毕业论文：基于梯度特征的人脸身份验证

毕业论文：基于梯度特征的人脸身份验证
院（系） 计算机科学与技术
专 业 计算机科学与技术
届 别 2012届

摘要
基于人脸识别的身份认证技术作为当前生物特征识别技术领域的热门研究课题，相对以其他生物特征认证技术，人脸识别具有高效、友好等有众多优点。如何准确、高效地实现人脸识别是人脸识别研究的一大难点。一个完整的人脸识别系统一般包括人脸图像的获取、人脸的检测与定位、人脸特征提取和特征对比几个主要环节。其中，如何提取人脸特则，对人脸检测起着关键性的作用，也直接影响到人脸识别身份认证的准确性。
本文采用了一种人脸图像梯度计算的方法进行人脸特征提取，能够很好的避免光照的印象。然后用SVM进行分类回归的方法，进行身份验证。使用OpenCV和MFC搭建了较完整的图像操作界面，并使用NG-NET图库进行大量测试。
关键词：身份认证，人脸识别，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
……（新文秘网https://www.wm114.cn省略1191字，正式会员可完整阅读）……　
身份认证技术层出不穷，如使用身份证秒票、通过账户密码登录个人博客等等。传统的认证方式，往往受限于技术、社会经济等，而存在种种不足。基于证件认证过程复杂，效率低下，携带和管理各种证件，都让人头疼不已。而且，目前社会上证件造假的现象时有发现，利用假身份证进行诈骗，假准考证参加考试等，并很难得以彻底地解决。账号密码虽然不易造假，但是单靠人脑进行记忆很容易遗忘，以文本的形式进行记录又将大大降低其安全性，2011年，CSDN密码泄漏事件导致数以百万账户的密码被泄露。而且，密码在输入环节极易被人偷视或被木马病毒等窃取，安全问题十分严重。因此，基于传统方式的身份验证方法越来越不能满足社会安全和发展的需要。
人体生物特征作为人体的内在特征，具有很好的稳定性、唯一性和安全性，生物特征识别技术逐渐成为安全验证领域首选的方式。生物特征识别技术将计算机技术和生物技术相结合，对人体的生理特征和行为特征进行分析，进而进行身份鉴别。在目前的研究与应用领域中，生物特征识别主要关系到计算机视觉、图象处理与模式识别、计算机听觉、语音处理、多传感器技术、虚拟现实、计算机图形学、可视化技术、计算机辅助设计、智能机器人感知系统等其他相关的研究。已被用于生物识别的生物特征有手形、指纹、脸形、虹膜、视网膜、脉搏、耳廓等，行为特征有签字、_、按键力度等。基于这些特征，生物特征识别技术已经在过去的几年中已取得了长足的进展。
人脸识别技术基于人们日常生活最常用的身份识别方式，是最友好的生物识别技术。人脸识别技术是生物认证的一种，与指纹识别、虹膜识别等其他人体生物特征进行身份鉴定的方法相比，人脸识别具有更直接、友好、方便的优点。虽然人脸识别的可靠度没有指纹识别、虹膜识别等认证技术的高，人脸识别的优势在于其自然性和不被被测个体察觉的特点。
虽然人脸识别有很多其他识别无法比拟的优点，但是它本身也存在许多困难。人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。人脸识别的困难主要是人脸作为生物特征的特点所带来的。人脸在视觉上的特点是：
1) 不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。
2) 人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响。
在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化，而称第二类变化为类内变化。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。
解决类内变化的干扰，已经成为人脸识别的关键。能够在不同环境、不同表情，甚至是不同年龄段做出完全正确的识别，将极大的推动人脸识别的应用，扩大人脸识别的应用范围。
1.2 人脸识别的历史和现状
人脸识别技术研究的历史较久，早在1888年Galton就在Nature杂志发表过关于利用人脸进行身份识别的文章。1965年Chan和Bledsoe发表了关于自动人脸识别的技术报告。近年来更是涌现出许多新的技术和方法，尤其是上世纪九十年代以来，随着社会需求的增加，人脸识别得到了长足的发展，学术论文的发表年年激增。如今，几乎所有的理工大学和知名IT公司都在从事人脸识别的研究。
目前，人脸检测方法主要分为基于特征的方法和基于图像的方法。由于人脸图像复杂，对人脸的明显特征信息进行度量具有一定的困难，基于特征的方法发展缓慢。基于图像的方法利用现有的成熟的模式识别理论，将人脸识别问题转化为模式识别问题从而实现人脸区域的检测。基于图像的人脸检测一般又分为基于线性子空间的方法、基于人工神经网络的方法和基于统计的方法。
Turk等[9]于1991年将PCA方法引入人脸检测，后来Martinez等[10]提出了LDA（线性判别分析）方法，该方法一般利用Fisher准则函数，故又称Fisher线性判别分析，该方法对光照和人脸表情有一定的鲁棒性。1997年Osuna等[13]首先提出基于SVM的人脸检测，并取得了很好的实验结果。1998年Rowley等[11]提出了基于ANN（人工神经网络）的人脸检测方法，该方法利用神经网络的学习和分类能力，对人脸样本和非人脸样本进行学习得到人脸分类器，进而进行人脸检测。同年，Nefian等[12]将HMM（隐马尔科夫模型）用于人脸检测，为提高检测精度，他还提出了基于嵌入式HMM的人脸检测方法。2001年Viola和Jones[14]提出了一种基于 AdaBoost的正面人脸实时检测算法，通过将AdaBoost算法和级联分类器进行综合，算法实现了实时的人脸检测，从此人脸检测正式实用化。后续出现的人脸检测算法研究大多是针对以上经典算法的不足而进行的改进以及多方法的融合等工作。
人脸特征提取是人脸识别系统的核心步骤，其结果直接影响识别的准确性，因此人们在该领域投入了大量的研究工作。目前人脸特征提取的方法大致可分为两大类：基于知识的方法和基于统计学习的方法。1991年Turk和Pentland[9]提出Eigenface（特征脸）的方法。在Eigenface的基础上，Moghaddam[15]提出了基于双子空间的贝叶斯概率估计的方法。后来Cootes等提出了一种柔性模型方法，该方法包括ASM（主动形状模型）[15-18]和AAM（主动纹理模型）[19]。为解决复杂条件，比如多姿态和多光照问题等，Georghiades等[21]提出了基于光照锥模型的方法。2001年 Shashua等[20]提出了基于熵图像的方法。Basri和Jacobs[22]提出了利用球面谐波解决光照问题的方法。还有基于3D建模的人脸识别方法、基于流行学习的方法等等。综合说来，人脸识别技术的研究方法很多，但由于人脸本身以及人脸图像采集环境的复杂性，经典方法的应用场合十分有限。要想在大多场合准确快速地实现人脸识别工作，需要对经典方法不断地进行改进和 ……（未完，全文共14058字，当前仅显示3344字，请阅读下面提示信息。收藏《毕业论文：基于梯度特征的人脸身份验证》）