维普资讯 http://www.cqvip.com 高新技术 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｓｕｌ２而 可 ００７ ＮＯ ２４ 基于统一贝叶斯构架的人脸识别技术 堡 力掣摹： 脸 另 方 是在贝叶斯分类方法基础上集成了特征脸方法和线性判别方法（ＦＬＤ）Ｏ别的任务一． 口里的 理。套固 ｃ 笼 进行数坦压缔后，斯构 咎芎 应用主分量分析（，并产生了新的增强型概率推理模 用贝叶斯分类器在已经经过ＰＣＡ算法得到压缩的子空间上用最大后验概辜规 ｉ ＣＡ）算法进行降维处理，ＰＣＡ算法能有效减少噪声的干扰并使一些起关键作南 成芬 避符人 谀 。概率推理模型（Ｒ Ｐ Ｍ）将被详细介绍，因为它的识别性能比特征脸方法和线性判别方法都好。 。 关键词：人脸识别检测算法特征 １引言 的参数估计问题。我们常用的函数模型是正 【 ， ，．．．， 】的样本均值。则我们可以得 人脸识别是一个标准的模式识别问题，而 态分布： 到： 它的识别性能不仅依赖于特征的选取，也依赖 ，于分类器的选择。在模式识别中，特征选取是 ｐ（ＺＩ ） １ ｅｘｐ｛． ＝ ∑ ，ｉ：１，２，…．，Ｌ其中 为了减少分类时的数据处理量同时增加可判 １ ． 别性，从原始的输入数据中提取那些能显著代 一÷（ｚ—Ｍ，） ∑ （ｚ【ｆｊ，ｊ＝１，２…．， ，表示类ｏ４的样本图像 二 ｚ— ）｝ 表所要识别事物的分量。选择合适的特征分 在ＰＣＡ子空间的坐标向量。 量一般有以下设计标准：最小冗余和相关性； 其ＣＭ 和∑ 是类 的均值和协方差矩阵。 ４．１ ＰＲＭ－１ 最小重构错误率；信息传递最大化；编码的稀疏 在ＰＲＭ一１模型离我们假设各类内协方差 度。贝叶斯分类器能在先验概率密度函数已 ３人脸识别方法 矩阵都是一样的对角矩阵 知的情况下，使错误率最小的分类规则。这个 类内协方差矩阵的估计因为样本数据量 ∑ ：∑ ＝西 ｛ ， ２一 ｝ 最小错误率，又叫贝叶斯错误率是特征有效性 的而仍然显得困难。我们注意到，通过 而每个对角线上的元素 能够通过一维ＰＣＡ 的最有效度量标准，因为它是类可分离性的度 用ＰＣＡ算法，类间的协方差矩阵是对角阵，而 子空间估计得到： 量。 类内协方差矩阵则不一定。而更多的假设会 集成了ＰＣＡ特征提取技术和贝叶斯分类 引出不同的人脸识别方法。 圭 善（ｚ 一 ｝ 器的贝叶斯构架方法产生了新的性能优秀的 ３、１特征脸 假设类内协方差矩阵是单位阵：∑ ：∑ 其中ｚ 是样本 ’的第ｉ个元素， 是 的 人脸识别模型，被称作概率推理模型（ＰＲＭ一 ＝１＆ＰＲＭ一２）。从贝叶斯最小错误率的观点 ∑ ，在这一假设下，先验条件概率密度函数 第ｉ个元素，Ｌ是类的个数。 