基于粗糙集和直推式置信机器的人脸识别研究

基于粗糙集和直推式置信机器的人脸识别研究 湖南大学 硕士学位论文 基于粗糙集和直推式置信机器的人脸识别研究 姓名:宋俊纬 申请学位级别:硕士 专业:软件工程 指导教师:秦拯;于秋芳 20111119 摘 要 人脸识别是人类身份识别的一种，因其具有稳定性和唯一性，与其他身份识 别技术相比在社会中有更加广泛通用的应用。粗糙集是近年来发展起来的继概率 论、模糊集、证据理论的有一个处理不确定性问题的数学工具，是一种新兴的软 计算方法，其有效性已在许多学科和工程领域得到验证，是当前国际上人人工智 能领域的研究热点之一。 , 矩阵。针对提出来的本算法，以,,,,,, ,,,, ,,,,, ,,,,,琔,人脸数据库为实验对象，用,神经网络作为分类器，进行模拟 通过实验验证了本文提出的特征提取算法可以获得较好的识别率，是一种有 效的方法。另一方面，为弥补传统的识别分类方法难以定量预测结果的不足，本 文在进一步验证实验中引入了直推式信任机器。在识别分类中，不仅给出了预测 分类结果，同时给出了预测的可信任度量，对预测结果是一种有力的补充说明， 而且识别效率高于常用的,神经网络，是一种有实际应用价值的分类技术。 关键词:人脸识别，子图分割，粗糙集，,神经网络，直推式信任机器 , ,,,琣, ,,, ,,,,,,, ,,,,,,, ,,,,,,琭,,,, ,,,,, ,, ,,,,,,,,, ,,，,,,,,,,,,,,, ,,, ,, ,,, , , ,,,瓸,, ,,,,, , ,,, ,,,,, ,,,,,:, , ,, ,, , ,,,,, ,,, , , ,,,,,,, , ,,，,,,,,,,, ,,,,琤, ,,,,, , , , ,,,,瑆,, ,, ,,, ,,,,,,,,,,( ,,, ,,,,, 图,,子图分割思想,,,,,,,,,,,,,,,,,,,,,,,,,,,((, 图,,神经元模型,,,,,,,,,,,,,,,,,,,,,,,(, 图,,连接的三层,神经网络,,,,,,,,,,,,,,((, ,反向传播算法流程图,,,,,,,,,,,,,,,,,,,,,(, 图,, 图,,人脸图像分割,,,,,,,,,,,,,,,,,,,,,,((, 图,,人脸图片示例,,,,,,,,,,,,,,,,,,,,,,,, 图,,不同特征维数下粗糙集简约算法的识别率,,,,,,,,,,, 图,,去除部分少量信息区后的识别率,,,,,,,,,,,,,,((, 图,, , ,, 表,, 表,, 表,, 表,, 表,, 表,, 人脸识别技术属于模式识别领域范畴，是近年快速发展和广泛应用的生物识 别技术的一种。人脸识别的过程主要包含两个步骤，一是提取人脸特征信息，这 个特征提取过程有很多算法，不同算法考虑的角度不同得出不同的特征信息;二 是运用一定方法进行特征分类，进而识别出不同人脸图像，实现身份的判断。人 脸识别技术的这两个过程的处理中需要运用到心理学、生物学、统计学、数据挖 掘、图像处理等学科。与其他的生物识别技术相比，人脸识别具有唯一性、稳定 性、可操作性强等特性，因而在现实生活中具有十分广泛的应用意义。 选题背景及意义 膜等生理特征，利用图像处理或数据挖掘的方法，结合识别分类技术来区分人的 身份。生物特征识别技术提供了唯一的可靠性高的人体生物特征的身份鉴别途径， 在司法鉴定、考勤系统、银行和安全方面都有着非常广阔大应用前景，生物特征 识别技术已开始进入人类生活的各个领域。目前已有的生物特征识别技术主要有 指纹识别、掌纹识别、话音识别、签名识别、虹膜识别、视网膜识别、人脸识别 人们最早接触的生物特征鉴定技术是指纹识别技术，每个人都拥有属于自己 唯一的永不会变得指纹，人们早在古代就已开始使用这项技术来确认罪犯。目前 这项技术在刑事侦查、安全检查系统和驾照注册等大型管理系统中仍然有着广泛 的应用。但是一些客观原因如手指上的皮肤伤疤、长茧、皮肤干湿度、。皮肤老化 等自然现象会影响到指纹识别的效果。 