人脸识别技术研究（毕业论文） - 图文 (7)

构成测试集。有关其他人脸库的训练集和测试集的选取，参考表2-1，其中FERTE人脸库中，同一人的图像数目不同(3~13不等)，本文只选择了30个拥有正面图像数目(含一定角度偏侧面的图像)6幅以上对象的图像。

表2.1训练集与测试集的组成

本章实验主要测试了传统特征脸法、改进相似测度(用角度距离代替欧氏距离)的特征脸法和相似测度和分类器都加以改进(用SMV代替最近邻法)的特征脸法的识别性能，实验结果如表2-2。

表2-2 特征脸法在不同人脸库中的识别性能比较

由实验结果分析可得，基于角度的相似性测度优于基于欧氏距离的相似性测度，这点在Yale人脸库中尤为明显，识别率将近提高了4%，这说明角度距离更适合人脸识别这样的任务。在分类器的改进方面，SVM分类器要优于最近邻法，但是没有相似测度的改进表现的明显。同时由于SVM分类器远比最近邻分类器复杂的多，所以在实际应用中，应综合加以考虑。在不同人脸库中的实验表明，相似性测度和分类器的改进虽然一定程度上改善了特征脸的识别效果，但是总的来说，特征脸的识别率并不高，表现在以下方面:在ORL人脸库中，图像质量较好，背景均为黑色，统一的光照条件下，识别率最高可达84.7%;Manchester人脸库中的图像比ORL人脸库，背景变化略多些，但由于背景占图像很少一部

分，并且光照条件也有所限制，所以识别效果基本和ORL相当。与以上人脸库相比，Yale人脸库的特点就是光照变化明显，如图2-3。

20

图2.3 YALE人脸库中错误识别示例 (a)列为错误识别示例 (b)列为正确识别结果

所以在Yale库中，识别率明显下降了约15%，FERTE人脸库中的图像接近真实情况，变化因素比较多，所以识别率是最低的。分析实验结果本文得出以下结论:基于主分量分析的人脸特征提取，易受光照等因素影响(即对能量敏感)，对细节不敏感，识别效果不理想，PCA提取的人脸特征，并不适合于人脸识别。相似度测量和分类方法的改进，未能根本改善特征脸法的识别性能，基于PCA的人脸特征提取方法存在理论上的缺陷。 CPA提取人脸特征存在不足，但由于P以是最小均方误差下的正交变换，极大的保留了人脸图像的能量，Manchester人脸数据库中的重构实验证实了这点，如图2.4。并且CPA运算速度快，所以是较好的降维方法。人脸本质的、细节的特征可由后续特征提取来完成，比如本文下一章所提出的基于独立分量分析的人脸特征提取方法。

图2-4 Manchester人脸数据库中的重构实验

(a)列为部分遮掩的图像(b)列为重构图像(c)列为未经遮掩处理的原图

21

2.5本章小结

特征脸法是一种简单、快速、实用的基于变换域系数的算法。“改进后的特征

脸法一定程度上提高了它的性能，该方法存在如下优点:

a.图像的原始灰度数据直接用来学习和识别，不需要任何低级或中级处理； b.通过低维子空间表示高维数据，有效的对数据进行了压缩； c.不需要人脸的先验和几何知识；

d.与基于几何特征和基于模板匹配的方法相比，识别简单有效。

但是，由于特征脸法在本质上依赖于训练集和测试集图像的灰度相关度，所以它有着很大的局限性，表现在以下方面：

a.对尺度变化很敏感，识别前必须进行尺度归一化处理，而且由于PCA在图像空间是线性的，它不能处理几何变化；

b.只能处理正面人脸图像，在姿态、发型和光照等发生变化时识别率明显下降，对光照条件的改变尤为敏感；

c.要求背景单一，对于复杂变化背景，需要先进行复杂的图像分割处理； d.扩展性差。训练库中添加新的图像，必须重新计算训练库的特征向量。 综上所述，基于主分量分析的人脸识别方法，并没有提取出反映人脸本质的，内在的特征，人脸识别期待新的特征提取方法。

22

第3章 基于独立分量分析的人脸识别方法

3.1引言

独立分量分析(Independent Component Analysis，ICA) 是近年才发展起来的一种基

于统计理论的信号处理技术，该方法的目的是将观察到的数据进行线性变换，使其分解成统计独立的分量。CIA与PCA同属于基于子空间的特征提取方法，即用低维的子空间参数描述高维的数据特征。在PCA中，首先考虑的是如何保留信号的最大能量，在最小均方误差的准则下重构数据，并且要求主分量两两正交。而ICA的基本思想是用基函数来表示一个随机变量集合，其基向量是统计独立的，或者尽可能的独立。ICA的概念可以看为是PCA的一种扩展。目前ICA主要应用于特征提取[43]、盲源信号分离[44]、语音信号分析[45]、图像处理[46]和人脸识别[47]等。

