畢業(yè)論文：基于梯度特征的人臉身份驗(yàn)證

畢業(yè)論文：基于梯度特征的人臉身份驗(yàn)證
院（系） 計(jì)算機(jī)科學(xué)與技術(shù)
專 業(yè) 計(jì)算機(jī)科學(xué)與技術(shù)
屆 別 2012屆

摘要
基于人臉識(shí)別的身份認(rèn)證技術(shù)作為當(dāng)前生物特征識(shí)別技術(shù)領(lǐng)域的熱門研究課題，相對(duì)以其他生物特征認(rèn)證技術(shù)，人臉識(shí)別具有高效、友好等有眾多優(yōu)點(diǎn)。如何準(zhǔn)確、高效地實(shí)現(xiàn)人臉識(shí)別是人臉識(shí)別研究的一大難點(diǎn)。一個(gè)完整的人臉識(shí)別系統(tǒng)一般包括人臉圖像的獲取、人臉的檢測(cè)與定位、人臉特征提取和特征對(duì)比幾個(gè)主要環(huán)節(jié)。其中，如何提取人臉特則，對(duì)人臉檢測(cè)起著關(guān)鍵性的作用，也直接影響到人臉識(shí)別身份認(rèn)證的準(zhǔn)確性。
本文采用了一種人臉圖像梯度計(jì)算的方法進(jìn)行人臉特征提取，能夠很好的避免光照的印象。然后用SVM進(jìn)行分類回歸的方法，進(jìn)行身份驗(yàn)證。使用OpenCV和MFC搭建了較完整的圖像操作界面，并使用NG-NET圖庫(kù)進(jìn)行大量測(cè)試。
關(guān)鍵詞：身份認(rèn)證，人臉識(shí)別，梯度特征


ABSTRACT
Face recognition-based authentication technology is the most hot research topic as a biometric technology, relative to the other biometric authentication techniques, face recognition is more efficient, friendly and has many advantages. How to accurately and efficiently to achieve face recognition is a major difficult
……（新文秘網(wǎng)http://120pk.cn省略1191字，正式會(huì)員可完整閱讀）……　
身份認(rèn)證技術(shù)層出不窮，如使用身份證秒票、通過(guò)賬戶密碼登錄個(gè)人博客等等。傳統(tǒng)的認(rèn)證方式，往往受限于技術(shù)、社會(huì)經(jīng)濟(jì)等，而存在種種不足�；谧C件認(rèn)證過(guò)程復(fù)雜，效率低下，攜帶和管理各種證件，都讓人頭疼不已。而且，目前社會(huì)上證件造假的現(xiàn)象時(shí)有發(fā)現(xiàn)，利用假身份證進(jìn)行詐騙，假準(zhǔn)考證參加考試等，并很難得以徹底地解決。賬號(hào)密碼雖然不易造假，但是單靠人腦進(jìn)行記憶很容易遺忘，以文本的形式進(jìn)行記錄又將大大降低其安全性，2011年，CSDN密碼泄漏事件導(dǎo)致數(shù)以百萬(wàn)賬戶的密碼被泄露。而且，密碼在輸入環(huán)節(jié)極易被人偷視或被木馬病毒等竊取，安全問題十分嚴(yán)重。因此，基于傳統(tǒng)方式的身份驗(yàn)證方法越來(lái)越不能滿足社會(huì)安全和發(fā)展的需要。