虹膜身份鉴别时近年来研究的一大热点。虹膜是瞳孔与巩膜间的环形可视部 这个可被定位于,,米远外的相机所识别。由于人的虹膜之间存在着千差万别， 因而即使识别技术发生三分之一的错配，仍然能做出准确的鉴别。然而因为黑眼 睛的光线问题，很难捕捉到人眼睛虹膜的准确信息，因为聚焦的需要也需要昂贵 的高分辨率摄像头才来截取图像信息，当前的虹膜技术还只是存在于实验室里的 进行过小规模试验的技术，不具备大范围推广的条件他’。 视网膜身份识别技术同样具有高的识别率，只要求被调查者的眼睛对着目镜 一看，从眼睛后部反射的光线就可以捕捉到视网膜的脉络模式，进行高效率的识 基于粗糙集和直推式信任机器的人脸识别研究 人类具备很强的识别能力，研究表明，人类的长期记忆容量是海量的，可无 限挖掘。但是记忆对于计算机来说则困难多了，尤其是要像人类那样记忆并识别 上千个人脸或图片。人类的的记忆和识别是智能的。随着时间的推移，人脸特征 会发生衰落等而变化;光线、成像角度等的差异也会产生不同的人脸;人脸喜怒 哀乐等情绪变化在面部表情上也有相应表现。这些变化和差异，人脑可以根据经 验和记忆智能的判断和识别，不仅可以分辨出人的身份，而且可以判断人的情绪 等特征。而这种能力对计算机而言是十分困难的。因为计算机本是简单的机械结 构，而现在人类不断增长的需要和要求促使计算机要不断的去模拟和实现人的很 多高级功能，这些功能的实现对人类来说是极具意义的，同时也是充满挑战的课 题。 ,,国内外研究历史及现状 人脸识别技术与其他生物特征识别技术有着大体相同的工作原理和过程。首 先通过传感装置如照相机摄像机等捕获样本，即采集人脸图像;其次是通过预处 理来提高图片的质量及便于下一阶段的运算;再次是定位人脸并根据一定方法提 取图片特征，将提取的特征数据存入特征数据库;接下来分类器来根据特征 做出分类决策:最后用分类器对特征库中的人脸图片信息进行身份鉴定。 人脸识别是一种典型的模式识别技术。人脸识别技术的发展主要经历了人脸 检测定位、特征表示和自动识别三个阶段。人脸检测主要考虑从不同的场景及环 境中检测出人脸图像的存在并对其准确定位。特征表示技术主要考虑通过某种方 式表达出人脸的特征，如五官间的欧氏距离、面部的纹理、五官的形状特征等， 常用的表征方法有几何特征法、代数特征法、因定特征模板法等。人脸自动识别 技术是将待识别人脸与库中已知人脸进行对比匹配，自动鉴别身份的一种自动生 物识别技术。 国外对人脸识别的研究已有近四十年的历史，且涉及的研究领域非常广泛。 其中，如美堪萨斯大学的::和:::?椋珿:::大学的:::教授领导的 小组从感知和心理学角度探索了人类识别人脸机理;英国的::小组和荷兰 态图像进行识别的研究时，诸多学者提出了很多有代表和影响力的方法。::: 获得了:,的正确识别率。:?:褂萌:蜝(:::获得的六个控制点侧面几何特 征，对:个受试者进行检测，正确识别率接近::ァ:::::最先在正面人脸 人用几何距离作为特征，如两眼间的距离、左右眼到鼻子的距离等，在较少的库 中获得了较好的识别效果。:::蚐:::::提出了:狶变化方法，::和 ::::提出了多模版技术方法，::和::::::提出了基于模板匹配和几何 国内关于人脸识别的研究始于:年代。程永清等?引采用对同一类别的图像 利用层次判别进行识别分类。彭辉、张长水等?引对:甃特征脸方法做了改进，提 出基于类间散布矩阵降维的方法。张辉幢引等采用对称主元分析神经网络，用去冗 余和权值正交相结合的方法对人脸进行特征提取和识别。王华心?研究了人脸斜视 图像的几何特征提取与恢复。周激流他引将积分投影法和“稳定视点”特征提取方 法用于识别。同时，也不断有新的方法被提出，如基于特征融合、基于聚类空间、 基于方差标准差等统计学方法、最佳鉴别变换、基于改进的核数算法、基于正 基于粗糙集和直推式信任机器的人脸识别研究 ,,课题研究内容及结构 类技术一一,人工神经网络来进行识别分类，验证方法的有效性。