論文題目i 基于塊內(nèi)相關(guān)性的2 d p c a , j 嶝識(shí)別方法 專業(yè)，通信與信息系統(tǒng) 碩士生t 張成言 指導(dǎo)教師馬爭鳴教授 摘要 主元分析( p ( a ) 方法是一種常用的人臉識(shí)別方法由于p c a 方法需要將圖 像從= 維矩陣轉(zhuǎn)化為一雛向量。構(gòu)造出巨大的協(xié)方差矩陣并求解其特征值與特 征向量，長期以來一直受到高計(jì)算復(fù)雜性的困擾近年來出現(xiàn)的二維主元分析、 ( 2 d p c a ) 人臉識(shí)別方法。可以利用二維圖像矩陣直接構(gòu)造出協(xié)方差矩陣不但 避免了龐大的運(yùn)算量，運(yùn)算時(shí)間大約是p c a 方法的1 4 1 2 0 。而且其識(shí)別率明顯 高于p e a 方法。一般有大于5 的顯著提升 通過對(duì)2 d p c a 的數(shù)學(xué)分析可以發(fā)現(xiàn)，2 d p c a 方法是利用圖像矩陣同一行像 素之間的相關(guān)性來構(gòu)造協(xié)方差矩陣的。其實(shí)質(zhì)是一種基于行分塊p c a 方法對(duì)于 人臉圖像來說，圈像矩陣同一行像素之間的相關(guān)性沒有同一個(gè)局部塊像素之間的 相關(guān)性強(qiáng)。而巨人臉圖像的一個(gè)局部塊通常表示一個(gè)完整的語義如鼻子眼睛、 嘴巴等等然而，2 d p c a 方法完全拋棄了圖像矩陣行與行之間像素的相關(guān)性信息， 割裂了人臉局部區(qū)域內(nèi)的各個(gè)像素之間的相關(guān)性，因而難以表征人臉的局部特征 針對(duì)2 d p c a 方法的缺陷，本文提出了兩種改進(jìn)方法?；诮Y(jié)構(gòu)分塊的2 d p c a 方 法和基于塊內(nèi)相關(guān)性的2 d p c a 方法 基于結(jié)構(gòu)分塊的2 d p c a 方法是針對(duì)不完整人臉圖像的識(shí)別問題而提出的， 其基本思想是。將人臉圖像分割為互不重疊的圖像塊，用2 d p c a 方法分別計(jì)算各 個(gè)圖像塊的主元這些主元反映了人臉的結(jié)構(gòu)特征本文中稱之為結(jié)構(gòu)主元這 種方法結(jié)合了統(tǒng)計(jì)模式識(shí)別與結(jié)構(gòu)模式識(shí)別的優(yōu)點(diǎn)，通過調(diào)整各圖像塊的加權(quán)系 數(shù)，可應(yīng)用于各種不完整人臉圖像的識(shí)別實(shí)驗(yàn)結(jié)果表明。在選取較少主元數(shù)目 的情況下，基于結(jié)構(gòu)分塊的2 d p c a 方法的人臉識(shí)別率與2 d p c a 方法相比大約有 3 7 的提升 基于塊內(nèi)相關(guān)性的2 d p c a 方法的基本思想是；對(duì)人臉圖像進(jìn)行分塊，然后把 圖像塊內(nèi)的像素轉(zhuǎn)化為行向量，再把這些行向量按圖像塊的順序排列成新的圖像 i 矩陣，最后對(duì)這些新的圖像矩陣采用2 d p c a 方法進(jìn)行人臉識(shí)別這種方法不但保 留了2 d p c a 方法低計(jì)算復(fù)雜度的優(yōu)點(diǎn)，而且能夠充分地利用圖像行與列像素之間 的相關(guān)性信息克服了2 d p c a 方法的不足實(shí)驗(yàn)結(jié)果表明在選取較少主元數(shù)目 的情況下，基于塊內(nèi)相關(guān)性的2 d p c a 方法的人臉識(shí)別率與2 d p c a 方法相比大約 有2 粕的提升，且達(dá)到相同識(shí)別率所需的主元數(shù)目要少于2 d p c a 方法 關(guān)鍵字模式識(shí)別人臉識(shí)別特征提取二維主元分析塊內(nèi)相關(guān)性 n n c ： 倒叱 n a m e ： s u p e r v i s o r 2 d p c af a c er e c o g n i t i o nb a s e do f fb l o c k - c o r r e l a t i o n c o m m u n i c a t i o na n di n f o r m a t i o ns y s t e m s c b e n g y a nz h a n g p r o f e s s o rz h e n g m i n gm a a b s t r a c t 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 e a ) i snc o m m o n l yu s e dm e t h o df o rf a c e r e c o g n i t i o n p c ai sb a s e do nv e c t o r - s p a c em o d e l ；2 di m a g em a t r i xi st r a n s f o r m e di n t o i d l o n gv e c t o r , a n dt h e nr e p r e s e n t e d a sa p o m ti nah i g h - d i m e n s i o n a lv e c t o rs p a c e t h i s l e a d st ot h ec u r s eo fd i m e n s i o n a l i t yd i l e m m ao fp c a an e wt e c h n i q u ec a l l e d t w o d i m a n s i o n a lp r i n c i p a lc o m p o n e n ta n a l y s i s ( 2 d p c a ) w a sp r o p o s e df o rh u m a nf a c e 唧r e s e n t a t i o na n dr e c o g n i t i o n d i f f e r e n tf r o mc l a s s i c a lp c a , 2 d p c ai sb a s e do n2 d m a t r i xr a t h e rt h a ni dv e c t o r 2 d p c ai sc o m p u t a t i o n a l l ym o r ee f f i c i e n t , i t st i m e c o n s u m i n gi sa b o u tl “一1 2 0o fp c a 2 d p c a