人臉識(shí)別技術(shù)總結(jié)

人臉識(shí)別技術(shù)大總結(jié)---FaceDetectionAlignment

20XX-04-08

搞了一年人臉識(shí)別，尋思著記錄點(diǎn)什么，于是

想寫這么個(gè)系列，介紹人臉識(shí)別的四大塊：Face

detection,alignment,verificationand

identification(recognization),本別代表從一張圖中識(shí)別出人

臉位置，把人臉上的特征點(diǎn)定位，人臉校驗(yàn)和人臉識(shí)別。(后兩者

的區(qū)別在于，人臉校驗(yàn)是要給你兩張臉問你是不是同一個(gè)人，人

臉識(shí)別是給你一張臉和一個(gè)庫問你這張臉是庫里的誰。

人臉校準(zhǔn)(alignment)是給你一張臉，你給我找出我需要的

特征點(diǎn)的位置，比如鼻子左側(cè)，鼻孔下側(cè)，瞳孔位置，上嘴唇下

側(cè)等等點(diǎn)的位置。如果覺得還是不明白，看下圖：

如果知道了點(diǎn)的位置做一下位置驅(qū)動(dòng)的變形，臉就成正的了，

如何驅(qū)動(dòng)變形不是本節(jié)的重點(diǎn)，在此省略。

首先介紹一下下面正文要寫的東西，由于干貨非常多所以可

能會(huì)看著看著就亂了，所以給出框架圖：

廢話說了這么多，正文開始?

detection

作者建立了一個(gè)叫postclassifier的分類器，方法如下:

1.樣本準(zhǔn)備：首先作者調(diào)用opencv的Viola-Jones分類器，

將recal閥值設(shè)到XX%,這樣能夠盡可能地檢測(cè)出所有的臉，但是

同時(shí)也會(huì)有非常多的不是臉的東東被檢測(cè)出來。于是，檢測(cè)出來的

框框們被分成了兩類：是臉和不是臉。這些圖片被resize到

96*96。

2.特征提?。航酉聛硎翘卣魈崛。趺刺崛∧兀孔髡卟捎?/p>

了三種方法：

第一種：把window劃分成6*6個(gè)小windows,分別提取SIFT

特征，然后連接著XXX個(gè)sift特征向量成為圖像的特征。

第二種：先求出一個(gè)固定的臉的平均shape(XXX個(gè)特征點(diǎn)的

位置，比如眼睛左邊，嘴唇右邊等等)，然后以這XXX個(gè)特征點(diǎn)為

中心提取sift特征，然后連接后作為特征。第三種：用他們組去

年的另一個(gè)成果FaceAlignmentat3000FPSviaRegressing

LocalBinaryFeatures(CVPR14),也就是圖中的3000FPS方法，

回歸出每張臉的shape,然后再以每張臉自己的XXX個(gè)shape

points為中心做sift,然后連接得到特征。

3.分類：將上述的三種特征分別扔到線性SVM中做分類，訓(xùn)

練出一個(gè)能分辨一張圖是不是臉的SVM模型。

緊接著作者將以上三種方法做出的分類器和初始分類器進(jìn)行

比對(duì)，畫了一個(gè)樣本分布的圖：

這個(gè)圖從左到右依次是原始級(jí)聯(lián)分類器得到的樣本分類分布

和第一種到第三種方法提取的特征得到的樣本分類分布?？梢娮鲆?/p>

下shapealignment可以得到一個(gè)更好的分類效果。但是問題來了：

如果把所有的windows都做一下alignment,即使是3000faces

persecond的速度一張圖可能也要處理上1秒，這無法滿足一般

一秒30幀的實(shí)時(shí)需求。作者也說，用。pencv分類器，參數(shù)設(shè)成

XX%的recall率將會(huì)帶來很嚴(yán)重的效率災(zāi)難-----張圖能找出來

3XXX個(gè)框，處理一張圖都要好幾秒。

這么渣的效率可咋辦呢？以上內(nèi)容已經(jīng)證明了alignment

確實(shí)對(duì)detection的

preciseness有幫助，這就夠啦，對(duì)下面的工作也是個(gè)啟發(fā)一

一能不能在做detection的同時(shí)把a(bǔ)lignment做了呢？alignment

的中間結(jié)果是否能給detection帶來一些幫助呢？后面慢慢講。

先說兩個(gè)通用的面部檢測(cè)和矯正的模型：

L級(jí)聯(lián)檢測(cè)分類器（bagging）:不失一般性，一個(gè)簡(jiǎn)單的級(jí)