然而，虽然, 神经网络这种分类方法广为大家认可，也有其不足之处，如不能对预测分类的准 确性给出定量或定性评价。因此，为弥补这个不足，本文引入直推式信任机器方 法进行分类对比。通过提供的置信度和可信任程度，增加了对预测分类的补充信 息，使分类结果更科学。 第六章对本文提出来的方法进行了对比分析，总结结论。 人脸识别，指通过比较、分析人脸特征信息进行身份鉴别的一种计算机技术。 对人脸识别方法的研究源于上个世纪,年代，因其具有可操作性、友好性、自然 性等特性，更容易让人接受也更便于使用，具有重要的理论价值和实际应用，短 短半个世纪得到了飞速的发展。现如今人脸识别的应用已经遍布我们身边的各个 角落，为安防、边检等做出了重要贡献。 人脸识别技术是基于人的脸部特征，如位置、大小和各个主要面部器官的位 置信息，依据这些信息进一步提取每个人脸中蕴涵的身份特征，并将其与已知的 人脸进行比对，从而识别每个人脸的身份。人脸识别有两个主要的过程，一是特 征提取，二是识别分类。下面分别从这两个过程来介绍人脸识别技术。 特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是利用计算机提取 研究人脸识别所需要的面部特征，以,,,,,珹,,和,,为代表托,,引。 ,,,,,,,结合指纹分析方法用一个简单的语句与库中某一脸图像相联系，进而 对人的身份进行认证。,,,们在此基础上为待识别脸设计了一种逼真摹写，有效 这一阶段开始了人机交互式识别系统的研究。有很多学者在这一阶段有突出 心引，他们用,维特征矢量将人脸面部特征进行表征，并基于这一特征表示法实 基于租糙集和直推式信任机器的人脸识别研究 ,,(,, ,,(,, “角”特征提取 ,,(,, , ,,(,,特征抽取方法 利用图片特征的特征提取方法从图像中抽取具备某一特征的特征向量。 ,, 识别分类 聚类分析法的主要步骤有: 首先，根据类别名预先给定的训练样本，求出确定各类特征矢量份分布的判 别函数。 其次，对于待分类的特征矢量或模式，计算其对应的判别函数的值。 再次，在计算得的待分类的判定函数值中选择最大值，并把模式分到这一类。 最后，输入未知模式后研究这一特征矢量进入到那个区域，并将区域的类别 名赋予它。 非监督方法也叫聚类分析法，这种方法根据模式之间的相似性进行类别划分， 并将相似性强的模式划分为同一个类别。在监督分类法中，认为类别名已知的训 练样本是预先给定的。而实际应用中，有时事先并不知道有什么样的类别存在， 这时在无法得知类别先验知识的情况下，要根据模式之间的相似性进行类别划分， 将相似性强的模式划分为同一个类别。这种“物以类聚”的思想的非监督分类方 法又称为聚类分析法。这种方法完全按照模式本身的统计规律分类，因此分类的 基于粗糙集和直推式信任机器的人脸识别研究 识别分 图,,统计识别的基本过程 ? 图,,结构模式识别系统框架 模式描述:由模式分割和基元抽取两部分组成。 人们对神经网络的研究可以追溯到十八世纪弗洛伊德的前精神分析学时期， 上个世纪五十年代开始，研究者们开始对模拟人的神经系统的信息处理过程进行 研究。,,年，,甊,,,,首次提出并设计著名的具有学习能力的感知器，完成 了从单个神经元到两层神经网络的过渡，并验证了感知器有能力通过调整突触权 值的学习来达到正确分类的目的。这将神经网络的利用用于实践的验证，掀起了 人工网络研究的第一次搞成，形成了人工神经网络技术并在过去半个世纪得到了 长足发展。目前，神经网络已广泛应用于诸多领域，文字识别、声音识别、学习 记忆及人脸识别等。神经网络的独特性在于可利用感知器模型将线性阀值单元作 为输出单元，感知器通过算法的训练学习过程，调整权重系数，最终找到一组实 现正确分类的权重。权重确定后就可以利用该分类器进行图像识别分类了。这种 识别方法与其他识别方法的区别在于它对待识别的对象不要求有太多的分析与了 解，具有一定的智能化处理特点。 ,,常用的人脸自动识别技术 , 了一种自动模板匹配识别系统，获得了较好的识别率获得了较好的识别效果。 ,,,虲,,,,,提出了用可变形模板模型与活动轮廓模型进行人脸几何特征提 取算法提出了一种将可变形模板模型与活动轮廓模型相结合的人脸几何特征提取 算法，并将通过这种将模型提取的参数直接作为人脸特征，也获得了较好的识别 率。山世光、高文口,提出了一种基于面部纹理分布和可变形模板的由粗到细的面 部特征提取策略，也能较好的识别人脸图片，不过人脸面部的纹理分布不具有稳 定性，这种方法在现实生活中应用较小;另外，,,热丝,提出了一种使用可变 形模板提取,人脸特征及实时归一化方法;,,,等人口副提出了基于活动轮廓 跟踪和定位人脸特征系统。这些算法大都计算量小，识别速度快，需要的内存 小，但普遍识别率不是太理想。 ,,(,,谔卣髁,,,的人脸识别方法 神经网络的识别方法始于十九世纪五十年代，随着感知器的产生而在实 际应用中得到了飞速发展。这类方法同样需要较多的样本进行训练，训练样 本越多，网络的识别能力更强。而在许多应用中，如果训练样本数量是很有 限的，所以常常需要对一些样本进行多次反复训练才能达到理想的效果则可 以通过对一些样本进行多次反复训练达到理想的效果。总之，一个训练良好 的神经网络是获得较好识别能力的有力保障。由于人工神经网络方法是模拟 人脸的神经系统而产生的新兴技术，众多学者在这方面做了大量研究，不断 有新的学习能力强的神经网络被设计出来，神经网络方法来识别人脸的技术 也越发成熟。,,,,和,,,,,采就采用了非线性前馈神经网络作为分类器， 线段集之间的距离。有研究表明，人类识别图像轮廓及线条的速度和准确度 相比识别灰度图的能力并不逊色。因此，有学者就在人类轮廓和线条的识别 能力上下功夫，将,,嗬胍,肓颂卣魈崛》椒ㄖ小,,遥琇,距离并不 建立不同线段集之间线段的一一对应关系，所以它更能适应线段图之间的微 小变化，这恰恰与人脸特征提取的特点不谋而合。有实验结果表明，无论光 大表情的情况下识别效果不好，这是这种方法的一个缺陷。 基于粗糙集和直推式信任机器的人脸识别研究 ,,(,С窒蛄炕,,,的人脸识别方法 支持向量机主要解决的是一个二元分类问题。通常我们希望分类的过程 多学者对他在识别分类的应用做了大量研究。,,,珿,, ,,臀?硌芯克,榷家殉晒,玈,算法 ,,小结 ,,粗糙集理论 具体来说，粗糙集理论是建立在分类机制的基础上的。在这一理论中，它将 分类理解为对一个特定空间的基于等价关系的划分，也就是等价类的寻找。将知 识理解为对数据的划分，用概念来定义每一个被划分成的集合，然后利用已知的 知识库中的知识概念，将不确定的知识信息用已知库中确定的知识概念来描述， 以此来区分数据的空间。正因粗糙集理论具备不需要包含处理不精确和不确定性 原始数据的机制，也无需提供问题所需处理的数据集合之外的任何先验信息，使 得他与其他处理不确定性问题的方法显著不同，对问题的描述和处理都是比较客 观的，与其他方法如概率论、证据论、模糊数学等数学工具相比具有很强的互补 性。 粗糙集理论的研究由于其历史较短，最初主要集中和波兰，并没有引起国际 计算机和数学界的注意，所以迄今为止还没有完整统一的定义，所以我们会看到 对粗糙集理论很多种描述方法，有经典的,,,意义下的，也有由上近似、下近 似构成的集合命名的，也有以上近似、下近似构成的区间集合来定义的。不同的 基于粗糙集和直推式信任机器的人脸识别研究 下面我们从如下几个概念入手介绍粗糙集理论这一经典方法。 ,,信息系统 ,,,,埽,芗,，其中,篣专巧,?,苒,是信息函数，玢是属性,的值域;矿:,乃 称为属性值域。 ,,,，,,;否则称为完备信 一个信息系统对应一个关系数据表，反过来一个关系数据表也对应这一个信 息系统，也就是说，信息系统,,荆,珹，,,,是关系数据表的一种抽象描述。 定义,,设,嵌韵蠹,,頤,, ,,苑葱裕,知，斯,蔙,,,芰,: ，，ǖ菪裕骸蓿，，?，，，，溉，蔙，，，溉，蔙，，琂，，艿，。 的等价类。可以证明:若?