1、1、緒論人臉識(shí)別是通過(guò)分析臉部器官的唯一形狀和位置來(lái)進(jìn)行身份鑒別。人臉識(shí)別是一種重要的生物特征識(shí)別技術(shù)，應(yīng)用非常廣泛。與其它身份識(shí)別方法相比，人臉識(shí)別具有直接、友好和方便等特點(diǎn)，因而，人臉識(shí)別問(wèn)題的研究不僅有重要的應(yīng)用價(jià)值，而且在模式識(shí)別中具有重要的理論意義，目前人臉識(shí)別已成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的研究熱點(diǎn)。本章將簡(jiǎn)單介紹幾種人臉識(shí)別技術(shù)的研究方法。關(guān)鍵詞：人臉識(shí)別 2、人臉識(shí)別技術(shù)的主要研究方法目前在國(guó)內(nèi)和國(guó)外研究人臉識(shí)別的方法有很多，常用的方法有：基于幾何特征的人臉識(shí)別方法、基于代數(shù)特征的人臉識(shí)別方法、基于連接機(jī)制的人臉識(shí)別方法以及基于三維數(shù)據(jù)的人臉識(shí)別方法。人臉識(shí)別流程圖如圖21所

2、示：圖21人臉識(shí)別流程圖3、 基于幾何特征的人臉識(shí)別方法基于特征的方法是一種自下而上的人臉檢測(cè)方法，由于人眼可以將人臉在不此研究人員認(rèn)為有一個(gè)潛在的假設(shè)：人臉或人臉的部件可能具有在各種條件下都不會(huì)改變的特征或?qū)傩裕缧螤?、膚色、紋理、邊緣信息等?；谔卣鞯姆椒ǖ哪繕?biāo)就是尋找上述這些不變特征，并利用這些特征來(lái)定位入臉。這類方法在特定的環(huán)境下非常有效且檢測(cè)速度較高，對(duì)人臉姿態(tài)、表情、旋轉(zhuǎn)都不敏感。但是由于人臉部件的提取通常都借助于邊緣算子，因此，這類方法對(duì)圖像質(zhì)量要求較高，對(duì)光照和背景等有較高的要求，因?yàn)楣庹?、噪音、陰影都極有可能破壞人臉部件的邊緣，從而影響算法的有效性。模板匹配算法首先需要人TN

3、作標(biāo)準(zhǔn)模板(固定模板)或?qū)⒛０逑刃袇?shù)化(可變模板)，然后在檢測(cè)人臉時(shí)，計(jì)算輸入圖像與模板之間的相關(guān)值，這個(gè)相關(guān)值通常都是獨(dú)立計(jì)算臉部輪廓、眼睛、鼻子和嘴各自的匹配程度后得出的綜合描述，最后再根據(jù)相關(guān)值和預(yù)先設(shè)定的閾值來(lái)確定圖像中是否存在人臉?；诳勺兡０宓娜四槞z測(cè)算法比固定模板算法檢測(cè)效果要好很多，但是它仍不能有效地處理人臉尺度、姿態(tài)和形狀等方面的變化。基于外觀形狀的方法并不對(duì)輸入圖像進(jìn)行復(fù)雜的預(yù)處理，也不需要人工的對(duì)人臉特征進(jìn)行分析或是抽取模板，而是通過(guò)使用特定的方法(如主成分分析方法(PCA)、支持向量機(jī)(SVM)、神經(jīng)網(wǎng)絡(luò)方法(ANN)等)對(duì)大量的人臉和非人臉樣本組成的訓(xùn)練集(一般為了

4、保證訓(xùn)練得到的檢測(cè)器精度，非人臉樣本集的容量要為人臉樣本集的兩倍以上)進(jìn)行學(xué)習(xí)，再將學(xué)習(xí)而成的模板或者說(shuō)分類器用于人臉檢測(cè)。因此，這也是j種自下而上的方法。這種方法的優(yōu)點(diǎn)是利用強(qiáng)大的機(jī)器學(xué)習(xí)算法快速穩(wěn)定地實(shí)現(xiàn)了很好的檢測(cè)結(jié)果，并且該方法在復(fù)雜背景下，多姿態(tài)的人臉圖像中也能得到有效的檢測(cè)結(jié)果。但是這種方法通常需要遍歷整個(gè)圖片才能得到檢測(cè)結(jié)果，并且在訓(xùn)練過(guò)程中需要大量的人臉與非人臉樣本，以及較長(zhǎng)的訓(xùn)練時(shí)間。近幾年來(lái)，針對(duì)該方法的人臉檢測(cè)研究相對(duì)比較活躍。4、 基于代數(shù)特征的人臉識(shí)別方法在基于代數(shù)特征的人臉識(shí)別中，每一幅人臉圖像被看成是以像素點(diǎn)灰度為元素的矩陣，用反映某些性質(zhì)的數(shù)據(jù)特征來(lái)表示人臉的特