看，类内离散度和ＭＡＰ规则使类间可分离度 简化为： 从方程１１和９，可以推出： １ ｌ 达到最大，而且性能应该比基于ＰＣＡ和ＦＬＤ ｐ（ｚ ） 高 ｅｘｐ｛一；（ｚ—Ｍ。）‘（Ｚ－Ｍ，）｝ 的识别方法更好，应为这两个方法中的评价标 蚓 赢卅 薹 ， 准与贝叶斯错误率这个量无关。 距离判别法就符合ＭＡＰ规则，具体这就是Ｔｕ— 因此ＭＡＰ决策规则如下，叫做二次分类Ｍａ— ｒｋ＆Ｐｅｎｔｌａｎｄ的特征脸方法。 ｈａｌａｎｏｂｉｓ距离。 ２统一贝叶斯构架 ３．２线性判别ｆｉｓｈｅｒｆａｃｅ 集成了主分量分析法（ＰＣＡ）和贝叶斯分 在用过ＰＣＡ算法后再用ＦＬＤ分析方法生 薯 ： 嘻 ， 类器就构成一个统一贝叶斯构架。首先通过 成一个新的特征集合Ｗ＝ ， ｚ。在ＦＬＤ子 ＰＣＡ算法的降维处理，原图像被压缩到一个更 空间上，假设所有类内协方差矩阵为单位阵： Ｚ∈ ，Ｊ｝＝１，２．，Ｌ ．，．小而且去除一定干扰的同时又突出了重要特 ∑，＝∑ ＝∑ ，在这样一个假设下，条件先验 ４．２ ＰＲＭ－２ 征成分。然后用贝叶斯分类器，在先前的 概率密度函数简化为 １ １ ＰＲＭ一２模型按照如下公式在ＰＣＡ子空 ＰＣＡ子空间中进行以最小错误率为评判标准， Ｐ（ｚｌ ｃｏ） 唧｛～；（ 一Ｍ’ ） （矿～Ｍ ）｝ 间上计算类内离散矩阵： 以ＭＰＡ为规则的分类识别。 贝叶斯分类器是模式识别领域中最经典 距离判别法也符合ＭＡＰ规则，具体这就是Ｂｅ－ ∑ｍ Ｔ Ｚ ｛￣ －Ｚ （ｚ 一 ）（ｚ — 的分类器，贝叶斯错误率是评价特征集有效性 ｔｈｕｍｅｕｒ，Ｈｅｓｐａｎｈａ，＆Ｋｒｉｅｇｍａｎ的 的最佳标准之一，而后验概率就是最优化的特 ｆｉｓｈｅｒｆａｃｅ方法。 然后用奇异值分解法对角化矩阵∑ ∑ ＝ＵＳＶ 征。假设ｑ，６０２，－．．，６０￡代表Ｌ个分类，Ｚ是一个 其中Ｕ和Ｖ是归一矩阵，人脸图像在ＰＣＡ子空间上投影的坐标。在给 ４概率推理模型 Ｓ是对角阵 ＝ 定图像Ｚ的条件下它属于类 的后验概率表 在统一贝叶斯构架下，我们得到了两种新 硪 ｌ， ２ ．， ｝ 达式为： 的概率推理模型，ＰＲＭ一１和ＰＲＭ一２。它们 且对角元素非负。并对它们排序 Ｐ １Ｚ）：—ｐ（Ｚ｝ｃｏ）Ｐ（ｃｏ，） 都是利用类内离散度来近似估计类内协方差 （ ）， 己），．．， （２ ））＝ｏｒｄｅｒ｛ ，ｓ；，…， ２｝ —‘ 。ｐ（Ｚ） 矩阵。在ＰＲＭ－１模型的ＰＣＡ子空间中，我 最后类内协方差矩阵表示如下 其中Ｐ（ ）是先验概率，ｐ（Ｚ ｌ）是条件概率 们假设所有的类内协方差矩阵是一样的对角 ∑ｆ＝ 磷 ， ）｝ 阵，且对角线上的元素是从一维ＰＣＡ子空间 对应的先验概率密度函数 密度函数，ｐ（Ｚ）是混合密度函数。后验概率 的样本方差估计得到。