c a na c h i e v eb e t t e rp e r f o r m a n c ei nf a c e r e c o g n i t i o n , u s u a l l yh a s ns i g n i f i c a n ti m p r o v e m e n to f 5 a sc o m p a r e dt op c a t h r o u g ht h em a t h e m a t i ca n a l y s i so f2 d p c a , w ec a nf i n dt h a t2 d p c ac o n s t r u c t s t h eo o v a r l a n c em a t r i xu s i n go n l yt h ec o r r e l a t i o ni n f o r m a t i o na m o n gt h er o w so fi m a g e s , i ti se s s o n t i a l l yt h ep c ap e r f o r m e do nt h er o wv e c t o r so fa l lt h ei m a g e s f o rf a c i a l i m a g e s , t h ec o r r e l a t i o ni n f o r m a t i o na m o n gt h el o w so fi m a g e si sl e s ss i g n i f i c a n tt h a n t h ec o r r e l a t i o ni n f o r m a t i o na m o n gt h eb l o c k so fi r a n g e s f u r t h e r m o r e ，ab l o c kf r o ma f a c i a li m a g ec o m m o n l yi n d i c a t e sas p e c i f i cs e m a n t i c s , s u c ha sn o s e , e y e , m o u t ha n ds o f o r t h h o w e v e r , 2 d p c ad i s c a r d sa l lc o r r e l a t i o ni n f o r m a t i o na m o n gt h ec o l u m n so f i m a g e - s , t h u si ti sd i f f i c u l tt oc h a r a c t e r i z et h el o c a lf e a t u r e so f h u m a nf a c e t oo v e r c o m e t h es h o r t c o m i n g so f2 d p c a , t w on f wm e t h o d sa l ed e v e l o p e di nt h i se s s a y , n a m e l y f r a m e2 d p c aa n db l o c k - c o r r e l a t i o n2 d p c a 1 1 幢e x p o r l m e n m lr e s u l t si n d i c a t e dt h a t t h er e c o g n i t i o nr a t eo ff r a m e2 d p c ah a sas i g n i f i c a n ti m p r o v e m e n to f3 一7 a s c o m p a r e dt ot h a to f 2 d p c aw h e nt h en u m b e r so f p r i n c i p a lc o m p o n e n t si ss m a l l f r a m e2 d p c am e t h o di sp r o p o s e df o rs o l v i n gt h ep r o b l e mo fi n c o m p l e t ef a c i a l i m a g cr e c o g n i t i o n t h i sm e t h o df i r s td i v i d ef a c i a li m a g ei n t os e v e r a ln o n o v e r l a p p i n g b l o c k s , t h e nc a l c u l a t ep r i n c i p a lc o m p o n e n t so fe a c hb l o c ku s i n g2 d p c a t h e s e p r i n c i p a lc o m p o n e n t s , w h i c hc a l l e df r a m ep r i n c i p a lc o m p o n e n t s , r c 玎e c tt h es t r u c t u r e c h a r a c t e r i s t i co fh u m a nf a c e f r a m e2 d p c ac o m b i n e st h ea d v a n t a g e so fs t a t i s t i c a l m p a t t e r nr e c o g n i t i o na n df l a m ep a t t e r nr e c o g n i t i o n , c a nb ea p p l i e dt ov a r i o u si n c o m p l e t e f a c i a li m a g e sb ya d j u s t i n gt h ew e i g h tc o e f f i c i e n t s t h ep r o c e s so fb l o c k - c o r r e l a t i o n2 d p c am e t h o di sa sf o l l o w ：f i r s t l y , af a c i a l i m a g ei sd i v i d e di n t on o n o v e f l a p p i n gb l o c k s , w i t ht h er e s t r i c t i o nt h a te a c hb l o c k c o n t a i n 5t h e 姍en u m b e ro f p i x e l so f ar o wo f t h eo r i g i n a li m a