论文部分内容阅读
[摘 要]人脸识别属于一种刚刚兴起的生物特征识别技术，生物特征鉴别是通过人体自身特征 进行身份识别认证的一种技术，具有很过优点，例如唯一性，不以伪造，不可窃取，安全可 靠等。在众多生物特征的识别技术当中，人脸识别更为直接友好，方便，且更易接受，它具 有非侵犯性，主动性等非常多的优点，是一种较为理想的验证身份的手段。因其具有这些特 点，使它成为了计算机模式识别，人工智能识别的宠儿。在21 世纪这样科技高速发展的时 代，安全问题不容忽视，这也为人脸自动识别开辟了一个应用的前景。为了提高人脸识 别系统的准确性，人们提出了许多方法来进行识别。
[关键词]神经网络；人脸识别；技术
中图分类号：TE425 文献标识码：A 文章编号：1009-914X（2017）36-0191-01
前言
人类情感表达最重要和最直接的载体就是人脸，通过对人脸的识别可以推断出一个人的种族、地域、身份、地位等，因此人脸识别的研究不仅满足人工智能应用的研究，而且推进对人类视觉系统的认识。人脸识别的任务就是利用识别技术抽取输入的静态或者动态人脸图像，用来确定人的身份。采用人脸识别技术并建立自动人脸识别系统，利用计算机实现对人脸图像的自动识别有着广泛的应用前景。人脸识别涉及到图像处理、计算机视觉、模式识别以及神经网络等学科，使其成為一项极富挑战性的课题。
二、神经网络的研究现状及发展趋势
作为人工智能研究的一个重要组成部分，人工神经网络已然成为神经科学、认知科学、脑科学、计算机科学和数理科学等研究领域的热门焦点，其对突破现有科学技术瓶颈，更加深入探索非线性等复杂问题起到了重大的作用。工程应用领域中，人们通常能够根据已知数据来建立某种模型结构，以完成多维空间的近似映射。神经网络与纯数学方法相比，由于其强大的函数逼近能力，使其最终具有一定的容错范围，因而更加灵活。具体来看，人工神经网络主要有以下优点：人的形象思维的模拟能力；大规模并行协同处理能力带来较快的处理速度；对不确定性系统的学习和自适应；较强的容错能力和联想能力；非线性映射能力，可无限接近任意复杂的非线性关系。
人脸识别门禁系统的核心是人脸识别。关于人脸识别，1966年Bledsoe首次提出人脸识别算法——半自动系统模型与特征提取，开创了人脸识别方面的研究。此后，以美国、日本为首的发达国家对该领域的研究一直处于领先地位，尤其是美国，在“九一一”事件后，加大了对安防的投资和关注，加大力度对人脸识别进行研究和开发，相关产品已被投入市场使用。在美国波士顿，曾利用人脸识别技术识别出爆炸案的嫌疑犯；美国FBI投资10亿美元研发名为“下一代识别系统”的计划，已成功研制出面部识别技术数据库，用于刑侦中，至2014年已在全美普及；美国情报高级研究计划局（IARPA）正在启动名为“杰纳斯”的计划，主要通过不同视角拍摄静止和动态图像的融合，提高人脸识别技术的性能。
三、人脸识别系统的组成
一个典型的人脸自动识别系统是由所示的几部分组成的，其中人臉检测定位与特征提取和选择是两个主要的技术环节。人脸检测定位就是检测图像中是否包含有人脸，如果检测到则将其从背景中分离出来并确定其位置和大小。在检测系统中，输入为包含人脸的图像，输出为图像中是否有人脸以及人脸的数目、尺度、位置、位姿，以及人脸特征等信息的参数化描述。提取有待识别的人脸图像特征，即特征提取和选择，与现有的数据库中的人脸图像进行匹配和识别，在特征提取之前首先经过预处理，根据人脸定位结果将人脸变换至同一位置以及大小，如果需要的话对图像进行光照以克服光照变化影响。提取出有待识别的人脸特征后，便可以进行特征匹配。作为预处理的一部分，训练过程在后台运行，结束后将会产生用于分类识别的分类器。识别过程也是一个分类问题，把有待识别的对象归入某一类，对于人脸识别来说就是把输入的不同的人像归到某个人这一类。这类工作的基础是样本训练集，然后确定某个判决规则，使得按这种判决规则来对被识别对象进行分类时所造成的错误识别率最小或引起的损失最小。
