面部识别软件需求规格说明(SRS)(DOC).pdfVIP

需求规格说明的正文格式如下： 1 引言 1.1 编写目的 人类通过视觉识别文字， 感知外界信息。 人脸是人机交互中相当重要的因素， 通过人脸我们 可以判定许多信息。 利用人脸特征进行身份验证又是最自然直接的手段， 它具有直接、 友好、 方便的特点， 比较容易被用户接受。 人脸识别技术经过四十多年的发展， 已经取得了长足的 进步。 目前最好的人脸识别系统在理想情况下已经能够取得可以接受的识别性能。 人脸识别 技术在国家重要机关及社会安防领域具有广泛用途。 基于表观的人脸识别方法直接对二维人脸图像像素点处的灰度值进行操作， 多数采用统计学 习的方法提取人脸的特征，进而进行人脸的分类识别。 Osamu 等人对人脸的原始图像进行 二值化处理， 得到人脸的等灰度图图像， 采用合成的等灰度线图匹配识别。 Nefian 等人利用 采样窗口所形成的图像块的 2D ．DCT(Discrete Cosine Transform) 系数或Ⅺ _一 T(Karhunen Loeve Transform) 系数来构造观察向量序列，采用 HMM 进行人脸识别。 Yoon 等人 [201 提出 了 1D．HMM 和神经网络相结合的混合方法。 Martinez[21] 提出的方法是首先把人脸分成不 同的区域， 然后采用 PCA 来分析不同的区域， 通过 1D．HMM 来描述不同区域之间的关系， 然后根据 Bayesian 规则识别人脸。 Nefian 等人定义了一种嵌入式 HMM(E ．HMM ：Embedded Hidden Markov Model) 用于人脸识别。基于人脸的灰度图像， Kirby 等人 [23 ，24] 和 Turk 等 人首次把主元分析的子空间思想引入到人脸识别中， 提出了著名的人脸识别算法——主成分 分析法或特征脸算法 (Eigenface) 。特征脸算法是建立在对人脸图像分布的主元分析 (PCA) 的 基础之上， 这种算法假设人脸图像在高维观测空间中服从近似高斯分布， 通过变量变换保留 高维数据空间的主要特征信息即主分量， 除去有可能来自于噪声的次要分量， 从而达到降维 的目的。该方法以训练样本的总体散度矩阵为产生矩阵， 经 KLT 变换 (KLT ：Karhunen ．Loeve Transformation) 后得到相应的一组特征向量，由于主特征向量具有脸的形状因此称之为特征 脸，由前 K 个最大特征值对应的特征向量所张成的空间称为人脸子空间，这样既可以降低 空间维数，同时又提取了人脸特征。任何一幅人脸图像就可以用这 K 个特征脸的线性组合 来表示，其加权系数即是 KLT 的展开系数。人脸识别就是将待识别人脸投影到特征空间， 根据欧氏距离确定最佳匹配。在特征脸的基础上， Cappelli 等人提出了多空间 KL 变换，把 训练样本分割成不同子集，这些子集采用不同的 KLT 构造不同的子空间来表示不同的子模 式。Kim 等人采用 Kernel ．PCA 的方法提取脸部特征， KemeI-PCA 是 PCA 非线性扩展分析 方法，其基本思想是通过非线性变换将数据空间变换为特征空间， 然后在特征空间计算主分 量。 Vasilescu 和 Terzopoulo 提出了多线性子空间方法 (MLS ： Mulit ．1inear Subspace)。这种 方法在一种多线性框架下进