趁着还未工作,先把过去做的东西整理下出来~ Github源码:https://github.com/Blz-Galaxy/OpenCV-Face-Recognition (涉及个人隐私,源码不包含测试样本,请谅解~) 对实验结果更感兴趣的朋友请直接看 第5章
【摘要】这是一篇关于人脸识别方法的实验报告。报告首先回顾了人脸识别研究的发展历程及基本分类;随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了详细的阐述;最后作者通过设计实验对比了三种方法的识别效果并总结了人脸识别所面临的困难与挑战。一些能反映方法性能的实验数据同样会在报告中展现,以便于更直观的了解其特点。
【关键词】人脸识别;局部二值模式(LBP);线性判别(LDA);主成分分析(PCA) 注: 该报告所使用的方法描述来源于现有文献,这里仅以论文格式进行呈现。 1 引言
简单来说,人脸识别就是利用计算机分析人脸视频或者图像,并从中提取出有效的识别信息,最终判别人脸对象的身份。它是基于生物识别技术的最要身份识别方法之一,涉及到计算机图形学、计算机视觉、模式识别、人工智能、计算智能等技术。对于人脸识别问题的研究已有几十年的时间,在理论研究和实际开发方面都取得了一定的成果,并在不断的发展与完善。另外,基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。其中包括人脸检测,人脸识别,人脸表情识别等各类识别问题。
2. 特征脸方法
特征提取是人脸识别系统中最为重要的一个组成部分。主成分分析方法(PCA)是应用最广泛的一种特征提取方法之一,它是一种统计学方法,在信号处理、模式识别、数字图像处理等领域已经得到了广泛的应用。特征脸方法是从主成分分析导出的一种人脸识别和描述技术。它将包含人脸的图像区域看作一随机向量,采用K-L变换得到正交K-L基,对应其中较大特征值的基具有与人脸相似的形状,因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像,所以可进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸组成的子空间上,并比较其在特征脸空间中的位置。
3 线性判别分析
线性判别分析(linear/fisher discrimination analysis,LDA)思想是将多维空间上的样本投影到一条直线上,形成一维特征空间。在该直线上样本的投影具有最佳可分性,即同类模式尽可能的密集,不同类模式尽可能分开。 LDA实质上就是多维模式空间到一维特征空间的映射,利用类的成员信息形成一组特征向量,特征向量体现了不同的人脸变化,称此特征空间为Fisherface。该方法以训练样本的类内散布矩阵与类间散布矩阵为基础构造最优投影空间。与PCA相比,LDA更好地反映了不同人脸之间的差异性,即增加了类间差异,但却忽略了同一个体由于光照、姿态等因素的不同而产生的类内差异。与基于K -L变换的人脸识别方法相比,基于Fisher的人脸识别方法能够抑制图像之间的与识别信息无关的差异,同时能够提取出异类之间有益于识别的特征,因此具有更加优越的识别性能。 Fisherfaces方法被Belhumeu等人提出,它是由Fisher线性判别式(Fisher’s lineardiscriminant,FLD)思想派生而来,同时考虑类间离散度和类内离散度,使这两者的比率达到最大。Belhumeur的实验证明,Fisherfaces的性能优于Eigen-faces。但即便如此,Fisherfaces还是存在两个明显的问题,即小样本问题(样本数目小于样本维数),以及多数实际问题属于非线性可分,传统的Fisher线性分析在这些问题上不能取得良好的结果[9]。因此,一系列Fisherfaces的改进方法也被提出。 在数学上,Fisher鉴别准则最终转化为求取散布矩阵特征值的问题。但是对人脸识别的应用来说,由于通常没有足够的训练样本来保证类内离散度矩阵Sw为满秩,无法直接求解,因此需要加入一定的条件或策略才行,这里就不作具体介绍了。
4 局部二值模式
LBP算子是执行纹理描述的最好的方法之一,它已经广泛用于各种应用软件,并且被证明有很高的判别能力、计算效率及不变形单调灰度水平变化的优势,能适用与各种复杂的图像分析任务。使用LBP作为人脸表示的想法是由于脸部能被看做由微模块组成,这种组成能很好的用LPB运算表述出来。
5 实验对比
为了更好的了解各种人脸识别算法的性能与效果,这里通过openCV对PCA、Fisher线性判别、LBP三种算法进行了测试。实验使用的人脸图片共560张,由28位同学提供,其中每人20张(10张用于训练,10张用于测试)。图3与图4分别展示了前6位同学的训练样本与测试样本实例。 图3 训练样本(部分) 图4 测试样本(部分)
图5显示了28位同学提供的样本分别在三种识别算法下的识别情况。
其中24号样本在PCA、Fisher算法下的正确匹配数量少于一半。27号样本(参见图6)由于拍照环境过于复杂,在有限的训练样本中无法正确匹配。
图6 27号的训练样本(上)与测试样本(下)
表1 三种算法的识别率比较