，，，蔙，则，，空，，，拢，，么，【勋弘，蕌，，，么 ，，集合近似与粗糙集 关于粗糙集的概念还没有完全统一的定义，不同的定义专注的研究侧重点也 各不相同。这里用用经典的，，，理论来定义粗糙集。 称为，，，近似空间。，蔝，，赡鼙怀叻殖衫啵，部赡懿槐籖分成类，凡 是能分成类的子集，浦，3呖啥ㄒ宓模环裨虺浦，猂不可定义的。也就是说， 义的。 ，，给出了这个问题的肯定回答。 关于上近似集和下近似集的定义如下: 出可以准确应验的话和辨清事物形状等细节，而在现代社会的定义是指辨别万物 ,,知识约简 定义,,对数据表,,，,琕，,,珺?,,鬠,,?,,啊?瑁,芺?,贐中 一个约简。 核和约简是粗糙集知识约简的两个重要概念，核是关键属性的集合，去掉核 中的任何一个属性，数据表的分类能力和表达的知识信息都将发生改变。因而， 要想保证数据的分类能力不变，就必须保留核中的每一个属性。知识约简就是保 留数据表分类能力不变的最小属性集，数据表的核是所有约简的公共部分。去掉 约简里的任何一个核的属性那么数据表的划分都将发生明显改变。 上述决策表的约简时保持决策表正域不变，即保持决策表所有确定性规则不 变的最小条件属性子集，这是经典粗糙集理意义下的约简。但是随着对粗糙集理 论研究的深入和发展，粗糙集理论得到了较大的发展，粗糙集理论里的约简理论 和方法也越发扩大。 , 基于租糙集和直推式信任机器的人脸识别研究 定义为 ,蔆,,訠中的重要度定义为 若,,,,,,騦,,,,,,,，则,,,,,,,騍,,,,( 决策表中属性重要度大于零的属性集合构成了决策表的核。 算法,,基于属性重要度的约简启发式算法 输入:决策表,,，,瑈，,，,, 输出:,,，,琕，,，,, 步骤,计算决策表的近似精度旯:—,,,,,,，并计算每 个属性在条件属性集 中的重要度， 判断掣:五，若成立，则转步骤,,环裨颍,馗床街,。 基于属性重要度求约简的启发式算法的基本思想是:首先，计算决策表的近 图,,子图分割思想 至会影响识别的效果。 ,, 和使之可用的功能特性。有两个方面神经网络是与人脑相似的，一是神经网络获 , ,“暑,,骸,,;,,臃ㄆ,?,,,激活函数,危,送饣褂幸桓鲢兄,,。一个 户,厂惟,一埔 这个输出可以同时输入给许多其它的神经元。每一个突触都由其权值作为特征 一患刁觠 表征，各个神经元之间的连接强度由突触权值来表示。突触权值为正表示激活， 为负表示抑制。加法器用于求取各输入信息被神经元的相应突触加权的和，这个 操作构成了一个线性组合器。激活函数起非线性映射的作用，并用来限制神经元 输出振幅。激活函数也称为限制函数或传输函数，通常一个神经元输出的正常幅 值范围可以写成单位闭区间【,,】或另一种区间,,，,】。激活函数一般有三种基本形 式:阶跃函数、分段线性函数、,,,,秃,,,渲衧,,,是构造神经网络是最 常用的激活函数，因为它是严格的递增函数，可微分，在线性和非线性行为之间 显现出较好的平衡。 一般来说，神经网络的结构根据连接方式可以分为前馈型网络和反馈型网络两 种。 前馈型网络是最常见的一种网络结构，这类网络将每一层的神经元串联起来， 一层的输出是下一层的输入，各神经元接收前一层的输入并输出到下一层，网络 中没有反馈链接。节点也因此分为输入、计算单元和输出三类。源节点构成输入 层，输入单元没有计算，直接将输入信号传递到下一层的计算单元。输入、输出 节点直接与外界相连，称为可见层，而中间层与外界无法直接联系，称之为隐含 层。在隐含层和输出层中，每一个计算单元可以有任意个输入但只有一个输出。 前馈型网络通常可以有多个隐含层，从而构成多层前馈网络。一般把输入节点层 记为第一层，只有单层计算单元的神经网络就是一个两层网络，这也是最简单的 神经网络，这种形式就是广为熟知的感知器。通常，如果一个前馈型网络有朋个 源节点，第一个隐含层有,个神经元，第二个隐含层有办,錾窬,#,涑霾阌衠个 神经元，可称之为,猦,籬,籫四层前馈网。从计算的观点看，前馈型网络并非一 种强有力的计算系统，不具备丰富的动力学行为。