这样的话，先验条件 最大化（ＭＡＰ）决策规则用在贝叶斯分类器上 概率密度函数使得二次分类Ｍａｈａｌａｎｏｂｉｓ距离 就是： 卅 砉 ， ｐ（Ｚ １ ０３ ）Ｐ（国，）＝ｍａｘ｛ｐ（Ｚ １ ０３，）Ｐ（国，）｝，Ｊ 符合ＭＡＰ规则。而对于ＰＲＭ－２模型，首先 我们根据ＰＣＡ子空间上的类内离散度计算平 最后ＭＡＰ规则如下 ：ｌ，２＇…，Ｌ，Ｚ∈０３ 图像Ｚ被分类到 使满足后验概率最大。 均类内协方差矩阵，然后进行对角化，再用经 过排序的对角线元素作为类内协方差矩阵对 壹 ：ｔ ｛壹 ｝ 在一般情况下，我们没有足够的样本去为 角线元素的估计值。 ４ ＰＲＭ一２产生另一种 每个类估计先验条件概率密度函数。作为一 Ｚ∈ＣＯ。，ｊ｝＝ｌ，２＇…，Ｌ 二次分类器。设ｑ，缈２，…，国ｃ和Ⅳ１，Ｎ２，…，Ｎ 种妥协的办法，我们假定一种通用的密度函数 分别表示Ｌ个类和每个类样本数量。 ， 模型，将概率密度函数估计转化已知函数形式 ＾ ．．，＾ ￡表示类内的基于ＰＣＡ子空间ｓｐａｎ （下转３页） 科技咨询导报Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｓｕｌｔｉｎｇ Ｈｅｒａｌｄ ｌ 维普资讯 http://www.cqvip.com ２００７ ＮＯ ２４ 高新技术 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｓｕｌ丽 而 后置于活化炭化炉中，在８００℃以上的高温下 进茂，王国俊等 ”通过固体吸附剂富集，再用 Ｈｅａｌｔｈ，ｌ９９３，８３（１）：８９ ｌ０ｌ 炭化活化而制成的具有高度发达的微孔结构 超临界ＣＯ，脱附后用ＧＣ—Ｍｓ对实验室内空 【３ Ｊ Ｒｏｂｅｒｔｓｏｎ Ｊ．Ｉｎｄｏｏｒ ａｉｒ ｑｕａｌｉｔｙ ａｎｄ 的高效吸附材料。由于其微孔丰富，吸附容量 气中气相有机污染物进行了考察。 ｓｉｃｋ ｂｕｉｌｄｉｎｇ，Ｍｅｄ．Ｊ．Ａｕｓｔ．，ｌ９９３， 大，且微孔直接暴露于ＡＣＦ表面，因此具有优 １９７４年Ｂｅｌｌｏｒ和Ｌｉｃｈｔｅｎｂｅｒｇ等 首先提 ｌ ５８（５）：３５８ ３７０． 异的吸附与解吸特性。活性炭纤维采样法与 出了吹扫 捕集法，适用于测定挥发性的有机 【４ Ｊ Ｂａｔｔｅｒｍａｎ，Ｓ．Ａ．，Ｚｈａｎｇ，Ｇ．Ｚ．， 热解吸／毛细管色谱联用，可用于分析室内空 化合物，因而它在样品前处理中日益获得广泛 Ｂａｕｍａｎｎ，Ｍ．Ａｎａｌｙｓｉｓ ａｎｄ ｓｔａｂｉｌｉｔｙ ｏｆ 气中低沸点的挥发性有机物 】。 的应用。吹扫一捕集基于挥发性有机化合物 ａｉｄｅｈｙｄｅｓ ａｎｄ ｔｅｒｐｅｎｅｓ ｉｎ ｅｌｅｃｔｒｏ Ｄ０ｌ 应当指出，各种采样方法在采集空气中 在水相及其上方空间达到平衡，用惰性气体将 ｉｓｈｅｄ ｃａｎｉｓｔｅｒｓ．Ａｔｍｏｓ Ｅｎｖｉｒｏｎ．１９９８． ＶＯＣＳ的过程中都存在一定的缺陷。