卜宇 任曉芳 唐學(xué)軍 孫挺

摘要：對(duì)于人臉識(shí)別分類(lèi)結(jié)果中的可信度問(wèn)題，提出一種基于不確定性理論的人臉識(shí)別方法。首先，為了估計(jì)3D特征，使用主動(dòng)外觀模型（AAM）和三角測(cè)量處理兩幅未知對(duì)象的2D圖像；然后，估計(jì)數(shù)據(jù)庫(kù)中每個(gè)對(duì)象的分?jǐn)?shù)，通過(guò)不確定性進(jìn)一步處理兩幅圖像；最后，決策過(guò)程根據(jù)估計(jì)的分?jǐn)?shù)和估計(jì)的不確定性分類(lèi)列表，其中分類(lèi)列表中存儲(chǔ)了所有已識(shí)別對(duì)象及其對(duì)應(yīng)的可信度此處為“可信度”，2.2節(jié)中為“置信度”？以哪個(gè)為準(zhǔn)？是否需要統(tǒng)一？請(qǐng)明確。。實(shí)驗(yàn)采用含兩個(gè)攝像頭的立體視覺(jué)系統(tǒng)采集各種姿態(tài)的人臉圖像。與類(lèi)似的概率預(yù)測(cè)測(cè)量方法相比，所提方法的正確檢測(cè)率提高10%左右，漏檢率至少降低了9%因與3.2節(jié)的數(shù)據(jù)不太一致，此處的數(shù)據(jù)對(duì)嗎？請(qǐng)明確。。實(shí)驗(yàn)結(jié)果表明，所提方法通過(guò)構(gòu)建3D圖像特征的不確定性信息和采用合適的統(tǒng)計(jì)方法提高了分類(lèi)結(jié)果的準(zhǔn)確率。

關(guān)鍵詞：

人臉識(shí)別；可信度；不確定性；生物識(shí)別算法；分類(lèi)器

中圖分類(lèi)號(hào)： TP391.413 文獻(xiàn)標(biāo)志碼：A

0引言

人臉識(shí)別[1]已廣泛應(yīng)用于基于生物特征的人機(jī)交互中，如視頻監(jiān)控和訪問(wèn)控制等[2]。人臉識(shí)別方法眾多，比較具代表性的有主成分分析（Principal Component Analysis， PCA）[3]、線性成分分析（Linear Discriminant Analysis， LDA）[4]、獨(dú)立主成分分析（Independent Component Analysis， ICA）[5]等，這些方法在非限制條件下均能取得不錯(cuò)的效果；但是，當(dāng)出現(xiàn)光照、姿態(tài)、表情及場(chǎng)景等變化時(shí)，效果并不理想。

為了解決三維人臉識(shí)別中的問(wèn)題，已有不少相關(guān)方法被提出。例如，文獻(xiàn)[6]基于二維主成分分析，保留人臉部的拓?fù)潢P(guān)系，采用非負(fù)矩陣進(jìn)行局部特征識(shí)別；然而，二維人臉識(shí)別容易出現(xiàn)光照變化和姿態(tài)變化引起的問(wèn)題。文獻(xiàn)[7]利用輸入數(shù)據(jù)的測(cè)量不確定性解決識(shí)別和分類(lèi)問(wèn)題。該方法以概率統(tǒng)計(jì)為基礎(chǔ)，系統(tǒng)輸出為可信度，且使用準(zhǔn)確率、錯(cuò)誤率和棄權(quán)率改善方法性能。每個(gè)類(lèi)使用一種置信度（Confidence Level， CL）描述，以獲取每種類(lèi)別的測(cè)量不確定性。文獻(xiàn)[8]使用計(jì)量特征和預(yù)測(cè)線性判別分析進(jìn)行特征降維，通過(guò)相關(guān)性和信息強(qiáng)度來(lái)降低錯(cuò)誤決策；然而，從用戶(hù)角度看，可操作性大為降低。文獻(xiàn)[9]針對(duì)人臉畸變、表情變化等不可控因素，在B樣條的多級(jí)模型自由形式形變（Free Form Deformation， FFD）基礎(chǔ)上，利用低分辨率FFD網(wǎng)格進(jìn)行全局配準(zhǔn)，全局配準(zhǔn)后，分塊計(jì)算各子塊的相關(guān)性，相關(guān)系數(shù)小的子塊采用高分辨率FFD網(wǎng)格進(jìn)行細(xì)配準(zhǔn)，采用的凸集投影（Projections Onto Convex Sets， POCS）重建多幀圖像為高分辨率圖像；然而，重建和擬合過(guò)程的誤差較大，且POCS重建易產(chǎn)生邊緣模糊問(wèn)題。文獻(xiàn)[10]提出了基于多特征3D人臉識(shí)別方法，使用三種方法從人臉圖像中提取特征，即最大曲率圖像、平均邊緣圖像、范圍圖像，利用權(quán)重線性組合構(gòu)建融合特征；該方法可以取得不錯(cuò)的識(shí)別效果，然而，需要使用3D掃描儀/照相機(jī)，這是一種價(jià)格非常昂貴的數(shù)據(jù)采集工具，且需要較長(zhǎng)的處理時(shí)間。

