人臉檢測和識別技術(shù)的文獻(xiàn)綜述

1、人臉檢測和識別技術(shù)的文獻(xiàn)綜述 摘要：通過對關(guān)于人臉檢測與識別技術(shù)方面文獻(xiàn)的閱讀，本文綜述了傳統(tǒng)的身份識別，人臉檢測和識別技術(shù)的背景、意義及國內(nèi)外發(fā)展現(xiàn)狀，著重介紹了人臉檢測和識別方法。關(guān)鍵詞：人臉檢測；人臉識別；子空間分析；核主元分析。人臉不僅具有很強(qiáng)的自身穩(wěn)定性和個體差異性，而且直接、友好，相對傳統(tǒng)識別，更符合人類的視覺習(xí)慣。一個完整的人臉識別過程一般包括人臉檢測和人臉識別兩大部分，人臉檢測是指計(jì)算機(jī)在包含有人臉的圖像中檢測出人臉，并給出人臉?biāo)趨^(qū)域的位置和大小等信息的過程1，人臉識別就是將待識別的人臉與已知人臉進(jìn)行比較，得出相似程度的相關(guān)信息。這里所指的人臉識別是狹義的識別，是統(tǒng)稱的廣義人

2、臉識別的一個子過程2。近年來人臉檢測和識別技術(shù)的研究取得了較大的發(fā)展。1 人臉識別的背景和研究意義身份識別與驗(yàn)證是人類社會日常生活中的基本活動之一。盡管也許是無意識的，我們每天都要對很多人的身份做出判別，同時，每個人也都要經(jīng)常通過各種方式和手段證明自己的身份，目前我們大多數(shù)情況下仍然依賴于傳統(tǒng)的身份驗(yàn)證手段來完成身份識別過程，這些手段包括各類標(biāo)識物如身份證、學(xué)生證等各類證件，鑰匙，口令等，然而這些方式使用不方便、不安全、不可靠的缺點(diǎn)不言而喻，證件、鑰匙攜帶不便證件可以被偽造鑰匙可能會丟失密碼,這些缺點(diǎn)使得它們越來越不能滿足現(xiàn)實(shí)的需要3。目前廣泛使用的依靠證件、口令等傳統(tǒng)方法來確認(rèn)個人身份的技術(shù)

3、面臨著嚴(yán)峻的挑戰(zhàn)，已經(jīng)不能適應(yīng)現(xiàn)代科技發(fā)展和社會進(jìn)步的需要4-6。隨著社會的發(fā)展，信息化程度的不斷提高，人們對身份鑒別的準(zhǔn)確性和實(shí)用性提出了更高的要求，傳統(tǒng)的身份識別方式已經(jīng)不能滿足這些要求。生物特征識別利用人類特有的生理特征如指紋，虹膜等或行為特征如簽名，聲音等進(jìn)行身份識別?；谏锾卣鞯纳矸菡J(rèn)證技術(shù)是一項(xiàng)新興的安全技術(shù)，也是本世紀(jì)最有發(fā)展?jié)摿Φ募夹g(shù)之一7。2 人臉檢測和識別技術(shù)的發(fā)展概況人臉檢測是自動人臉識別系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)，也是極其重要的一步.早期的人臉檢測問題可以追溯到20世紀(jì)70年代，由于技術(shù)原因，當(dāng)時人臉檢測的研究一直處于止步狀態(tài)。直到20世紀(jì)90年代，由于人臉識別系統(tǒng)和視頻解

4、碼的大量運(yùn)用，人臉檢測的研究才得到了新的發(fā)展利用運(yùn)動、顏色和綜合信息等更具有魯棒性的方法被提出來變形模板，彈性曲線等在特征提取方面的許多進(jìn)展使得人臉特征的定位變得更為準(zhǔn)確。目前，國內(nèi)外對人臉檢測問題的研究非常多，比較著名的有國外的MIT、CMU等，國內(nèi)的清華大學(xué)、北京工業(yè)大學(xué)、中國科學(xué)院計(jì)算技術(shù)研究所和中國科學(xué)院自動化研究所等。近年來，人臉識別研究得到了諸多研究人員的青睞，涌現(xiàn)出了諸多技術(shù)方法。尤其是1990年以來，人臉識別更得到了長足的發(fā)展，每年都有大量的學(xué)術(shù)論文發(fā)表?，F(xiàn)在，幾乎所有知名的理工科大學(xué)和IT產(chǎn)業(yè)的主要公司都有研究組在從事人臉識別的研究。人臉識別的研究大致可分為四個階段。第一個階

