基于本征空間的多姿態人臉識別方法

O 引 言
人類利用生物特征識別的歷史可追溯到古代埃及人通過測量人體各部位的尺寸來進行身份鑒別，現代生物識別技術始于上世紀70年代中期，目前已經成為發達國家普遍重視并大力發展的關鍵技術和產業。在生物認證方面，人臉識別具有特定的優勢。相比其他生物認證技術，如指紋識別，有一部分人是沒有指紋的，或者指紋無法錄入，僅靠指紋識別就會出現障礙；如虹膜識別，有些眼睛有障礙的人也是無法使用的；還有聲音識別，對于發音有障礙或者無法說話的人群來說，這是毫無意義的。正是基于人臉的人人具備這一先天優勢，近年來，作為生物特征認證的重要分支――人臉及器官的檢測、定位和識別技術開始受到廣泛重視。
多姿態人臉識別是目前人臉識別中的難點，識別率普遍不是很高。國內外許多學者已對多姿態人臉識別進行了深入研究，提出了許多姿態判定和識別算法。
在多姿態人臉數據庫構建的基礎上，利用PCA對不同姿態的人臉分別建立特征空間，待識別人臉圖像向相應的特征空間投影，進而利用歐氏距離進行分類識別，獲得了較高的多姿態人臉圖像識別率。

1 基于本征空間的多姿態人臉識別方法
Sirovich和Kirby首先使用PCA方法對人臉圖像進行降維處理并實現了人臉圖像的重建，隨后，1991年，Turk和Pentland首先利用 PCA方法實現了人臉識別(稱為本征臉方法)。此后，基于本征空間的許多人臉識別方法被提出來，PCA人臉識別方法也到了進一步的發展。
1．1 利用本征臉建立多姿態人臉特征空間的步驟
(1)從已知的人臉圖像中按姿態選擇訓練圖像M張，每人可以選同姿態的一張或多張照片(表情和光照有所變化)。
(2)計算M×M的矩陣的特征值和特征向量，選擇M’個主成份分量。
(3)計算得到該姿態的特征臉空間μ。
(4)重復步驟(1)～(3)得到各個姿態的特征臉空間。
1．2 歐氏距離分類器的設計
采用歐式距離分類器，對未知人臉圖像和特征空間各類別對應的特征空間向量之間的歐式距離進行計算，未知人臉圖像與哪一類別的距離最近就把其歸入該類。假設待分人臉圖像共有c類，分別為叫，w1，w2，…，wc，每類都有一個對應的特征空間向量，則共有c個特征空間向量，記作T1，T2，…，Tc。
未知人臉圖像的特征向量x和wi類的特征空間向量Ti之間的歐氏距離為：

未知人臉圖像的特征向量x對已訓練的c類人臉圖像的特征空間向量分別求距離后，得到一個距離集d1，d2，…，dc，對所有的i≠j，如果di(x)dj(x)，即di(x)是距離集d1，d2，…，dc中最小的值，則將x歸入第wi類。
1．3 識別步驟
得到多姿態人臉特征空間后，就可以采用歐氏距離分類器對待識別圖像進行識別。識別步驟如下：
(1)將已知姿態的訓練人臉圖像投影到相應姿態的本征臉空間(計算本征向量μl和相應M類訓練圖像的內積)，得到M個人臉圖像的分類權重ΩTM=[Ω1，Ω2，…，ΩM]；
(2)將待識別的屬于該姿態的人臉圖像(X)投影到對應姿態的本征臉空間，得到權重向量Ω；

(3)計算待識別圖像權重向量和每一類圖像的分類權重的差值ε；

(4)如果εk小于固定的門限θe1，則待識別圖像屬于Ωk類。
上述步驟(2)可以按下面方法判斷待識別圖像是否為人臉圖像：
(1)計算待識別圖像和臉空間的距離ψ：

(2)如果ψ小于門限θe2，則認為待識別圖像近似為人臉空間，否則，則認為待識別圖像不是人臉圖像。
根據ε和ψ，待識別圖像可能存在4種情況：
①近似為人臉空間并且屬于已知的某一類別；
②近似為人臉空間但不屬于已知的某一類別；
③不像人臉空間但屬于已知的某一類別；
④不像人臉空間也不屬于已知的某一類別。
對于第一種情況，輸入待識別圖像可以被識別出來；第二種情況說明待識別人臉圖像是一副新圖像；后面兩種情況說明輸入圖像不是人臉圖像，放棄處理。