g e s e c o n d l y , e a c hb l o c k i sr e a r r a n g e dt oar o wv e c t o rb yc o n c a t e n a t ea l lt h er o w si nt h eb l o c k t h i r d l y , an e w i l i i a g em a t r i xi sf o r mb ya l lr o wv e c t o r st h a tg e n e r a t e di np r e v i o u ss t e p a c c o r d i n gt o t h es t e p sm e n t i o n e da b o v e , a l lf a c i a li m a g e sw i l lb et r a n s f o r m e dt on e wi m a g em a t r i c e s , a n dt h e nt h es t a n d a r d2 d p c ai sp e r f o r m e d b i o c k - c o r r e l a t i e n2 d p c ar e t a i n st h el o w c o m p u t a t i o n a lc o m p l e x i t yo f2 d p c a , a n dt a k e s c u l la d v a n t a g eo ft h ec o r r e l a t i o n i n f o r m a t i o na m o n gt h er o w sa n dc o l u m n so fi m a g e s t h ee x p e r i m e n t a lr e s u l t si n d i c a t e d t h a tt h er e c o g n i t i o nr a t eo f b l o c k - c o r r e l a t i o n2 d p c ah a sa ni m p r o v e m e n to f 2 4 a sc o m p a r e dt ot h a to f2 d p c aw h e nt h en u m b e r so fp r i n c i p a lc o m p o n e n t si ss m a l l m o r e o v e r , b l o c k - c o r r e l a t i o n2 d p c ac a l la c h i e v et h es a m er e c o g n i t i o nr a t ea s2 d p c a w h i l eu s i n gf e w e rp r i n c i p a lc o m p o n e n t s k e yw o r d s sp a t t e r nr e c o g n i t i o n ，f a c er e c o g n i t i o n ，c h a r a c t e r i s t i ce x t r a c t i o n ，2 d p r i n c i p a lc o m p o n e n ta n a l y s i s ，b l o c k - c o r r e l a t i o n i v 1 1 人臉識(shí)別概述 第1 章緒論 人臉識(shí)別是計(jì)算機(jī)視覺與模式識(shí)別領(lǐng)域的一個(gè)重要研究課題，近幾十年來己 經(jīng)成為個(gè)非常活躍的研究方向所謂人臉識(shí)別技術(shù)，就是指利用計(jì)算機(jī)技術(shù)分 析包含人臉的靜態(tài)圖像或視頻序列，從中提取人臉的個(gè)性化特征，并以此自動(dòng)識(shí) 別人的身份的一門技術(shù)盡管人類早在嬰幼兒時(shí)期就已經(jīng)具有了辨識(shí)人臉的能力， 但構(gòu)建個(gè)自動(dòng)的、高識(shí)別率的計(jì)算機(jī)人臉識(shí)別系統(tǒng)卻并非易事，有許多困難仍 未得到解決，這些困難主要表現(xiàn)在光線、姿態(tài)、年齡、遮擋物等方面人臉識(shí)別 研究跨越了圖像處理、模式識(shí)別，計(jì)算機(jī)視覺、人工智能以及生理學(xué)，心理學(xué)， 認(rèn)知科學(xué)等研究領(lǐng)域。并與其他基于生物特征的身份鑒別方法以及計(jì)算機(jī)人機(jī)感 知交互領(lǐng)域都有著密切的聯(lián)系 人臉識(shí)別研究從二十世紀(jì)六七十年代起就引起了諸多學(xué)科領(lǐng)域研究者的濃厚 興趣，進(jìn)入二十世紀(jì)九十年代后，隨著各行業(yè)對(duì)人臉識(shí)別系統(tǒng)的迫切需求。人臉 識(shí)別研究再次成為熱門課題當(dāng)前世界各國有許多研究機(jī)構(gòu)在從事這方面的研究 這些研究受到軍方，警方以及大公司的高度重視和資助美國軍方還專門組織了 人臉識(shí)別競賽以促進(jìn)人臉識(shí)別研究的發(fā)展【1 1 經(jīng)過幾十年的研究，人臉識(shí)別已經(jīng)成 為圖像分析與圖像理解領(lǐng)域最成功的應(yīng)用之一，研究人員提出了許多識(shí)別方法， 建成了些實(shí)驗(yàn)系統(tǒng)，也有不少成功的人臉識(shí)別商業(yè)軟件已經(jīng)投入市場 人臉識(shí)別技術(shù)因其無需用戶過多參與、非接觸式的數(shù)據(jù)采集方式對(duì)用戶無 任何損害、便于隱藏等優(yōu)點(diǎn)而普遍為人們所看好人臉識(shí)別技術(shù)在國家重要機(jī)關(guān)， 社會(huì)安防等各種領(lǐng)域都具有廣泛的應(yīng)用典型應(yīng)用如 ( 1 ) 犯罪刑偵領(lǐng)域中的應(yīng)用 在刑偵工作中對(duì)罪犯的抓捕是至關(guān)重要的一環(huán)如果掌握了犯罪嫌疑人的 人臉圖像，則可應(yīng)用人臉識(shí)別技術(shù)，在公安機(jī)關(guān)海量的人臉數(shù)據(jù)庫里找出與其最 相像的人。從而確定其身份如果此項(xiàng)搜索工作由人工完成，則效率低且容易出 錯(cuò)由計(jì)算機(jī)來完成則不會(huì)遇到此問題同時(shí)，應(yīng)用人臉識(shí)別技術(shù)還可依據(jù)犯罪 嫌疑人的人臉圖像，對(duì)機(jī)場，車站，港口等重要交通場所進(jìn)行監(jiān)控，從而大大促 一l 一 中山大學(xué)碩士學(xué)位論文 避了罪犯抓捕工作的開展 ( 2 ) 安全防范領(lǐng)域中的應(yīng)用 社會(huì)上有許多重要的部門。