人臉 識(shí)別方法分兩步進(jìn)行i 首先用一個(gè)結(jié)構(gòu)為4 0 9 6 個(gè)輸入神經(jīng)元、8 0 個(gè)隱層神經(jīng) 元、4 0 9 6 個(gè)輸出神經(jīng)元的神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行人臉特征的提取，通過訓(xùn)練神經(jīng)網(wǎng) 絡(luò)使得輸入與輸出保持一致，即完成自聯(lián)想功能，從而隱層神經(jīng)元對(duì)輸入人 臉的響應(yīng)即被作為該人臉的特征，此時(shí)再執(zhí)行第二步，將該特征輸入給個(gè) 兩層神經(jīng)網(wǎng)絡(luò)來(lái)完成最終識(shí)別，其輸出不但有人的類別還包括性別與表情。 由于這種方法計(jì)算量非常大，因此后期的圍繞b p 神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法 都將初步的人臉圖像特征提取改用其它方法。除了以上方法，還有自組織神 經(jīng)網(wǎng)絡(luò)特征提取等方法。 最后進(jìn)行人臉識(shí)別。數(shù)據(jù)庫(kù)里預(yù)先存放了已知的人臉圖像或有關(guān)的特征 值，識(shí)別的目的就是將待識(shí)別的圖像或特征與庫(kù)中的人臉進(jìn)行匹配。識(shí)別的 任務(wù)主要有兩個(gè)：一個(gè)是人臉辨認(rèn)，即確定輸入圖像究竟是庫(kù)中的哪一個(gè)人， 這是一對(duì)多的匹配過程；另一個(gè)是人臉證實(shí)，即驗(yàn)證某個(gè)人的身份是否屬實(shí)， 6 哈爾濱工程大學(xué)碩士學(xué)位論文 這是一對(duì)一的匹配過程。根據(jù)輸入圖像的性質(zhì)，可以將人臉識(shí)別分為靜態(tài)圖 像的人臉識(shí)別和動(dòng)態(tài)圖像序列的人臉識(shí)別兩大類。前者主要是用靜態(tài)圖像如 從證件照片、罪犯照片、場(chǎng)景照片上掃描的圖像進(jìn)行識(shí)別，后者則是用攝像機(jī) 攝取的時(shí)間圖像序列進(jìn)行識(shí)別。 1 4 課題研究?jī)?nèi)容及論文安排 論文主要研究人臉識(shí)別算法中比較經(jīng)典的p c a 算法，針對(duì)p c a 算法在 人臉特征提取上的局限性，提出了遺傳算法、克隆選擇算法與p c a 相結(jié)合的 特征提取方法，然后將這兩種方法與p c a 方法進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證了本文方 法的有效性。 綜合上述研究?jī)?nèi)容，本論文具體安排如下： 第1 章，緒論。介紹了本課題研究的背景、目的和意義。簡(jiǎn)要闡述了人 臉識(shí)別的國(guó)內(nèi)外發(fā)展現(xiàn)狀和常用方法，最后說(shuō)明論文的主要研究工作和內(nèi)容 安排。 第2 章，基于k - l 變換的主成分分析。針對(duì)人臉圖像維數(shù)過高給人臉識(shí) 別帶來(lái)的困難，本章研究有效的數(shù)據(jù)降維方法一主成分分析( p c a ) 法。論 文首先研究了p c a 特征提取的基本原理及在人臉識(shí)別中的應(yīng)用，其次介紹了 分類器的設(shè)計(jì)，最后通過p c a 方法對(duì)特征向量提取的實(shí)驗(yàn)，表明該方法雖然 降維效果好，但對(duì)特征空間的選擇具有一定的局限性。 第3 章，遺傳算法在人臉識(shí)別中的應(yīng)用。由于p c a 方法在特征提取上具 有局限性，因此本章研究并實(shí)現(xiàn)了采用遺傳算法與p c a 相結(jié)合的特征提取方 法對(duì)特征空間進(jìn)行優(yōu)化選取。