数字技术与应用
·应用研究
基于重取样技术的人脸识别方法研究
王少永
(河北软件职业技术学院河北保定
071000
摘要：人险识别是图像分析与理解的成功应用之一，它已经成为很多研究人页的关注热点，在受多图素影响的人脸识别系统中，人脸的特征提取将是一件十分困难的事情。为了克服这些围难，在研究中，通过阅读读文献资料，充分的实验研究等方法解决这些问题。
异质分类器
关键调：人险识别
率监督学习
中图分类号：TN24
1、课题研究的目的和意义
文献标识码：A
文章编号：1007-9416(2011)04-0070-01
国的人脸识别水平呈现出飞速发展的趋势。
人腔识别是图像分析与理解的成功应用之一，它已经成为很多研究人员的关注热点，尤其是在最近的几年里更是如此。尽管当前人脸识别系统已经投入应用，但是这些应用系统是受许多条件的限制，例如灯光与姿势的变化，换句话说，当前的识别系统还远未达到人类感知系统的能力。针对这种情况，研究人员开始了更为实用的人脸识别系统的研究。另外，随着机器学习等人工智能方法的不断发展，将这此技术与方法引人到人舱识别之中，通过自适应的学习，将会不断提高人脸识别的识别能力。在这种背景下，本课题采用机器学习方法对人脸识别进行研究，它不仅具有重要的理论意义，而且对于解决实际问题具有直接的应用价值。
2、国内外在该方向的研究现状及分析
人脸识别就是指使用计算机技术对人脸图像处理与分析，从中提取有效的识别信息，用于辨别身份的生物认证技术。近年来，很多学者都投入到人脸识别的研究中，提出了许多理论，并开发了大量的人脸识别的应用系统。对于人脸识别的研究至少可以追期到20世纪50年代心理学以及20世纪60年代工程文献的人险识别研究工作，但自动化的人脸识别工作开始于20世纪70年代后[1]在下面的内容中，主要从识别的自动化程度角度介绍了人脸识别的发展。
(1)手工或机械化阶段(20世纪50年代至 70年代)一该阶段以Bertillon，Allen和Park e为代表，研究内容是如何提取人脸识别所需要的面部特征。(2)半自动化阶段(20世纪7 0年代至80年代)一该阶段的主要代表性成果是T.Kanad[2]设计的具有一定知识导引的高速半自动回潮识别系统，此系统在人脸识别率上有了新的突破。(3)自动化阶段(20 世纪80年代至今)一该阶段是真正的自动识别阶段。近些年来，伴随券高性能计算机的发展，自动人脸识别研究越来越受到研究者的重视和关注，提出了各种各样的人脸识别方法，例如PCA方法是一个备受关注的人险识别方法。
在国内，对人脸自动识别领域的研究起步较晚(始于80年代)，但经过多年的研究，我
70
数字鼓本与应用方方数据
目前国内大部分高校及研究机构部有研究人脸识别技术的学者，其中技术比较先进的有中科院自动化研究所、清华大学、浙江大学等。另外.国内也在举办一些与人脸识别相关的会议，涌现了大批优秀论文与研究成果。
在集成学习的研究中，1988年Keams和 Valiant提出了强学习和弱学习概念以及两种学习算法是否等价的问题。1990年，Scha pire[19]证明了多个弱学习器可以集成为一个强学习器。1995年，Freund和Schapire[2 0提出了AdaBoost算法，1996年，Brciman[2 1提出了Bagging算法，指出了集成学习中，学习算法的稳定性直接影响测试结果。
3、主要研究内容及创新点
在人脸识别系统中，主要包括人脸检测，人险的特征提取与人险识别，对于这三
进行研究，另外选取不同的融合方法针对随机子空间进行整合研究。
4.预计研究过程中可能遇到的困难和问题以及解决的措施
人脸识别经过了40多年的研究，特别是最近几年，人脸识别技术已经取得了很大的进步，并成为图像处理和模式识别领城最热门的研究主题之一。在此期间出现了许多人脸识别算法和人脸识别系统，例如PCA,LD A、门禁人脸识别系统、各种身份验证系统等。但是，这些研究成果受环境因素的限制，因此，近年来人们越来越关心各种复杂情况下的人脸白动识别系统以及复杂背景中的人脸检测与定位，值得提及的是，人险识别由于受表情、位置、方向、姿态、遮挡、年龄和光照变化等因素的影响，人脸识别性能会有较大的不同，基至使识别性能急剧下降。因
部分内容的划分，并没有严格的分界标准。
，此，在受多因素影响的人险识别系统中，人脸的特征提取将是一件十分困难的事情。在
在本文中，主要研究人脸识别方法，具体研
究内容如下：
3.1半监督学习方法及其人脸识别研究一致性学习算法及其变形，通过人险识别问题，研究算法所涉及的参数以及变形，主要选择ORL与YALE人脸数据库，针对算法中形成核矩阵的参数的不同取值进行研究，具体包括指数度量中尺度闪子sig ma、加权s阶度量中的s与权值、k近邻度量中的k值以及双曲正切度量中的alpha值；分析不同取值时得到的实验结果，确定识别性能较好的参数取值。
3.2
异质分类器的集成及其人脸
识别
主要利用重取样技术，生成分类器的调练集，以此训练不同类型的基分类器(异质分类器)，在具体取样的实现中，主要针对每类中的样本取样，以此保证训练集中的样本具有不同类别的个体；通过使用不同的融合方法，例如投票方法，和规则方法等，整合基分类器的识别结果，以此提高人脸识别的识别性能；在融合方法中，基分类的识别结果
采用两种输出形式，即类标签与实数值。 3.3不同人脸识别方法的实验比较主要选取典型的人脸识别算法，例如L DA,PCA,DLDA,NLDA,RLDA等,以及常用的人脸数据库ORL与YALE，通过实验
Digital technology and application
本课题研究中，正是有这些因素的存在，使得算法的实现.实验数据的准备以及实验结果的分析成为本课题研究中的难点。为了克服这些困难，在研究中，通过阀读读文献资料、充分的实验研究等方法解决这些问题。
参考文献
[1] Zhao W,Chellapa R,Phillips P J.et al.Face recognition:a literature survey.ACM comp uting surveys,2003,35(4):399458.
[2] Kanad T, Picture Processing system by com puter and recognition ofhuman face.Kyoto: Kyoto University.1973.
[3] Sirovich L, Kirby M, Lowdimensional Pr ocedure for the Characterization of Human Face Joumal of the Optical Society of Ame rica,1987,4(3):519524
[4] Turk M and Pentland A, Eigenfaces for rec
ognition.Cognitive Neuroscience,1991,3(1):7186.
[5]李国正,基于聚类算法的选择性神经网熔集成U).复互学报(自热科学版),2004. 43(5).
作者简介：王少永，男，1981一，汉族，现就职于河北软件职业技术学院学生处。