一般人臉識(shí)別方法的主要問(wèn)題包括：源不確定（例如立體像機(jī)是“攝像機(jī)”，還是“像機(jī)”？還有“相機(jī)”的描述？是否需要統(tǒng)一一下？請(qǐng)明確。的位置不確定，像機(jī)校準(zhǔn)過(guò)程不確定）；在3D空間提取的特征具有不確定傳播特性（例如：訓(xùn)練階段的影響，兩幅圖像不確定性）和比較階段的分?jǐn)?shù)。本文方法能夠有效確定系統(tǒng)參數(shù)最優(yōu)值（例如：像機(jī)位置、評(píng)價(jià)分?jǐn)?shù)中每種特征的權(quán)重）。其主要工作如下：

1）本文將不確定性擴(kuò)展為基于3D特征的人臉識(shí)別算法的不確定性，提出了用于匹配目標(biāo)對(duì)象形狀的統(tǒng)計(jì)模型算法。

2）通過(guò)使用主動(dòng)外觀模型（Active Appearance Model， AAM）算法處理一對(duì)立體圖像，從中獲取2D標(biāo)記點(diǎn)，擴(kuò)展了AMM的應(yīng)用范圍。

1生物識(shí)別方法——AAM

本文分類(lèi)算法流程如圖1所示。首先，為了估計(jì)3D特征，使用生物識(shí)別算法[11]（AAM）和三角測(cè)量處理兩幅未知對(duì)象的2D圖像；然后，估計(jì)數(shù)據(jù)庫(kù)中每個(gè)對(duì)象的分?jǐn)?shù)，通過(guò)不確定性算法進(jìn)一步處理兩幅圖像；最后，決策過(guò)程根據(jù)估計(jì)的分?jǐn)?shù)和估計(jì)的不確定性計(jì)算分類(lèi)列表，該分類(lèi)列表中存儲(chǔ)了所有已經(jīng)識(shí)別的對(duì)象和其對(duì)應(yīng)的可信度。

1.1提取3D特征

本文使用一組立體像機(jī)采集人臉圖像，然后使用AAM軟件[12]自動(dòng)檢測(cè)人臉圖像中一組標(biāo)志的2D坐標(biāo)，利用三角測(cè)量?jī)煞?D模板圖像以獲取一幅3D模板，如圖2所示，將該3D模板圖像與數(shù)據(jù)庫(kù)中每個(gè)3D模板作比較，完成人臉識(shí)別，該過(guò)程中會(huì)獲取每次比較的分?jǐn)?shù)，詳細(xì)過(guò)程如下。