表2 三种算法的性能对比 表1给出了三种算法对于每组样本的识别比例,经过统计可以得出,在上述的样本空间里主成分分析方法的识别率为91.0714%;Fisher线性判别方法的识别率为89.6429%;局部二值模式下的识别率为90.3571%。此外,表2还结合了样本训练的时间与预测所有测试样本的时间,给出了三种算法在性能上的对比。从中,我们发现PCA方法的总体表现较为出色。
6 总结与展望
综合比较目前常用的几种人脸识别方法,通过分析可以看出,每种方法都有各自优缺点,应根据具体的识别任务和条件选择合适的识别方法。由于人脸识别的复杂性,仅单独使用任何一种现有的方法一般都不会取得很好的识别效果,将各种人脸识别方法组合是今后研究的一种趋势。而如何有效地与基于其它生物特征识别方法结合来提高识别效率也是一个重要的研究方向。
目前,人脸识别技术已经从理论走向了实用,在特殊场合已经得到了广泛应用,但是限制其应用的最主要难题是:人脸姿态、光照变化、表情变化所导致的识别效果不理想。对于姿态的变化,采用通用3D模型和形变模型的方法是目前较好的选择;对于光照变化,熵图像是处理光照变化的一个有效方法,结合图像变形技术可以更好地处理光照和姿态的变化;对于表情变化,采用同一个体和不同个体的图像进行弹性变形的概率模型方法获得了较好的识别效果,也可以采用3D模型和形变模型进行识别。而随着真三维获取技术的发展,人脸识别技术有望取得突破性的进展并得到广泛的应用。
致谢课程的学习让我对图像处理的知识体系有了比较全面的认识,为今后相关问题的解决提供了广阔的思路。此外,各位同学的报告与展示也让我收获良多。在此,我向提供人脸图片样本的同学们表示感谢。(涉及个人隐私,源码不包含样本)
参考文献[1] Turk M, Pentland A. Eigenfaces for recognition[J]. Journal of cognitive neuroscience, 1991, 3(1): 71-86. [2] Turk M A, Pentland A P. Face recognition using eigenfaces[C]//Computer Vision and Pattern Recognition, 1991. Proceedings CVPR'91., IEEE Computer Society Conference on. IEEE, 1991: 586-591. [3] Belhumeur P N, Hespanha J P, Kriegman D. Eigenfaces vs. fisherfaces: Recognition using class specific linear projection[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1997, 19(7): 711-720. [4] Bartlett M, Lades H, Sejnowski T. Independent component representations for face recognition. Proceeding of the SPIE Symposium on Electronic Imaging: Human Vision and Electronic Imaging[M]. SPIE Press, 1998.3299. [5] Sirovich L, Kirby M. Low-dimensional procedure for the characterization of human face[ J]. Journal of the Optical Society of America, 1987, 4(3): 519-524. [6] Kirby M, Sirovich L. Application of the Karhunen-Loeve procedure for the characterization of human faces[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(1):103-108. [7] Samaria F, Young S. HMM based architecture for face identification[J]. Image and ComputerV ision, 1994, 12(8): 537-543. [8] T. Ahonen, A. Hadid, M. Pietikainen. Face description with local binary patterns: Application to face recognition[J]. IEEE Trans. Pattern Anal. 2006, 28(5): 2037-2041. [9] 吴巾一,周德龙. 人脸识别方法综述[J]. 计算机应用研究, 2009, 26(9): 3205-3209. [10] 段锦著. 人脸自动机器识别[M]. 北京: 科学出版社, 2009. [11] 黄非非. 基于LBP的人脸识别研究[D]. 天津: 天津大学, 2009.
|
|