5、征。 設(shè)人臉圖像 ) , ( y x I 為二維 N M 灰度圖像，同樣可以看成是 N M n = 維列向量，可視為 N M 維空間中的一個(gè)點(diǎn)。但這樣的一個(gè)空間中，并不是空間中的每一部分都包含有價(jià)值的信息，故一般情況下，需要通過(guò)某種變換，將如此巨大的空間中的這些點(diǎn)映射到一個(gè)維數(shù)較低的空間中去。然后利用對(duì)圖像投影間的某種度量來(lái)確定圖像間的相似度，最常見(jiàn)的就是各種距離度量。 在基于代數(shù)特征的人臉識(shí)別方法中，主成分分析法（PCA）和Fisher 線性判別分析（LDA）是研究最多的方法。本章簡(jiǎn)要介紹介紹了PCA。 完整的PCA(PrincipalComponentAnalysis)人臉識(shí)別的應(yīng)用包括四

6、個(gè)步驟：人臉圖像預(yù)處理；讀入人臉庫(kù)，訓(xùn)練形成特征子空間；把訓(xùn)練圖像和測(cè)試圖像投影的上一步驟中得到的子空間上；選擇一定的距離函數(shù)進(jìn)行識(shí)別。詳細(xì)描述如下：4.1讀入人臉庫(kù)一歸一化人臉庫(kù)后，將庫(kù)中的每個(gè)人選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集，設(shè)歸一化后的圖像是nn，按列相連就構(gòu)成n2維矢量，可視為n2維空間中的一個(gè)點(diǎn)，可以通過(guò)K-L變換用一個(gè)低維子空間描述這個(gè)圖像。4.2計(jì)算KL變換的生成矩陣訓(xùn)練樣本集的總體散布矩陣為產(chǎn)生矩陣，即或者寫成:式中xi為第i個(gè)訓(xùn)練樣本的圖像向量，|l為訓(xùn)練樣本的均值向量，M為訓(xùn)練樣本的總數(shù)。為了求n2n2維矩陣的特征值和正交歸一化的特征向量，要直接計(jì)算的話，計(jì)算量太大，由此引入

7、奇異值分解定理來(lái)解決維數(shù)過(guò)高的問(wèn)題。4.3利用奇異值分解(AVD)定理計(jì)算圖像的特征值和特征向量設(shè)A是一個(gè)秩為r的行nr維矩陣，則存在兩個(gè)正交矩陣和對(duì)角陣：其中凡則這兩個(gè)正交矩陣和對(duì)角矩陣滿足下式：!其中為矩陣的非零特征值， 4.4 把訓(xùn)練圖像和測(cè)試圖像投影到特征空間每一副人臉圖像向特征臉子空間投影，得到一組坐標(biāo)系數(shù)，就對(duì)應(yīng)于子空間中的一個(gè)點(diǎn)。同樣，子空間中的任一點(diǎn)也對(duì)應(yīng)于副圖像。這組系數(shù)便可作為人臉識(shí)別的依據(jù)，也就是這張人臉圖像的特征臉特征。也就是說(shuō)任何一幅人臉圖像都可以表示為這組特征臉的線性組合，各個(gè)加權(quán)系數(shù)就是KL變換的展開(kāi)系數(shù)，可以作為圖像的識(shí)別特征，表明了該圖像在子空間的位置，也就是

8、向量可用于人臉檢測(cè)，如果它大于某個(gè)閾值，可以認(rèn)為f是人臉圖像，否則就認(rèn)為不是。這樣原來(lái)的人臉圖象識(shí)別問(wèn)題就轉(zhuǎn)化為依據(jù)子空間的訓(xùn)練樣本點(diǎn)進(jìn)行分類的問(wèn)題。5、 基于連接機(jī)制的人臉識(shí)別方法 基于連接機(jī)制的識(shí)別方法的代表性有神經(jīng)網(wǎng)絡(luò)和彈性匹配法。神經(jīng)網(wǎng)絡(luò)(ANN)在人工智能領(lǐng)域近年來(lái)是一個(gè)研究熱門，基于神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)進(jìn)行人臉特征提取和特征識(shí)別是一個(gè)積極的研究方向。神經(jīng)網(wǎng)絡(luò)通過(guò)大量簡(jiǎn)單神經(jīng)元互聯(lián)來(lái)構(gòu)成復(fù)雜系統(tǒng)，在人臉識(shí)別中取得了較好的效果，特別是正面人臉圖像。常用的神經(jīng)網(wǎng)絡(luò)有：BP網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)以及模糊神經(jīng)網(wǎng)絡(luò)等n。BP網(wǎng)絡(luò)的運(yùn)算量較小耗時(shí)也短，它的自適應(yīng)功能使系統(tǒng)的魯棒性增