AAM算法用于自動(dòng)檢測(cè)圖像人臉特征，提取人臉特征。其操作可以分為兩個(gè)階段：第一階段，創(chuàng)建形變模型，通過(guò)分析訓(xùn)練圖像完成，即人臉特征集合先前已手動(dòng)標(biāo)記的圖像樣本；第二階段，在人臉圖像中，使用軟件自動(dòng)檢測(cè)相同人臉特征的位置，這些人臉圖像不屬于訓(xùn)練圖像。人工手動(dòng)標(biāo)記圖像過(guò)程在于追蹤不同標(biāo)志，輪廓是不同人臉圖像最重要特征。本文使用58個(gè)標(biāo)志將人臉劃分為75有7個(gè)區(qū)域，但是后面只寫(xiě)了5個(gè)區(qū)域，是否寫(xiě)錯(cuò)了，請(qǐng)作相應(yīng)調(diào)整。個(gè)區(qū)域：下巴、嘴巴、鼻子、眼睛和眉毛。

本文將人臉定義為2D點(diǎn)數(shù)據(jù)集，通過(guò)形狀模型描述目標(biāo)的形狀，并將這些形狀與通用參考系統(tǒng)對(duì)齊，使用PCA將屬于同一類(lèi)型圖像上的形狀軌跡提交給普氏分析[13]。PCA生成形狀變化主成分φ式（1）～（3）中，哪些是矢量、向量或矩陣？請(qǐng)明確。，定義如下：

對(duì)于外觀模型，該模型定義了部分對(duì)象的紋理，外觀模型在均值形狀上分配所有圖像的像素灰度值變化。通過(guò)創(chuàng)建該模型，將所有訓(xùn)練圖像轉(zhuǎn)換為相同形狀和維數(shù)的圖像，為了避免光照變化對(duì)圖像的影響，需要?dú)w一化紋理特征。接著，訓(xùn)練圖像通過(guò)PCA生成外觀模型。與形狀模型相似，外觀模型取決于均值外觀的灰度層向量、變化主成分φg和一組灰度層參數(shù)bg，外觀模型表達(dá)式如下：

g=+φgbg（3）

每個(gè)人臉特征的3D坐標(biāo)使用光學(xué)測(cè)量完成估計(jì)，該過(guò)程依賴(lài)于AAM檢測(cè)的兩幅立體圖像的人臉特征。

在整個(gè)估計(jì)與決策過(guò)程中，3D特征估計(jì)非常重要，主要表現(xiàn)在兩方面：一是3D特征估計(jì)關(guān)聯(lián)3D人臉模板，進(jìn)而影響與數(shù)據(jù)庫(kù)模板的匹配問(wèn)題；另一方面是不確定性取決于人臉特征2D坐標(biāo)的不確定性，而2D坐標(biāo)也與3D特征估計(jì)有關(guān)系，因此，3D特征估計(jì)都直接或間接影響最終的識(shí)別結(jié)果。

1.2數(shù)據(jù)庫(kù)

本文使用117個(gè)志愿者的立體圖像創(chuàng)建數(shù)據(jù)庫(kù)，控制系統(tǒng)允許自動(dòng)捕獲用戶(hù)定義的時(shí)間間隔人臉圖像序列，設(shè)置為5s，本文在相同位置獲取同一人的多幅圖像，且允許合理范圍內(nèi)的變化。對(duì)每個(gè)志愿者，數(shù)據(jù)庫(kù)包含5對(duì)立體圖像。第一個(gè)樣本用于訓(xùn)練AAM，其他4個(gè)樣本用于識(shí)別。

1.3分?jǐn)?shù)估計(jì)

識(shí)別判斷基于分?jǐn)?shù)，分?jǐn)?shù)表示用于識(shí)別的3D模板坐標(biāo)與數(shù)據(jù)庫(kù)中每個(gè)模板坐標(biāo)的差平方和，為了將一個(gè)模板的坐標(biāo)系剛體變化到其他模板坐標(biāo)系，計(jì)算可旋轉(zhuǎn)度?？尚D(zhuǎn)度允許補(bǔ)償圖像采集立體系統(tǒng)相關(guān)的位置和方向偏差，使用旋轉(zhuǎn)度后，獲取的分?jǐn)?shù)不依賴(lài)于人臉的位置和方向，僅依賴(lài)于模板形狀，這是因?yàn)閷?duì)所有人臉區(qū)域，特征定位的可信性不是不變的，所以根據(jù)估計(jì)可重復(fù)性給不同點(diǎn)分配不同權(quán)重。

