人臉識(shí)別背景方法

1、淺談人臉識(shí)別技術(shù)的現(xiàn)狀與發(fā)展宋磊 卞迪 白杰文 范益彪 李主南摘要人臉識(shí)別技術(shù)以其獨(dú)特性、直接性、方便性等特點(diǎn)，在涉及身份特征識(shí)別的領(lǐng)域里被廣為應(yīng)用。本文主要介紹人臉識(shí)別技術(shù)（FRT）的研究內(nèi)容、研究背景價(jià)值及研究現(xiàn)狀。通過分析當(dāng)前人臉識(shí)別技術(shù)的現(xiàn)狀，總結(jié)了人臉識(shí)別的應(yīng)用前景，提出了人臉識(shí)別技術(shù)的未來發(fā)展要求。關(guān)鍵詞：人臉識(shí)別，研究現(xiàn)狀，發(fā)展趨勢(shì) AbstractFace Recognition Technology, characterized by its uniqueness,direct and convenience,is widely used in the identificat

2、ion of identity.This paper mainly introduces the research content,study background value,and research status of the Face Recognition Technology.Through the analysis of the present situation of Face Recognition Technology,the application prospect of Face Recognition is summarized and the future devel

3、opment of Face Recognition Technology is proposed.Key words: Face Recognition，Research status，Developing trend 引言 隨著現(xiàn)代信息技術(shù)的快速發(fā)展，進(jìn)行身份認(rèn)證的技術(shù)轉(zhuǎn)到了生物特征層面?，F(xiàn)代生物識(shí)別技術(shù)主要是通過計(jì)算機(jī)與高科技手段密切結(jié)合，利用人體固有的生理特性和行為特征來進(jìn)行個(gè)人身份的鑒定。其中人臉識(shí)別是指人的面部五官以及輪廓的分布，這些分布特征因人而異，與生俱來。 人臉是一個(gè)包含著豐富信息的模式的集合，是人類互相辯證和識(shí)別的主要標(biāo)志之一，也是圖像和視頻中視覺感興趣的對(duì)象之一。與指紋、

4、虹膜、語音等其他人體生物特征相比，人臉識(shí)別更加直接、友好，無需干擾人們的正常行為就能較好地達(dá)到識(shí)別效果。在身份識(shí)別、訪問控制、視頻會(huì)議、檔案管理、電子相冊(cè)、基于對(duì)象的圖像和視頻檢索等方面有著廣泛的應(yīng)用，是當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。由于采用人臉識(shí)別技術(shù)的設(shè)備可以隨意安放，設(shè)備的安放隱蔽性非常好，能遠(yuǎn)距離非接觸快速鎖定目標(biāo)識(shí)別對(duì)象，因此人臉識(shí)別技術(shù)被國外廣泛應(yīng)用到公眾安防系統(tǒng)中，應(yīng)用規(guī)模龐大。人臉識(shí)別技術(shù)的研究肇始于20世紀(jì)60年代末期。20世紀(jì)90年代后期以來，一些商業(yè)性的人臉識(shí)別系統(tǒng)逐漸進(jìn)入市場(chǎng)，廣泛應(yīng)用于身份鑒定、電子商務(wù)、視頻監(jiān)控、人機(jī)交互、企業(yè)安全與管理、信息安全、刑事偵

5、破、出入口控制等領(lǐng)域。 人臉識(shí)別技術(shù)融合了數(shù)字圖像處理、計(jì)算機(jī)圖形學(xué)、模式識(shí)別、計(jì)算機(jī)視覺、人工神經(jīng)網(wǎng)絡(luò)、生物特征技術(shù)以及生理學(xué)、心理學(xué)等多個(gè)學(xué)科的理論和方法。人臉識(shí)別技術(shù)涉及的圖像逐漸復(fù)雜，雖然人臉識(shí)別研究已經(jīng)有了很大的進(jìn)展，但目前的技術(shù)仍然不能對(duì)諸如復(fù)雜背景中的人臉等進(jìn)行有效地處理和自動(dòng)跟蹤。因此，人臉識(shí)別技術(shù)在當(dāng)前及未來很長一段時(shí)間內(nèi)仍然是富有挑戰(zhàn)性的課題。1、 人臉識(shí)別技術(shù)1.1人臉識(shí)別技術(shù)的研究背景和應(yīng)用價(jià)值隨著社會(huì)的不斷進(jìn)步以及各方面對(duì)于快速有效的自動(dòng)身份驗(yàn)證的迫切要求，生物特征識(shí)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(qiáng)的自身穩(wěn)定性及個(gè)體差異性，生物特