人體生物特征作為人體的內(nèi)在特征，具有很好的穩(wěn)定性、唯一性和安全性，生物特征識(shí)別技術(shù)逐漸成為安全驗(yàn)證領(lǐng)域首選的方式。生物特征識(shí)別技術(shù)將計(jì)算機(jī)技術(shù)和生物技術(shù)相結(jié)合，對(duì)人體的生理特征和行為特征進(jìn)行分析，進(jìn)而進(jìn)行身份鑒別。在目前的研究與應(yīng)用領(lǐng)域中，生物特征識(shí)別主要關(guān)系到計(jì)算機(jī)視覺、圖象處理與模式識(shí)別、計(jì)算機(jī)聽覺、語(yǔ)音處理、多傳感器技術(shù)、虛擬現(xiàn)實(shí)、計(jì)算機(jī)圖形學(xué)、可視化技術(shù)、計(jì)算機(jī)輔助設(shè)計(jì)、智能機(jī)器人感知系統(tǒng)等其他相關(guān)的研究。已被用于生物識(shí)別的生物特征有手形、指紋、臉形、虹膜、視網(wǎng)膜、脈搏、耳廓等，行為特征有簽字、_、按鍵力度等�；谶@些特征，生物特征識(shí)別技術(shù)已經(jīng)在過(guò)去的幾年中已取得了長(zhǎng)足的進(jìn)展。
人臉識(shí)別技術(shù)基于人們?nèi)粘Ｉ钭畛Ｓ玫纳矸葑R(shí)別方式，是最友好的生物識(shí)別技術(shù)。人臉識(shí)別技術(shù)是生物認(rèn)證的一種，與指紋識(shí)別、虹膜識(shí)別等其他人體生物特征進(jìn)行身份鑒定的方法相比，人臉識(shí)別具有更直接、友好、方便的優(yōu)點(diǎn)。雖然人臉識(shí)別的可靠度沒有指紋識(shí)別、虹膜識(shí)別等認(rèn)證技術(shù)的高，人臉識(shí)別的優(yōu)勢(shì)在于其自然性和不被被測(cè)個(gè)體察覺的特點(diǎn)。
雖然人臉識(shí)別有很多其他識(shí)別無(wú)法比擬的優(yōu)點(diǎn)，但是它本身也存在許多困難。人臉識(shí)別被認(rèn)為是生物特征識(shí)別領(lǐng)域甚至人工智能領(lǐng)域最困難的研究課題之一。人臉識(shí)別的困難主要是人臉作為生物特征的特點(diǎn)所帶來(lái)的。人臉在視覺上的特點(diǎn)是：
1) 不同個(gè)體之間的區(qū)別不大，所有的人臉的結(jié)構(gòu)都相似，甚至人臉器官的結(jié)構(gòu)外形都很相似。這樣的特點(diǎn)對(duì)于利用人臉進(jìn)行定位是有利的，但是對(duì)于利用人臉區(qū)分人類個(gè)體是不利的。
2) 人臉的外形很不穩(wěn)定，人可以通過(guò)臉部的變化產(chǎn)生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識(shí)別還受光照條件（例如白天和夜晚，室內(nèi)和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭發(fā)、胡須等）、年齡等多方面因素的影響。
在人臉識(shí)別中，第一類的變化是應(yīng)該放大而作為區(qū)分個(gè)體的標(biāo)準(zhǔn)的，而第二類的變化應(yīng)該消除，因?yàn)樗鼈兛梢源硗粋�(gè)個(gè)體。通常稱第一類變化為類間變化，而稱第二類變化為類內(nèi)變化。對(duì)于人臉，類內(nèi)變化往往大于類間變化，從而使在受類內(nèi)變化干擾的情況下利用類間變化區(qū)分個(gè)體變得異常困難。
解決類內(nèi)變化的干擾，已經(jīng)成為人臉識(shí)別的關(guān)鍵。能夠在不同環(huán)境、不同表情，甚至是不同年齡段做出完全正確的識(shí)別，將極大的推動(dòng)人臉識(shí)別的應(yīng)用，擴(kuò)大人臉識(shí)別的應(yīng)用范圍。
1.2 人臉識(shí)別的歷史和現(xiàn)狀
人臉識(shí)別技術(shù)研究的歷史較久，早在1888年Galton就在Nature雜志發(fā)表過(guò)關(guān)于利用人臉進(jìn)行身份識(shí)別的文章。1965年Chan和Bledsoe發(fā)表了關(guān)于自動(dòng)人臉識(shí)別的技術(shù)報(bào)告。近年來(lái)更是涌現(xiàn)出許多新的技術(shù)和方法，尤其是上世紀(jì)九十年代以來(lái)，隨著社會(huì)需求的增加，人臉識(shí)別得到了長(zhǎng)足的發(fā)展，學(xué)術(shù)論文的發(fā)表年年激增。如今，幾乎所有的理工大學(xué)和知名IT公司都在從事人臉識(shí)別的研究。