論文首先闡述遺傳算法的原理，重點(diǎn)介紹遺傳 算法與p c a 相結(jié)合的特征提取方法的原理及實(shí)現(xiàn)步驟，并通過仿真實(shí)驗(yàn)與傳 統(tǒng)的p c a 方法比較，驗(yàn)證遺傳算法用于特征空間選取的有效性。 第4 章，克隆選擇算法在人臉識(shí)別中的應(yīng)用。針對(duì)遺傳算法容易出現(xiàn)早 熟和收斂速度慢等問題，提出了一種采用克隆選擇算法與p c a 相結(jié)合的特征 提取方法?？寺∵x擇算法以其記憶性、多樣性和特異性的優(yōu)勢(shì)，在搜索過程 7 哈爾濱工程大學(xué)碩士學(xué)位論文 中表現(xiàn)出比傳統(tǒng)進(jìn)化算法更為優(yōu)異的全局尋優(yōu)性能。本章首先介紹克隆選擇 算法的原理，重點(diǎn)研究本文提出的基于克隆選擇算法的人臉特征提取的原理 及實(shí)現(xiàn)步驟，最后采用o r l 人臉數(shù)據(jù)庫(kù)對(duì)該方法進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了克隆 選擇算法在特征提取上的有效性。 第5 章，實(shí)驗(yàn)結(jié)果對(duì)比與分析。采用o r l 和y a l e 人臉庫(kù)，在不同條件 下實(shí)現(xiàn)了p c a 、p c a 與遺傳算法、克隆選擇算法相結(jié)合的特征提取方法，將 三種方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，從而驗(yàn)證了克隆選擇算法在降維有效性和識(shí) 別率方面均有較好的性能。 最后本論文將總結(jié)歸納作者一年來(lái)在人臉識(shí)別研究中所作的工作，并對(duì) 人臉識(shí)別的未來(lái)發(fā)展進(jìn)行展望。 8 哈爾濱丁程大學(xué)碩士學(xué)位論文 第2 章基于k l 變換的主成分分析 主成分分析( p c ap r i n c i p l ec o m p o n e n ta n a l y s i s ) 方法用最廣泛的一種特征 提取方法之一，在信號(hào)處理、模式識(shí)別、數(shù)字圖像處理等領(lǐng)域已經(jīng)得到廣泛 的應(yīng)用。p c a 方法在降維和特征提取方面效果很好，這使它在人臉識(shí)別領(lǐng)域 也得到廣泛的應(yīng)用，其識(shí)別率從7 0 一1 0 0 不等，這取決于人臉庫(kù)中圖像的 質(zhì)量。主成分分析方法的基本思想是提取出空間原始數(shù)據(jù)中的主要特征( 主 元) ，減少數(shù)據(jù)冗余，使得數(shù)據(jù)在一個(gè)低維的特征空間被處理，同時(shí)保持原始 數(shù)據(jù)的絕大部分的信息，從而解決數(shù)據(jù)空間維數(shù)過高問題。 2 1 主成分分析法的基本原理 主成分分析( p c a ) 方法是麻省理工學(xué)院m t u r k 和a p e n t l a n d 于1 9 9 1 年 提出的，直到現(xiàn)在，它仍然是最廣泛應(yīng)用的人臉識(shí)別算法鋤- 2 4 7 。p c a 方法的 基本原理是利用k l 變換抽取人臉的主要成分，構(gòu)成特征臉空間，識(shí)別時(shí)將 測(cè)試圖像投影到此空間，得到一組投影系數(shù)，通過與各個(gè)人臉圖像比較進(jìn)行 識(shí)別。 主成分分析法( p c a ) 在人臉識(shí)別領(lǐng)域成功應(yīng)用的一個(gè)重要理論基礎(chǔ)是較 好的解決了k - l 變換后協(xié)方差矩陣的特征向量的求解問題。