但是从系统的观点看，前馈型 网络是一种静态非线性映射，通过简单非线性处理的复合映射可获得复杂的非线 性处理能力。 反馈型网络也称为递归网络，和前馈型网络的区别在于它至少有一个反馈环。在 反馈型网络中，输入信号与反馈系统的初始状态对应关系是非常敏感的，反馈系 统的初始状态由输入信号来决定，输入信号经系统一系列状态转换后，逐渐收敛 于平衡状态，这个平衡状态就是反馈型神经网络经过复杂反馈计算后的结果输出。 在反馈型神经网络中，反馈环是对网络的学习能力和性能造成深刻的影响主要原 , 基于粗糙集和直推式信任机器的人脸识别研究 ,神经网络 , , 著的对神经网络发展产生深远影响的著作,,,, ,,,,,,,,,,,,,,并行分布处理:认知 隐含层 输出层 图,,标准连接的三层,神经网络 ，神经网络的学习步骤 反向传播算法的学习步骤如下: 初始化。设置所有的突触权值和阀值为最小的随机数。在没有先验 调整输出层和隐含层的突触权值。 具体步骤如图，，所示。 在本论文中将，神经网络引入到了识别分类阶段，在，，，，，的实验环境下， 用经典的三层，神经网络来对样本进行学习训练及分类判断，具体应用和参数设 置在，，节进行介绍。 基于粗糙集和直推式信任机器的人脸识别研究 ,反向传播算法流程图 粗糙集理论是,,,教授提出来的一种能够定量分析处理不精确、不一致、 不完整信息与知识的数学工具，它的基本思想是通过关系数据库分类归纳形成概 念和规则，通过等价关系的分类以及分类对于目标的近似实现知识发现。由于粗 糙集理论思想新颖、方法独特，已经成为一种重要的智能信息处理技术，在机器 学习与知识发现、数据挖掘、决策支持语分析等方面得到广泛应用。粗糙集理论 与其他处理不确定和不精确问题理论最显著的区别是他不需要提供需处理的数据 集合之外的任何先验信息，对问题的不确定性的描述或处理是比较客观的。第三 章对粗糙集理论及其方法做了详细的介绍。 在对图片进行约减前首先要将人脸图片进行子图分割，可以将图片根据需要 切割为任意需要的子图维度。一个人脸图像被切割成,个子图后的子图图像如图 ,,所示。 (曩,嘲溪? 一懑寨辖鬕, 鬟翳瑟 图,, 本实验都在,,,,,的工具环境下进行。实验主要流程介绍如下: 首先用,,,读取图片并进行灰度化，获得每幅图片的灰度值矩阵。接下来用 子图分割思想将图片进行分割，图片分割在实验中的具体体现是对图片灰度值矩 阵的分割。然后利用粗糙集理论的数据分析和知识获取能力，运用粗糙集约简方 法对每个子图的小矩阵的数据信息进行浓缩和筛选。约简规则为:选取灰度值均 值上下浮动,,的灰度值的近似空间的正域，也就是认定灰度值均值上下浮动,, 的灰度值为必要属性，其他值为非必要属性。略去不必要的属性值，只保留核心 数据，也就是约简数据的平均值。最后将经过变换得到的数据进行组合，得到的 特征向量也就是人脸图片的特征矩阵。如果我们将图片划分为,个子图，如图,, ,， 对每个子图灰度值向量进行粗糙集简约提取特征后，得到的,维特征值如下表,, 基于粗糙集和直推式信任机器的人脸识别研究 图,,人脸子图的租糙集简约特征值表 ,,实验结果与性能分析 , ,,,,,琔,数据库， ,,,,, ,人每人,张，包括表情、姿态、面部饰务和微小姿势的变化，每幅图片大小都 脸数据库为模拟学习和测试对象。该图片库中的图片可以在,,,中用,,,函 人脸图像。 人脸图片示例 图,, ,,(,,参数设置 表,, 实验中神经网络的基本参数设置 基于粗糙集和直推式信任机器的人脸识别研究 三维矩阵; 所需的,神经网络工具; 提取人脸子图粗糙集简约特征值算法的识别率 图,,不同特征维数下租糙集简约算法的识别率 中横轴,硎咎卣魑,,谋浠,琘轴表示对应的总识别率。 表,,去除部分平滑区后算法的识别率 ,, 分析比较实验一与实验二的结果，可以发现:子图分割思想基础上提出的粗 基于直推式信任机器的人脸识别 ,,,,, ,,,,,,,,,琁,,,汀,饬街有湃位,鞫际窃诼锥豏,,,,,,大学 的,,, 社会世界万物众生，每天各种事件都在不断发生。