聯(lián)分類器是這樣的：

2.級(jí)聯(lián)回歸校準(zhǔn)（我這翻譯…+_+）:這里介紹的是另一個(gè)人

在10年發(fā)的文章：CascadedPoseRegression（CVPR10）,給圖像

一個(gè)初始shape（通常采用平均shape）,然后通過一次一次的回

歸把shapeHI歸到正確的地方。算法結(jié)構(gòu)很簡(jiǎn)單）但是效果確實(shí)非

常好：

回歸過程如下:首先提取特征，原作者采用的是Pose-Indexed

pointfeatures,然后根據(jù)特征訓(xùn)練回歸函數(shù)（可以用線性回歸,

CART,隨機(jī)森林等等），原作者采用了一個(gè)叫RandomFern

其實(shí)也是同樣的思路，中代表特征提取函數(shù)，論文中稱中的

輸出為局部二值特征（LBF）,W為線性回歸參數(shù)矩陣，其實(shí)就是

把提取出來的特征映射到一個(gè)二維的偏移量上，是一個(gè)

2*lenth（特征空間維數(shù)）的變換矩陣。

首先講①是怎么訓(xùn)練的：中其實(shí)就是一個(gè)隨機(jī)森林。思想?yún)R報(bào)

專題輸入像素差特征

efeatures）,輸出一個(gè)offest。訓(xùn)練的時(shí)候隨機(jī)給每個(gè)根節(jié)點(diǎn)

像素差特征中的一部分。非葉節(jié)點(diǎn)的分裂依據(jù)是從輸入的

pixel-differencefeatures中找出能夠做到最大的方差衰減的

feature。在最后的葉子節(jié)點(diǎn)上寫上落在葉子節(jié)點(diǎn)上的樣本偏移量,

這個(gè)偏移量在之前說到的fern里有用，但是在這里沒啥用，因?yàn)?/p>

作者

篇二：人臉識(shí)別技術(shù)綜述

人臉識(shí)別研究

代上

（河南大學(xué)環(huán)境與規(guī)劃學(xué)院河南開封475004）

摘要：現(xiàn)今世界經(jīng)濟(jì)發(fā)展迅速，而面對(duì)繁雜的社會(huì)安全問

題卻顯得有些捉襟見肘，人臉識(shí)別技術(shù)能夠因通過面部特征信息

識(shí)別身份而受到廣泛關(guān)注。人臉識(shí)別通常使用采集含有人臉圖像或

視頻流的設(shè)備，將收集到的人臉信息進(jìn)行臉部檢測(cè),進(jìn)而與數(shù)據(jù)庫

中已有信息進(jìn)行對(duì)比確定被識(shí)別對(duì)象的身份，已經(jīng)廣泛的應(yīng)用于公

共安全、教育等多個(gè)方面，且在以后的社會(huì)發(fā)展中具有很大的應(yīng)用

前景。本文主要對(duì)人臉識(shí)別的發(fā)展歷程、主要識(shí)別方法予以總結(jié)概

括，并對(duì)其應(yīng)用范圍與發(fā)展趨勢(shì)進(jìn)行分析。

關(guān)鍵詞：人臉識(shí)別；方法；應(yīng)用；發(fā)展

1引言

人臉識(shí)別是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物

識(shí)別技術(shù)。該項(xiàng)技術(shù)目前應(yīng)用到社會(huì)的各個(gè)領(lǐng)域，例如個(gè)人家庭自

動(dòng)門的安全系統(tǒng)、犯罪人的身份識(shí)別系統(tǒng)、銀行自動(dòng)取款的服務(wù)系

統(tǒng)等。

人臉識(shí)別系統(tǒng)給人帶了很多方便，應(yīng)用能力很強(qiáng)，但是人臉

識(shí)別仍然有很多阻礙其發(fā)展的困難之處C主要表現(xiàn)在：在收集圖像

中目標(biāo)自身的影響；在系統(tǒng)收集圖像的過程中容易受到各種外界因

素以及系統(tǒng)收集圖像之后由于其它因素造成的面部損傷所帶來的

影響；隨著時(shí)間的變遷，人的面部逐步發(fā)生變化的影響。這些都對(duì)