給定一幅將用于識(shí)別的3D模板和一組權(quán)重Wk（k=1，2，…，n），其中n為模板中點(diǎn)的總數(shù)量，對(duì)數(shù)據(jù)庫(kù)中第i個(gè)模板，其分?jǐn)?shù)Si定義如下：

Si=[∑nk=1（Wk（Vk，i-Vk，ref）2）]/n（4）

其中：Vk，i為第i個(gè)個(gè)體的第k個(gè)點(diǎn)坐標(biāo)；Wk為模板第k個(gè)點(diǎn)的權(quán)重。

為了估計(jì)58個(gè)標(biāo)志中每個(gè)標(biāo)志的權(quán)重，對(duì)數(shù)據(jù)庫(kù)中117個(gè)人，重復(fù)采集每個(gè)人5張人臉用于計(jì)算人臉間的標(biāo)準(zhǔn)差，將估計(jì)的標(biāo)準(zhǔn)差作為權(quán)重。由于連續(xù)采集的人臉圖像可能存在少量旋轉(zhuǎn)，因此在計(jì)算均值位置和相對(duì)方差前，必須將人臉與其他人臉圖像對(duì)齊，以便獲取每個(gè)個(gè)體人臉圖像上點(diǎn)的方差。

表1所示為數(shù)據(jù)庫(kù)中所有117個(gè)人權(quán)重均值，權(quán)重沒(méi)有涉及每個(gè)單幅標(biāo)志，而涉及了人臉的每個(gè)區(qū)域。一般情況下，眼睛穩(wěn)定性比較好，嘴巴形狀變化比較大，下巴輪廓的可變性最高。由于這些區(qū)域采用標(biāo)志點(diǎn)的形式表現(xiàn)，區(qū)域的權(quán)重即是組成該區(qū)域標(biāo)志點(diǎn)的權(quán)重。為了確保采集的圖像不存在陰影、光反色或運(yùn)動(dòng)模糊，需要控制環(huán)境條件（特征存在光照變化），此外正向位置采集人臉且焦距最佳。為了利用不確定性控制條件中的參數(shù)，圖像光照、焦距和運(yùn)動(dòng)模糊需要量化估計(jì)，接下來(lái)將會(huì)介紹。

2不確定性估計(jì)與決策

2.1不確定性

分?jǐn)?shù)us的不確定性主要依賴(lài)于人臉特征2D坐標(biāo)的不確定性，人臉特征依賴(lài)于處理圖像的特性。主要影響量與亮度、角度和運(yùn)動(dòng)模糊有關(guān)。根據(jù)文獻(xiàn)[14]，為了量化這種不確定性，對(duì)us，本文使用一種簡(jiǎn)單模型測(cè)量每種影響因素的影響度，使用ui表示第i個(gè)影響量對(duì)分?jǐn)?shù)的貢獻(xiàn)值：

ui=fi（Δi）（5）

其中Δi為第i個(gè)影響量的值。

由于所有影響量與其他影響量無(wú)關(guān)系，分?jǐn)?shù)上不確定性為：

us=∑Ni=1u2i（6）

其中N表示影響量的數(shù)量。

通過(guò)操作參考圖像（即包含在數(shù)據(jù)庫(kù)中圖像），使用人工標(biāo)定圖像估計(jì)不確定性，利用已有期望值產(chǎn)生新的特性圖像，過(guò)程如下。

對(duì)數(shù)據(jù)庫(kù)中每個(gè)對(duì)象、每種影響量和影響量的級(jí)別，在控制仿真環(huán)境中，首先通過(guò)對(duì)參考圖像使用合適的數(shù)字濾波產(chǎn)生兩幅新圖像，然后，在該修改的圖像上，使用AAM算法和三角測(cè)量估計(jì)3D特征。估計(jì)與目標(biāo)對(duì)象相關(guān)記錄的數(shù)據(jù)分?jǐn)?shù)；最后，對(duì)所有目標(biāo)對(duì)象，在分?jǐn)?shù)上獲取統(tǒng)計(jì)分析模型，其不確定性估計(jì)如下：

