人臉識別技術(shù)的主要研究方法

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

2、流程圖如圖 21 所示： 圖 21 人臉識別流程圖3、基于幾何特征的人臉識別方法基于特征的方法是一種自下而上的人臉檢測方法， 由于人眼可以將人臉在不此研究人員認(rèn)為有一 個潛在的假設(shè)：人臉或人臉的部件可能具有在各種條件下都不會改變的特征或?qū)傩?，如形狀、膚色、 紋理、邊緣信息等。 基于特征的方法的目標(biāo)就是尋找上述這些不變特征， 并利用這些特征來定位入臉。 這類方法在特定的環(huán)境下非常有效且檢測速度較高，對人臉姿態(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，這類方法對圖像質(zhì)量要求較高，對光照和背景等有較高 的要求，因為光照、噪音、陰影都極有可能破壞人臉部件的邊緣，從而影響

3、算法的有效性。模板匹配算法首先需要人 TN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 測人臉時，計算輸入圖像與模板之間的相關(guān)值，這個相關(guān)值通常都是獨立計算臉部輪廓、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)定的閾值來確定圖像中是否存在 人臉。 基于可變模板的人臉檢測算法比固定模板算法檢測效果要好很多，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輸入圖像進(jìn)行復(fù)雜的預(yù)處理， 也不需要人工的對人臉特征進(jìn)行分析或 是抽取模板，而是通過使用特定的方法（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（A

4、NN）等）對大量的人臉和非人臉樣本組成的訓(xùn)練集（一般為了保證訓(xùn)練得到的檢測器精度，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)而成的模板或者說分類器用于人臉檢測。因此， 這也是 j 種自下而上的方法。 這種方法的優(yōu)點是利用強(qiáng)大的機(jī)器學(xué)習(xí)算法快速穩(wěn)定地實現(xiàn)了很 好的檢測結(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結(jié)果。但是這種 方法通常需要遍歷整個圖片才能得到檢測結(jié)果， 并且在訓(xùn)練過程中需要大量的人臉與非人臉樣本， 以 及較長的訓(xùn)練時間。近幾年來，針對該方法的人臉檢測研究相對比較活躍。4、基于代數(shù)特征的人臉識別方法在基于代數(shù)特征的人臉識別中， 每一幅人臉

5、圖像被看成是以像素點灰度為元素的矩陣，用反映某些性質(zhì)的數(shù)據(jù)特征來表示人臉的特征。設(shè)人臉圖像)，(y x I 為二維N MX灰度圖像，同樣可以看成是N M n X =維列向量，可視為 N MX維空間中的一個點。但這樣的一個空間中，并不是 空間中的每一部分都包含有價值的信息，故一般情況下，需要通過某種變換，將如此巨大的空間中的 這些點映射到一個維數(shù)較低的空間中去。然后利用對圖像投影間的某種度量來確定圖像間的相似度， 最常見的就是各種距離度量。在基于代數(shù)特征的人臉識別方法中，主成分分析法(PCA和Fisher線性判別分析(LDA是研究最多的方法。本章簡要介紹介紹了PCA完整的 PCA(Princip

6、alComponentAnalysis) 人臉識別的應(yīng)用包括四個步驟：人臉圖像預(yù)處理；讀 入人臉庫，訓(xùn)練形成特征子空間；把訓(xùn)練圖像和測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)行識別。詳細(xì)描述如下：讀入人臉庫一歸一化人臉庫后，將庫中的每個人選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集，設(shè)歸一化后的圖像是nXn，按列相連就構(gòu)成 n2維矢量，可視為n2維空間中的一個點，可以通過K-L變換用一個低維子空間描述這個圖像。計算 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個訓(xùn)練樣本的圖像向量，|1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 n2Xn2維矩陣