人臉識(shí)別技術(shù)的發(fā)展造成了一定的困難，也使得該項(xiàng)技術(shù)面臨著

多種挑戰(zhàn)性。

2人臉識(shí)別研究的發(fā)展歷史與研究現(xiàn)狀

2.1發(fā)展歷史

很早在19世紀(jì)80年代就有關(guān)于通過人臉對(duì)人類的身份進(jìn)行辨

別的論文發(fā)表，但是由于技術(shù)水平與設(shè)備的限制，人臉識(shí)別技術(shù)

并沒有受到重視。直到20世紀(jì)60年代末，Blcdsoc[l]提出了人臉

識(shí)別研究的雛形，人臉識(shí)別技術(shù)才被人們接受。

在人臉識(shí)別研究的早期階段，人們主要研究的是人臉識(shí)別的

各種方法，但是在實(shí)際應(yīng)用方面卻沒有得到實(shí)質(zhì)性的進(jìn)展。

進(jìn)入20世紀(jì)90年代末的時(shí)候，人臉識(shí)別技術(shù)進(jìn)入了一個(gè)快速

發(fā)展階段，在這個(gè)時(shí)期各種新的人臉識(shí)別方法相繼出現(xiàn)，并創(chuàng)建

了人臉圖像數(shù)據(jù)庫，對(duì)人臉識(shí)別的發(fā)展起到了巨大的促進(jìn)作用。在

實(shí)際應(yīng)用方面也取得了很大的進(jìn)展，運(yùn)用人臉識(shí)別技術(shù)的產(chǎn)品逐

漸進(jìn)入了社會(huì)市場(chǎng)。

進(jìn)入21世紀(jì)以后，人臉識(shí)別技術(shù)已經(jīng)逐步發(fā)展成熟，但是由

于非理想條件如（光照、天氣、姿態(tài)）的影響，對(duì)人臉識(shí)別技術(shù)的

要求也更高。為了解決這些不利因素所造成的影響，研究者們一直

努力尋找更加趨于完美的方法，從而減少這些因素所帶來的不利

影響。

2.2研究現(xiàn)狀

近幾年來，人臉識(shí)別技術(shù)已經(jīng)從以前的認(rèn)知階段發(fā)展到了實(shí)

際應(yīng)用階段。但是由于每個(gè)人的面部都會(huì)因?yàn)楦鞣N不同的原因發(fā)生

改變，這給人臉識(shí)別帶來了不小的影響,如光照不同可能提取的圖

像不同；提取圖像的角度和人物自身表情不同也會(huì)最終產(chǎn)生不同的

形態(tài)；因?yàn)橥饨缫蛩厥姑娌渴盏絺涂赡軐?dǎo)致人臉系統(tǒng)無法識(shí)別

的情況。這些因素都讓人臉識(shí)別技術(shù)的研究現(xiàn)狀不容樂觀。但是研

究者多年積累的豐富經(jīng)驗(yàn)給以后的研究建立了穩(wěn)定的基礎(chǔ)，讓以

后的人臉識(shí)別研究少走了很多彎路。

在人臉識(shí)別領(lǐng)域世界各國都取得了很多成果，如我國人臉識(shí)