（us）i=（u2s）i/3+（σ2s）i（7）

其中（u2s）i和（σ2s）i分別表示第i個(gè)影響量的測(cè)量分?jǐn)?shù)均值和標(biāo)準(zhǔn)差。

2.1.1光照

考慮到最佳亮度，對(duì)參考圖像原始圖像的灰度級(jí)修改為±5，±10，±15，±20，±30，±50（使用8比特位進(jìn)行編碼）。不同光照下的us如圖3所示，從圖3中可以看出，對(duì)每種光照變化條件，不確定性幾乎為常數(shù)，且該常數(shù)可以考慮為兩幅圖像的修改量，本文設(shè)置us為0.08。

2.1.2散焦

評(píng)價(jià)光照影響的相同過(guò)程用于評(píng)價(jià)鏡頭散焦的影響。同時(shí)在這種情況下，考慮3種測(cè)試條件：兩幅圖像、僅1個(gè)像機(jī)缺乏焦距、2個(gè)像機(jī)缺乏焦距，像機(jī)具有不同散焦級(jí)，如圖4所示。使用高斯線性濾波器處理源圖像，以獲取處理后的圖像。

本文獲取的實(shí)驗(yàn)結(jié)果如圖4所示，兩幅圖像缺乏焦距時(shí)的不確定性高于僅一幅圖像缺乏焦距時(shí)的不確定性。此外，無(wú)論如何修改圖像，實(shí)驗(yàn)結(jié)果幾乎相同，因此，可以考慮使用兩個(gè)模型：一個(gè)模型用于兩幅圖像均缺乏焦距；另一個(gè)模型用于僅一幅圖像缺乏焦距。在這兩種情況下，一種二階多項(xiàng)式模型能很好擬合觀察數(shù)據(jù)。

2.2決策過(guò)程

圖5所示為決策過(guò)程的主要步驟如下：1）概率Pj估計(jì)輸入對(duì)象為數(shù)據(jù)庫(kù)中第j個(gè)對(duì)象的概率；2）根據(jù)獲取的概率，創(chuàng)建挑選可能對(duì)象的分類(lèi)列表；3）計(jì)算列表中每個(gè)對(duì)象（類(lèi)）的可信度摘要為可信度。

1）Pj表示未知對(duì)象為數(shù)據(jù)庫(kù)中第j個(gè)對(duì)象的概率（即第j個(gè)類(lèi)）?？紤]分?jǐn)?shù)為隨機(jī)變量，Pj表示在給定測(cè)量值Sj時(shí)，第j個(gè)類(lèi)的分?jǐn)?shù)。通過(guò)概率密度函數(shù)計(jì)算概率：

Pj=P（Sj=0|j）=1，j≤th∫∞jp（s-th）ds，j>th （8）在變量的說(shuō)明中，應(yīng)說(shuō)明它倆的含義。

其中：th表示一個(gè)給定閾值，j表示條件概率的另一個(gè)條件值。

該函數(shù)可以估計(jì)數(shù)據(jù)庫(kù)中所有類(lèi)的概率，根據(jù)每個(gè)對(duì)象正確分類(lèi)的分?jǐn)?shù)，對(duì)影響量的每個(gè)值，比較觀察分布和期望分布（如指數(shù)分布和正態(tài)分布等）。

2）分類(lèi)列表由概率值大于第2個(gè)閾值的所有類(lèi)組成。一般地，該閾值影響本文方法的敏感性和選擇性；較高的閾值增加了選擇性但使敏感性增大，反之亦然，因此，必須合理權(quán)衡。