人臉識(shí)別是一個(gè) 典型的高維小樣本問題，即人臉圖像向量的維數(shù)一般較高，比如，實(shí)驗(yàn)用的 o r l 人臉庫(kù)的圖像大小為11 2 x 9 2 的灰度圖像，其對(duì)應(yīng)的圖像向量特征空間 高達(dá)1 0 3 0 4 維，在如此高維的圖像空間內(nèi)，按照通常的算法，計(jì)算樣本的協(xié) 方差矩陣的特征向量是異常耗時(shí)的。同時(shí)，在人臉識(shí)別問題中，由于客觀條 件的限制，訓(xùn)練樣本的數(shù)目一般較小，通常，訓(xùn)練樣本的總數(shù)遠(yuǎn)遠(yuǎn)小于人臉 圖像向量的維數(shù)。針對(duì)高維小樣本的情況，求解特征向量所采取算法的基本 思想是，將高維的問題轉(zhuǎn)化為低維的問題加以解決。 p c a 算法的基本原理為： 令x 為m 維隨機(jī)向量。假設(shè)x 均值為零，即：e x 】= 0 。 9 哈爾濱工程大學(xué)碩士學(xué)位論文 令w 表示為m 維單位向量，將x 在其上投影，這個(gè)投影被定義為向量x 和 w 的內(nèi)積，表示為： y = w k x km w r x ( 2 - 1 ) k = l 滿足約束條件： x ( w 。w ) = 1 ( 2 2 ) 而主成分分析的目的就是尋找一個(gè)權(quán)值向量w 使得表達(dá)式e l y 2 】的值最 大化： e l y 2 】= e 【( w r x ) 2 】- w r e x x 7 】w( 2 3 ) 根據(jù)線性代數(shù)的理論，可以知道滿足式子值最大化的w 應(yīng)該滿足下式： c 。w 墨乃w ，歹= 1 ，2 ，- ，p ( 2 - 4 ) 即使得上述式子最大化的w 是矩陣c 。的最大特征值所對(duì)應(yīng)的特征向量。 2 2 主成分分析在人臉識(shí)別中的應(yīng)用 在人臉識(shí)別中，可利用p c a 對(duì)人臉進(jìn)行特征提取和特征選擇2 5 t2 6 op c a 算法將入臉圖像區(qū)域看作一種隨機(jī)向量，利用k - l 變換得到正交變換基，對(duì) 應(yīng)較大的特征值的基底具有與人臉相似的形狀。p c a 算法利用這些基底的線 性組合來(lái)描述、表達(dá)人臉和逼近人臉，實(shí)現(xiàn)人臉圖像的特征提取和特征選擇， 從而提高人臉的識(shí)別和重建的效率。人臉識(shí)別就是把待識(shí)別的人臉映射到由 特征臉張成的子空間中，與庫(kù)中人臉的子空間位置進(jìn)行比較。人臉的重建就 是根據(jù)待識(shí)別人臉在子空間的位置，還原到人臉空間中。但單一的p c a 算法 的識(shí)別率并不高，因此通?？梢栽趐 c a 基礎(chǔ)上結(jié)合其它算法進(jìn)行人臉的特征 選擇，以提高識(shí)別率。 2 2 1 主成分分析應(yīng)用于人臉識(shí)別的原理 p c a 是模式識(shí)別中一種有效的特征提取方法。將人臉圖像表示成一個(gè)列 1 0 哈爾濱工程大學(xué)碩士學(xué)位論文 i i 向量，經(jīng)過p c a 變換后，不僅可以有效地降低其維數(shù)，同時(shí)又保留所需要的 識(shí)別信息，這些信息對(duì)光照、表情以及姿態(tài)具有一定的不敏感性。 下面介紹p c a 應(yīng)用于人臉識(shí)別的基本原理。 將m 幅人臉圖像作為訓(xùn)練樣本，每幅圖像都以列串聯(lián)的方式表示成m 個(gè)列向量，x ，為第f 幅人臉圖像形成的列向量，訓(xùn)練樣本的平均向量為： 2 擊善x f ( 2 - 5 ) 則訓(xùn)練樣本的協(xié)方差矩陣為： c = ( x ，一) ( x 。