如軍事、金融、保密等部門都需要對(duì)進(jìn)出人員進(jìn) 行身份識(shí)別，以防止信息泄漏和不法現(xiàn)象的發(fā)生與指紋，掌形、虹膜和語音等 生物識(shí)別技術(shù)相比，人臉識(shí)別具有直接、方便和友好等特點(diǎn)當(dāng)前計(jì)算機(jī)系統(tǒng)的 安全管理也倍受重視，通常使用的由字符和數(shù)字組成的口令，可能會(huì)被遺忘或者 被破解如果把人臉作為身份標(biāo)識(shí)，其效率與安全性都會(huì)得到很大的提高 ( 3 ) 公共事業(yè)領(lǐng)域中的應(yīng)用 在現(xiàn)代社會(huì)，許多領(lǐng)域都需要對(duì)人的身份進(jìn)行驗(yàn)證。如銀行，保險(xiǎn)、交通等 公共事業(yè)部門采用傳統(tǒng)的密碼、i c 卡等手段和技術(shù)對(duì)人進(jìn)行身份驗(yàn)證具有安全 性差、易遺失，易偽造等缺點(diǎn)而采用人臉識(shí)別技術(shù)進(jìn)行身份驗(yàn)證則能夠很好地 克服傳統(tǒng)身份驗(yàn)證手段和技術(shù)的缺陷 除了以上這幾類應(yīng)用外，人臉識(shí)別技術(shù)在視頻會(huì)議機(jī)器人的智能化研究以 及醫(yī)學(xué)等各個(gè)方面都有著廣闊的應(yīng)用前景 1 2 人臉識(shí)別的研究與發(fā)展 人臉識(shí)別過程一般可分為三個(gè)步驟；從場景中檢測分割出人臉、提取人臉識(shí) 別特征、匹配和識(shí)別人臉，因此人臉識(shí)別的研究主要集中在以下三個(gè)方面； ( 1 ) 人臉檢澍與定位 即從各種復(fù)雜的背景中檢測出人臉的存在，并確定其在圖像中的位置，最后 將其從背景中分割出來這一任務(wù)主要受光照噪聲。人臉在圖像中的位置、旋 轉(zhuǎn)角度、尺度縮放以及各種遮擋的影響 ( 2 ) 人臉特征提取 即采用某種表示方法來表征檢測出的人臉和數(shù)據(jù)庫中的己知人臉其關(guān)鍵是 確定表征人臉的描述方式具體的特征形式隨識(shí)別方法的不同而不同，如t 基于 幾何特征的識(shí)別方法主要是提取特征點(diǎn)，然后構(gòu)造特征向量；基于統(tǒng)計(jì)的特征臉 方法是利用圖像協(xié)方差矩陣的特征向量來構(gòu)造特征l 隱馬爾可夫方法是對(duì)多個(gè)樣 本圖像的空問序列訓(xùn)練出一個(gè)隱馬爾科夫模型，它的參數(shù)就是特征值；而大部分 神經(jīng)網(wǎng)絡(luò)方法則是直接用歸一化后的灰度圖像作為輸入。網(wǎng)絡(luò)的輸出就是輸出結(jié) 第1 章緒論 果，沒有專門的特征提取過程 在特征提取之前通常需要對(duì)人臉圖像進(jìn)行預(yù)處理，一般包括幾何歸一化和 光線歸一化，前者是指根據(jù)人臉定位結(jié)果將圖像中的人臉變化到同一位置和大小 后者則是指對(duì)圖像進(jìn)行光照補(bǔ)償?shù)忍幚?。以克服光照變化的影?( 3 ) 人臉識(shí)別 數(shù)據(jù)庫里預(yù)先存放了己知的人臉圖像或其對(duì)應(yīng)的特征形式，人臉識(shí)別的目的 就是將待識(shí)別圖像或特征與數(shù)據(jù)庫里的進(jìn)行匹配，其核心是選擇適當(dāng)?shù)娜四槺碚?方式和匹配策略人臉識(shí)別的任務(wù)主要有兩類t 一是身份鑒定即判斷輸入圖像 是否為數(shù)據(jù)庫中的人，是一對(duì)多的匹配過程；= 是身份確認(rèn)，即驗(yàn)證某個(gè)人的身 份是否屬實(shí)，是_ 對(duì)一的匹配過程 人臉識(shí)別技術(shù)的應(yīng)用包括了從靜態(tài)的、受控背景的照片到動(dòng)態(tài)的、非受控背 景的視頻等各個(gè)方面，本論文研究的是人臉識(shí)別在靜態(tài)圖像中的應(yīng)用，即是給定 一組靜態(tài)的人臉圖像，利用己有的人臉數(shù)據(jù)庫來對(duì)入臉圖像進(jìn)行身份鑒定 1 2 1 人臉的檢測與定位 人臉檢測與人臉定位是兩個(gè)密切相關(guān)而又有所區(qū)別的概念人臉檢測的目的 是檢測輸入的未知圖像中是否包含人臉，而人臉定位則是確定輸入圖像中人臉的 位置和大小，并將其從圖像背景中分割出來本文重點(diǎn)在于研究特征提取和識(shí)別， 因此將人臉檢測與人臉定位結(jié)合起來討論 人臉檢測與定位是項(xiàng)非常復(fù)雜的工作，這是由于光線、角度、姿態(tài)、表情， 遮擋物等各種因素，以及可能出現(xiàn)的噪聲和干擾，導(dǎo)致即便是同一個(gè)人的人臉圖 像也會(huì)有相當(dāng)大的差別。這使得人臉檢測與定位工作變得相當(dāng)困難作為人臉識(shí) 別的基礎(chǔ)，人臉的檢測與定位己經(jīng)成為人臉識(shí)別研究的一個(gè)重要方面。 人臉檢測的基本思想是用統(tǒng)計(jì)或知識(shí)的方法對(duì)人臉進(jìn)行建模比較所有待 檢測區(qū)域與人臉模型的匹配度。從而得到可能存在人臉的區(qū)域人臉檢測的方法 大致可分為基于統(tǒng)計(jì)和基于知識(shí)兩類，前者將人臉圖像視為一個(gè)高維向量。將人 臉檢測問題轉(zhuǎn)化為高維空間中分布信息的檢測問題后者則利用關(guān)于人臉的知識(shí) 建立若干規(guī)則。從而將人臉檢測問題轉(zhuǎn)化為假設(shè)驗(yàn)證問題。 下面對(duì)常見的各類人臉檢測方法作一下介紹t 一基于統(tǒng)計(jì)的人臉檢測方法 - = 卜 中山大學(xué)碩士學(xué)位論文 ( 1 ) 事例學(xué)習(xí)方法 將人臉檢測看作區(qū)分非人臉樣本與人臉樣本的兩類模式分類問題。