视频数据挖掘应用探析

随着计算机技术和多媒体技术的突飞猛进，视频数据已经是人们日常生活中的常见形式，越来越多的视频数据挖掘和应用技术涌现出来，为生活提供便利。其中，基于视频的人脸识别就是一项典型的应用领域。

人脸识别是指计算机根据已有的人脸图像数据库，鉴别和验证人脸画面的身份，主要包括从场景画面中检测并分割人脸、提取人脸特征，匹配和识别人脸几个步骤。该技术涉及计算机视觉、模式识别、多媒体技术、认知科学等多个学科，是一种重要的生物特征识别技术。基于视频的人脸识别主要可以分为两类:一类是对静止的图像帧中的人脸画面进行识别，另一类是利用视频流中图像序列的运动信息和颜色信息进行动态的识别。

其中，对静止图像帧的人脸识别研究已经开展了二十多年，其中，较有代表性的是，1991年，麻省理工学院的Turk和Pentland提出的特征人脸(Eigenface)方法，该方法根据训练样本提取特征协方差矩阵，计算出矩阵的特征根，并根据前几个最大特征根计算特征人脸，然后以特征人脸为基向量，对测试样本进行投影和相似度匹配。图4-5是该方法的样本数据和特征人脸示意图。

(www.xing528.com)

图4-5　特征人脸方法示意图

这种方法类似于第三章中介绍的图像特征降维技术，通过线性或者是非线性的特征映射，将初始的人脸特征数据投影到低维的子空间，不但降低了计算复杂度，而且可以更好地描述数据。此外，还有学者提出基于几何特征的人脸识别方法，主要是根据眼睛、嘴巴、鼻子、眉毛等面部关键部位的位置和形状，建立几何分布关系和对比参数，计算检测人脸和数据库人脸图像之间的相似度。

隐马尔科夫模型(Hidden Markov Model，HMM)最初应用于声音识别，后来也被引入人脸识别领域。HMM方法采用马尔科夫链来模拟信号统计特性的变化规律，建立信号的统计模型，用节点表示状态，有向边表示状态之间的转移，每个状态对应着人脸特征空间中的某个特征值。

除了上述方法之外，还有基于神经网络的方法、多分类器融合方法等。当分辨率、光照、姿态、表情等因素发生变化时，人脸的表象就会产生较大变化，相应地，根据静止的图像帧进行人脸识别的效率就会降低。相对于单个静止的图像帧，视频流中大量的图像帧序列蕴含着更为丰富的运动信息和颜色信息，可以用来补偿分辨率、光照等因素的变化，是目前人脸识别领域的研究热点之一。