人脸识别的基本方法

人脸识别的基本方法人脸识别的基本方法人脸识别的方法很多，以下介绍一些主要的人脸识别方法。(1)几何特征的人脸识别方法几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。(2)基于特征脸(PCA)的人脸识别方法特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。(3)神经网络的人脸识别方法神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。(4)弹性图匹配的人脸识别方法弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。(5)线段Hausdorff距离(LHD)的人脸识别方法心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。(6)支持向量机(SVM)的人脸识别方法近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化，而称第二类变化为类内变化。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。正是基于上述原因，一直到21世纪初，国外才开始出现人脸识别的商用，但由于人脸识别算法非常复杂，只能采用庞大的服务器，基于强大的计算机平台。影响人脸识别技术的因素及解决方法测量人脸识别的主要性能指标有：1.误识率(False;Accept;Rate;FAR)：这是将其他人误作指定人员的概率;2.拒识率(False;RejectRate;FRR)：这是将指定人员误作其它人员的概率。计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR;随阈值的增大(放宽条件)而增大，拒识率FRR;随阈值的增大而减小。因此，可以采用错误率(Equal;Error;Rate;ERR)作为性能指标，这是调节阈值，使这FAR和FRR两个指标相等时的FAR;或FRR。影响人脸识别性能的因素及解决方法(1)背景和头发：消除背景和头发，只识别脸部图象部分。(2)人脸在图象平面内的平移、缩放、旋转：采用几何规范化，人脸图象经过旋转、平移、缩放后，最后得到的脸部图象为指定大小，两眼水平，两眼距离一定。(3)人脸在图象平面外的偏转和俯仰：可以建立人脸的三维模型，或进行三维融合(morphing)，将人脸图象恢复为正面图象。(4)光源位置和强度的变化：采用直方图规范化，可以消除部分光照的影响。采用对称的从阴影恢复形状(symmteric;shape;from;shading)技术，可以得到一个与光源位置无关的图象。(5)年龄的变化：建立人脸图象的老化模型。(6)表情的变化：提取对表情变化不敏感的特征，或者将人脸图象分割为各个器官的图象，分别识别后再综合判断。(7)附着物(眼镜、胡须)的影响。(8)照相机的变化：同一人使用不同的照相机拍摄的图象是不同的