6、征成為了自動(dòng)身份驗(yàn)證的最理想依據(jù)。當(dāng)前的生物特征識(shí)別技術(shù)主要包括有：指紋識(shí)別，視網(wǎng)膜識(shí)別，虹膜識(shí)別，步態(tài)識(shí)別，靜脈識(shí)別，人臉識(shí)別等。與其他識(shí)別方法相比，人臉識(shí)別由于具有直接，友好，方便的特點(diǎn)，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(shí)別的結(jié)果作進(jìn)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(kuò)展了人臉識(shí)別的應(yīng)用前景。當(dāng)前的人臉識(shí)別技術(shù)主要被應(yīng)用到了以下幾個(gè)方面：（1）刑偵破案（2）證件驗(yàn)證（3）視頻監(jiān)控（4）入口控制（5）表情分析（6）人臉識(shí)別也具有一些有趣有益的應(yīng)用,比如能夠識(shí)別主人身份的智能玩具、家政機(jī)器人、具有真實(shí)面像

7、的虛擬游戲玩家等。1.2人臉識(shí)別的方法和研究內(nèi)容人臉識(shí)別：是基于人的面部特征信息進(jìn)行的一種技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測(cè)和跟蹤人臉，然后再利用已有的人臉數(shù)據(jù)庫，確定場(chǎng)景里的一個(gè)人或者多個(gè)人。 目前人臉識(shí)別研究范圍主要包括以下幾個(gè)方面：（1）人臉檢測(cè)與定位：即從某一場(chǎng)景中檢測(cè)出某人并對(duì)其定位。（2）人臉特征表示：即采取不同的方式來表示人臉的特征。（3）人臉識(shí)別：即將獲取的人臉與數(shù)據(jù)庫已知的人臉進(jìn)行比對(duì)，得出相關(guān)信息，識(shí)別出人臉。（4）表情與姿態(tài)分析：對(duì)待識(shí)別的人臉表情與姿態(tài)進(jìn)行分析，并加以歸類。（5）生理分析與分類：分析人臉的生理特征，得出其生理的相關(guān)信息。

8、人臉識(shí)別的研究方法：1.基于幾何特征的方法人臉由眼睛、鼻子、嘴巴、下巴等部件構(gòu)成，正因?yàn)檫@些部件的形狀、大小和結(jié)構(gòu)上的各種差異才使得世界上每個(gè)人臉千差萬別，因此對(duì)這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以作為人臉識(shí)別的重要特征。幾何特征最早是用于人臉側(cè)面輪廓的描述與識(shí)別，首先根據(jù)側(cè)面輪廓曲線3確定若干顯著點(diǎn)，并由這些顯著點(diǎn)導(dǎo)出一組用于識(shí)別的特征度量如距離、角度、等由正面灰度圖中線附近的積分投影模擬側(cè)面輪廓圖是一種很有新意的方法。采用幾何特征進(jìn)行正面人臉識(shí)別一般是通過提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類特征,但Roder對(duì)幾何特征提取的精確性進(jìn)行了實(shí)驗(yàn)性的研究，結(jié)果

9、不容樂觀。可變形模板法可以視為幾何特征方法的一種改進(jìn)，其基本思想是:設(shè)計(jì)一個(gè)參數(shù)可調(diào)的器官模型(即可變形模板),定義一個(gè)能量函數(shù)，通過調(diào)整模型參數(shù)使能量函數(shù)最小化，此時(shí)的模型參數(shù)即作為該器官的幾何特征。這種方法思想很好，但是存在兩個(gè)問題，一是能量函數(shù)中各種代價(jià)的加權(quán)系數(shù)只能由經(jīng)驗(yàn)確定，難以推廣，二是能量函數(shù)優(yōu)化過程十分耗時(shí)，難以實(shí)際應(yīng)用。2.局部特征分析方法（Local Face Analysis）主元子空間的表示是緊湊的，特征維數(shù)大大降低，但它是非局部化的，其核函數(shù)的支集擴(kuò)展在整個(gè)坐標(biāo)空間中，同時(shí)它是非拓?fù)涞?，某個(gè)軸投影后臨近的點(diǎn)與原圖像空間中點(diǎn)的臨近性沒有任何關(guān)系，而局部性和拓?fù)湫詫?duì)模式分