3）類(lèi)列表中的所有類(lèi)的概率用于計(jì)算歸一化因子K，定義如下：

K=∑jPj；對(duì)所有Pj>TH（9）

屬于列表的每種類(lèi)的置信度定義為概率Pj與K的比值：

CLj=Pj/K（10）

3實(shí)驗(yàn)結(jié)果

3.1硬件設(shè)置

立體視覺(jué)系統(tǒng)框架由兩個(gè)AVT Pike F145B（索尼2/3″ 1388×1038 CCD逐行掃描傳感器）像機(jī)組成，像機(jī)垂直對(duì)齊且位于人臉前面，像機(jī)間角度為45°，如圖6所示。圖像采集系統(tǒng)也安裝有第三個(gè)像機(jī)（像機(jī)0，如圖6所示），該像機(jī)能采集正臉圖像，本文中僅使用像機(jī)1（Cam 1）和像機(jī)2（Cam 2）。

像機(jī)安裝有焦距為25mm的鏡頭且通過(guò)火線IEEE1394連接計(jì)算機(jī)和像機(jī)。采集系統(tǒng)允許獲取近似300×400mm的視野范圍，足夠獲取距離采集系統(tǒng)1000mm距離的人臉圖像。對(duì)250張人臉進(jìn)行了實(shí)驗(yàn)。校對(duì)時(shí)提出一個(gè)問(wèn)題，即“對(duì)多少?gòu)埲四樳M(jìn)行的實(shí)驗(yàn)”？請(qǐng)明確。

3.2實(shí)驗(yàn)結(jié)果與分析

為了評(píng)價(jià)本文方法性能，將本文方法與其他方法進(jìn)行比較，us的觀察均值曲線如圖7所示，從圖7可以看出，隨著圖像不確定因素的增加，曲線逐漸下降，且對(duì)于比較高的不確定性，曲線接近于0，因此很難定義一個(gè)合理的區(qū)分閾值。接下來(lái)，論證獲取的閾值性能最佳。

當(dāng)us=0，閾值等于觀察曲線最小值（閾值TH=0.25），獲取的數(shù)據(jù)集由117×45對(duì)圖像組成（9種不同強(qiáng)度的運(yùn)動(dòng)模糊，24級(jí)散焦，12勒克斯光照強(qiáng)度）。表2所示為不確定性分布和在整個(gè)數(shù)據(jù)庫(kù)上估計(jì)的us的相對(duì)頻率直方圖，該分布說(shuō)明了本文方法很好地覆蓋了期望的幅度和頻率。

對(duì)于閾值TH，一種合理的實(shí)驗(yàn)方法是權(quán)衡敏感性和選擇性，本文已經(jīng)分析了實(shí)際接受率（True Acceptance Rate， TAR）和錯(cuò)誤接受率（False Acceptance Rate， FAR）對(duì)TH的趨勢(shì)和受試者的特征曲線。

3個(gè)評(píng)估標(biāo)準(zhǔn)[15]說(shuō)明如下。

正確分類(lèi)分類(lèi)列表包含CL等于1的正確類(lèi)，或分類(lèi)列表有更多的對(duì)象，這些對(duì)象存在最高分?jǐn)?shù)值，即如果正確類(lèi)存在最小分?jǐn)?shù)且值低于閾值（0.25）。

誤檢對(duì)象位于訓(xùn)練數(shù)據(jù)庫(kù)但是分類(lèi)列表為空，沒(méi)有類(lèi)的分?jǐn)?shù)值低于閾值。

錯(cuò)誤分類(lèi)分類(lèi)中存在許多類(lèi)沒(méi)有正確分類(lèi)，或如果正確類(lèi)沒(méi)有最高CL值，錯(cuò)誤類(lèi)存在最小分?jǐn)?shù)且值小于閾值（0.25）。

表3給出了3種方法的實(shí)驗(yàn)比較結(jié)果，值得一提，這里只比較類(lèi)似的人臉識(shí)別方法，即文獻(xiàn)[7]和文獻(xiàn)[8]方法，它們均是不確定性的相關(guān)方法。實(shí)驗(yàn)結(jié)果表明本文方法可以使帶有較高CL值的正確類(lèi)位于分類(lèi)列表頂端，能恢復(fù)幾乎誤檢的類(lèi)別，準(zhǔn)確分類(lèi)率超過(guò)97%，不確定性達(dá)到0.1；對(duì)于其他方法，甚至存在不確定性為0.01時(shí)，正確率低于80%此處是否應(yīng)該為“低于”？請(qǐng)明確。，當(dāng)存在高不確定性時(shí)，文獻(xiàn)[7]和文獻(xiàn)[8]的準(zhǔn)確率低于25%。整個(gè)數(shù)據(jù)庫(kù)表明本文算法性能優(yōu)越，