如何能 挥发性的有机化合物吹扫出来，带入捕集器（挥 ３２（１０）：ｌ６４７． 更有效地防止样品采集过程中ＶＯＣｓ的挥发和 发性有机化合物被吸附剂富集）一利用吸 １５ Ｊ Ｃａｓｔｅｌｌｎｏｕ，Ａ．Ｇｏｎｚａｌｉｚ Ｆｌｅｘｃａ Ｎ． 反应，研究吸附剂的吸附饱和量与采集时间及 附／脱附原理进行挥发性有机化合物的富集 Ｇｒｉｍａｌｔ Ｊｏ．Ｒｅｆｒｉｇｅｒａｔｅｄ ｍｕｌｔｉｈｕｅｄ 采集效率间的关系以更好地提高吸附剂的吸 （理论上要求分析对象在所用吸附剂上不得超 ａｂｓｏｒｐｔｉｏｎ ｉｎ ｓａｍｐｌｉｎｇ ａｎｄ ａｎａｌｙｓｉｓ ｏｆ 附效率，以及环境条件如风速、温度、相对 过泄漏体积Ｖｍａｘ）。挥发性有机物的分析通 ａｔｍｏｓｐｈｅｒｉｃ ｌｉｇｈｔ ｈｙｄｒｏｃａｒｂｏｎｓ ａｔ ｐｐｂ 湿度和共存的干扰物等对样品采集的影响、 常采用热解吸进样技术，即将吸附有待测物质 （ｖ／ｖ）ａｎｄ ｓｕｂ—ｐｐｂ（ｖ／ｖ）ｃｏｎｃｅｎｔｒａｔｉｏｎｓ． 样品的存放问题等仍是目前存在的难题，还有 的采样管置于热解吸装置中，该装置与ＧＣ直 Ｊ Ｃｈｒｏｍａｔｏｇｒ Ａ．１９９７，７７８（１＋２）：２６９． 待进一步深入的研究。 接相连，当热解吸装置加热升温时，ＶＯＣＳ从 【６】王伯光，张远航，邵敏，等．预浓缩一ＧＣ— 吸附剂中释放出来，随载气进入ＧＣ进行分离 ＭＳ技术研究室内空气中挥发性有毒有机 ２样品预处理 分析。热解吸的升温速率越快，最终温度越 物．环境化学，２００１，２０（６）：６０６—６１ ５ 样品的预处理是非常关键的一步，经过预 高，解吸速度就越快，进入色谱柱的初始样品 【７】，戴树桂，宋丽香．室内空气中芳香烃 处理，首先可起到浓缩被测痕量组分的作用， 谱带就越窄，但不能超过吸附剂的最高使用温 的测定与污染源模拟．环境科学，ｌ９９８，ｌ９ 从而提高方法的灵敏度，降低最小的检测极 度。解吸时间主要取决于待测样品与吸附剂 （５）：６３ ６５． 限，其次可消除基线对测定的干扰，使一些在 的作用。解吸过程需要一定的时间，但对于一 【８】Ｓｕｎａ－ｏｋ Ｂａｅｋ，Ｙｏｏｎ ｓｈｉｎ Ｋｉｍ，Ｒｏｇｅｒ 通常检测器上没有响应或响应值较低的化合 次解吸，太长的时间使样品初始谱带变宽，不 Ｐｅｒｒｙ，Ｉｎｄｏｏｒ ａｉｒ ｑｕａｌｉｔｙ ｉｎ ｈｏｍｅｓ， 物转化为具有很高响应值的化合物，并且样品 利于分离，因此目前使用的多为二次热解吸装 ｏｆｆｉｃｅｓ ａｎｄ ｒｅｓｔａｕｒａｎｔｓ ｉｎ Ｋｏｒｅａｎ ｕｒ－ 经预处理后就变得很容易保存和运输。传统 置。二次热解吸装置在样品吸附管和色谱柱 ｂａｎ ａｒｅａｓ ｉｎｄｏｏｒ／ｏｕｔｄｏｏｒ ｒｅｌａｔｉｏｎｓｈｉｐ． 