用人臉樣 本集和非人臉樣本集進(jìn)行學(xué)習(xí)訓(xùn)練以產(chǎn)生分類器目前國際上普遍采用人工神經(jīng) 網(wǎng)絡(luò)方法 2 - 7 1 j u e l l 等人嘲利用了四個(gè)子網(wǎng)構(gòu)成的多層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行檢測，三個(gè)子 層神經(jīng)網(wǎng)絡(luò)分別判別口、眼、鼻，父層神經(jīng)網(wǎng)絡(luò)對(duì)子層網(wǎng)絡(luò)判別的結(jié)果進(jìn)行綜合 m m d e y 【習(xí)建立的三層誤差反傳網(wǎng)絡(luò)以多種方式對(duì)人臉區(qū)域進(jìn)行了劃分和組合，每次 在大小為2 0 70 的窗口區(qū)域內(nèi)檢測雙眼距離為1 2 72 的人臉，通過將圖像尺度按 1 ：1 2 的比例逐級(jí)縮放并在各個(gè)尺度上用2 0 70 的窗口掃描整個(gè)圖像保證了圖 像中不同尺度的人臉區(qū)域總在某個(gè)縮放比例下基本完整地落入檢測窗口從而解 決了圖像中人臉尺度不一的問題 ( 2 ) 子空問方法 t u r k 與p e n t l a n d 將k - l 變換引入了人臉檢測中【羽州，在人臉識(shí)別中利用的是主 元子空間( 特征臉空間) ，而人臉檢測利用的則是次主元子空間( r i p 特征臉空問的 孫空間) 用待檢測區(qū)域在次主元子空間上的投影能量，即待檢測區(qū)域到特征臉子 空間的距離作為檢測統(tǒng)計(jì)量。距離越小表明越像人臉 = ，基于知識(shí)建模的人臉檢測方法 ( 1 ) 器官分布規(guī)則 雖然人臉在外觀上變化很大，但都遵循一些普遍適用的規(guī)則，檢測圖像中是 否有人臉。即測試該圖像中是否存在滿足這些規(guī)則的圖像塊這種方法一般有兩 種思路。一是。從上而下氣其中最簡單有效的是y a n g 等人提出的m o s a i c 方法f i l l 。 它給出了基于人臉區(qū)域灰度分布的規(guī)則依據(jù)這些規(guī)則對(duì)圖像從粗分辨率到高分 辨率進(jìn)行篩選，以樣本滿足這些規(guī)則的程度作為檢測的判據(jù)二是。從下至上 先直接檢測幾個(gè)器官可能分布的位置。然后將這些位置點(diǎn)分別組合用器官分布 的幾何關(guān)系準(zhǔn)則進(jìn)行篩選，找到可能存在的人臉【1 2 1 ( 2 ) 輪廓規(guī)則 人臉的輪廓可以簡單地看成一個(gè)近似橢圓，而人臉檢測可以通過橢圓檢測來 完成b a d d e l e y 等人【1 3 魄出認(rèn)知模型方法。將人臉建模為兩條直線( 左右兩側(cè)面 頰) 和上下兩個(gè)弧( 頭部和下巴) 。通過修正h o u g h 變換來檢測直線和弧t a n k u s 等人【荊用凸檢測的方法進(jìn)行人臉檢測 ( 3 ) 顏色與紋理規(guī)則 第l 章緒論 由于相同民族的人的面部膚色在顏色空間中的分布相對(duì)比較集中根據(jù)顏色 信息在一定程度上可以將人臉同大部分背景區(qū)分開來l e e 等人【1 習(xí)設(shè)計(jì)了膚色模型 以表征人臉顏色利用感光模型進(jìn)行復(fù)雜背景下人臉及器官的檢測與分割d a i 等 人n 6 j j e 從臉圖像看作灰度分布具有特殊結(jié)構(gòu)特征的區(qū)域。利用s g l d ( 空間灰度 共生矩陣) 的紋理信息作為特征進(jìn)行低分辨率的人臉檢測。 1 2 2 人臉的特征提取與識(shí)別 b n m e l l i 和p o g g i o 1 明認(rèn)為，人臉識(shí)別方法可以分為兩大類l 基于幾何特征 ( g e o m e t r i cf e 鋤i f 帥a s c d ) 的方法和基于模板匹配( t e m p l a t em a t c h i n g - b a s e d ) 的 方法基于幾何特征方法的思想是首先檢測出嘴巴、鼻子，眉毛、眼睛等臉部主 要部件的位置和大小然后利用這些部件的總體幾何分布關(guān)系以及相互之間的參 教比飼來識(shí)別人臉基于模板匹配方法則是利用模板和整個(gè)人臉圖像的像素值之 問的自相關(guān)性進(jìn)行識(shí)別。這類方法也稱作基于表象( a p p e a r a n c e - b a s e d ) 的方法 在b n m e l l i 和p o g g i o 以后，又出現(xiàn)了許多新的人臉識(shí)別方法。下面介紹一下 常見的各類人臉識(shí)別方法： ( 1 ) 基于幾何特征的方法 幾何特征也稱為直觀特征，它是以人臉器官的形狀和幾何關(guān)系為基礎(chǔ)的向量 其分量通常包括人臉指定兩點(diǎn)問的歐氏距離、曲率、角度等。將人臉用一組幾何 特征向量表示。利用模式識(shí)別中層次聚類的思想。設(shè)計(jì)分類器以達(dá)到識(shí)別的目的 采用幾何特征進(jìn)行人臉識(shí)別。一般是通過提取眼睛、嘴巴、鼻子等臉部主要 器官的位置與幾何形狀作為分類特征的，如b r u n e l l i 和p o g g i o ! 博i 通過計(jì)算鼻子的 寬度和長度、嘴巴位置和下巴形狀等進(jìn)行人臉識(shí)別 側(cè)影( p r o f i l e ) 識(shí)別1 1 9 l 也是早期基于幾何特征人臉識(shí)別中的一種重要方法其 基本原理是從人臉的側(cè)影輪廓線上提取特征點(diǎn)。將側(cè)影轉(zhuǎn)化為輪廓曲線，從中提 取基準(zhǔn)點(diǎn)，根據(jù)這些點(diǎn)之間的幾何特征來進(jìn)行識(shí)別 基于幾何特征的方法的特點(diǎn)是非常直觀，識(shí)別速度快，內(nèi)存要求較少，提取 的特征在一定程度上對(duì)光照變化不太敏感，但當(dāng)人臉具有一定的表情或者姿態(tài)變 化時(shí)，特征提取不精確，而且由于忽略了整個(gè)圖像的很多細(xì)節(jié)信息。人臉識(shí)別率 較低，所以近年來已經(jīng)很少有新的發(fā)展 ( 2 ) 基于致學(xué)模型的方法 中山大學(xué)硬士學(xué)位論文 患馬爾可夫模型( h i d d e nm a r k o vm o d e lh m m ) 是種常用的數(shù)學(xué)模型，基 于h m m 的方法首先被用于聲音識(shí)別等身份識(shí)別上，之后被n e f l a n 和h a y e s 引入 到人臉識(shí)別領(lǐng)域【捌h m m 是用于描述信號(hào)統(tǒng)計(jì)特征的一組統(tǒng)計(jì)模型。