搜索
人脸识别技术综述摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法;随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。1.人脸识别技术基本介绍人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息。计算机人脸识别技术也就是利用计算机分析人脸图象,进而从中出有效的识别信息,用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。2.人脸识别技术的研究历史国内关于人脸自动识别的研究始于二十世纪80年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所大学和研究机构已经研制出一些较好的人脸识别原型系统和一些较成熟的商业人脸识别系统，如德国的Cognitec，美国的Indentix，Eyematic等[5]。3.人脸识别技术的研究方法目前人脸识别技术的研究主要分为以下两大类：人脸检测和人脸识别。人脸检测的方法主要有基于知识的方法、基于特征的方法、模板匹配和基于外观的方法等四种[6]。根据特征提取和选择方法的不同，以及出现的时间顺序，把人脸识别方法分为三大类：早期的几何特征方法和模板匹配方法、神经网络方法和统计方法。其中的分类只是相对的，有些方法可能也可以交叉存在[7]。(1)人脸检测方法①基于知识的方法基于知识的方法（Knowledge-BasedMethods）一是基于规则的人脸检测方法。规则来源于研究者关于人脸的先验知识。一般比较容易提出简单的规则来描述人脸特征和它们的相互关系。Yang和Huang使用分层的基于知识的人脸检测方法[8]。他们的系统由3级规则组成。在最高级，通过扫描输入图像的窗口和应用每个位置的规则集找到所有可能的人脸候选区。较高级的规则通常描述人脸看起来象什么，而较低级的规则依赖于面部特征的细节。②基于特征的方法基于特征的方法（Feature-BasedMethods）不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。和基于知识的方法相反，它是寻找人脸的不变特征用于人脸检测。人们已经提出了许多先检测人脸面部特征，后推断人脸是否存在的方法。根据提取的特征，建立统计模型描述特征之间的关系并确定存在的人脸。③模板匹配的方法Sakai等人用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人脸。每一个子模板按照线分割定义。基于最大梯度变化提取输入图像的线，然后与子模板匹配。计算子图像和轮廓模板之间的相互关系检测人脸的候选区域，完成用其他子模板在候选区域的匹配。Craw等人提出了一种基于正面人脸的形状模板即人脸的外形定位方法Govindaraju等人提出两个阶段的人脸检测方法。人脸模型根据边缘定义的特征构成。这些特征描述了正面人脸的左边、发际和右边的曲线。人脸必须是垂直、无遮挡和正面的。④基于外观的方法基于外观的方法首先通过学习，在大量训练样本集的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分类器检测扫描到的图像窗口中是否包含人脸，若有则给出人脸所在的位置。Moghaddam和Pentland提出在高维空间利用特征空间分解密度估计的概率视觉学习方法[9]。用主成分(PCA)分析来定义子空间从而最好地表示人脸模式集。主成分保存数据中主分量而丢弃了那些次分量。这种方法把向量空间分解为互相排斥和互为补充的2个子空间主子空间或特征空间和它的正交子空间。因此对象密度被分解为个2成分在主子空间由主分量张成的密度，和它的垂直成分(在标准的PCA中被丢弃的次分量。用多变量Gaussians和混合Gaussians密度分布进行学习人脸局部特征的统计。然后将这些概率密度用于基于最大似然估计的对象检测。（2）人脸识别方法①早期的几何特征方法和模板匹配方法最早的人脸识别方法就是基于几何特征的方法[10]，它的基本思想是提取人脸面部具有代表性的部位（例如眉毛、眼睛、鼻子、嘴巴等）的相对位置和相对大小作为特征，再辅以人脸轮廓的形状信息，来对人脸进行分类和识别。模板匹配方法是模式识别中最简单的一种模式分类方法。在人脸识别中，就是把数据库的人脸图像看成是已知的模板，然后根据计算待识别图像和已知模板间的相关性大小来分类。②神经网络方法基于神经网络的人脸识别方法也早期的方法之一。目前较流行的基于动态链接结构的弹性图匹配（ElasticGraphMatching）方法，并且取得了一定的成功。它是通过Gabor小波来提取并描述人脸中的一些局部特征点（节点），并把它们用成标记图（LabeledGraph）的形式连接起来，用标记图之间的相似度来衡量人脸图像之间的相似度。弹性图匹配方法不但体现了人脸中的几何特征信息，而且还可以通过标记图的弹性形变来描述人脸的一些变化，因而能取得较好的识别性能。③基于统计的方法统计方法是目前最受注意的一类方法。它的思想就是想通过学习来得到人脸的统计特征，并以此来判别分类。其学习和识别过程的模型如下图1所示。图1统计方法识别模型子空间分析（SubspaceAnalysis）方法是其中的主要的一种，它的思想就是把高维空间中松散分布的人脸图像，通过线性或非线性变换压缩到一个低维的子空间中去，在低维的子空间中使人脸图像的分布更紧凑，更有利于分类。4.人脸识别技术应用前景人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。（2）证件验证在许多场合（如海口，机场，机密部门等）就可以由机器完成验证识别工作，从而实现自动化智能管理。（3）视频监控公共场所，当有异常情况时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。（4）入口控制,应用范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。（5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态.5．总结人脸识别技术具有独到的技术优势，应用背景广泛,虽然人类的人脸识别能力很强,能够记住并辨别上千个不同人脸,但是真正用计算机实现还有很大的困难，其表现在:人脸表情丰富;人脸随年龄增长而变化;人脸所成图象受光照、成象角度及成象距离等影响;而且从二维图象重建三维人脸是病态(ill2posed)过程,目前尚没有很好的描述人脸的三维模型.另外,人脸识别还涉及到图象处理、计算机视觉、模式识别以及神经网络等学科,也和人脑的认识程度紧密相关.这诸多因素使得人脸识别成为一项极富挑战性的课题[11].人脸识别技术作为安全防范技术中一个重要组成部分，逐渐从系统组成发展到嵌入式独立工作，再到模块化、芯片化。这需要每一位专业人员去努力，始终在不断的更新技术、研发新产品、开发新应用，才能为人脸识别技术发展带来新的契机，更能加快科技的发展。参考文献：[1]陈雅茜,雷开彬.人脸识别技术综述[J].西南民族大学学报(自然科学版),2007,(4)[2]刘晓宁.基于三维模型的人脸识别技术研究.西北大学博士学位论文.2006,05:1.[3]陈雅茜,雷开彬.人脸识别技术综述[J].西南民族大学学报(自然科学版),2007,04.[4]刘小华.人脸识别技术及其应用研究.吉林大学博士学位论文.2005,04:10[5]赵明华.人脸检测和识别技术的研究.四川大学博士学位论文.2006,10.[6]赵丽红.人脸检测和识别算法的研究与实现.东北大学博士学位论文2006,01.[7]刘青山.人脸跟踪与识别的研究.中国科学院博士学位论文.2003,03.[8]T.S.HuangandG.Z.Yang.HumanFaceDetectioninaComplexBackground[J],PatternRecognition,1994,1[9]B.MoghaddamandA.Pentland.ProbabilisticVisualLearningforObjectRecognition[J],IEEETrans,PatternAnalysisandMachineIntelligence,July1997,19(7):696-710.[10]A.SamalandP.A.Iyengar,“AutomaticRecognitionandAnalysisofHumanFacesandFacialExpressions:ASurvey”.PatternRecognition,Vol.25,No.1,pp.65-77,1992.[11]张翠平,苏光大.人脸识别技术综述[J].中国图象图形学报,2000,11:7-16.