完全判别信息Fisherfaces人脸识别算法

何昌煜

摘要：人脸识别主要是在进行身份的认证，视觉方面的监控和人机接口等各个方面有着非常广泛的应运，因此也就成为了当前识别计算机视觉领域方面相对热门的一个研究课题。人脸识别其中包含了对图像的处理，进行模式的识别，神经网络的检测，计算机产生的视觉以及生理学等许多不同科学领域，本文主要是对WATLAB类型的人脸识别环境进行了相应的设计以及实现了一个基于Fisherface的人脸识别算法系统。论述了系统在实现人脸识别时如何进行打开，保存，另存等一些操作功能。

关键词：人脸识别;Fisherface

Fisherface最初是由Ronald Fisher发明的，想必这就Fisherface名字由来。Fisherface所基于的LDA（Linear Discriminant Analysis，线性判别分析，理论和特征脸部用到的PCA有相似之处，都是对原有数据进行整体降维进而映射到低维空间的方法，LDA和PCA都是从数据整体入手而不同于LBP提取局部纹理特征。如果阅读本文有难度，可以考虑自学斯坦福公开课机器学习或者补充线代等数学知识。

一、基于几何特征的方法

人脸基本上是由眼睛、鼻子、嘴巴、下巴等各个部位相互构成，正是因为这些特征明显的部件，在它的形状、大小以及结构上存在着各种各样差异性才会使这个世界上每个人的脸部特征千差万别，因此对这些脸部件不同的形状和组成结构之间的关系进行几何的描述，就可以做为在人脸识别上进行辨别的一个重要特征。

通过采用几何方面存在的特征进行人脸面部识别，一般是通过提取面部的眼、口、鼻等一些比较明显的特征，因为鼻子和眼睛等几个明显的器官，它的几何形状，是可以作为进行人脸分类的明显特征，但Roder在对人脸的几何特征进行提取的时候，对其中的精确性进行了不同的实验性的科学研究，最终得出的结果并不是很乐观。

在可变形的一些模板法中可以视人脸为几何特征方法上的一种不断改进，其中含有的基本思想则是 ：在进行设计参数的时候，是可以调整一些器官模型的，这就可以将此定义为一个能量函数，在通过不断地调整模型中的参数，进而使能量函数它的数值达到最小化，此时的这种模型参数，他是可以做为该人脸识别器官的基本几何特征的。

虽然这种方法它的思想很好，但是也存在两个非常明显的问题，一是在能量函数中，各种不同代价它的加权系数只能通过长期的经验来进行确定，是难以进行深入的推广的，二是在能量函数进行优化的过程中是十分消耗时间的，也难在实际中进行应用。同时就可以适当的采用一般得几何特征来描述了人脸部件的基本形状与组成结构之间的关系，进而也就忽略了脸部在局部一些比较细微的特征，从而也就造成了脸部部分信息出现了丢失的情况，这也更适合做相对较粗的视觉分类，而且在目前阶段已有的脸部特征通过检测技术上的精确，还远不能满足精确识别的要求，况且计算量也是非常的大的。

二、局部特征分析方法

在主元子的空间当中它表示的是紧凑，而且脸部特征的维数会有大大降低的情况，但它是确实非局部化的，其中函数的一些支集在进行扩展到整个的坐标空间当中，同时它的形状是非拓扑的，是由某个轴在投影之后，在最临近的一个点与原图像在空间中点几乎是临近性，也是没有任何关系，而脸部的局部性和拓扑性对整个模式的分析和分割是一个比较理想的变化特性，似乎这特征更加的符合在神经信息上进行处理的特征机制，因此也就要寻找出具有这种明显特性的表达就表现的十分的重要。基于这种想法进行考虑，Atick在此就提出了一种基于局部特征的进行人脸特征适当的提取与识别的新方法。而这种方法在实际生活的应用当中取得了非常好的效果，它也是构成FaceIt人脸识别的一个基础。

三、神经网络方法

人工神经网络则是一种有非线性的动力学组成的一个系统，它具有非常良好的自动组织以及良好的适应能力。在目前阶段神经网络的方法在大部分的人脸识别中的研究已经是方兴未艾。因此Valentin就提出了一种新方法，首先提取在人脸部具有代表性的 50个主元，然后利用自相关神经网络将它逐渐的映射到有 5维的空间当中，再用一个比较普通的含有多层感知的仪器进行不同面部的判别，而且测试图像效果较好;同时Intrator等也提出了一种新型的混合型神经网络来对人脸进行进一步的识别，这其中就有非监督神经网络可以用来进行特征提取，而在监督的神经网络当中用于一般情况下的分类。当Lee等将人脸的一些明显特点用六条规则来进行详细描述，然后在根据这六条规则继续进行五官的准确定位，可以将五官之间人脸的几何距离，重新的输入到模糊的神经网络中在进行人脸的识别，而且效果还比一般的是基于欧氏距离的方法上在做进一步的较大改善措施，可是Laurence等采用了卷积神经网络的方法来进行人脸部分识别判断，由于在卷积的神经网络中，集成了非常相邻的人脸像素之间的相关性的脸部知识，从而在一定的程度上，获得了在图像中进行平移、旋转变换和局部人脸变形当中的不变性，因此，也在此得到了非常理想的人脸识别结果，可是Lin等提出了在基于相对概率决策上的一些神经网络方法 （PDBNN），其主要包含的主流思想，则是采用了比较虚拟 的样本来进行相对的强化和反强化的学习特征，从而就可以得到较为理想的识别概率人脸估计的结果，并且采用了模块化的面部网络结构 进而也可以加快在网络系统中的学习。这种方法在进行人脸检测以及准确的人脸定位，人脸面部识别上具有的各个步骤上都很好的得到了广泛的应用，而其它的研究还有一些 ：如Dai等相应的提出了用Hopfield的网络进行相对低分辨率的人脸联想面部识别，而Gutta等相对的提出了将RBF与面部树型进行分类器的适当结合起来，在进行人脸识别的相互混合以及分类器的模型。

四、结语

一般的神经网络方法在进行人脸识别上的一些应用相对的比起前面讲述的几类方法之間是有一定的明显优势的，因为在对人脸进行识别的许多规律当中或者是有规则的进行较为显性的描述，在现阶段是相当困难的，而神经网络辨别的方法则是可以通过不断地学习进而来获得，对这些识别规律和规则判断中所含隐性表达， 当然在人脸识别以及其他类型的模式领域当中，面部特征提取是一个非常有意义的研究课题。

参考文献

[1]丁嵘，苏光大，林行刚，特征脸和弹性匹配人脸识别算法的比较[J].计算机工程与应用，XX，38（7）：1-2.