用馬爾科夫 鏈來模擬信號(hào)統(tǒng)計(jì)特性的變化而這種變化又是間接通過觀察序列來描述的，因 此隱馬爾可夫過程是個(gè)雙重的隨機(jī)過程在h m m 中結(jié)點(diǎn)表示狀態(tài)有向邊表 示狀態(tài)之間的轉(zhuǎn)移，個(gè)狀態(tài)可以具有特征空間中的任意特征，對(duì)同特征不 同形態(tài)表現(xiàn)出這特征的概率不同在人臉識(shí)別過程，n e f i a n 首先采用二維離散 余弦變換( d i s c r e t ec o s i n et r a n s f o r m , d c t ) 抽取人臉特征，得到觀察向量，構(gòu)建 h m m 人臉模型，然后用e m ( e x p e c t a t i o nm a x i m i z a t i o n ) 算法f 2 1 ) - y i i 練利用該模 型就可以算出每個(gè)待識(shí)別人臉觀察向量的概率，從而完成識(shí)別m d m 方法的魯棒 性較好，對(duì)表情、姿態(tài)變化不太敏感，識(shí)別率高 主動(dòng)形狀模型( a c t i v e s h a p e m o d e l 。a s m ) 方法由c o o t e s 等人【恐1 提出，c o o t e s 對(duì)形狀和局部灰度表象建模，用建立的a s m 在新的圖像中定位易變的物體后來， l a n i t i s 將其應(yīng)用于解釋人臉圖像，在使用a s m 找出人臉的形狀后，將人臉切割并 歸一到統(tǒng)一的框架對(duì)這個(gè)與形狀無關(guān)的人臉采用亮度模型來進(jìn)行解釋和識(shí)別 主動(dòng)表象模型( a c t i v ea p p e a r a n c em o d e l ，a a m ) 方法可以看成是對(duì)a s m 方 法的迸一步擴(kuò)展2 3 l l ，是種通用的非線性圖像編碼模式通過變形處理將通用 人臉模型與輸入圖像進(jìn)行匹配，并將控制參數(shù)作為分類的特征向量 ( 3 ) 基于子空間的方法 k i r b y 等人嘲和t m k 等人 s l 首次把主元分析的子空間思想引入到了人臉識(shí)別 中并獲得了較大的成功1 2 6 1 隨后子空向分析方法就引起了人們的廣泛注意，從 而成為了當(dāng)前人臉識(shí)別的主流方法之一子空間分析的思想就是根據(jù)一定的性能 目標(biāo)來尋找線性或非線性的空間變換。把原始信號(hào)數(shù)據(jù)壓縮到個(gè)低維子空間。 使數(shù)據(jù)在子空間中的分布更加緊湊為數(shù)據(jù)的更好描述提供了手段，另外計(jì)算的 復(fù)雜度也得到了大大降低 主元分析( p c a ) 方法 主元分析的思想來源于k - l 變換，目的是通過線性變換尋找一組最優(yōu)的標(biāo)準(zhǔn) 正交向量基通過它們的線性組合來重建原始樣本，并使得重建后的新樣本與原 始樣本之間的均方誤差最小p c a 的兩大優(yōu)點(diǎn)是。一，消除了模式樣本之間的相 關(guān)性i - t ，實(shí)現(xiàn)了模式樣本的維數(shù)壓縮 第1 章培論 p c a 方法通常采用訓(xùn)練樣本協(xié)方差矩陣的特征向量系作為展開基( 即k - l 坐 標(biāo)軸) 若干個(gè)最大特征值所對(duì)應(yīng)的特征向量被稱為主元( 或主成分) ，模式樣本 在這些主元上線性投影后所得的投影系數(shù)就是主元特征原模式樣本可以表示 為這些主元與投影系數(shù)乘積的代數(shù)和。這種方法已被證明在最小均方差意義下是 鼉優(yōu)的識(shí)別時(shí)，只需將測試圖像投影到主元子空間上，得到一組投影系數(shù)再 將測試圖像的投影系數(shù)與訓(xùn)練圖像的投影系數(shù)作比較，以確定哪一幅訓(xùn)練圖像與 鍘試圖像最接近 特征臉( e i g e n f a c e ) 方法由t r u k 和p e n t l a n d 提出n 是p c a 方法在人臉識(shí)別 上早期的成功應(yīng)用之一m o g h a d d a m 等人鯽根據(jù)主元分解后的兩個(gè)正交的子空間 的特征，提出基于主元分析的貝葉斯框架。l i u 等人【2 帥1 19 1 提出結(jié)合主元分析的概率 推理模型，假設(shè)在主元予空間中每類的類條件概率服從正態(tài)分布文獻(xiàn)【3 0 】中提出 了e i g e n h i l l 的方法實(shí)際上是先對(duì)原始圖像采用邊緣濾波和局部平滑的預(yù)處理，再 利用主元分析提取特征，實(shí)驗(yàn)表明可以更有效地處理人臉圖像中的豐富表情變化 為了減少p c a 方法的運(yùn)算量，y a n g 和z h a n g 對(duì)p c a 方法進(jìn)行了分析提出 了種稱作二維主元分析( 2 d p c a ) 的人臉識(shí)別方法【3 i 】【3 2 1 2 d p c a 方法可以直接 在二維圖像矩陣上進(jìn)行處理，而不需要事先將圖像矩陣轉(zhuǎn)換為一維向量從而避 免了龐大的計(jì)算量，解決了p c a 方法在計(jì)算復(fù)雜性上的困擾 線性鑒別分析( u ) a ) 方法 盡管p e a 方法在最小均方差意義下給出了模式樣本的最優(yōu)表示，但由于它是 以所有樣本的最優(yōu)重建為且的，因此對(duì)描述不同類樣本之間的差異而言不一定 是最優(yōu)的描述。即用p c a 來描述人臉識(shí)別的特征是不充分的線性鑒別分析不同 于主元分析它是以樣本的可分性為目標(biāo)，尋找一組線性變換使每類的類內(nèi)離散 度最小，類間的離散度最大，因此從理論上說，比較適合于模式識(shí)別問題 經(jīng)典的線性鑒別分析中使用的是f i s h 準(zhǔn)則函數(shù)所以線性鑒別分析又被稱為 f i s h 線性鑒別分析( f i s h e rl d 凡f d a ) f d a 方法的基本思想是i 選擇使得f i s h e r 準(zhǔn)則函數(shù)達(dá)到極大值的向量作為最優(yōu)投影方向，使得模式樣本在該方向上投影后， 達(dá)到最大的類間離散度和最小的類內(nèi)離散度。 s w o t s 等人幽1 最先提出結(jié)合主元分析的線性判決方法。后來b e l h u m e u r 等人p 5 l 把它發(fā)展為f i s h e r 臉( f i s h e r f a c e ) 方法并在光照變化，表情變化以及有無戴眼 鏡的情況下與特征方法作了比較，實(shí)驗(yàn)結(jié)果表示f i s h e r 臉要比特征臉魯棒性好。 中山大學(xué)碩士學(xué)位論文 l i e 等人【蚓用同時(shí)對(duì)角化類問散度矩陣甌和類內(nèi)散度矩陣& 的方法，來避免求逆 的過程，在本質(zhì)上就是直接去除& 的零空間h u a n g 等人【3 n l g 是先用p c a 去除不 舍有用鑒別信息的甌零空間，再在p c a 降維后的低維空間中運(yùn)用零空間f d a 方 法等人【3 。