特征脸法应用用传统的PCA方法提取人脸特征，该方法只能考虑图像数据间的二阶统计特性，未能利用高阶统计信息，同时要求提取的人脸特征两两正交。与PCA不同，基于ICA的特征提取方法得到的独立图像基，能够反映像素间的高阶统计特性，并且不要求向量基两两正交。在人脸识别中，重要的人脸信息一般存在于象素间的高阶统计信息中，所以ICA可以看作是值得期待的人脸特征提取方法。

本章首先简要介绍了ICA的理论基础，包括ICA的起源和ICA的线性模型;然后介绍了基于ICA人脸识别方法，以及独立元的选择和改进的ICA快速算法;最后分析基于ICA人脸识别的实验结果。

3.2独立分量分析的理论基础

独立分量分析作为一种新的多维信号处理方法，主要用于揭示和提取多维统计信号中的潜在成分，是在具有较长研究历史的盲源分离问题(Blind Source Separation，BSS)[36]中涌现出的新的信号分析技术，二者联系紧密。ICA与传统的多维信号分析方法截然不同的是，经ICA处理得到的各个分量不仅去除了相关性，还是相互统计独立的，并且是非高斯分布的。ICA在许多方面对传统方法的重要突破使得其越来越成为信号处理中一个极具潜力的分析工具。

3.2.1独立分量分析与盲源分离

ICA源于盲源分离问题的解决，该问题是信号处理中一个传统而又极具挑战性的课题。盲源分离是指仅从观测的混合信号(通常是多个传感器的输出)中恢复独立的源信号，这里的“盲”是有两层含义：其一是指源信号是不可观测的；其二指混合系统是事先未

23

知的。在科学研究和工程应用中，很大观测信号都可以假设成是不可见的源信号的混合。所谓的“鸡尾酒会”问题(cocktail Party Problem)就是一个典型的例子，简单来说就是当很多人(作为不同的源信号)同时在一个房间里说话时，声音信号由一组麦克风记录下来，这样每个麦克风记录的信号是所有人声音的一个混合，也就是我们所说的观测信号。接下来的问题是:如何从这组观测信号中提取每个说话者的声音信号，即源信号。由于输入输出两端的连接权值是未知的，所以属于盲源分离的范畴。如果这些连接权值是己知的，或者说混合矩阵是已知的，则上面的问题就退化成简单的求逆过程，即求混合矩阵的逆矩阵。但是在更多的情况下，我们无法获取混合系统的先验知识，这就要求我们从观测信号来推断这个混合矩阵，实现盲源分离。

ICA技术正是为了解决盲源分离问题而不断发展起来的，并成为阵列信号处理和数据分析中的有力工具。将ICA应用在盲源分离中，能够从混合信号中重现不可观测的源信号成分，所利用的仅仅是假设源信号统计独立这样一个容易满足的先验条件。与传统的基于二阶统计特性的方法(比如PCA等)相比，ICA不仅可以去除各分量之间的一、二阶相关性，同时还具有发掘并去除数据间的高阶相关信息的能力，使得输出分量相互独立。

目前ICA在诸如语音识别、通信、生物医学信号处理等很多领域都得到了极大的重视。针对人脸识别中的人脸图像样本和人脸特征向量之间的关系，符合盲源分离中的观测向量和源信号间的关系，本文尝试将其应用到人脸识别的特征提取中，取得了良好的实验结果。

3.2.2独立分量分析的线性模型

ICA的起始点基于一个非常简单的假设，假设存在N个相互独立的源信号，写成矩阵形式为S=(s1，s2，?，sN)T，独立表示有下式成立：

(3-1)

以及N个观测信号，表示成矩阵形式为X=(x1，x2，?，xN)T。同时假设观测信号是由源信号线性混合而成。

写出矩阵形式就是：

(3-2)

(3-3)

其中A为称为混合矩阵，由混合系数组成。对照式(3-2)，矩阵A的每个行向量中的N个元素作为N个源信号的加权系数对源信号进行混合，即得到对应的一个观测信号。

24

搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新教学研究人脸识别技术研究（毕业论文） - 图文 (7)全文阅读和word下载服务。