5、段以Bertillon，Allen和Parke為代表，主要研究人臉識別所需要的面部特征；第二個階段是人機(jī)交互識別階段；第三個階段是真正的機(jī)器自動識別階段；第四個階段是魯棒的人臉識別技術(shù)的研究階段。目前，國外多所大學(xué)和研究機(jī)構(gòu)已經(jīng)研制出一些較好的人臉識別原型系統(tǒng)和一些較成熟的商業(yè)人臉識別系統(tǒng)，如德國的Cognitec，美國的Indentix，Eyematic等 8。 3、人臉識別的研究方法 近年來，人們對人臉檢測和識別方法以及三維人臉的重建方法等的研究有了很大的進(jìn)步，研究方法越來越多。目前人臉識別技術(shù)的研究主要分為以下兩大類：人臉檢測和人臉識別。人臉檢測的方法主要有基于知識的方法、基于特征的方法

6、、模板匹配和基于外觀的方法等四種9。根據(jù)特征提取和選擇方法的不同，以及出現(xiàn)的時間順序，把人臉識別方法分為三大類：早期的幾何特征方法和模板匹配方法、神經(jīng)網(wǎng)絡(luò)方法和統(tǒng)計(jì)方法。其中的分類只是相對的，有些方法可能也可以交叉存在10其框圖如下：高維空間利用特征空間分解密度估計(jì)的概率視覺學(xué)習(xí)方法。基于分布（Distribution-Based）的系統(tǒng)基于分布的方法神經(jīng)元網(wǎng)絡(luò)特征臉技術(shù)兩個階段的人臉檢測方法檢測照片中的正面人臉的方法基于人臉的外形定位方法線性子空間分析方法隱馬爾科夫模型基于多尺度和方向變化的 Gabor 特征的方法子空間分析方法基于動態(tài)鏈接結(jié)構(gòu)的彈性圖匹 配彈性束圖匹配方法人臉識別技術(shù)人臉檢

7、測方法人臉識別方法基于特征的方法基于知識的方法特征匹配的方法基于幾何 特 征模 板匹 配的方法神經(jīng)網(wǎng)絡(luò)的方法統(tǒng)計(jì)的方法基于外觀的方法基于核技巧的非線性子空間分 析主元分析線性判決分析獨(dú)立元分析非 負(fù) 矩 陣 因 子核 Fisher判決分析核主元分析3.1人臉檢測方法3.1.1 基于知識的方法 基于知識的方法（Knowledge-Based Methods）一是基于規(guī)則的人臉檢測方法。規(guī)則來源于研究者關(guān)于人臉的先驗(yàn)知識。一般比較容易提出簡單的規(guī)則來描述人臉特征和它們的相互關(guān)系。Yang和Huang使用分層的基于知識的人臉檢測方法11。他們的系統(tǒng)由3級規(guī)則組成。在最高級，通過掃描輸入圖像的窗口和應(yīng)

8、用每個位置的規(guī)則集找到所有可能的人臉候選區(qū)。較高級的規(guī)則通常描述人臉看起來象什么，而較低級的規(guī)則依賴于面部特征的細(xì)節(jié)。多分辨率的分層圖像通過平均和二次采樣生成，如圖2所示。編碼規(guī)則通常在較低的分辨率下確定人臉的候選區(qū)，包括人臉的中心部分圖中較淺的陰影部分，其中有個基本上相同的灰度單元。圖2 Yang和Huang的檢測方法Fig 2 The detection method of Yang and Huang3.1.2 基于特征的方法 基于特征的方法（Feature-Based Methods）不僅可以從已有的面部特征而且可以從它們的幾何關(guān)系進(jìn)行人臉檢測。和基于知識的方法相反，它是尋找人臉的不變