一) r ( 2 6 ) 其中， a = x l 一，x 2 一，x u 一】 存在一組正交矩陣u 和v ，使得： a t a v = 五v ( 2 7 ) 將( 2 - 7 ) 式的左右兩邊同時(shí)乘以a ，則變?yōu)椋?a ( a t a ) v = 兄a v ( 2 8 ) 其中令u = a v ，u 為特征臉空間。 令每一張人臉列向量映射到特征臉空間得到映射權(quán)值咖。其中矽，可以看 成是人臉圖像x j 的特征。 咖= u t ( x 。一)( 2 - 9 ) 按照公式( 2 9 ) 把訓(xùn)練樣本和檢測(cè)樣本所得的投影特征進(jìn)行匹配，最終得到識(shí) 別結(jié)果。 2 2 2 訓(xùn)練樣本的特征提取 特征提取就是從測(cè)量空間r ”到特征空間r ”的映射。這里的測(cè)量空間就 是人臉空間，映射要遵循兩個(gè)原則，一是特征空間必須保留測(cè)量空間中的主 要分類信息；二是特征空間的維數(shù)應(yīng)遠(yuǎn)遠(yuǎn)低于測(cè)量空間的維數(shù)。 哈爾濱工程大學(xué)碩士學(xué)位論文 p c a 算法是利用k - l 變換來(lái)進(jìn)行特征提取的。k - l 變換是滿足上述原則 的一種數(shù)據(jù)壓縮方法，它的特征提取的基本原理是：在測(cè)量空間中找出一組 朋個(gè)正交矢量，要求這組矢量能最大的表示出數(shù)據(jù)的方差，然后將原模式矢 量從刀維空間投影到這組正交矢量構(gòu)成的m 維子空間，則投影系數(shù)就是構(gòu)成 原模式的特征矢量，且完成了維數(shù)的壓縮( 朋“甩) 。 本章選取的圖像來(lái)源于o r l 人臉數(shù)據(jù)庫(kù)。此人臉數(shù)據(jù)庫(kù)有4 0 人，每人 有1 0 幅圖像。這些圖像具有以下特點(diǎn)：人的臉部表情和臉部細(xì)節(jié)有著不同程 度的變化，比如笑或不笑，眼睛睜或閉，戴或不戴眼鏡。人臉姿態(tài)也有相當(dāng) 程度的變化，深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)2 0 度，人臉的尺度也有多達(dá)1 0 的 變化，圖像的分辨率為1 1 2 x 9 2 。在o l 也人臉庫(kù)中選出每個(gè)人的前5 幅圖像 作為訓(xùn)練圖像，構(gòu)成一個(gè)2 0 0 幅圖像的訓(xùn)練集，剩下的2 0 0 幅圖像構(gòu)成測(cè)試 集。設(shè)訓(xùn)練樣本為m 個(gè)，這里m = 2 0 0 ，則x = ( x 1 ，x ：，k ) r ，特征提取的具 體步驟如下： ( 1 ) 計(jì)算訓(xùn)練樣本的平均臉：= 萬(wàn)1 善mk ( 2 ) 計(jì)算每一張人臉圖片與特征臉之間的差值： ( 3 ) 構(gòu)建協(xié)方差矩陣：c = 面1 酗md i = 擊a a r ( 2 - 1 0 ) d ，= ( x ，一) ，= l ，2 ，膨) ( 2 1 1 ) ( 4 ) 計(jì)算矩陣t = a a r 的特征值五及其對(duì)應(yīng)的正交歸一化特征向量王 ( 5 ) 選擇前p ( p “2 0 0 ) 最大特征值及其對(duì)應(yīng)特征向量 ( 6 ) 求c 的正交歸一化特征向量： 1 u 。= 音a 王，( 扛1 2 p ) ( 2 1 2 ) 以 則“特征臉 空間為： w = ( u l ，u 2 ，u 。) 。 ( 7 ) 將每一幅人臉與平均臉的差值矢量投影到“特征臉空間，即 q = w 7 d ，( 扛1 ，2 ，2 0 0 ) 1 2 ( 2 一1 3 ) 哈爾濱工程大學(xué)碩七學(xué)位論文 2 2 3 主成分分析的優(yōu)缺點(diǎn) p c a 具有如下幾個(gè)優(yōu)點(diǎn)： ( 1 ) 最小均方誤差一可以證明，p c a 是在均方誤差最小意義下的最優(yōu) 正交分解方法，因此用p c a 進(jìn)行信號(hào)壓縮能夠得到最大的信噪比。 ( 2 ) 降維由于基函數(shù)的個(gè)數(shù)往往遠(yuǎn)小于信號(hào)的維數(shù)，因此p c a 變換 能夠大大降低數(shù)據(jù)的表示維數(shù)。這對(duì)模式識(shí)別中的特征提取非常有利。 ( 3 ) 消除冗余在基函數(shù)上的投影系數(shù)彼此之間是不相關(guān)的。 ( 4 ) 分解函數(shù)合成函數(shù)相同分解函數(shù)( a n a l y s i sf u n c t i o n ) 作用于輸 入信號(hào)，得到信號(hào)的編碼。合成函數(shù)( s y n t h e s i sf u n c t i o n ) 作用于信號(hào)的編碼， 得到原始信號(hào)。如果圖像的分解和合成采用線性模型，則分解函數(shù)夠和合成 函數(shù)諺是和輸入信號(hào)具有相同維數(shù)的向量，它們可以表示為： a t = 科，i = a 4 r ( 2 1 4 ) f p c a 方法實(shí)現(xiàn)簡(jiǎn)單，它將維空間的圖像數(shù)據(jù)變成了，維的投影系數(shù)， 由于n ，因此，p c a 方法有很強(qiáng)的數(shù)據(jù)壓縮能力，而且這種壓縮是最優(yōu) 的，因?yàn)樗粌H使得從維空間降到，維空間后的均方誤差最小，而且在變 換后的低維空間有很好的人臉表達(dá)能力。 主成分分析( p c a ) 方法同樣有其自身的缺點(diǎn)。p c a 法將k l 變換后特征 值從大到小進(jìn)行排列，挑選相對(duì)大的特征值所對(duì)應(yīng)的特征向量，構(gòu)成一個(gè)k - l 變換特征空間的子空間，來(lái)進(jìn)行特征提取。又因?yàn)閗 - l 特征空間中，較大特 征值所對(duì)應(yīng)的特征向量體現(xiàn)原圖像的總體趨勢(shì)、低頻分量，而較小特征值所對(duì) 應(yīng)的特征向量體現(xiàn)原圖像的細(xì)節(jié)變化、高頻分量，所以p c a 方法提取出的是 圖像總體特征，在人臉圖像上的表現(xiàn)就是人臉的外形輪廓和灰度變化，以此 作為人臉特征，卻丟失了一些原有的重要信息。p c a 方法在人臉特征提取中 可以取得較好的效果，但它是基于k - l 變換的一種特定的選擇，無(wú)法根據(jù)圖 像的不同而進(jìn)行優(yōu)化選取，無(wú)法完全避免k l 變換的局限。本文針對(duì)上述主 成分分析法的局限性，在下兩章分別提出采用遺傳算法和克隆選擇算法對(duì) 哈爾濱工程大學(xué)碩士學(xué)位論文 k - l 變換后的特征空間進(jìn)行優(yōu)化選取，充分利用遺傳算法和克隆選擇算法的 全局尋優(yōu)能力，搜索到最有利分類的特征子空間，并對(duì)選取的特征子集進(jìn)行 實(shí)驗(yàn)對(duì)比。 2 3 分類器的設(shè)計(jì) 當(dāng)獲取訓(xùn)練樣本和測(cè)試樣本在特征空間中的投影向量后，剩下的任務(wù)就 是將這些特征向量交給分類器來(lái)判別圖像所屬的類別。分類器可按己確定的 分類判別準(zhǔn)則對(duì)待識(shí)別模式的樣本進(jìn)行分類識(shí)別，最終輸出分類結(jié)果。常用 的分類判別準(zhǔn)則分為線形的和非線性兩類，主要有神經(jīng)網(wǎng)絡(luò)分類器，支持向 量分類器和貝葉斯概率分類器等。 2 3 1 最近鄰分類器 最近鄰法的直觀概念是根據(jù)某種距離準(zhǔn)則比較未知類別的測(cè)試樣本和已 知類別的樣本之間的距離，決策測(cè)試樣本與離它最近的樣本同類。