人臉識別技術(shù)的應(yīng)用背景及研究現(xiàn)狀

1、人臉識別技術(shù)的應(yīng)用背景及研究現(xiàn)狀1人臉識別技術(shù)的應(yīng)用 隨著社會的不斷進步以及各方面對于快速有效的自動身份驗證的迫切要求，生物特征識別技術(shù)在近幾十年中得到了飛速的發(fā)展。作為人的一種內(nèi)在屬性，并且具有很強的自身穩(wěn)定性及個體差異性，生物特征成為了自動身份驗證的最理想依據(jù)。當前的生物特征識別技術(shù)主要包括有：指紋識別，視網(wǎng)膜識別，虹膜識別，步態(tài)識別，靜脈識別，人臉識別等。與其他識別方法相比，人臉識別由于具有直接，友好，方便的特點，使用者無任何心理障礙，易于為用戶所接受，從而得到了廣泛的研究與應(yīng)用。除此之外，我們還能夠?qū)θ四樧R別的結(jié)果作進一步的分析，得到有關(guān)人的性別，表情，年齡等諸多額外的豐富信息，擴展了

2、人臉識別的應(yīng)用前景。當前的人臉識別技術(shù)主要被應(yīng)用到了以下幾個方面： （1）刑偵破案公安部門在檔案系統(tǒng)里存儲有嫌疑犯的照片，當作案現(xiàn)場或通過其他途徑獲得某一嫌疑犯的照片或其面部特征的描述之后，可以從數(shù)據(jù)庫中迅速查找確認，大大提高了刑偵破案的準確性和效率。 （2）證件驗證在許多場合（如海口，機場，機密部門等）證件驗證是檢驗?zāi)橙松矸莸囊环N常用手段，而身份證，駕駛證等很多其他證件上都有照片，使用人臉識別技術(shù)，就可以由機器完成驗證識別工作，從而實現(xiàn)自動化智能管理。 （3）視頻監(jiān)控在許多銀行，公司，公共場所等處都設(shè)有24小時的視頻監(jiān)控。當有異常情況或有陌生人闖入時，需要實時跟蹤，監(jiān)控，識別和報警等。這需要

3、對采集到的圖像進行具體分析，且要用到人臉的檢測，跟蹤和識別技術(shù)。 （4）入口控制入口控制的范圍很廣，既包括了在樓宇，住宅等入口處的安全檢查，也包括了在進入計算機系統(tǒng)或情報系統(tǒng)前的身份驗證。 （5）表情分析根據(jù)人臉圖像中的面部變化特征，識別和分析人的情感狀態(tài)，如高興，生氣等。此外，人臉識別技術(shù)還在醫(yī)學，檔案管理，人臉動畫，人臉建模，視頻會議等方面也有著巨大的應(yīng)用前景。2人臉識別技術(shù)在國外的研究現(xiàn)狀 當前很多國家展開了有關(guān)人臉識別的研究，主要有美國，歐洲國家，日本等，著名的研究機構(gòu)有美國MIT的Media lab,AI lab,CMU的Human-Computer Interface Instit

4、ute，Microsoft Research,英國的Department of Engineering in University of Cambridge等。綜合有關(guān)文獻，目前的方法主要集中在以下幾個方面：（1）模板匹配 主要有兩種方法，固定模板和變形模板。固定模板的方法是首先設(shè)計一個或幾個參考模板，然后計算測試樣本與參考模板之間的某種度量，以是否大于閾值來判斷測試樣本是否人臉。這種方法比較簡單，在早期的系統(tǒng)中采用得比較多。但是由于人臉特征的變化很大，很難得到有效的模板來表示人臉的共性。變形模板在原理上與固定模板相同，但其中包含一些非固定的元素，一種方法是手工構(gòu)造參數(shù)化的曲線和曲面以表征人臉

5、中的某些非固定特征，如眼睛，鼻子和嘴唇等。另一種方法是系統(tǒng)自動生成自適應(yīng)的曲線或曲面，以構(gòu)成變形人臉模板。檢測方法是：將模板與測試圖像進行彈性匹配，并加入懲罰機制，利用某種能量函數(shù)表示匹配程度。（2）示例學習 示例學習的基本思想是從某一概念的已給正例和反例的集合中歸納產(chǎn)生出接受所有正例同時排斥所有反例的該概念的一般規(guī)則。將人臉樣本和非人臉樣本送入學習機中，產(chǎn)生出判別規(guī)則，從而用于作為判斷輸入的測試圖像是否屬于人臉的主要判別依據(jù)。為了獲得較高的精度，學習過程需要大量的樣本，另外樣本數(shù)據(jù)本身是高維矢量，因此，研究通用而有效的學習算法的關(guān)鍵是精確的區(qū)分性和數(shù)據(jù)維數(shù)的降低。 將多個表示人臉模式的線性空

6、間進行組合，是示例學習的另一條途徑。采用了Kohonen自組織映射網(wǎng)絡(luò)對人臉樣本和非人臉樣本進行聚類，對每一類樣本進行Fisher線性判別，得到每一類的判別平面，從而構(gòu)成圖像子空間，并運用高斯模型描述每個子空間，估計出類條件概率密度。這樣，對于測試圖像，計算其屬于各個子空間的概率，分類決策為概率最大的類是它所屬的類，從而判斷測試圖像是否為人臉。（3）神經(jīng)網(wǎng)絡(luò) 從本質(zhì)上講，神經(jīng)網(wǎng)絡(luò)也是一種基于樣本的學習方法。將神經(jīng)網(wǎng)絡(luò)用于人臉檢測取得了很大的進展。MIT的學者首先對人臉樣本集和非人臉樣本集聚類，以測試樣本與人臉樣本集和非人臉樣本集的子類之間的距離作為分類的度量，利用多層感知器（MLP）網(wǎng)絡(luò)作為分