從表3很容易看到：本文方法識(shí)別率

此處是“識(shí)別率”，而后面比較的是“正確率”，不太一致，正確率是否應(yīng)該為正確檢測(cè)率，也請(qǐng)明確。另外，這些正確率從表3中如何看出的？

回復(fù)：其實(shí)識(shí)別率是用1-漏檢率，跟正確檢測(cè)率不是一個(gè)關(guān)系，為了不引起歧義，我將其改為：

從表3很容易看到：本文方法的正確檢測(cè)率為93%，漏檢率為6%。文獻(xiàn)[7]方法正確檢測(cè)率和漏檢率分別為81%和15%。文獻(xiàn)[8]正確檢測(cè)率和漏檢率分別為84%和15%。因此，本文方法正確檢測(cè)率提高了10%左右，漏檢率提高了9%。

關(guān)于編輯的另外一個(gè)問(wèn)題，這些數(shù)值怎么看出來(lái)的。可以從表3的最后一列看出。正確檢測(cè)率是正確分類(lèi)的數(shù)量與總數(shù)量的比例。漏檢率是棄權(quán)數(shù)量與總數(shù)量的比例。而本文方法的正確分類(lèi)數(shù)量是本文方法欄中的第一行和第二行。再看最后一列就是86+7.

為94%，誤檢率6%；文獻(xiàn)[7]方法正確率和誤檢率分別為80%和20%；文獻(xiàn)[8]方法正確率和誤檢率分別為85%和15%，因此，本文方法正確檢測(cè)率提高了10%左右，誤檢率至少降低了9%。

從表3很容易看到：本文方法的正確檢測(cè)率為93%，漏檢率為6%。文獻(xiàn)[7]方法正確檢測(cè)率和漏檢率分別為81%和15%。文獻(xiàn)[8]正確檢測(cè)率和漏檢率分別為84%和15%。因此，本文方法正確檢測(cè)率提高了10%左右，漏檢率提高了9%。

4結(jié)語(yǔ)

本文提出了一種基于不確定性的3D人臉識(shí)別方法，其中，測(cè)量過(guò)程中的不確定性用于估計(jì)輸出結(jié)果的可信度，將分類(lèi)系統(tǒng)的輸出與每個(gè)輸入對(duì)象的可信度相關(guān)聯(lián)。實(shí)驗(yàn)結(jié)果表明，提出的方法在正確率、錯(cuò)誤決策率和漏檢率此處的提法，與前面的表述不太一致？是否需要統(tǒng)一？請(qǐng)明確。另外，描述方法的優(yōu)勢(shì)存在表達(dá)問(wèn)題，即“正確率”應(yīng)該是越大越好，而“錯(cuò)誤決策率和漏檢率”應(yīng)該越小越好吧？不應(yīng)該越大吧？即不應(yīng)該高于類(lèi)似算法吧？請(qǐng)明確。方面明顯高于類(lèi)似方法。

提出的方法正確檢測(cè)率明顯高于類(lèi)似方法，且漏檢率更低。

從用戶(hù)角度看，不確定性的極限值可以作為提高識(shí)別決策準(zhǔn)確性的改進(jìn)方向，這也是未來(lái)研究的重點(diǎn)。

參考文獻(xiàn)：

[1]

RAJU A S， UDAYASHANKARA V. Biometric person authentication： a review [C]// Proceedings of the 2014 International Conference on Contemporary Computing and Informatics. Piscataway， NJ： IEEE， 2014： 575-580.

