论文摘要
人脸包含的视觉信息是区别人与人之间差别的最重要生物特征之一,以其直接性、唯一性、方便性等特点,越来越受到人们的关注。人脸自动识别技术是生物特征识别技术的重要组成部分,是模式识别和机器视觉领域最富挑战性的研究课题之一,也是近年来研究的热点问题。它主要包括人脸检测和人脸识别两方面内容。近年来,人们提出了许多的人脸识别方法,它们大体上可以分为以下几大类:静止图像中的人脸识别方法、系列视频中的人脸识别方法,以及三维人脸识别方法等。但由于人脸的可变塑性和在成像过程中多种因素的影响,目前己经取得的研究成果距离实际应用还有相当大的距离。本文深入研究了基于奇异值分解和隐马尔可夫模型的人脸识别方法,主要做了如下几个方面的工作:（1）提出了一种新的基于奇异值分解的人脸识别方法,我们称其为基于局部奇异值的方法。传统的方法是将整幅图像的奇异值向量作为识别特征量,这种做法有两个明显的不足,一方面是整幅图像的奇异值向量反映的是整幅图像的统计特性,对细节描述不够;另一方面由于奇异值向量作为识别特征量是由前面几个显著值起决定作用的,这就造成了图像尺寸增加不一定能增加识别的特征个数,而特征量太少的直接结果是识别率的降低。基于上述事实,我们提出一种基于局部奇异值向量的人脸识别方法,用多个小窗口采样人脸,用多个奇异值向量表示人脸特征。这样能更加充分地利用图像的信息,增加有效的识别特征量,更好的反映人脸局部特征的个体差异。实验结果表明,这种方法是非常有效的,采用基于局部奇异值的方法要远远优于传统的基于奇异值的方法。（2）提出了一种基于奇异值分解和隐马尔可夫模型（Hidden Markov Model,简记HMM）的人脸识别方法,它采用奇异值向量作为观察向量。我们认为,人脸识别研究中,把人脸作为一个对象来建模时,既要注重各部分结构的整体性信息,还需要注重脸部五官特征的局部细节性信息。整体性信息描述了人脸的宏观特征,而细节性信息则是区分不同人脸的关键。所以人脸应当作为一个整体来描述,不仅仅包括各个器官的数值特征,还应当包括各个器官的不同表象和相互关联。我们选择隐马尔可夫模型的合理性在于,可以将同一个人的面部表情变化、姿态变化等的丰富表现看作是同一个状态产生的一系列实现,它们对应的是同一个HMM,而不同的人我们用不同的HMM来表现。利用隐马尔可夫模型对人脸进行描述和识别,我们就不是孤立地利用各个器宫的数值特征,而是把这些特征和一个状态转移模型联系起来。由于奇异值向量的稳定性以及转置不变性等特性,因而用它作为观察向量要优于直接采用灰度值或二维离散余弦变换系数。我们对经典Baum-Welch算法进行了改进,给出了多观察值序列条件下的连续HMM的参数重估算法,提高了HMM人脸识别的识别性能。我们的实验结果也证明了这一点,本文的基于连续HMM的人脸识别方法无论是参与计算的数据量还是识别率都要优于传统的HMM人脸识别方法。（3）提出了一种基于奇异值分解和嵌入式隐马尔可夫模型（Embedded HMM）的人脸识别方法。嵌入式隐马尔可夫模型是一种简化了的二维隐马尔可夫模型,它可以较好地描述人脸。该模型通过超状态的嵌入状态来描述脸部局部特征的细节性信息,通过状态转移把这些局部信息联系起来;通过超状态之间的转移关系来描述人脸宏观整体性信息。因此,利用嵌入式隐马尔可夫模型描述人脸,我们不是孤立地利用脸部局部特征,而是把这些局部特征和概率转移模型联系起来,进而形成整体的宏观描述。从原理上来说,基于嵌入式隐马尔可夫模型的人脸表示和识别方法更合理。我们在一维HMM的基础上,修订了连续EHMM的参数重估算法,优化了EHMM人脸模型,同时也提高了人脸识别算法的识别率。我们的实验结果也证明了这一点,本文的基于连续EHMM的人脸识别方法要优于传统的EHMM人脸识别方法。