9、強(qiáng)。神經(jīng)網(wǎng)絡(luò)用于人臉識(shí)別，相比較其他方法，其可以獲得識(shí)別規(guī)則的隱性表達(dá)，缺點(diǎn)是訓(xùn)練時(shí)間長(zhǎng)、運(yùn)算量大、收斂速度慢且容易陷入局部極小點(diǎn)等。Gutta等人結(jié)合RBF與樹(shù)型分類器的混合分類器模型來(lái)進(jìn)行人臉識(shí)別乜螂1。Lin等人采用虛擬樣本進(jìn)行強(qiáng)化和反強(qiáng)化學(xué)習(xí)，采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu)網(wǎng)絡(luò)的學(xué)習(xí)加快，實(shí)現(xiàn)了基于概率決策的神經(jīng)網(wǎng)絡(luò)方法獲得了較理想結(jié)果，。此種方法能較好的應(yīng)用于人臉檢測(cè)和識(shí)別的各步驟中。彈性匹配法采用屬性拓?fù)鋱D代表人臉，拓?fù)鋱D的每個(gè)頂點(diǎn)包含一個(gè)特征向量，以此來(lái)記錄人臉在該頂點(diǎn)位置周圍的特征信息引。拓?fù)鋱D的頂點(diǎn)是采用小波變換特征，對(duì)光線、角度和尺寸都具有一定的適應(yīng)性，且能適應(yīng)表情和視角的變化，其在

10、理論上改進(jìn)了特征臉?biāo)惴ǖ囊恍┤秉c(diǎn)。6、 基于三維數(shù)據(jù)的人臉識(shí)別方法一個(gè)完整的人臉識(shí)別系統(tǒng)包括人臉面部數(shù)據(jù)的獲取、數(shù)據(jù)分析處理和最終結(jié)果輸出三個(gè)部分。圖2-1 顯示了三維人臉識(shí)別的基本步驟：1 、通過(guò)三維數(shù)據(jù)采集設(shè)備獲得人臉面部的三維形狀信息；2 、對(duì)獲取的三維數(shù)據(jù)進(jìn)行平滑去噪和提取面部區(qū)域等預(yù)處理；3 、從三維數(shù)據(jù)中提取人臉面部特征，通過(guò)與人臉庫(kù)中的數(shù)據(jù)進(jìn)行比對(duì)；4 、用分類器做分類判別，輸出最后決策結(jié)果。 基于三維數(shù)據(jù)的方法的代表性是基于模型合成的方法和基于曲率的方法。基于模型合成的方法，它的基本思想為：輸入人臉圖像的二維的，用某種技術(shù)恢復(fù)(或部分恢復(fù))人臉的三維信息，再重新合成指定條件下的

11、人臉圖像。典型代表是3D可變形模型和基于形狀恢復(fù)的3D增強(qiáng)人臉識(shí)別算法。3D可變形模型首先通過(guò)200個(gè)高精度的3D人臉模型構(gòu)建一個(gè)可變形的3D人臉模型，用這個(gè)模型來(lái)對(duì)給定的人臉圖像擬合，獲得一組特定的參數(shù)，再合成任何姿態(tài)和光照的人臉圖像n卜捌?；谛螤罨謴?fù)的3D增強(qiáng)人臉識(shí)別算法是利用通用的3D人臉模型合成新的人臉圖像，合成過(guò)程改變了一定的姿態(tài)與光源情況。曲率是最基本的表達(dá)曲面信息的局部特征，因而最早用來(lái)處理3D人臉識(shí)別問(wèn)題的是人臉曲面的曲率。Lee禾lJ用平均曲率和高斯曲率值，將人臉深度圖中凸的區(qū)域分割出來(lái)。7、本章小結(jié)上面研究的各種識(shí)別方法都獲得了一定的成功，但各有優(yōu)缺點(diǎn)：(1)基于幾何特征

12、的識(shí)別方法很簡(jiǎn)單，但目前還沒(méi)有形成特征提取的統(tǒng)一標(biāo)準(zhǔn)，較難從圖像中抽取穩(wěn)定的特征，尤其是特征受到遮擋或有較大表情變化時(shí)，其對(duì)姿態(tài)變化的魯棒性也較差。(2)基于代數(shù)特征的識(shí)別方法通過(guò)各種變換方法來(lái)提取主分量，代數(shù)特征向量是具有一定穩(wěn)定性的，基于該方法的識(shí)別系統(tǒng)對(duì)不同的角度和表情都有一定的魯棒性。(3)基于連接機(jī)制的識(shí)別方法其優(yōu)點(diǎn)是保存了圖像中的材質(zhì)信息，且特征提取不復(fù)雜。但受到原始圖像數(shù)據(jù)量龐大的影響，識(shí)別時(shí)間長(zhǎng)，特別是當(dāng)樣本數(shù)量大大增加時(shí)，會(huì)嚴(yán)重影響其性能。(4)基于三維數(shù)據(jù)的人臉識(shí)別方法使用三維數(shù)據(jù)，是人臉識(shí)別的新思路，目前提取但信息還有一定困難，且需要很大數(shù)據(jù)存儲(chǔ)和計(jì)算量。本章介紹了目前常用的一些人臉檢測(cè)與識(shí)別方法，從識(shí)別率來(lái)看各種方法在指定數(shù)據(jù)庫(kù)上的識(shí)別