9、特征用于人臉檢測。人們已經(jīng)提出了許多先檢測人臉面部特征，后推斷人臉是否存在的方法。面部特征如眉毛、眼睛、鼻子、嘴和發(fā)際等，一般利用邊緣檢測器提取。根據(jù)提取的特征，建立統(tǒng)計(jì)模型描述特征之間的關(guān)系并確定存在的人臉。基于特征的算法存在的問題是，由于光照、噪聲和遮擋等使圖像特征被嚴(yán)重地破壞，人臉的特征邊界被弱化，陰影可能引起很強(qiáng)的邊緣，而這些邊緣可能使得算法難以使用。3.1.3模板匹配的方法Sakai等人用眼睛、鼻子、嘴和人臉輪廓等子模板建模，檢測照片中的正面人臉。每一個子模板按照線分割定義?；谧畲筇荻茸兓崛≥斎雸D像的線，然后與子模板匹配。計(jì)算子圖像和輪廓模板之間的相互關(guān)系檢測人臉的候選區(qū)域，完成

10、用其他子模板在候選區(qū)域的匹配。Craw等人提出了一種基于正面人臉的形狀模板即人臉的外形定位方法。用Sobel算子提取邊緣，將邊緣組織在一起，根據(jù)幾個約束條件去搜索人臉模板。在頭輪廓定位。Govindaraju等人提出兩個階段的人臉檢測方法。人臉模型根據(jù)邊緣定義的特征構(gòu)成。這些特征描述了正面人臉的左邊、發(fā)際和右邊的曲線。人臉必須是垂直、無遮擋和正面的。3.1.4 基于外觀的方法 基于外觀的方法首先通過學(xué)習(xí)，在大量訓(xùn)練樣本集的基礎(chǔ)上建立一個能對人臉和非人臉樣本進(jìn)行正確識別的分類器，然后對被檢測圖像進(jìn)行全局掃描，用分類器檢測掃描到的圖像窗口中是否包含人臉，若有則給出人臉?biāo)诘奈恢谩?Moghadda

11、m和Pentland提出在高維空間利用特征空間分解密度估計(jì)的概率視覺學(xué)習(xí)方法12。用主成分(PCA)分析來定義子空間從而最好地表示人臉模式集。主成分保存數(shù)據(jù)中主分量而丟棄了那些次分量。這種方法把向量空間分解為互相排斥和互為補(bǔ)充的2個子空間主子空間或特征空間和它的正交子空間。因此對象密度被分解為個2成分在主子空間由主分量張成的密度，和它的垂直成分(在標(biāo)準(zhǔn)的PCA中被丟棄的次分量)如圖3所示。用多變量Gaussians和混合Gaussians密度分布進(jìn)行學(xué)習(xí)人臉局部特征的統(tǒng)計(jì)。然后將這些概率密度用于基于最大似然估計(jì)的對象檢測。這種方法已經(jīng)被用于人臉定位、編碼和識別。和傳統(tǒng)的特征臉方法相比，此方法在

12、人臉識別方面表現(xiàn)出更好的性能。圖3 圖像空間分解為主子空間和垂直補(bǔ)空間Fig. 3 Decomposition lr a image space into the principal subspace its orthogonal complement3.2 人臉識別方法3.2.1早期的幾何特征方法和模板匹配方法最早的人臉識別方法就是基于幾何特征的方法13，它的基本思想是提取人臉面部具有代表性的部位（例如眉毛、眼睛、鼻子、嘴巴等）的相對位置和相對大小作為特征，再輔以人臉輪廓的形狀信息，來對人臉進(jìn)行分類和識別。模板匹配方法是模式識別中最簡單的一種模式分類方法。在人臉識別中，就是把數(shù)據(jù)庫的人臉圖像