7、刀的特征值和正交歸一化的特征向量，要直接計算的話，計算量太大，由此引入奇異值 分解定理來解決維數(shù)過高的問題。利用奇異值分解(AVD)定理計算圖像的特征值和特征向量設(shè)A是一個秩為r的行nXr維矩陣，則存在兩個正交矩陣和對角陣：其中凡則這兩個正交矩陣和對角矩陣滿足下式：的非特征值把訓(xùn)練圖像和測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)， 就對應(yīng)于子空間中的一個點。同樣，子空間中的任一點也對應(yīng)于副圖像。這組系數(shù)便可作為人臉識 別的依據(jù)， 也就是這張人臉圖像的特征臉特征。 也就是說任何一幅人臉圖像都可以表示為這組特征臉 的線性組合，各個加權(quán)系數(shù)就是 KL 變換的展開系數(shù)，可

8、以作為圖像的識別特征，表明了該圖像在 子空間的位置，也就是向量 可用于人臉檢測，如果它大于某個閾值，可以認(rèn)為 f 是人臉圖像，否則就認(rèn)為不是。這樣原來的人臉 圖象識別問題就轉(zhuǎn)化為依據(jù)子空間的訓(xùn)練樣本點進(jìn)行分類的問題。5、基于連接機(jī)制的人臉識別方法基于連接機(jī)制的識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)域近年來是一個研究熱門，基于神經(jīng)網(wǎng)絡(luò)技術(shù)來進(jìn)行人臉特征提取 和特征識別是一個積極的研究方向。 神經(jīng)網(wǎng)絡(luò)通過大量簡單神經(jīng)元互聯(lián)來構(gòu)成復(fù)雜系統(tǒng)，在人臉識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

9、經(jīng)網(wǎng)絡(luò)等n_。BP網(wǎng)絡(luò)的運(yùn)算量較小耗時也短，它的自適應(yīng)功能使系統(tǒng)的魯棒性增強(qiáng)。神經(jīng)網(wǎng)絡(luò)用于人臉識別，相比較其他方法，其可以獲得識別規(guī)則的隱性表達(dá)，缺點是 訓(xùn)練時間長、運(yùn)算量大、收斂速度慢且容易陷入局部極小點等。Gutta等人結(jié)合RBF與樹型分類器的混合分類器模型來進(jìn)行人臉識別乜螂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)用于人臉檢測和識別的各步驟中。 彈性匹配法采用屬性拓?fù)鋱D代表人臉， 拓?fù)鋱D的每個頂點 包含一個特征向量， 以此來記錄人臉在該頂點位置周圍的特征信息弓I。拓?fù)鋱D的頂

10、點是采用小波變換特征，對光線、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，其在理論上改進(jìn)了 特征臉?biāo)惴ǖ囊恍┤秉c。6、基于三維數(shù)據(jù)的人臉識別方法一個完整的人臉識別系統(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)果輸出三個部分。 圖 2-1 顯示了三維人臉識別的基本步驟： 1 、通過三維數(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 過與人臉庫中的數(shù)據(jù)進(jìn)行比對； 4 、用分類器做分類判別，輸出最后決策結(jié)果?；谌S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

11、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)人臉識別算法。3D可變形模型首先通過 200個高精度的3D人臉模型構(gòu)建一個可變形的 3D人 臉模型，用這個模型來對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 成過程改變了一定的姿態(tài)與光源情況。3D 人臉識別問題的是人臉曲面的曲率是最基本的表達(dá)曲面信息的局部特征，因而最早用來處理 曲率。 Lee 禾 lJ 用平

12、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。7、本章小結(jié)上面研究的各種識別方法都獲得了一定的成功，但各有優(yōu)缺點：(1) 基于幾何特征的識別方法很簡單，但目前還沒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，其對姿態(tài)變化的魯棒性也較差。(2) 基于代數(shù)特征的識別方法通過各種變換方法來提取主分量，代數(shù)特征向量是具有一定穩(wěn)定性 的，基于該方法的識別系統(tǒng)對不同的角度和表情都有一定的魯棒性。(3) 基于連接機(jī)制的識別方法其優(yōu)點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，識別時間長，特別是當(dāng)樣本數(shù)量大大增加時，會嚴(yán)重影響其性能。(4) 基于三維數(shù)據(jù)的人臉識別方法使用三維數(shù)據(jù)，是人臉識別的新思路，目前提取但信息還有一 定困難，且需要很大數(shù)據(jù)存儲和計算量。本章介紹了目前常用的一些人臉檢測與識別方法， 從識別率來看各種方法在指定數(shù)據(jù)庫上的