畢業(yè)論文：基于梯度特征的人臉身份驗證

畢業(yè)論文：基于梯度特征的人臉身份驗證
院（系） 計算機科學與技術
專 業(yè) 計算機科學與技術
屆 別 2012屆

摘要
基于人臉識別的身份認證技術作為當前生物特征識別技術領域的熱門研究課題，相對以其他生物特征認證技術，人臉識別具有高效、友好等有眾多優(yōu)點。如何準確、高效地實現(xiàn)人臉識別是人臉識別研究的一大難點。一個完整的人臉識別系統(tǒng)一般包括人臉圖像的獲取、人臉的檢測與定位、人臉特征提取和特征對比幾個主要環(huán)節(jié)。其中，如何提取人臉特則，對人臉檢測起著關鍵性的作用，也直接影響到人臉識別身份認證的準確性。
本文采用了一種人臉圖像梯度計算的方法進行人臉特征提取，能夠很好的避免光照的印象。然后用SVM進行分類回歸的方法，進行身份驗證。使用OpenCV和MFC搭建了較完整的圖像操作界面，并使用NG-NET圖庫進行大量測試。
關鍵詞：身份認證，人臉識別，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http://m.jey722.cn省略1191字，正式會員可完整閱讀）……　
身份認證技術層出不窮，如使用身份證秒票、通過賬戶密碼登錄個人博客等等。傳統(tǒng)的認證方式，往往受限于技術、社會經濟等，而存在種種不足�；谧C件認證過程復雜，效率低下，攜帶和管理各種證件，都讓人頭疼不已。而且，目前社會上證件造假的現(xiàn)象時有發(fā)現(xiàn)，利用假身份證進行詐騙，假準考證參加考試等，并很難得以徹底地解決。賬號密碼雖然不易造假，但是單靠人腦進行記憶很容易遺忘，以文本的形式進行記錄又將大大降低其安全性，2011年，CSDN密碼泄漏事件導致數(shù)以百萬賬戶的密碼被泄露。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，安全問題十分嚴重。因此，基于傳統(tǒng)方式的身份驗證方法越來越不能滿足社會安全和發(fā)展的需要。
人體生物特征作為人體的內在特征，具有很好的穩(wěn)定性、唯一性和安全性，生物特征識別技術逐漸成為安全驗證領域首選的方式。生物特征識別技術將計算機技術和生物技術相結合，對人體的生理特征和行為特征進行分析，進而進行身份鑒別。在目前的研究與應用領域中，生物特征識別主要關系到計算機視覺、圖象處理與模式識別、計算機聽覺、語音處理、多傳感器技術、虛擬現(xiàn)實、計算機圖形學、可視化技術、計算機輔助設計、智能機器人感知系統(tǒng)等其他相關的研究。已被用于生物識別的生物特征有手形、指紋、臉形、虹膜、視網膜、脈搏、耳廓等，行為特征有簽字、_、按鍵力度等�；谶@些特征，生物特征識別技術已經在過去的幾年中已取得了長足的進展。
人臉識別技術基于人們日常生活最常用的身份識別方式，是最友好的生物識別技術。人臉識別技術是生物認證的一種，與指紋識別、虹膜識別等其他人體生物特征進行身份鑒定的方法相比，人臉識別具有更直接、友好、方便的優(yōu)點。雖然人臉識別的可靠度沒有指紋識別、虹膜識別等認證技術的高，人臉識別的優(yōu)勢在于其自然性和不被被測個體察覺的特點。
雖然人臉識別有很多其他識別無法比擬的優(yōu)點，但是它本身也存在許多困難。人臉識別被認為是生物特征識別領域甚至人工智能領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特征的特點所帶來的。人臉在視覺上的特點是：
1) 不同個體之間的區(qū)別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對于利用人臉進行定位是有利的，但是對于利用人臉區(qū)分人類個體是不利的。
2) 人臉的外形很不穩(wěn)定，人可以通過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、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。
在人臉識別中，第一類的變化是應該放大而作為區(qū)分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化，而稱第二類變化為類內變化。對于人臉，類內變化往往大于類間變化，從而使在受類內變化干擾的情況下利用類間變化區(qū)分個體變得異常困難。
解決類內變化的干擾，已經成為人臉識別的關鍵。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別，將極大的推動人臉識別的應用，擴大人臉識別的應用范圍。
1.2 人臉識別的歷史和現(xiàn)狀
人臉識別技術研究的歷史較久，早在1888年Galton就在Nature雜志發(fā)表過關于利用人臉進行身份識別的文章。1965年Chan和Bledsoe發(fā)表了關于自動人臉識別的技術報告。近年來更是涌現(xiàn)出許多新的技術和方法，尤其是上世紀九十年代以來，隨著社會需求的增加，人臉識別得到了長足的發(fā)展，學術論文的發(fā)表年年激增。如今，幾乎所有的理工大學和知名IT公司都在從事人臉識別的研究。
目前，人臉檢測方法主要分為基于特征的方法和基于圖像的方法。由于人臉圖像復雜，對人臉的明顯特征信息進行度量具有一定的困難，基于特征的方法發(fā)展緩慢�；趫D像的方法利用現(xiàn)有的成熟的模式識別理論，將人臉識別問題轉化為模式識別問題從而實現(xiàn)人臉區(qū)域的檢測�；趫D像的人臉檢測一般又分為基于線性子空間的方法、基于人工神經網絡的方法和基于統(tǒng)計的方法。
Turk等[9]于1991年將PCA方法引入人臉檢測，后來Martinez等[10]提出了LDA（線性判別分析）方法，該方法一般利用Fisher準則函數(shù)，故又稱Fisher線性判別分析，該方法對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，并取得了很好的實驗結果。1998年Rowley等[11]提出了基于ANN（人工神經網絡）的人臉檢測方法，該方法利用神經網絡的學習和分類能力，對人臉樣本和非人臉樣本進行學習得到人臉分類器，進而進行人臉檢測。同年，Nefian等[12]將HMM（隱馬爾科夫模型）用于人臉檢測，為提高檢測精度，他還提出了基于嵌入式HMM的人臉檢測方法。2001年Viola和Jones[14]提出了一種基于 AdaBoost的正面人臉實時檢測算法，通過將AdaBoost算法和級聯(lián)分類器進行綜合，算法實現(xiàn)了實時的人臉檢測，從此人臉檢測正式實用化。后續(xù)出現(xiàn)的人臉檢測算法研究大多是針對以上經典算法的不足而進行的改進以及多方法的融合等工作。
人臉特征提取是人臉識別系統(tǒng)的核心步驟，其結果直接影響識別的準確性，因此人們在該領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：基于知識的方法和基于統(tǒng)計學習的方法。1991年Turk和Pentland[9]提出Eigenface（特征臉）的方法。在Eigenface的基礎上，Moghaddam[15]提出了基于雙子空間的貝葉斯概率估計的方法。后來Cootes等提出了一種柔性模型方法，該方法包括ASM（主動形狀模型）[15-18]和AAM（主動紋理模型）[19]。為解決復雜條件，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建模的人臉識別方法、基于流行學習的方法等等。綜合說來，人臉識別技術的研究方法很多，但由于人臉本身以及人臉圖像采集環(huán)境的復雜性，經典方法的應用場合十分有限。要想在大多場合準確快速地實現(xiàn)人臉識別工作，需要對經典方法不斷地進行改進和 ……（未完，全文共14058字，當前僅顯示3344字，請閱讀下面提示信息。收藏《畢業(yè)論文：基于梯度特征的人臉身份驗證》）