別的快速通關(guān)系統(tǒng)（MRTD）,取得了國際先進(jìn)的整體性能；美國國

防部的人臉識(shí)別（FERET）技術(shù)工程［2］,創(chuàng)建的FERET人臉數(shù)據(jù)庫

包含1萬多張不同的人臉圖像，是人臉識(shí)別領(lǐng)域應(yīng)用最廣泛的人

臉數(shù)據(jù)庫之一，但此人臉庫只限于軍方使用；英國的Manchester

人臉庫，深入得對(duì)本地人臉進(jìn)行了研究c這些都為人臉識(shí)別技術(shù)的

發(fā)展建立了一個(gè)個(gè)新的里程碑。

在人臉識(shí)別技術(shù)領(lǐng)域，各種新技術(shù)也不斷涌現(xiàn)出來。如Timo

Ahonen和MattiPietikainen的局部二元模式法、YuriIvanov

等人的組合分類融合方法等。這些新的人臉識(shí)別技術(shù)對(duì)未來的人臉

識(shí)別研究提供了巨大的幫助。

3人臉識(shí)別的主要方法

人臉識(shí)別從應(yīng)用上看，主要有兩種方式：一種是對(duì)未知身份

的人臉目標(biāo)與相關(guān)系統(tǒng)圖像數(shù)據(jù)庫中已經(jīng)有的圖像進(jìn)行比較，通

過辨別之后確定未知目標(biāo)的身份；另一種是以一個(gè)目標(biāo)人臉來辨別

一個(gè)或者多個(gè)待識(shí)別的人臉，從而判斷是否是已知目標(biāo)人臉。

人臉識(shí)別從研究上看，常用的人臉方法有特征臉人臉識(shí)別方

法、彈性圖匹配方法、基于Fisher線性判別準(zhǔn)則的人臉識(shí)別方法、

基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法、基于支持向量機(jī)的人臉識(shí)別方法、

基于貝葉斯的人臉識(shí)別方法。對(duì)目前主流人臉識(shí)別技術(shù)中識(shí)別方法

進(jìn)行分類，大致可以分為基于模板匹配的方法和基于幾何特征的

方法兩大類別［3］。

3.1基于模板匹配的方法

基于模板匹配的方法是提前通過采集圖像信息制作出一個(gè)原

始的標(biāo)準(zhǔn)人臉模板，然后在檢測(cè)人臉的時(shí)候，系統(tǒng)會(huì)將待檢測(cè)人

臉的相關(guān)數(shù)值進(jìn)行匹配，如果符合原始模板的標(biāo)準(zhǔn)，就可以說是

匹配成功。此方法主要是看模板與目標(biāo)的相似度，因此這種方法的

優(yōu)點(diǎn)就在于可以輕易完成一定量的人臉識(shí)別，但是缺點(diǎn)就是容易

受到各種因素的影響，從而造成識(shí)別效果達(dá)不到理想狀態(tài)，甚至

是檢測(cè)錯(cuò)誤。因此可以采用變形模板，即事先制定多個(gè)模板，用這

些已經(jīng)制定好的多個(gè)模板對(duì)單個(gè)待檢測(cè)的目標(biāo)進(jìn)行匹配檢測(cè)。

最常用的一種模型稱作隱馬爾可夫(HiddenMarkovModel,

HMM)模型［4］。起先HMM模型并沒有運(yùn)用到人臉識(shí)別技術(shù)上，而是

運(yùn)用于聲音識(shí)別技術(shù)上，后來才被引用到人臉識(shí)別系統(tǒng)領(lǐng)域中。

HMM的狀態(tài)我們不能夠直接觀察到，而隱馬爾可夫模型屬于馬爾可

夫鏈，可以通過觀測(cè)向量序列觀察。由于每個(gè)觀測(cè)向量的的分布表

現(xiàn)所呈現(xiàn)出來的狀態(tài)迥異，但是每個(gè)觀測(cè)向量又是由相對(duì)應(yīng)的狀

態(tài)序列產(chǎn)生。因此，隱馬爾可夫模型所表現(xiàn)出來的是一種雙重的隨

機(jī)過程。隱馬爾可夫模型通過對(duì)每個(gè)待識(shí)別人臉的觀測(cè)向量進(jìn)行計(jì)

算得出概率，從而判別檢測(cè)的結(jié)果。HMM方法對(duì)面部表情變化不敏

感又具有很好的魯棒性，因此該方法的辨別率很

強(qiáng)。

多模板匹配的方法是由梁路宏［5］等人提出。該模板不是由傳

統(tǒng)的單一模板組成，而是由人眼模板和人臉模板組成的多個(gè)模板。

傳統(tǒng)模板都是直接與待檢測(cè)目標(biāo)進(jìn)行匹配，該模板先通過人眼模

板對(duì)待檢測(cè)的目標(biāo)進(jìn)行搜索篩檢，然后再通過人臉模板進(jìn)行檢測(cè)