疑出了d i r e c tl d a 方法，即先去掉甌的零空間，然后再使類內(nèi)離 散度最小化c c v i k a i p 等人御撥現(xiàn)樣本投影到& 的零空間后都匯聚到一點(diǎn)上，從 而提出了鑒別公共矢量這一概念 l i 等人和x i o n g 等人媳出了基于= 維圖像矩陣的2 d f d a 方法，其基本 思想是t 跳過將圖像矩陣轉(zhuǎn)換為向量的過程，直接利用二維圖像矩陣構(gòu)造類內(nèi)敖 度矩陣和類問敖度矩陣，并在此基礎(chǔ)上利用f i s h e r 鑒別準(zhǔn)則尋找最佳映射方向 2 d f d a 不僅解決了一維f d a 遭遇的小樣本問題。同時(shí)還避免了龐大的計(jì)算量 獨(dú)立元分析( i c a ) 方法 主元分析和線性鑒別分析都是基于訓(xùn)練樣本集的二階統(tǒng)計(jì)信息的，而忽視了 高階統(tǒng)計(jì)信息。實(shí)際上高階統(tǒng)計(jì)信息有時(shí)對(duì)識(shí)別來說也是非常有用的獨(dú)立元分 析的思想就是通過線性變換，從訓(xùn)練樣本中找到一組互相獨(dú)立的基( 獨(dú)立元) ，并 以此來描述樣本數(shù)據(jù)主元分析實(shí)際上是在二階統(tǒng)計(jì)意義下的去相關(guān)，而獨(dú)立元 分析則是在所有階統(tǒng)計(jì)意義下的去相關(guān)，從而使信號(hào)的二階統(tǒng)計(jì)和高階統(tǒng)計(jì)信息 都得到有效利用f 4 2 1 因此獨(dú)立元分析可以看作是對(duì)主元分析的推廣 獨(dú)立元分析要求基于所有階的統(tǒng)計(jì)信息所以在求解上就沒有主元分析和線 性鑒別分析那么容易，目前比較流行的求解方法有三種m 1 1 4 4 1 l 基于信息論的方法。 固定點(diǎn)算法和聯(lián)合近似對(duì)角化特征矩陣的方法其中固定點(diǎn)算法l 最為簡單快捷 獨(dú)立元分析主要是應(yīng)用在盲信號(hào)分離上f “j 。它在人臉識(shí)別上的應(yīng)用是由 b a r t l e t t 等人【拍1 首次提出的，把人臉圖像看作是多個(gè)互相獨(dú)立的基圖像的線性疊加 文獻(xiàn)【4 7 】是先用獨(dú)立元分析提取特征，然后結(jié)合支持向量機(jī)來提高分類效果 ( 4 ) 基于神經(jīng)網(wǎng)絡(luò)的方法 神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別領(lǐng)域有很長的應(yīng)用歷史1 9 9 4 年就出現(xiàn)了神經(jīng)網(wǎng)絡(luò)用于 人臉處理的綜述性文章【4 蚰神經(jīng)網(wǎng)絡(luò)因其固有的并行運(yùn)算機(jī)制，以及對(duì)模式的分 布式全局存儲(chǔ)。后來被用于人臉識(shí)別中 k o h o n e n ”1 最早將自組織映射( s e l f - o r g a n i z i n gm a p ，s o m ) 神經(jīng)網(wǎng)絡(luò)且于人 臉識(shí)別，他利用s o m 的聯(lián)想能力?；貞洝比四樇词巩?dāng)輸入人臉圖像具有較大噪 第1 章緒論 音或者有部分圖像丟失時(shí)，也能恢復(fù)出完整的人臉 動(dòng)態(tài)鏈接結(jié)構(gòu)( d y n a m i cl i n k a r c h i t e c t u r e ，d l a ) 是用于人臉識(shí)別的最有影響 的神經(jīng)網(wǎng)絡(luò)方法嗍d l a 試圖解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的一些概念性問題。其中最突 出的是網(wǎng)絡(luò)中語法關(guān)系的表達(dá)d l a 利用突觸的可塑性將神經(jīng)元集合劃分成若干 圈結(jié)構(gòu)，同時(shí)保留了神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)d l a 使用g a b o r 小波來表示圖像的特征 l a w r e i i t ? 宅和g i l e s 等人侈1 】采用將自組織映射神經(jīng)網(wǎng)絡(luò)( s o m ) 與卷積神經(jīng)網(wǎng) 絡(luò)相結(jié)合方法進(jìn)行人臉識(shí)別s o m 實(shí)現(xiàn)對(duì)圖像的采樣向量降維，且對(duì)圖像樣本的 小幅度變形不敏感i 卷積網(wǎng)絡(luò)用來實(shí)現(xiàn)相鄰像素問的相關(guān)性知識(shí)，在一定程度上 對(duì)圖像的平衡、旋轉(zhuǎn)、尺度和局部變形不敏感 神經(jīng)網(wǎng)絡(luò)方法較其他人臉識(shí)別方法有著特有的優(yōu)勢，通過對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 可以獲得其他方法難以實(shí)現(xiàn)的關(guān)于人臉圖像的規(guī)則和特征的隱性表示，避免了復(fù) 雜的特征抽取工作，并有利于硬件的實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)方法的缺點(diǎn)主要在于其方法 的可解釋性較弱，且要求多張人臉圖像作為訓(xùn)練集，般只適合于小型人臉庫 1 3 人臉識(shí)別系統(tǒng) 1 3 1 人臉識(shí)別系統(tǒng)的組成 田1 - 1 人臉硼系統(tǒng)的基本框圖 如圖1 1 所示，人臉識(shí)別系統(tǒng)主要由五個(gè)功能模塊組成：人臉檢測與定位模塊 圖像預(yù)處理模塊、人臉特征提取模塊、訓(xùn)練模塊和識(shí)別模塊 ( 1 ) 人臉檢測與定位模塊從原始圖像中找到并確定人臉的位置然后從中提 取出人臉圖像l 偽圖像預(yù)處理模塊。對(duì)人臉圖像進(jìn)行幾何歸一化、光線歸一化、去除噪聲等 操作。