10、析和分割是理想的特性，似乎這更符合神經(jīng)信息處理的機(jī)制，因此尋找具有這種特性的表達(dá)十分重要?；谶@種考慮，Atick提出基于局部特征的人臉特征提取與識(shí)別方法。這種方法在實(shí)際應(yīng)用取得了很好的效果，它構(gòu)成了FaceIt人臉識(shí)別軟件的基礎(chǔ)。3.神經(jīng)網(wǎng)絡(luò)方法（Neural Networks）人工神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)力學(xué)系統(tǒng)6，具有良好的自組織、自適應(yīng)能力。目前神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的50個(gè)主元，然后用自相關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到5維空間中，再用一個(gè)普通的多層感知器進(jìn)行判別，對(duì)一些簡單的測(cè)試圖像效果較好；Intrator等提出了一種混合型神經(jīng)網(wǎng)絡(luò)來

11、進(jìn)行人臉識(shí)別，其中非監(jiān)督神經(jīng)網(wǎng)絡(luò)用于特征提取，而監(jiān)督神經(jīng)網(wǎng)絡(luò)用于分類。Lee等將人臉的特點(diǎn)用六條規(guī)則描述，然后根據(jù)這六條規(guī)則進(jìn)行五官的定位，將五官之間的幾何距離輸入模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，效果較一般的基于歐氏距離的方法有較大改善，Laurence等采用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行人臉識(shí)別，由于卷積神經(jīng)網(wǎng)絡(luò)中集成了相鄰像素之間的相關(guān)性知識(shí)，從而在一定程度上獲得了對(duì)圖像平移、旋轉(zhuǎn)和局部變形的不變性，因此得到非常理想的識(shí)別結(jié)果，Lin等提出了基于概率決策的神經(jīng)網(wǎng)絡(luò)方法(PDBNN),其主要思想是采用虛擬(正反例)樣本進(jìn)行強(qiáng)化和反強(qiáng)化學(xué)習(xí)，從而得到較為理想的概率估計(jì)結(jié)果，并采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu)(OCON)加快網(wǎng)

12、絡(luò)的學(xué)習(xí)。這種方法在人臉檢測(cè)、人臉定位和人臉識(shí)別的各個(gè)步驟上都得到了較好的應(yīng)用，其它研究還有:Dai等提出用Hopfield網(wǎng)絡(luò)進(jìn)行低分辨率人臉聯(lián)想與識(shí)別，Gutta等提出將RBF與樹型分類器結(jié)合起來進(jìn)行人臉識(shí)別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用于人臉識(shí)別，國內(nèi)則采用統(tǒng)計(jì)學(xué)習(xí)理論中的支撐向量機(jī)進(jìn)行人臉分類。神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別上的應(yīng)用比起前述幾類方法來有一定的優(yōu)勢(shì)，因?yàn)閷?duì)人臉識(shí)別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。因此人工神經(jīng)網(wǎng)絡(luò)識(shí)別速度快

13、，但識(shí)別率低。而神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，其識(shí)別重要的一個(gè)目標(biāo)就是降維處理。 4、特征臉法特征臉方法利用主分量分析進(jìn)行降維和提取特征。主分量分析是一種應(yīng)用十分廣泛的數(shù)據(jù)降維技術(shù)，該方法選擇與原數(shù)據(jù)協(xié)方差矩陣前幾個(gè)最大特征值對(duì)應(yīng)的特征向量構(gòu)成一組基，以達(dá)到最佳表征原數(shù)據(jù)的目的。因?yàn)橛芍鞣至糠治鎏崛〉奶卣飨蛄糠祷爻蓤D像時(shí)，看上去仍像人臉，所以這些特征向量被稱為“特征臉”。在人臉識(shí)別中，由一組特征臉基圖象張成一個(gè)特征臉子空間，任何一幅人臉圖象（減去平均人臉后）都可投影到該子空間，得到一個(gè)權(quán)值向量。計(jì)算此向量和訓(xùn)練集中每個(gè)人的權(quán)值向量之間的歐式距離，取最小距離所

14、對(duì)應(yīng)的人臉圖像的身份作為測(cè)試人臉圖像的身份。下圖給出了主分量分析的應(yīng)用例子。圖中最左邊的為平均臉，其它為對(duì)應(yīng)7個(gè)最大特征值的特征向量。5.其它方法：除了以上幾種方法，人臉識(shí)別還有其它若干思路和方法，包括以下一些：1）隱馬爾可夫模型方法9（Hidden Markov Model）2）Gabor小波變換+圖形匹配3）人臉等密度線分析匹配方法4）基于彈性模型的方法5）特征臉方法（Eigenface或PCA）2、 人臉識(shí)別技術(shù)的研究現(xiàn)狀2.1國內(nèi)研究現(xiàn)狀國內(nèi)關(guān)于人臉自動(dòng)識(shí)別的研究始于二十世紀(jì)80年代，自九十年代在國家自然科學(xué)基金“863”計(jì)劃等資助下，國內(nèi)許多研究機(jī)構(gòu)在人臉識(shí)別領(lǐng)域進(jìn)行了卓有成效的研究