[2]

鄧劍勛，熊忠陽(yáng)，曾代敏.基于EMD的融合特征快速多示例人臉識(shí)別算法[J].四川大學(xué)學(xué)報(bào)（工程科學(xué)版），2012，44（2）：99-104.（DENG J X， XIONG Z Y， ZENG D M. Face recognition based on improved fast EMDMIL framework and information fusion [J]. Journal of Sichuan University （Engineering Science Edition）， 2012， 44（2）： 99-104.）

[3]

張祥德，張大為，唐青松，等.仿生算法與主成分分析相融合的人臉識(shí)別方法[J].東北大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，30（7）：972-975.（ZHANG X D， ZHANG D W， TANG Q S， et al. Face recognition algorithm integrating bionic algorithm with principal component analysis [J]. Journal of Northeastern University （Natural Science）， 2009， 30（7）： 972-975.）

[4]

曹潔，吳迪，李偉.基于鑒別能力分析和LDALPP算法的人臉識(shí)別[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2012，42（6）：1527-1531.（CAO J， WU D， LI W. Face recognition based on discrimination power analysis and LDALPP algorithm[J]. Journal of Jilin University （Engineering and Technology Edition）， 2012， 42（6）： 1527-1531.）

[5]

柴智，劉正光.應(yīng)用復(fù)小波和獨(dú)立成分分析的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用，2010，30（7）：1863-1866.（CHAI Z， LIU Z G. Face recognition using complex wavelet and independent component analysis [J]. Journal of Computer Applications， 2010， 30（7）： 1863-1866.）

[6]

嚴(yán)慧，金忠，楊靜宇.非負(fù)二維主成分分析及在人臉識(shí)別中的應(yīng)用[J].模式識(shí)別與人工智能，2009，22（6）：809-814.（YAN H， JIN Z， YANG J Y. Nonnegative twodimensional principal component analysis and its application to face recognition [J]. Pattern Recognition and Artificial Intelligence， 2009， 22（6）： 809-814.）

[7]

ZHANG D， WANG Q G， YU L， et al. Fuzzymodelbased fault detection for a class of nonlinear systems with networked measurements [J]. IEEE Transactions on Instrumentation & Measurement， 2013， 62（12）： 3148-3159.

[8]

BETTA G， CAPRIGLIONE D， CORVINO M， et al. Face based recognition algorithms： a first step toward a metrological characterization [J]. IEEE Transactions on Instrumentation & Measurement， 2013， 62（5）： 1008-1016.

[9]

孔英會(huì)，張少明.多級(jí)FFD配準(zhǔn)視頻人臉超分辨率重建[J].光電工程，2012，39（10）：46-53.（KONG Y H， ZHANG S M. Video Face superresolution reconstruction based on multilevel FFD registration [J]. OptoElectronic Engineering， 2012， 39（10）： 46-53.）

[10]

WIJAYA I G P S， UCHIMURA K， KOUTAKI G. Multipose face recognition using fusion of scale invariant features [C]// Proceedings of the 2011 2nd International Congress on Computer Applications and Computational Science. Berlin： Springer， 2012： 207-213.

[11]

張淑軍，王高峰，石峰.基于AAM提取幾何特征的人臉識(shí)別算法[J].系統(tǒng)仿真學(xué)報(bào)，2013，25（10）：126-131.（ZHANG S J， WANG G F， SHI F. Face recognition algorithm based on geometric characteristics extracted by AAM [J]. Journal of System Simulation， 2013， 25（10）： 126-131.）

[12]

ZHOU Y H， ZHENG D W， LIAO X H. Wavelet analysis of interannual LOD， AAM， and ENSO： 1997—98 El Nio and 1998—99 La Nia signals [J]. Journal of Geodesy， 2001， 75（2/3）： 164-168.

[13]

李?yuàn)檴?基于PCA的實(shí)時(shí)人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2012.（LI S S. Design and implementation of real time face recognition system based on PCA [D]. Beijing： Beijing University of Posts and Telecommunications， 2012.）

[14]

JESPER K. The Guide to expression of uncertainty in measurement approach for estimating uncertainty： an appraisal [J]. Clinical Chemistry， 2003， 49（11）： 1822-1829.

[15]

EMAMBAKHSH M， GAO J， EVANS A. Noise modelling for denoising and threedimensional face recognition algorithms performance evaluation [J]. IET Computer Vision， 2015， 9（5）： 741-749.