直到確定是否相互匹配。

在多模型中Cootes等人提出了最為經(jīng)典的兩種方法：主動(dòng)形

狀模型（ActiveShapeModels,ASM）和主動(dòng)表象模型（Active

AppearanceModels,AAM）oASM首先創(chuàng)建一個(gè)模型參數(shù)，然后用建

立的模型在圖像中定位幾個(gè)關(guān)鍵位置（如額頭、眼睛、鼻子、下巴

等）,再進(jìn)行相似變換從而得到關(guān)鍵點(diǎn)的位置。AMM是ASM的一個(gè)

擴(kuò)展，AMM通過目標(biāo)的形狀和紋理結(jié)合在一起建立一個(gè)統(tǒng)一的模

型。在與目標(biāo)匹配的過程中，不斷的調(diào)整模型參數(shù)，以達(dá)到與目標(biāo)

紋理相吻合。

3.2基于幾何特征的方法

基于幾何特征的方法最早是由Knaade提出，也是最傳統(tǒng)的一

種方法。該方法對(duì)我們的人臉中的具體部位，如眉毛、眼睛、鼻子、

嘴巴等先做一個(gè)幾何特征的描述，然后再以這些幾何特征做為標(biāo)

準(zhǔn)。每個(gè)人的特征都不一樣，因此通過幾何特征的方法可以精確的

測(cè)量出屬于每個(gè)人自身的特征。

但是這類方法存在很大的弊端。該方法是通過精確的幾何向量

來匹配目標(biāo)模板，則以下幾種情況會(huì)影響到測(cè)量的精度：（1）光

照和姿態(tài)的變化容易改變?nèi)宋锉旧硭哂械膸缀翁卣鳎?/p>

（2）受到外界損傷的影響會(huì)使測(cè)量的準(zhǔn)確率下降很多；（3）

人為的改變使測(cè)量不精確，如本應(yīng)該準(zhǔn)確測(cè)量眼瞳之間的距離,

但是人為的改變卻能影響到距離的測(cè)量C因此基于幾何特征的方法

在識(shí)別的過程中很容易影響到準(zhǔn)確率。[6]

4人臉識(shí)別技術(shù)的應(yīng)用范圍及優(yōu)缺點(diǎn)

4.1人臉識(shí)別技術(shù)的應(yīng)用范圍

人臉識(shí)別技術(shù)在各個(gè)領(lǐng)域的應(yīng)用都很廣泛。在日常生活方面，

為了保障我們的財(cái)產(chǎn)安全，銀行采用人臉識(shí)別技術(shù)，可以識(shí)別客

戶的身份信息，更好的保護(hù)了每個(gè)公民的財(cái)產(chǎn)不會(huì)被欺騙；為了保

證我們的人身安全，最典型的就是安全門引用了人臉識(shí)別技術(shù)，

沒有識(shí)別到家庭成員的人臉圖像安全門是絕對(duì)不會(huì)因?yàn)楦鞣N因素

開啟的，大大的保證了使用者的人身安全。

在國家管理方面，公安系統(tǒng)以前大多采用的是指紋識(shí)別、基因

識(shí)別，如今人臉識(shí)別也得到了廣泛的應(yīng)用。通過對(duì)犯罪嫌疑人的人

臉識(shí)別可以更精確的找出犯罪嫌疑人，一旦犯罪嫌疑人出現(xiàn)在公

安機(jī)關(guān)所監(jiān)控的攝像頭范圍內(nèi)，即可進(jìn)行識(shí)別定位，而且操作流

程簡(jiǎn)單，只需提取犯罪嫌疑人的臉部信息即可。對(duì)于國家各個(gè)工作

崗位的職員，采用了人臉識(shí)別錄入系統(tǒng)，穩(wěn)定了國家的調(diào)控，加

強(qiáng)了企業(yè)的管理，使國家和企業(yè)之間能夠更好的配合在一起，從

而調(diào)控整個(gè)社會(huì)市場(chǎng)的發(fā)展。

在教育方面，各種考試都不同程度的出現(xiàn)了替考、作弊等違反

公平競(jìng)爭(zhēng)的不和諧現(xiàn)象。人臉識(shí)別技術(shù)的應(yīng)用，可以精確的確定考

生身份，更好的控制住種種替考、作弊現(xiàn)象的發(fā)生，創(chuàng)造一個(gè)公平

的環(huán)境，營(yíng)造更好的教育環(huán)境，才能選拔出更優(yōu)秀的科技人才，

才能讓我們的技術(shù)得到飛速發(fā)展，從而進(jìn)入一個(gè)良性循環(huán)之中。

人臉識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用于政府、軍隊(duì)、銀行、社會(huì)福利