7、類器。CMU的研究人員直接以圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，設(shè)計了一個具有獨特結(jié)構(gòu)的適用于人臉特征的神經(jīng)網(wǎng)絡(luò)分類器，并通過前饋神經(jīng)網(wǎng)絡(luò)對檢測結(jié)果優(yōu)化。Raphael Feraud等利用多個神經(jīng)網(wǎng)絡(luò)：多層感知器（MLP）和約束產(chǎn)生式模型（CGM，Constrained Generative Model），實現(xiàn)了一個可應(yīng)用于WEB中人臉圖像檢索的快速而準確的人臉檢測方法。Shang-Hung Lin等訓練了三個基于概率決策的神經(jīng)網(wǎng)絡(luò)（PDBNN，Probabilistic Decision Based Neural Network）,用于人臉檢測，眼睛定位和人臉識別，實現(xiàn)了一個完整的人臉識別系統(tǒng)。（4）基

8、于隱馬爾可夫模型的方法 馬爾可夫模型是一個離散時序有限狀態(tài)自動機，隱馬爾可夫模型（HMM）是指這一馬爾可夫模型的內(nèi)部狀態(tài)外界不可見，外界只能看到各個時刻的輸出值。對于人臉模式來說，我們可以把它分成前額，眼睛，鼻子，嘴巴和下巴這樣一個序列。人臉模式就可以通過對這些區(qū)域的有序的識別來檢測，這正好是隱馬爾可夫模型容易做到的。Samaria等人提出了使用HMM模型進行人臉檢測的算法，他們使用人臉區(qū)域的結(jié)構(gòu)信息作為隱馬爾可夫模型的狀態(tài)遷移條件。除此以外，基于AdaBoost的人臉識別算法，基于彩色信息的方法，基于形狀分析的方法，以及多模態(tài)信息融合的方法，國外都進行了大量的研究與實驗。3人臉識別技術(shù)在國內(nèi)

9、的研究現(xiàn)狀 國內(nèi)關(guān)于人臉自動識別的研究始于二十世紀80年代，主要的研究單位有清華大學，哈爾濱工業(yè)大學，中科院計算所，中科院自動化所，復旦大學，北京科技大學等，并都取得了一定的成果。國內(nèi)的研究工作主要是集中在三大類方法的研究：基于幾何特征的人臉正面自動識別方法、基于代數(shù)特征的人臉正面自動識別方法和基于連接機制的人臉正面自動識別方法。周激流實現(xiàn)了具有反饋機制的人臉正面識別系統(tǒng)，運用積分投影法提取面部特征的關(guān)鍵點并用于識別，獲得了比較滿意的效果。他同時也嘗試了“穩(wěn)定視點”特征提取方法，即為使識別系統(tǒng)中包含3D信息，他對人臉側(cè)面剪影識別做了一定的研究，并實現(xiàn)了正，側(cè)面互相參照的識別系統(tǒng)。彭輝、張長水等

10、對“特征臉”的方法做了進一步的發(fā)展，提出采用類間散布矩陣作為產(chǎn)生矩陣，進一步降低了產(chǎn)生矩陣的維數(shù)，在保持識別率的情況下，大大降低了運算量。程永清，莊永明等對同類圖像的平均灰度圖進行SVD分解得到特征臉空間，每一幅圖像在特征臉空間上的投影作為其代數(shù)特征，然后利用層次判別進行分類。張輝，周洪祥，何振亞采用對稱主元分析神經(jīng)網(wǎng)絡(luò)，用去冗余和權(quán)值正交相結(jié)合的方法對人臉進行特征提取和識別。該方法所用特征數(shù)據(jù)量小，特征提取運算量也較小，比較好地實現(xiàn)了大量人臉樣本的存儲和人臉的快速識別。北京科技大學的王志良教授主要研究人工心理，建立了以數(shù)學公式為基礎(chǔ)的心理學模型。4當前人臉識別技術(shù)所存在的主要問題 盡管人臉識

11、別技術(shù)有著廣闊的應(yīng)用前景，但是無論是在識別率，還是在防偽性上，都與指紋，視網(wǎng)膜等有著較大的差距，歸根結(jié)底，影響人臉識別效果的原因主要有以下的幾個方面： 1）人臉圖像的獲取過程中的不確定性（如光的方向，以及光的強度等）。 2）人臉模式的多樣性（如胡須，眼鏡，發(fā)型等）。 3）人臉塑性變形的不確定性（如表情等）。 4）所涉及的領(lǐng)域知識的綜合性（如心理學，醫(yī)學，模式識別，圖像處理，數(shù)學等）。正因為在人臉識別的過程中存在上述的各種各樣的問題，因此在實際的檢測和識別過程中，當這些因素疊加到一起的時候，情況就變得更加復雜?；趲缀翁卣鞯淖R別方法，其存在的主要問題在于，沒有形成一個統(tǒng)一的，優(yōu)秀的特征提取標準。在描述人臉的時候，受到表情，光照，姿態(tài)的影響比較大，無法準確地描述人臉特征。盡管如此，基于幾何特征的方法在處理人臉表情分析時，仍然是一個最有效的依據(jù)。同時，目前已經(jīng)提出了很多改進的特征提取的算法，使得人臉幾何特征的提取越來越趨于合理，這里面最具代表性的方法就是結(jié)合3D人臉信息的特征點提取技術(shù)。基于代數(shù)特征的識別方法是目前在實際應(yīng)用中使用得最多的一類方法，其主要原因是由于代數(shù)特征矢量（即人臉圖像在特征空間的投影結(jié)果）對角度，表情等因素都具有一定的穩(wěn)定性。但對于光照