13、看成是已知的模板，然后根據(jù)計(jì)算待識別圖像和已知模板間的相關(guān)性大小來分類。3.2.2 神經(jīng)網(wǎng)絡(luò)方法基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法也早期的方法之一。目前較流行的基于動態(tài)鏈接結(jié)構(gòu)的彈性圖匹配（Elastic Graph Matching）方法，并且取得了一定的成功。它是通過 Gabor 小波來提取并描述人臉中的一些局部特征點(diǎn)（節(jié)點(diǎn)），并把它們用成標(biāo)記圖（Labeled Graph）的形式連接起來，用標(biāo)記圖之間的相似度來衡量人臉圖像之間的相似度。彈性圖匹配方法不但體現(xiàn)了人臉中的幾何特征信息，而且還可以通過標(biāo)記圖的彈性形變來描述人臉的一些變化，因而能取得較好的識別性能。3.2.3 基于統(tǒng)計(jì)的方法 統(tǒng)計(jì)方法是

14、目前最受注意的一類方法。它的思想就是想通過學(xué)習(xí)來得到人臉的統(tǒng)計(jì)特征，并以此來判別分類。其學(xué)習(xí)和識別過程的模型如下圖4所示。圖4 統(tǒng)計(jì)方法識別模型子空間分析（Subspace Analysis）方法是其中的主要的一種，它的思想就是把高維空間中松散分布的人臉圖像，通過線性或非線性變換壓縮到一個低維的子空間中去，在低維的子空間中使人臉圖像的分布更緊湊，更有利于分類。另外，也使高維的計(jì)算減小為低維計(jì)算。目前在人臉識別中得到成功應(yīng)用的線性子空間分析方法有：主元分析（Principal ComponentAnalysis / PCA）、線性判決分析(Linear Discriminant Analysis

15、 / LDA)、獨(dú)立元 分 析 (Independent Component Analysis / ICA) 、 非 負(fù) 矩 陣 因 子(Non-negative Matrix Factorization / NMF)；基于核技巧的非線性子空間分析有：核主元分析(Kernel Principal Component Analysis / KPCA)和核 Fisher判決分析(Kernel Fisher Discriminant Analysis / KFDA)。核主元分析法如下：基于線性子空間分析方法的人臉識別，實(shí)際上是把實(shí)際人臉圖像中存在的表情、姿態(tài)、光照等復(fù)雜的變化進(jìn)行了線性簡化，因此不可

16、能得到充分的描述。核技術(shù)的思想就是利用一非線性映射，把原空間的數(shù)據(jù)映射到一隱特征空間 F 中：:x Rn fF，然后在隱特征空間中對數(shù)據(jù)進(jìn)行分析，從而可得到有效地分析原始數(shù)據(jù)的非線性關(guān)系。而在計(jì)算上，并不需要明確的計(jì)算這個非線性變換,只需要計(jì)算在隱特征空間 F 中兩兩向量的點(diǎn)積即可（3.1）。隱特征空間 F 就是通過這樣的點(diǎn)積來描述的。 k ( x,y)= (x)*(y) (3.1)常用的點(diǎn)積核函數(shù)有三種：多項(xiàng)式點(diǎn)積核函數(shù)、徑向基點(diǎn)積核函數(shù)和Sigmoid 點(diǎn)積核函數(shù)14-16。核主元分析是由 Scholkopf 等17首先提出來的，其思想就是把核技術(shù)和主元分析結(jié)合起來。首先用核技術(shù)把原始數(shù)據(jù)

17、投影到隱特征空間 F 中，再對其作線性主元分析，那么就得到了相對于原空間的一個非線性主元子空間。根據(jù)主元分析的原理，求解在隱特征空間 F 中的主元就等同于求解如下的特征值問題：w=Sw (3.2)其中， S表示樣本在隱特征空間 F 中投影的離散度矩陣。因?yàn)樵陔[特征空間中作線性變換，所以存在這樣的關(guān)系：對應(yīng)于 0的特征向量 w 必存在于由(x1),(x2),.,(xN)所張成的空間中。數(shù)學(xué)上就可把 w用式（3.3）來表示： (3.3)把（3.3）代入（3.2）中，則特征值的求解問題就變成了解下面的特征值問題： N =K (3.4) 其中，矩陣 K 是一個 N N的矩陣， Ki,j= k(xi,x

