基于Fisher判别法人脸图像识别.pdfVIP

基于Fisher 判别法的人脸图像识别 舒予 武汉理工大学信息工程学院，武汉 （430070 ） E-mail ：hmily821224@ 摘 要：文中描述了人脸识别的两大步骤——特征提取和样本分类，介绍了 K-L 变换在人 脸图像特征提取方面的运用，重点讲解了应用广泛的Fisher 判别法在人脸图像样本分类方面 的运用。最后对Fisher 判别法进行仿真，并给出了Matlab 源程序。 关键词：人脸识别，K-L 变换，Fisher 判别法，Foley-Sammon 方法 中图分类号：TN391 1. 引言 [1] 人脸识别在国民经济、军事公安和日常生活中有着广泛的应用 ，例如：嫌疑犯照片的 识别匹配；信用卡、驾驶执照、护照与个人身份的识别；银行、商场安全系统；公众场合监 视；专家识别系统；基于目击线索的人脸重构；嫌犯电子照片簿；随着年龄增长的人脸推测 等。 与指纹识别、虹膜识别等方式相比，人脸识别更因为其“非接触”性而较易被人接受。所 有这些，使得人脸识别成为近几年来图像处理领域中最活跃的分枝之一。 2. 图像识别的基本步骤 简单的说，图像识别需要两大步骤：特征提取和样本分类。 首先，看一个最简单的例子：某家罐头厂需要自动识别流水线上的鱼是鲈鱼还是鲑鱼， 识别的依据是鱼的长度——大于某个阈值就是鲑鱼，反之则是鲈鱼。 解决方案如下：(1)特征提取。用图像采集设备监控流水线，并用复杂的图像处理手段 计算出每条鱼的长度。(2)样本分类。对(1) 中所得结果进行判断：大于某个阈值就是鲑鱼， 反之则是鲈鱼。可以看到，这类似于在AWGN 信道终端对比特流的统计判决。 (1)主要涉及图像处理的相关知识，这里不予讨论。 就(2)来说，问题变成：在一维特征空间（鱼的长度）中，根据某种准则（大于还是小 于某个阈值）对给定的样本进行分类。 然而，为了使分类更准确，可以不仅仅使用长度作为判断依据，还可以使用宽度、光泽 度等特征，再结合水生物学的专业经验，制定某种综合考虑这几个特征的分类准则。 此时问题变为：在高维特征空间（鱼的长度、宽度、光泽度……）中，根据某种准则对 给定的样本进行分类。 更值得一提的是，上述的“某种准则”，完全可以通过观察大量的样本所确定下来（这些 样本成为训练样本，用这些样本通过某种方法确定判别准则的过程叫训练）。在第四部分会 看到这一规程如何操作。 可以看到，以上描述适合于一般的图像识别问题。 3. 人脸特征提取方面的基本方法 3.1. 引言 受鱼分类问题的启发，在人脸识别中，考虑能否用诸如双眼距离、鼻翼宽度等作为特征 - 1 - 呢？事实上，早期的人脸识别研究正是这样做的。但由于它固有的局限性，对这种方法的探 讨已经逐渐冷却。 人们研究得更多的是一种被成为“特征脸” 的方法。其核心思想是这样：图像是由像素构 成，每个像素就可以看成一个特征。但这么做特征的维数太高，处理起来不方便。于是可以 K-L 变换将维数降下来便于处理。实际上，是为人脸图像重新找到了一组基底。[2][3] 补充一句，在提取“特征脸”之前要先对人脸图像做归一化处理，使人脸能“塞满” 图片， 如图1 所示。 图1 归一化处理 3.2. K-L 变换提取特征脸 以归一化后的标准图像作为训练样本集，定义总体散布矩阵为 ∑ E {(x −µ)(x −µ)T } 1 M