三、人工神经网络在模式识别中的应用
随着人们对模式识别领域理解的逐步加深和应用的广泛发展，模式识别技术在不断的发展，出现了许多新的模式识别方法以解决不同的应用问题，尤其是随着计算机技术的日益发展，人们开始试图用计算机去解决图像、语音以及预测等问题。经过近十多年的实验研究，神经网络因其很强的解决问题的能力而受到重视，因此神经网络应用于人脸识别的模式识别领域也是必然的、有意义的。在各种人工神经网络模型中，在模式识别中应用最多并且最成功的当属多层前馈网络，其中又以BP网为代表，BP网采用的是有教师学习算法，因此只能用于有监督模式识别问题。BP网一般有以下两种应用方式。
（一）多输出型
BP网的每一个输入节点对应样本一个特征，而输出节点数等于类别数，一个输出节点对应一个类别。以上仅是一个特例，更一般的是根据当前输入样本的类别编号，对输出节点进行各种0，1编码。
（二）单输出型
很多实验表明，在多输出方式中，由于网络要同时适应所有类别，识别需要更多的隐层节点，并且学习过程收敛较慢，因此可以采用多个单输出形式的BP网，对每一类分别进行训练，将属于该类的期望输出设定为1，其他类的输出设为0。并且在两类问题中，单输出网络即可。本文的识别应用中，改进的BP模型和塔式神经网络也主要是采用单输出形式。
结论
随着社会的不断进步，计算机技术、网络技术的高速发展，传统的身份验证技术已经无法满足当代科技的发展和人类社会的需求。相比其他识别方法，人脸识别更加的自然友好且容易被接受，所以得到广泛的研究与应用。因此本文提出了一个基于人工神经网络和图像特征提取的人脸图像识别的方法。为了区别于常见方法，首先使用分块PCA算法对人脸图像进行处理，获得不同分块数下的人脸图像特征，然后将这些特征作为人工神经网络的输入，输出即是相对应的人的类别。
项目基金
项目来源：黑河学院校级课题，课题名称是：基于图像处理的人脸识别在小区智能门禁中研究与应用，课题编号：KJY201407。
[关键词]神经网络；人脸识别；技术
中图分类号：TE425 文献标识码：A 文章编号：1009-914X（2017）36-0191-01
前言
人类情感表达最重要和最直接的载体就是人脸，通过对人脸的识别可以推断出一个人的种族、地域、身份、地位等，因此人脸识别的研究不仅满足人工智能应用的研究，而且推进对人类视觉系统的认识。人脸识别的任务就是利用识别技术抽取输入的静态或者动态人脸图像，用来确定人的身份。采用人脸识别技术并建立自动人脸识别系统，利用计算机实现对人脸图像的自动识别有着广泛的应用前景。人脸识别涉及到图像处理、计算机视觉、模式识别以及神经网络等学科，使其成為一项极富挑战性的课题。
二、神经网络的研究现状及发展趋势
作为人工智能研究的一个重要组成部分，人工神经网络已然成为神经科学、认知科学、脑科学、计算机科学和数理科学等研究领域的热门焦点，其对突破现有科学技术瓶颈，更加深入探索非线性等复杂问题起到了重大的作用。工程应用领域中，人们通常能够根据已知数据来建立某种模型结构，以完成多维空间的近似映射。神经网络与纯数学方法相比，由于其强大的函数逼近能力，使其最终具有一定的容错范围，因而更加灵活。具体来看，人工神经网络主要有以下优点：人的形象思维的模拟能力；大规模并行协同处理能力带来较快的处理速度；对不确定性系统的学习和自适应；较强的容错能力和联想能力；非线性映射能力，可无限接近任意复杂的非线性关系。