18、j)=(xi),(xj)， =(1 ,2,.,N )T。同理，可以選擇對于前 m 個大的特征值的特征向量作為隱特征空間 F中的主元，那么原空間中數(shù)據(jù) x 在 w上的投影就是： (3.5)4、小結(jié)與展望 隨著社會的不斷發(fā)展，傳統(tǒng)的身份識別技術(shù)已經(jīng)不能滿足人們的需要。與其它生物特征識別技術(shù)相比，人臉識別在可用性方面具有獨(dú)到的技術(shù)優(yōu)勢，這主要體現(xiàn)在：可以隱蔽操作，尤其適用于安全監(jiān)控；非接觸式采集，沒有侵犯性，容易被接受，不會對用戶造成生理上的傷害，容易被大多數(shù)的用戶接受；具有方便、快捷、強(qiáng)大的事后追蹤能力；圖像采集設(shè)備成本低；更符合人類的識別習(xí)慣，可交互性強(qiáng)18。人臉檢測是人臉信息處理領(lǐng)域的一個重要

19、課題，也是計(jì)算機(jī)視覺和人機(jī)交互領(lǐng)域中的研究熱點(diǎn)。這一問題的突破性進(jìn)展將給人臉識別、表情姿態(tài)的識別、視頻監(jiān)控、身份驗(yàn)證等相關(guān)領(lǐng)域的研究帶來很大的推動作用19。人臉檢測和識別是極具挑戰(zhàn)性的研究課題，需要進(jìn)一步研究和解決的問題還有很多。人臉檢測和識別的難度大，人臉識別技術(shù)經(jīng)過幾十年的研究，在環(huán)境可控的條件下已經(jīng)達(dá)到了實(shí)用程度，但是在考慮光照，姿態(tài)，表情等變化的影響時，其應(yīng)用范圍受到了較大的限制。近年來，為了進(jìn)一步解決人臉識別的表情，姿態(tài)等問題，三維人臉識別技術(shù)得到了較大的發(fā)展，三維人臉模型重建方法也日趨增多。但是如何將三維識別的結(jié)果融合到二維識別中，從而建立一個有效識別準(zhǔn)則，還有待進(jìn)一步討論，人臉特

20、征的選取與提取算法等方面還需要進(jìn)一步優(yōu)化20。參考文獻(xiàn)：1 肖秀春.人臉檢測與面部特征提取技術(shù)研究.湖南大學(xué)碩士學(xué)位論文.2004,05:1.2 劉小華.人臉識別技術(shù)及其應(yīng)用研究.吉林大學(xué)博士學(xué)位論文.2005,04:103 山世光.人臉識別中若干關(guān)鍵問題的研究.中國科學(xué)院研究生院博士學(xué)位論文2004,07:2.4 劉黨輝.魯棒的人臉識別技術(shù)研究D.北京業(yè)人學(xué)博十論文，2004.5 廖頻基于統(tǒng)一概率模型的人臉識別技術(shù)D.中國科學(xué)院研究生院博士論文,20036 張敏貴，潘泉，張洪才等.多生物特征識別J.信息與控制，2002,31(6):524-528.7 劉曉寧.基于三維模型的人臉識別技術(shù)研究.

21、西北大學(xué)博士學(xué)位論文.2006,05:1.8 趙明華.人臉檢測和識別技術(shù)的研究.四川大學(xué)博士學(xué)位論文.2006,10:25-27.9 趙麗紅.人臉檢測和識別算法的研究與實(shí)現(xiàn).東北大學(xué)博士學(xué)位論文 2006,01:8-13.10 劉青山.人臉跟蹤與識別的研究.中國科學(xué)院博士學(xué)位論文.2003,03:7-9.11 T.S.Huang and G.Z.Yang.Human Face Detection in a Complex Background J,Pattern Recognition,1994,27(1):53-63.12 B.Moghaddam and A.Pentland.Probabilistic Visual Learning for Object RecognitionJ,IEEE Trans,Pattern Analysisand Machine Intelligence,July 1997,19(7):696-710.13 A.Samal and P.A.Iyengar,“Automatic Recognition and Analysis of