的样品预处理技术很多，包括蒸馏、索氏抽提 之间增加了一个冷阱（装有少量玻璃珠的金属 Ａｔｍｏｓｐｈｅｒｉｃ Ｅｎｖｉｒｏｎｍｅｎｔ，ｌ９９７，３ｌ（４）： 等，但大多操作繁琐费时，往往要用大量的溶 管，或装有少量吸附剂的硬质玻璃管。当加热 ５２９—５４４． 剂，都不是理想的方法。为了克服上述方法的 样品吸附管时，冷阱保持低温冷冻）。待测样品 【９】戴树桂，，白志鹏，等．室内空气中苯系 缺点，一系列微量富集技术被相继推出，目前， 从吸附管中解吸后，被冷阱捕集，然后再快速 物的测定与模拟研究．中国环境科学， 在检测大气样品时常采用的预处理方法有超 加热冷阱，使ＶＯＣＳ随载气进入ＧＣ进行分离 ｌ９９７，ｌ７（６）：４８５—４８８． 临界流体萃取、吹扫捕集法、固相微萃取 分析。冷阱吸附性ｔＥ４，，主要使靠冷冻起到对 【ｌ０】徐东群，崔九思，等．活性炭纤维吸附／热 等。 待测样品的阻留作用，这样即解决了待测组分 解析／毛细管气相色谱法测定低浓度 超临界流体萃取法是近年来发展很快的 从吸附管中解吸所需要时间问题，又可保证样 ＶＯＣｓ的方，环境化学，ｌ９９９，ｌ８（６）：５６６． 一门理想的样品前处理技术，特别适于环境等 品初始谱带较窄。这种方法快速．准确、不需 【ｌｌ】游静，尤进茂，王国俊．离线超临界流体萃 体系复杂和组分易变的样品。超临界流体萃 要有机有毒溶剂，因而目前被广泛应用＿】３Ｉ。 取和气相色谱／质谱联用对实验室内空气 取技术（ＳＰＥ）是利用超Ｉ临界条件下的流体（Ｈｐ超 这些方法各有特点，同时也存在着局限 中气相有机污染物的测试，分析化学研究 临界流体）作为萃取剂，从气体、液体或固体中 性。超临界流体萃取法则要求使用大量高纯 简报，ｌ９９８，２６（７）：８８６—８９０． 萃取出环境样品中的待测成分，以达到某种分 二氧化碳；吹扫 捕集法具有较高的灵敏度， 【ｌ２】Ａ．Ｂｅｌｌｏｒ，Ｊ．Ｊ．Ｌｉｃｈｔｅｎｂｅｒｇ．Ｔｈｅ ｄｅ－ 离目的的一项新型分离技术。超临界条件下 可以避免溶剂对分析样品定性定量的干扰，但 ｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｖｏｌａｔｉｌｅ ｏｒｇａｎｉｃ ｃＯｍ 的流体既不是气态也不是液态，而是介于两相 对样品的回收率较低，且不能重复分析。 ｐｏｕｎｄｓ ｉｎ ｗａｔｅｒ ａｔ ｔｈｅ ｇ／Ｌｌｅｖｅｌ ｉｎ 之间的一种中间流动状态。在此条件下流体 ｗａｔｅｒ ｂｙ ｇａｓ ｃｈｏｍａｔｏｇｒａｐｈｙ．Ｊ．Ａｍｅｒ． 的特点是低粘滞性、高扩散性、高溶解度。ＳＰＥ 参考文献 Ｗａｔｅｒ Ｗｏｒｋｓ ＡＳＳ．１９７４，６６：７３９． 具有萃取效率高、萃取时间短（数分钟至数小 【ｌ】Ｋｏｓｔｉａｉｎｅｎ Ｒ．，Ｖｏｌａｔｉｌｅ ｏｒｇａｎｉｃ ｃｏｍ 【ｌ３】陈宝生，李淑敏，张波．