在这些事件中，有必然会 发生的，也有根本不可能发生的，还有介于必然发生与不可能发生之间，这样的 现象和过程这就是随机事件。世界上有很多具体事件都有随机性、偶然性、不确 定性。而且这些随机事件同时还具备以下几个特点: 目前，已有一些学者提出了一些理论和方法对预测结果的置信度进行度量， 同时也存在一些缺陷。如采用,,砺奂扑愕贸龅淖艽砦蟾怕噬辖缇,,笥趌， ,,直推式信任机器 信任机器中置信度的计算主要基于如下思想: 考虑一个包含,鲈K氐难盗芳,,，,,,,,,,,勘，弘,,渲校篨,，?，,,茄,緄 描述的奇异度计算方法，选取几个相邻样本的数量会影响奇异度的计算结果， 本的匹配程度也就是典型性，可靠性度量越大表示与训练集中样本的匹配程度 越高。 步的研究和可靠论证。,,, ,,,,,,，,,, , 基于粗糙集和直推式信任机器的人脸识别研究 这里采用本文在第四章中提出来的特征提取方法提取特征，但是在识别分类 脸图像子图分割粗糙集简约特征提取方法上的识别效果比较。 节点,,、,,这四种方法。得到的实验数据的比对结果如表,,和图,,所示。我 们可以看出这两种识别分类方法在训练集上的差别不大，但是在测试集和总的识 别率上,,侗鸱椒?,,识别算法的识别率更高一些。比较子图划分维数多少我 表,甀 图,, ,、,、,、,维时的部分置信度、可信任度量列表 , 基于粗糙集和直推式信任机器的人脸识别研究 ,,, ,, 通过对第四章和第五章两个对比实验取得的结果数据的分析比较，我们可以 得到如下结论: 后分别用经典的,神经网络和直推式信任机器来分类，对识别分类结果进行比较 ,,,方法进行识别速度快，性能好。表,,显示了,、,、,维特征向量 , 结论与展望 人脸识别领域是模式识别分类技术的应用和研究热点。本文专注人脸识别技 术中特征提取方法的研究与实践。在绪论部分首先介绍了本课题的研究背景及其 选题的重要性，接下来在第二章分别介绍了人脸识别两个重要的过程，即特征提 取和识别分类技术的方法及其成果，并列举了一些有代表性的学者的方法。在深 入学习和研究了前人所作贡献的基础上，本文提出了基于子图分割思想的提取粗 糙集简约特征值的特征提取方法。为验证此方法的有效性及性能，在模式识别分 类阶段首先用经典的,人工神经网络进行识别验证，因为,神经网络已被众多 学者研究证明具备良好的识别能力，是一种可靠可推广的分类方法，所以在这里 选用,神经网络进行验证分析。获得的实验数据结果表明，本文提出来的特征提 取方法是有效可行的，获得了较好的识别效果。为进一步改进识别效果和性能， 也同时为了研究和探讨直推式信任机器这种新的分类方法的有效性和性能，在接 别方面的模式识别能力及应用可行性。总所周知，,人工神经网络是一种成熟并 受到广泛认可的模式识别方法，直推式信任机器是一种新兴的识别分类方法，实 验数据结果证明，直推式信任机器弥补了,神经网络方法只能给出判定不能给出 评定准确性预估的不足，在能高效准确的进行识别分类的同时，还能给出对分类 判断的置信度和可信任度量，而且所需时间少，能获得较好的效率和性能，是一 种高效实用的方法。 本文研究内容中具有创新性的研究成果有如下几个方面: 验时因数据库图片有限，为增加训练样本也为更好的提取人脸图片特征，本文结 合了一种简单的子图分割思想。对提取的特征灰度化处理后进行分割，将图片特 征集划分为训练集合样本集，用,人工神经网络进行反复训练和比较，调试网络 参数设置，在最优选择的情况下，获得利测试集上达,,左右，训练集上的识别 为,、,、,维时都表现很不错，而划分过多或者过少都表现都不佳。实验结果 表明粗糙集简约特征提取与适度子图分割方法结合是一种有效地特征提取方法。 到了粗糙集简约特征，在识别分类阶段我们引入了一种较新的识别分类方法一一 直推式信任机器，进行识别分类。实验结果表明，这种方法是一种有效可行的分 类方法，在获得了较好的识别率的同时，提供更多信息如可信任度量、置信度等 有利于更好的分析归类的数据信息的匹配度及预测的准确性等。