保障、電子商務(wù)、安全防務(wù)

[7]等領(lǐng)域。在這些領(lǐng)域所取得的成就是有目共睹的，人臉識(shí)

別系統(tǒng)的發(fā)展空間還很大，還有很多地方需要我們不斷的去摸索。

4.2人臉識(shí)別技術(shù)的優(yōu)缺點(diǎn)

近些年人臉識(shí)別技術(shù)的發(fā)展速度日新月異，從單純的了解到

熟練的掌握、應(yīng)用，從單一的識(shí)別方法再到多種高精度識(shí)別方法，

可以說說人臉識(shí)別技術(shù)開辟了一個(gè)新的空間，并且廣泛的應(yīng)用前

景。但是人臉識(shí)別技術(shù)還處于發(fā)展研究階段，依然有許多待解決的

問題與不成熟之處。

人臉識(shí)別技術(shù)的優(yōu)點(diǎn)主要體現(xiàn)在應(yīng)用方面，可以歸納到以下

幾點(diǎn)：

①精準(zhǔn)度高，能夠準(zhǔn)確的識(shí)別出待識(shí)別目標(biāo)。

②方便快捷，不需要直接接觸機(jī)器只需掃描一下就能完成識(shí)

別。

③安全性高，經(jīng)過錄入系統(tǒng)后不容易被破壞。

人臉識(shí)別技術(shù)的難點(diǎn)主要體現(xiàn)在技術(shù)方面，大致可以總結(jié)為

兩點(diǎn)：

①相似性，因?yàn)椴煌四樦g的區(qū)別不是很明顯，尤其是各

個(gè)膚色相同的人，每個(gè)人的人臉的結(jié)構(gòu)都有一定的相似性。因此這

些特點(diǎn)有利于人臉識(shí)別定位，但是不利于通過人臉來區(qū)分整個(gè)人

的個(gè)體。

②易變性，人臉部的外形很容易發(fā)生改變，在不同的角度去

觀察，所看到的人臉會(huì)產(chǎn)生不同的影像，而且人臉識(shí)別還容易受

到光照條件（如明亮處和陰暗處，開闊空間和密閉空間等）、天氣

（如陰天和晴天，雨天和雪天等）、年齡增長(zhǎng)等各個(gè)因素的影響。

其在應(yīng)用領(lǐng)域也存在一些困難，主要體現(xiàn)在兩個(gè)方面：一是數(shù)

據(jù)庫涵蓋范圍有限，不能提供足夠的樣本，這將限制人臉識(shí)別技

術(shù)的精度與成功率；二是如果面部識(shí)別系統(tǒng)的數(shù)據(jù)庫比較龐大，數(shù)

據(jù)庫中檢索并對(duì)比的速度將比較緩慢，耗費(fèi)大量時(shí)間，這將降低

人臉識(shí)別技術(shù)的效率。

五、總結(jié)

隨著社會(huì)形勢(shì)的發(fā)展變化，生物識(shí)別技術(shù)越來越多的被人們

關(guān)注和重視，甚至已經(jīng)應(yīng)用到日常生活中。但在技術(shù)水平還未發(fā)達(dá)