本文主要 采用最近鄰分類器對(duì)人臉特征進(jìn)行分類識(shí)別。 假定有c 個(gè)類別緲t ，0 ) 2 ，觸的模式問題，每類有標(biāo)明類別的樣本 m ，( ，= 1 ，2 ，c ) 個(gè)，可以規(guī)定q 類的判別函數(shù)為： 蜀( 工) = m i l l0 x - x , i | ，k = l ，2 ，j r ,( 2 - 1 5 ) # 的角標(biāo)f 表示q 類，k 表示哆類m 個(gè)樣本中的第七個(gè)。，按照分類規(guī)則， 可以寫成： 若 g ，( x ) = n f i n g , ( x ) ，扛1 ，2 ，。c( 2 1 6 ) 則決策：x 緲； 這一分類法稱為最近鄰分類法。其直觀解釋是相當(dāng)簡(jiǎn)單的，就是說(shuō)對(duì)未知樣 本x ，只要比較x 與= 1 個(gè)己知類別的樣本之間的歐氏距離，并決策x 為與它最近的樣本的同類。 在人臉識(shí)別實(shí)驗(yàn)處理中，獲得每類訓(xùn)練樣本的特征系數(shù)的聚類中心，即 對(duì)其求平均值，當(dāng)需要判別未知樣本x 類別時(shí)，并不是比較x 與所有訓(xùn)練樣 1 4 哈爾濱工程大學(xué)碩士學(xué)位論文 本之間的歐氏距離，而是比較為各類樣本聚類中心的歐氏距離，并決定x 為 與它最近的聚類中心所屬的為同一個(gè)類別。 2 4 實(shí)驗(yàn)結(jié)果與分析 實(shí)驗(yàn)中使用o r l 單人臉數(shù)據(jù)庫(kù)，它由4 0 個(gè)人的4 0 0 幅灰度圖像組成， 每個(gè)人都有表情變化和面部細(xì)節(jié)變化。所有圖像背景都是黑色，允許的傾斜 和旋轉(zhuǎn)的角度不超過2 0 度，尺寸大小變化不超過1 0 。所有圖像都是1 1 2x 9 2 像素的灰度圖像。本實(shí)驗(yàn)的目的是驗(yàn)證特征空間維數(shù)的變化對(duì)識(shí)別率的影響。 首先取每個(gè)人的前5 幅圖像作為訓(xùn)練樣本，每個(gè)人的后5 幅作為測(cè)試樣本， 然后采用p c a 方法進(jìn)行實(shí)驗(yàn)。圖2 4 是o r l 人臉庫(kù)中的部分樣本。 圈2 , 4o r l 人臉庫(kù)部分樣本 is 哈爾濱工程大學(xué)碩士學(xué)位論文 2 4 1 特征空間的選取對(duì)識(shí)別率的影響 主成分分析法將p c a 變換后的特征值從大到小排列，選取不同的前m 個(gè)特征值所對(duì)應(yīng)的特征向量作為特征空間。根據(jù)這一原理，本實(shí)驗(yàn)中采用 p c a 方法提取人臉圖像的特征向量，按特征值從大到小順次遞增地選取特征 空間，通過圖2 5 可以觀察其識(shí)別率的變化情況。p c a 特征空間的維數(shù)變化 對(duì)識(shí)別率的影響曲線見圖2 5 。 圖2 5 特征空間維數(shù)變化對(duì)識(shí)別率影響的曲線 從圖2 5 可以看出，隨著主分量數(shù)的增加識(shí)別率呈明顯增加趨勢(shì)。因?yàn)?排列在前面的主分量對(duì)原始人臉圖像的表征意義最大，所以當(dāng)主分量數(shù)從1 到2 5 的變化過程中，算法的識(shí)別率從零開始迅速攀升，在特征空間維數(shù)為 7 8 時(shí)達(dá)到最高點(diǎn)8 6 ，之后出現(xiàn)少許下降，直到最后呈現(xiàn)小范圍的波動(dòng)。這 說(shuō)明并不是所有的特征向量的引入都有利于分類識(shí)別，其中有些特征向量的 選擇不利于識(shí)別。例如在選擇第1 6 、1 9 、2 4 號(hào)特征向量后，識(shí)別率出現(xiàn)了下 1 6 哈爾濱工程大學(xué)碩士學(xué)位論文 降的情況。 2 4 2