同时实验中也发 , 基于粗糙集和直推式信任机器的人脸识别研究 在后续的工作中，主要在以下几个方向进行研究: 【,啃け,,跤郴裕,肆呈侗鹧芯孔凼觯,扑慊,τ醚芯浚,,,,,,:,(,( ,琁,,, , ,,,甈,,, ,,,,,,,,,,,,:,, ,( , ,,,,,,,(,:,,, ,,, ,甋,,,瓾,, ,, ,,,,,,, 【,縏(,,,(,,,, ,,,甀,,,,,,,, , , ,,, ,, ,,, ,,,,,,，,,，,,,,,,,( , ,,,甁(,,甋,(,(,,,,,,,, ,縊(,,,,，,甅,,,琣, 【,】 ,,, ,,,,,,,,,,,,,( ,,,,(,:,, , ,,,保琹,,,:,,( ,緼(,,,,珻(,甌,,,琣,,瓼(, ,,, ,,,,,,,,, ,,,, ,,,(,:,, ,,, ,,,,,， ,,,,, 基于粗糙集和直推式信任机器的人脸识别研究 ,,,,, 【,】陈绵书(计算机人脸识别方法研究【吉林大学博士学位论文】(吉林:吉林大 【,】张晔(人脸识别理论研究进展(计算机辅助设计与图形学学 报，,,，,,,,,,,( 论文】(长沙:国防科学技术大学，,,，,(,( 【,】,甁(,,,,,琇,瓾,,,珹(,甃,,甅,,,,, ,,,,,,瓼,,,, ,,,,,,, ,,啃碇鞠椋,,谌肆呈侗鸬姆梦士刂葡低常,缡蛹际酰,,,,,,,,( ,,, ,瓸,,,,琓(,,,( ,,,,,,，,,,:,,—,,，,,( ,,, ,,,,,, ,,,,, ,,,,,,,,,,,,,( ,,,,, ,,, ,,,,,,琹 ,,,,,,瓼,,,, 【,】山世光，高文(基于面部纹理分布和变形模板的面部特征提取】(软件学报， ,,，,,,,,,,( ,,,,,琄,,, ,, ,, ,, , ,,,,,,,,, ,,,,, ,,, ,,,,, ,,,,(,:,, , ,,,,,， ,,:,,, , ,,,,,,，,,，,,:,:,( ,,,,,,, ,,,,(,, ,,, ,,,,,,,,,, ,:,,,,( 【,】,瓽,，,甖(, ,,,,(,: ,,, ,, ,, ,,,(,,(, ,,,,,,,,,, ,產, 【,】,,,,瓾,,，,,, 出版社，,,( 【,】周献中，黄兵等(不完备信息系统知识获取的粗糙集理论与方法，南京:南京大 学出版社，,,( 【,】张文修，吴伟志(粗糙集理论与方法，北京:科学技术出版社，,,( 【,】张泽旭(神经网络控制与,,,仿真，哈尔滨:哈尔滨工业大学出版社，,,( 【,】胡守仁(神经网络应用技术，长沙:国防科技大学出版社，,,( ,,,,, 【,】,,, ,,, ,,,, ,,,,,,,,, , ,( 大学，,,，,(,( 【,】李洋，方滨兴，郭莉(一种基于,,甂,算法的网络异常检测新方法(软件学 报，,,，,,,:,(,( , 谢 本文是在我的导师秦拯教授的亲切关注下完成的。秦教授是一名优秀的导师， 知识渊博，治学严谨，对待工作学习和生活都认真负责，富有情趣又一丝不苟。 导师忘我的工作态度，谦逊开朗的性格，都深深影响着我。在他的指导和督促下， 三年来我的工作、学习有了很大提高，学习到的知识在工作中也能有更好的应用， 也使我对未来更加充满信心。这些都离不开导师的教诲和指导，在此对恩师表示 衷心的感谢。 感谢我的研究生同学们所给予的真诚关心和帮助，在我学习期间所给予的热 情支持和有益建议。让我感受到了来自同学和朋友的温暖，让我的学习生活充满 感谢我的同事朋友们，你们在工作上给予了我大力的支持和帮助，为我创造 良好的学习条件，是你们鼓励我不断学习，积极进取，不断拼搏。 感谢学校给了我机会让我在这里求学，感谢学院的领导老师们，是你们创造 了良好的学习环境和培养体制，让我在这里学习。 感谢我的父母，是你们养育了我成为一个独立自主的人，是你们对我的教诲 让我成为了一个拥有阳光心态、拼搏上进的人，我会继续努力，坚持不懈，做一 个对社会有用的人。 宋俊纬