目前，人臉檢測(cè)方法主要分為基于特征的方法和基于圖像的方法。由于人臉圖像復(fù)雜，對(duì)人臉的明顯特征信息進(jìn)行度量具有一定的困難，基于特征的方法發(fā)展緩慢。基于圖像的方法利用現(xiàn)有的成熟的模式識(shí)別理論，將人臉識(shí)別問題轉(zhuǎn)化為模式識(shí)別問題從而實(shí)現(xiàn)人臉區(qū)域的檢測(cè)。基于圖像的人臉檢測(cè)一般又分為基于線性子空間的方法、基于人工神經(jīng)網(wǎng)絡(luò)的方法和基于統(tǒng)計(jì)的方法。
Turk等[9]于1991年將PCA方法引入人臉檢測(cè)，后來(lái)Martinez等[10]提出了LDA（線性判別分析）方法，該方法一般利用Fisher準(zhǔn)則函數(shù)，故又稱Fisher線性判別分析，該方法對(duì)光照和人臉表情有一定的魯棒性。1997年Osuna等[13]首先提出基于SVM的人臉檢測(cè)，并取得了很好的實(shí)驗(yàn)結(jié)果。1998年Rowley等[11]提出了基于ANN（人工神經(jīng)網(wǎng)絡(luò)）的人臉檢測(cè)方法，該方法利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和分類能力，對(duì)人臉樣本和非人臉樣本進(jìn)行學(xué)習(xí)得到人臉分類器，進(jìn)而進(jìn)行人臉檢測(cè)。同年，Nefian等[12]將HMM（隱馬爾科夫模型）用于人臉檢測(cè)，為提高檢測(cè)精度，他還提出了基于嵌入式HMM的人臉檢測(cè)方法。2001年Viola和Jones[14]提出了一種基于 AdaBoost的正面人臉實(shí)時(shí)檢測(cè)算法，通過(guò)將AdaBoost算法和級(jí)聯(lián)分類器進(jìn)行綜合，算法實(shí)現(xiàn)了實(shí)時(shí)的人臉檢測(cè)，從此人臉檢測(cè)正式實(shí)用化。后續(xù)出現(xiàn)的人臉檢測(cè)算法研究大多是針對(duì)以上經(jīng)典算法的不足而進(jìn)行的改進(jìn)以及多方法的融合等工作。
人臉特征提取是人臉識(shí)別系統(tǒng)的核心步驟，其結(jié)果直接影響識(shí)別的準(zhǔn)確性，因此人們?cè)谠擃I(lǐng)域投入了大量的研究工作。目前人臉特征提取的方法大致可分為兩大類：基于知識(shí)的方法和基于統(tǒng)計(jì)學(xué)習(xí)的方法。1991年Turk和Pentland[9]提出Eigenface（特征臉）的方法。在Eigenface的基礎(chǔ)上，Moghaddam[15]提出了基于雙子空間的貝葉斯概率估計(jì)的方法。后來(lái)Cootes等提出了一種柔性模型方法，該方法包括ASM（主動(dòng)形狀模型）[15-18]和AAM（主動(dòng)紋理模型）[19]。為解決復(fù)雜條件，比如多姿態(tài)和多光照問題等，Georghiades等[21]提出了基于光照錐模型的方法。2001年 Shashua等[20]提出了基于熵圖像的方法。Basri和Jacobs[22]提出了利用球面諧波解決光照問題的方法。還有基于3D建模的人臉識(shí)別方法、基于流行學(xué)習(xí)的方法等等。綜合說(shuō)來(lái)，人臉識(shí)別技術(shù)的研究方法很多，但由于人臉本身以及人臉圖像采集環(huán)境的復(fù)雜性，經(jīng)典方法的應(yīng)用場(chǎng)合十分有限。要想在大多場(chǎng)合準(zhǔn)確快速地實(shí)現(xiàn)人臉識(shí)別工作，需要對(duì)經(jīng)典方法不斷地進(jìn)行改進(jìn)和 ……（未完，全文共14058字，當(dāng)前僅顯示3344字，請(qǐng)閱讀下面提示信息。收藏《畢業(yè)論文：基于梯度特征的人臉身份驗(yàn)證》）