的情況下，不同的生物識(shí)別技術(shù)擁有其獨(dú)特的優(yōu)勢(shì)，也存在弊端。

在視頻監(jiān)控系統(tǒng)逐漸普及的今天，需要的是能夠在遠(yuǎn)距離外進(jìn)行

檢測(cè)且不易被察覺的身份識(shí)別系統(tǒng)，并且操作起來簡(jiǎn)便迅速，而

人臉識(shí)別恰恰擁有這些優(yōu)勢(shì)，并且還能夠同時(shí)識(shí)別多個(gè)目標(biāo)，因

此人臉識(shí)別在身份認(rèn)證方面的用途不容小覷。然而也需要注意，人

臉識(shí)別其最重要的特點(diǎn)是把人臉作為生物特征來識(shí)別人，因此在

研究中存在不少的困難。

在人臉識(shí)別不斷發(fā)展的同時(shí)，它的應(yīng)用領(lǐng)域也在不斷拓寬，

它不再單單只應(yīng)用于身份識(shí)別，還能應(yīng)用于許多方面。例如：數(shù)碼

相機(jī)照相時(shí)的人臉對(duì)焦功能，公安機(jī)關(guān)偵破案件時(shí)的身份識(shí)別，

企業(yè)、個(gè)人住宅、小區(qū)等的門禁系統(tǒng)的身份識(shí)別，信用卡在網(wǎng)絡(luò)支

付時(shí)的輔助身份識(shí)別，以及電子護(hù)照等等。

未來社會(huì)面臨著各種各樣的問題，人們的生活條件變得越來

越好的同時(shí)，對(duì)安全和便捷的期望也越來越高，而科學(xué)技術(shù)的不

斷發(fā)展也使得人臉識(shí)別系統(tǒng)能夠給我們帶來越來越全面的生活便

利，而這正是人類社會(huì)發(fā)展的重要體現(xiàn)，也是人類文明不斷進(jìn)步

創(chuàng)新的標(biāo)志。

本文從各個(gè)角度對(duì)人臉識(shí)別技術(shù)進(jìn)行了闡述，能夠清晰的認(rèn)

識(shí)到人臉識(shí)別的發(fā)展、方法和應(yīng)用。但是由于空間的限制，沒能夠

對(duì)人臉識(shí)別技術(shù)做更深一步的研究，方法描述的不全面，今后還

需要不斷地加強(qiáng)學(xué)習(xí)，不斷地總結(jié)提高C

參考文獻(xiàn)：

[1]BledsoeWW.ManMachineFacialRecognition[R].Palo

Alto,CA,TR:RepPRI:22,1966.

puterGeneratedAnimationofFaces.InProceedingsACMANN

Conference.New

York,1972,1:451-457.

：3]胡靜.基于代數(shù)特征的若干人臉識(shí)別方法研究.計(jì)算機(jī)科

學(xué)與應(yīng)用.南京理工大學(xué).20[4]郭愛章王新剛姜雪松馬爾

可夫模型應(yīng)用于入侵檢測(cè)系統(tǒng)的研究.信息技術(shù)與信息化.山東輕

工業(yè)學(xué)院，現(xiàn)代技術(shù)教育中心.20XX,(6):47-48

[5]梁路宏,艾海舟,徐光祐,張錢;人臉檢測(cè)研究綜述[J];計(jì)

算機(jī)學(xué)報(bào);20XX年05期

puterRecognitionofHumanFaces.Ph.DDissertation.Kyoto

University,Japan,1974

[7]楊萬振.人臉識(shí)別技術(shù)概述.計(jì)算機(jī)光盤軟件與應(yīng)用.東北

大學(xué).20XX,(5):49-49

篇三：人臉識(shí)別學(xué)習(xí)總結(jié)

最近簡(jiǎn)單的研究了人臉識(shí)別，主要從數(shù)學(xué)上系統(tǒng)地闡述了特

征臉，PCA算法，LDA算法及SRDA算法的性質(zhì)，并重點(diǎn)研究了LDA

和最近提出的SRDA算法，研究了它們的原理、性質(zhì)、特點(diǎn)、算法

理論依據(jù)、算法步驟和算法復(fù)雜度；對(duì)PCA,LDA和SRDA算法從理

論上做出了比較。最后通過MATLAB仿真了一些結(jié)果。

譜回歸判別分析算法研究

1.特征臉和PCA算法

特征臉?biāo)惴ㄊ腔贙L變換，選擇使所有樣本的散布距離最大

的方向進(jìn)行線性投影[1][2]作降維的特征提取。下面從數(shù)學(xué)上對(duì)算

法進(jìn)行分析。

假設(shè)輸入有m個(gè)樣本人臉圖像：{xl,x2,....，xni},他們屬于

c個(gè)類別，每個(gè)圖像都處于1維的特征空間。定義總體散布矩陣St:

St??(xi??)(xi??)T,(1)

i?lm

?是所有樣本的平均值；

定義總體類內(nèi)散布矩陣Sw:

Sw??(?(xi(k)??(k))(xi(k)??(k))T),(2)

k?l

i?l

cmk

?(k)是第k類樣本的平均值，xi(k)是第k類的第i個(gè)樣本。

Sw表示各樣本點(diǎn)圍繞它

的均值分布情況。

定義總體類間散布矩陣Sb:

Sb??mk(?(k)??)(?(k)??),(3)

k?l

c

m(k)是第k類的樣本的數(shù)目。Sb表示各類間的距離分布情況,

它取決于樣本類別屬性和劃分。

總體散布矩陣與總體類間散布矩陣與總體類內(nèi)散布矩陣存在

關(guān)系：

St?Sw?Sb；總體散布矩陣與樣本劃分及屬性無關(guān)。

現(xiàn)有一線性變換使圖像從原始的1維映射到h維特征空間，且

h?lo設(shè)有正交矩陣A??n?h,通過線性變換：

yk?ATxk,k?l,2,???,m

得到新的特征向量集：yk??ho經(jīng)過線性變換后，特征向量集

{yl,y2,???,ym}的散布矩陣為ATStA。對(duì)于PCA算法,A選為使所

有樣本投射的總體散布矩陣為最大值的理想值：Aopt,即

其中[al,a2,???,ah]為St從大到小遞減的特征值對(duì)應(yīng)的1維

的特征向量。因?yàn)檫@些特征向量具有和原始數(shù)據(jù)一樣的維度，所以

它們也被稱為特征圖(Eigenpicture),或特征臉(Eigenfaces)

[3]o圖1為特征臉獲取流程圖；圖2為PCA算法的流程圖。

圖1特征臉獲取過程

圖2PCA算法流程

從圖2可以看出，PCA算法的過程其實(shí)就是在特征臉獲取后，

利用特征臉和獲取新的人臉圖像進(jìn)行圖像重構(gòu)，得到降維了的輸

出圖像。從另一個(gè)角度說，PCA的基本思想就是尋找一組最優(yōu)的單

位正交向量，通過線性變換，將原始數(shù)據(jù)重建，并使重建后的數(shù)

據(jù)和原始數(shù)據(jù)的誤差最小，以實(shí)現(xiàn)最好的識(shí)別。

基于特征臉的PCA算法的弊端是它不僅使樣本的類間距離變

大，而且使樣本的類內(nèi)距離變大。使樣本的類內(nèi)距離增大對(duì)人臉分

類沒有好處。而且在連續(xù)人臉圖像序列中，前一幅人臉圖像與后一

幅人臉圖像的不同在于光照的區(qū)別[24],因此如果人臉圖像序列

呈現(xiàn)在變化的光照下，PCA變換得到的Aopt中的不同的特征向量

將含有因?yàn)楣庹兆兓某煞郑瑢?dǎo)致后續(xù)分類處理時(shí)產(chǎn)生錯(cuò)誤。有人

建議把

Aopt前面的幾個(gè)特征向量舍棄，降低因?yàn)楣庹兆兓瘞淼挠?/p>

響，但是Aopt前面的幾個(gè)特征向量的差異不可能都是因?yàn)楣庹兆?/p>

化引起的，盲目的舍棄特征向量會(huì)使有用的信息丟失。2.LDA算法

研究LDA算法介紹

LDA算法的目的就是尋找A使Sb/Sw的比值最大化。當(dāng)Sw為

非奇異矩陣，

Aopt就是：

Aopt

?argmaxT?[al,a2,???,ah](5)

[al,a2,???,ah]就是使Sb/Sw最大的特征向量集,它們對(duì)應(yīng)

于遞減的特征值[?1,?2,???,?h]使?jié)M足等式：

Sbai??iSwai,i?l,2,???h(6)

顯然h的值不大于c,即類別數(shù)目。

使Sw非奇異。

一種常用的方法是先將圖像通過PCA降維至m?c,然后用(5)

式進(jìn)行再將圖像降維至c?l。這種方法稱為Fisherface算法，它

其實(shí)就是先用PCA算法進(jìn)行降維，然后在用LDA算法再做一次降維

⑷。

這樣有

Aopt?AldaApca(7)

其中，

計(jì)算Apca時(shí)，將最小的c個(gè)主成分舍棄，