吹洗和捕集色／质 时）、后处理简单且无二次污染的特点，还可与 ｐｏｕｎｄｓ ｉｎ ｔｈｅ ｉｎｄｏｏｒ ａｉｒ ｏｆ ｎｏｒｍａｌ 联机法鉴定室内空气挥发性有机物，环境 ＧＣ、ＧＣ／ＭＳ、ＴＬＣ、ＨＰＬＣ及ＳＦＣ等分 ａｎｄ ＳｉＣｋ ｈ０ＵＳｅ．Ａｔｍｏ ｓＰｈｅ ｒｉＣ 与健康杂志，ｌ９９２，９（１）：２６—２８． 析仪器联用，可进一步提高环境样品的分析速 Ｅｎｖｉｒｏｎｍｅｎｔ，ｌ９９５，ｌ９（６）：６０３ ７０２． 度与精度，还可实现对环境样品的现场检测， 【２】Ｈｏｆｆｍａｎ Ｒ．Ｅ．Ｂｕｉｌｄｉｎｇ－ｒｅｌａｔｅｄ ａｓｔｈｍａ 是一种新型的环境样品预处理技术。游静，尤 Ｄｅｎｖｅｒ ｏｆｆｉｃｅ ｗｏｒｋｅｒ．Ａｍ．Ｊ．Ｐｕｂ１ｉｃ （上接１页） ５结果 最接近的三个样本时，性能也比特征脸方法提 参考文献 统计数据是ＦＥＲＥＴ中的３６９个人的ｌ １０７ 高３％，识别率极值更是达到９９％。 【ｌ】孙鑫，刘兵．基于分块ＰＣＡ的人脸识别［ＪＪ． 幅人睑图像。其中的６００幅图像，每个人３幅， 计算机工程与应用，２００５，２７：８０—８２． 前两幅代表同一时段两次不同的拍摄，第三幅 ６结语 【２】张晓华，山世光．若干自动人脸识别技术评 在低光照情况下拍摄。剩下的１６９个人也各有 通过主分量分析法（ＰＣＡ）和贝叶斯分类 测与分析【ＪＪ．计算机应用研究，２００５，６：１ ４． ３幅图像，其中的两幅是同一环境下，两个不同 器的结合，我们得到了统一贝叶斯构架方法， 【３】边肇祺，张学工．模式识别【Ｍ】．清华大学出 时段的拍摄。每个人的两幅图像用作训练样 而且产生了新的性能更好的识别方法概率推 版社，２０００． 本，而第三幅用来做测试。图像大小为６４×９６ 理模型。ＰＲＭ—ｌ和ＰＲＭ一２工作在较低维 【４】Ｂａｂａｃｋ Ｍｏｇｈａｄｄａｍ，Ｔｏｎｙ Ｊｅｂａｒａ，Ａｌｅｘ 像素，且眼睛的位置事先人为校正。 的ＰＣＡ子空间上，并更具贝叶斯错误率优化 Ｐｅｎｔｌａｎｄ．Ｂａｙｅｓｉａｎ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ 我们得到在识别时只取最接近一个样本， 类间的可分离度。实验结果显示概率推理模 【Ｊ】．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２００２，３３：ｌ７７１一 概率推理模型的性能比特征脸和ｆｉｓｈｅｒｆａｃｅ方 型在人脸识别上比特征脸方法和ｆｉｓｈｅｒｆａｃｅ方 】７８２． 法提高５％，当我们选取４４个特征时，概率推 法有更好的性能。 理模型的识别率达到极值９６％，而在识别时取 科技咨询导报Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｓｕｌｔｉｎｇ Ｈｅｒａｌｄ ３