人脸识别门禁系统的核心是人脸识别。关于人脸识别，1966年Bledsoe首次提出人脸识别算法——半自动系统模型与特征提取，开创了人脸识别方面的研究。此后，以美国、日本为首的发达国家对该领域的研究一直处于领先地位，尤其是美国，在“九一一”事件后，加大了对安防的投资和关注，加大力度对人脸识别进行研究和开发，相关产品已被投入市场使用。在美国波士顿，曾利用人脸识别技术识别出爆炸案的嫌疑犯；美国FBI投资10亿美元研发名为“下一代识别系统”的计划，已成功研制出面部识别技术数据库，用于刑侦中，至2014年已在全美普及；美国情报高级研究计划局（IARPA）正在启动名为“杰纳斯”的计划，主要通过不同视角拍摄静止和动态图像的融合，提高人脸识别技术的性能。
三、人脸识别系统的组成
一个典型的人脸自动识别系统是由所示的几部分组成的，其中人臉检测定位与特征提取和选择是两个主要的技术环节。人脸检测定位就是检测图像中是否包含有人脸，如果检测到则将其从背景中分离出来并确定其位置和大小。在检测系统中，输入为包含人脸的图像，输出为图像中是否有人脸以及人脸的数目、尺度、位置、位姿，以及人脸特征等信息的参数化描述。提取有待识别的人脸图像特征，即特征提取和选择，与现有的数据库中的人脸图像进行匹配和识别，在特征提取之前首先经过预处理，根据人脸定位结果将人脸变换至同一位置以及大小，如果需要的话对图像进行光照以克服光照变化影响。提取出有待识别的人脸特征后，便可以进行特征匹配。作为预处理的一部分，训练过程在后台运行，结束后将会产生用于分类识别的分类器。识别过程也是一个分类问题，把有待识别的对象归入某一类，对于人脸识别来说就是把输入的不同的人像归到某个人这一类。这类工作的基础是样本训练集，然后确定某个判决规则，使得按这种判决规则来对被识别对象进行分类时所造成的错误识别率最小或引起的损失最小。
三、人工神经网络在模式识别中的应用
随着人们对模式识别领域理解的逐步加深和应用的广泛发展，模式识别技术在不断的发展，出现了许多新的模式识别方法以解决不同的应用问题，尤其是随着计算机技术的日益发展，人们开始试图用计算机去解决图像、语音以及预测等问题。经过近十多年的实验研究，神经网络因其很强的解决问题的能力而受到重视，因此神经网络应用于人脸识别的模式识别领域也是必然的、有意义的。在各种人工神经网络模型中，在模式识别中应用最多并且最成功的当属多层前馈网络，其中又以BP网为代表，BP网采用的是有教师学习算法，因此只能用于有监督模式识别问题。BP网一般有以下两种应用方式。
（一）多输出型
BP网的每一个输入节点对应样本一个特征，而输出节点数等于类别数，一个输出节点对应一个类别。以上仅是一个特例，更一般的是根据当前输入样本的类别编号，对输出节点进行各种0，1编码。
（二）单输出型
很多实验表明，在多输出方式中，由于网络要同时适应所有类别，识别需要更多的隐层节点，并且学习过程收敛较慢，因此可以采用多个单输出形式的BP网，对每一类分别进行训练，将属于该类的期望输出设定为1，其他类的输出设为0。并且在两类问题中，单输出网络即可。本文的识别应用中，改进的BP模型和塔式神经网络也主要是采用单输出形式。
结论
随着社会的不断进步，计算机技术、网络技术的高速发展，传统的身份验证技术已经无法满足当代科技的发展和人类社会的需求。相比其他识别方法，人脸识别更加的自然友好且容易被接受，所以得到广泛的研究与应用。因此本文提出了一个基于人工神经网络和图像特征提取的人脸图像识别的方法。为了区别于常见方法，首先使用分块PCA算法对人脸图像进行处理，获得不同分块数下的人脸图像特征，然后将这些特征作为人工神经网络的输入，输出即是相对应的人的类别。
项目基金
项目来源：黑河学院校级课题，课题名称是：基于图像处理的人脸识别在小区智能门禁中研究与应用，课题编号：KJY201407。