以便在同一條件下完成訓(xùn)練和識(shí)別； ( 3 ) 人臉特征提取模塊完成對(duì)人臉特征的提取如何提取有效、穩(wěn)定的特征 中山大學(xué)碩士學(xué)位論文 是人臉識(shí)別系統(tǒng)成敗的關(guān)鍵i ( 4 ) 訓(xùn)練模塊t 對(duì)訓(xùn)練集迸行訓(xùn)練，得到參數(shù)以供識(shí)別模塊使用，它是人臉識(shí) 別系統(tǒng)的核心l 識(shí)別模塊t 根據(jù)訓(xùn)練所得的參數(shù)完成最后的模式分類與判別工作 1 3 2 人臉識(shí)別系統(tǒng)的測評(píng)指標(biāo) 人臉識(shí)別系統(tǒng)的測評(píng)指標(biāo)主要包括識(shí)別率、計(jì)算時(shí)同、數(shù)據(jù)存儲(chǔ)量和可擴(kuò)展 性等。分別敘述如下i ( 1 ) 識(shí)別率 在計(jì)算機(jī)人臉識(shí)別中，與識(shí)別率相關(guān)的有兩個(gè)概念。正識(shí)率和拒識(shí)率若待 識(shí)別的樣本圖像屬于人臉庫中的人臉模式，且系統(tǒng)正確識(shí)別出該人臉模式，則這 些樣本圖像的總數(shù)占測試樣本總數(shù)的百分比為正識(shí)率，即屬于該系統(tǒng)的某個(gè)人被 正確判定是誰的概率若待識(shí)別的樣本圖像不屬于人臉庫中的人臉模式。且系統(tǒng) 識(shí)別出該樣本圖像不屬于人臉庫中的人臉模式。則這些樣本圖像的總數(shù)占測試樣 本總數(shù)的百分比為拒識(shí)率這兩種情況均為正確識(shí)別，識(shí)別率由這兩部分構(gòu)成 在實(shí)際應(yīng)用中需要給出拒識(shí)人臉。即通過設(shè)置合適的拒識(shí)閾值，識(shí)別出不屬 于人臉庫的人臉圖像在通常的人臉識(shí)別方法研究中大多數(shù)系統(tǒng)都沒給出拒識(shí) 人臉。而是將系統(tǒng)的拒識(shí)閾值設(shè)為無窮，即給定一待識(shí)別樣本。在已知人臉庫中 找到和該樣本最相近的人臉，而不考慮該樣本是否應(yīng)該是人臉庫中的已知人臉 ( 2 ) 計(jì)算時(shí)間 人臉識(shí)別的實(shí)際應(yīng)用對(duì)實(shí)時(shí)性的要求比較強(qiáng)因此計(jì)算時(shí)間是人臉識(shí)別系統(tǒng) 中的個(gè)重要指標(biāo)計(jì)算時(shí)間主要有兩個(gè)方面t 一是訓(xùn)練階段，即人臉識(shí)別系統(tǒng) 訓(xùn)練需要的時(shí)間i 二是識(shí)別階段，即人臉識(shí)別系統(tǒng)識(shí)別需要的時(shí)間通常人臉識(shí) 別系統(tǒng)的訓(xùn)練為離線訓(xùn)練因此訓(xùn)練階段所需的時(shí)間可以不考慮，但識(shí)別時(shí)間卻 相當(dāng)重要它直接影響人臉識(shí)別系統(tǒng)的實(shí)時(shí)性，對(duì)系統(tǒng)是否可應(yīng)用于實(shí)踐起著決 定性作用 ( 3 ) 數(shù)據(jù)存儲(chǔ)量 在計(jì)算機(jī)人臉識(shí)別系統(tǒng)中人臉庫的存儲(chǔ)量也是個(gè)不得不考慮的問題存 儲(chǔ)大量的人臉數(shù)據(jù)將會(huì)給識(shí)別系統(tǒng)造成一定的負(fù)擔(dān)因此在開展計(jì)算機(jī)人臉識(shí) 別算法研究時(shí)，也要考慮數(shù)據(jù)存儲(chǔ)量的大小 一1 0 一 第1 章鰭論 ( 4 ) 可擴(kuò)展性 在實(shí)際應(yīng)用中，經(jīng)常需要對(duì)已有人臉庫進(jìn)行改動(dòng)因此，如何更加方便地對(duì) 人臉庫的進(jìn)行動(dòng)態(tài)維護(hù)。也是在研究人臉識(shí)別技術(shù)時(shí)需要考慮的問題。 1 4 本文的研究工作 本文圍繞基于統(tǒng)計(jì)特征的二維主元分析( 2 d p c a ) 人臉識(shí)別方法，對(duì)影響人 臉識(shí)別的因素進(jìn)行了研究和探討。提出了兩種新的2 d p c a 改進(jìn)方法主要工作和 成果如下l ( 1 ) 研究了p c a 方法、2 d p c a 方法以及二者的相互關(guān)系 本文從p c a 人臉識(shí)別方法出發(fā)，在透徹地理解p c a 方法的數(shù)學(xué)理論與基本原 理的基礎(chǔ)上，研究了基于二維圖像矩陣的2 d p c a 人臉識(shí)別方法，闡述了2 d p c a 方法如何避免p c a 方法龐大的計(jì)算量，并獲得優(yōu)于p c a 方法的入臉識(shí)別率的原因 通過對(duì)2 d p c a 方法的數(shù)學(xué)分析，給出了2 d p c a 方法的協(xié)方差矩陣與p c a 方 法的協(xié)方差矩陣之間的聯(lián)系，證明了2 d p c a 方法的實(shí)質(zhì)是基于行分塊的p c a 方 法，同時(shí)指出了2 d p c a 方法拋棄了行與行之間像素的相關(guān)性信息的缺陷，為后續(xù) 的研究工作奠定了理論基礎(chǔ) ( 2 ) 提出了基于結(jié)構(gòu)分塊的2 d p c a 人臉識(shí)別新方法 針對(duì)人臉識(shí)別中的一類特殊應(yīng)用不完整人臉圖像的識(shí)別問題，考慮到人 臉圖像具有局域特征，即人臉圖像個(gè)局部塊往往表示個(gè)完整的語義如鼻子 眼睛、嘴巴等，本文提出了基于結(jié)構(gòu)分塊的2 d p c a 人臉識(shí)別方法其基本思想是t 首先把人臉圖像分割為著干個(gè)互不重疊的圖像塊。然后對(duì)每一個(gè)圖像塊應(yīng)用 2 d p c a 方法，求出其特征矩陣，則該特征矩陣代表了確定的人臉特征( 本文中稱 之為結(jié)構(gòu)圭元) 在計(jì)算圖像相似度的時(shí)候先計(jì)算出各圖像塊對(duì)應(yīng)的相似度，然 后用加權(quán)和的方法計(jì)算出最終的相似度 基于結(jié)構(gòu)分塊的2 d p c a , ) l 臉識(shí)別方法結(jié)合了統(tǒng)計(jì)模式識(shí)別與結(jié)構(gòu)模式識(shí)別的 優(yōu)點(diǎn)，通過調(diào)整各圖像塊的加權(quán)系數(shù)，可以應(yīng)用于各種不完整人臉圖像的識(shí)別 本文在在f e r e t 人臉庫上進(jìn)行了相關(guān)實(shí)驗(yàn)證實(shí)了本文提出的基于結(jié)構(gòu)分塊的 2 d 暇a 方法在人臉識(shí)別率上優(yōu)于2 d p c a 方法，而且可以通過調(diào)整各圖像塊的加 權(quán)系數(shù)。獲取更好的識(shí)別性能 一1 1 - - 中山大