15、。研究工作主要是集中在四大類方法的研究：基于幾何特征的人臉正面自動(dòng)識(shí)別方法、基于代數(shù)特征的人臉正面自動(dòng)識(shí)別方法、基于連接機(jī)制的人臉正面自動(dòng)識(shí)別方法以及基于深度學(xué)習(xí)的人臉識(shí)別方法。四川大學(xué)周激流教授實(shí)現(xiàn)了具有反饋機(jī)制的人臉正面識(shí)別系統(tǒng)11，運(yùn)用積分投影法提取面部特征的關(guān)鍵點(diǎn)并用于識(shí)別，獲得了比較滿意的效果。他同時(shí)也嘗試了“穩(wěn)定視點(diǎn)”特征提取方法，即為使識(shí)別系統(tǒng)中包含3D信息，他對(duì)人臉側(cè)面剪影識(shí)別做了一定的研究，并實(shí)現(xiàn)了正，側(cè)面互相參照的識(shí)別系統(tǒng)。中國科技大學(xué)楊光正教授等提出一種基于鑲嵌圖的人臉自動(dòng)識(shí)別方法，采用基于知識(shí)的三級(jí)金字塔結(jié)構(gòu)對(duì)人臉進(jìn)行基本定位，前兩級(jí)建立在不同分辨率的鑲嵌圖基礎(chǔ)上，第三

16、級(jí)用一種改進(jìn)的邊緣檢測(cè)方法進(jìn)一步檢測(cè)眼睛和嘴巴。清華大學(xué)彭輝、張長水等專家對(duì)特征臉的方法做了進(jìn)一步的發(fā)展，提出采用類間散布矩陣12作為產(chǎn)生矩陣，進(jìn)一步降低了產(chǎn)生矩陣的維數(shù)，在保持識(shí)別率的情況下，大大降低了運(yùn)算量。南京理工大學(xué)楊靜宇等主要是采用奇異值分解方法進(jìn)行人臉識(shí)別研究，如用Daubechies正交小波變換對(duì)人臉圖像作預(yù)處理，等到不同頻帶上的四個(gè)子圖像，對(duì)它們分別提取奇異值，然后用最近鄰方法進(jìn)行分類，同時(shí)設(shè)計(jì)一種適用于多分類結(jié)果融合的群體決策算法，并且對(duì)分類結(jié)果有選擇的進(jìn)行融合。程永清，莊永明等對(duì)同類圖像的平均灰度圖進(jìn)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，

17、然后利用層次判別進(jìn)行分類。張輝，周宏祥，何振亞采用對(duì)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(duì)人臉進(jìn)行特征提取和識(shí)別。該方法所用特征數(shù)據(jù)量小，特征提取運(yùn)算量也較小，比較好地實(shí)現(xiàn)了大量人臉樣本的存儲(chǔ)和人臉的快速識(shí)別。香港中文大學(xué)教授湯曉鷗、王曉剛及其研究團(tuán)隊(duì)他們研發(fā)的DeepID人臉識(shí)別技術(shù)的準(zhǔn)確率超過99%，比肉眼識(shí)別更加精準(zhǔn)。在此之前，湯曉鷗的研究組開發(fā)了一個(gè)基于高斯過程的人臉識(shí)別技術(shù)GaussianFace (高斯臉)，取得了98.52%的識(shí)別率。這也是計(jì)算機(jī)自動(dòng)識(shí)別算法的識(shí)別率首次超過肉眼。3.2國外研究現(xiàn)狀當(dāng)前很多國家展開了有關(guān)人臉識(shí)別的研究，主要有美國，歐洲國家，日本等，著

18、名的研究機(jī)構(gòu)有美國MIT的Media lab，AI lab，CMU的Human-Computer Interface Institute，Microsoft Research,英國的Department of Engineering in University of Cambridge等。綜合有關(guān)文獻(xiàn)，在人臉識(shí)別的領(lǐng)域中，國際上逐步形成了以下幾個(gè)研究方向：基于幾何特征的人臉識(shí)別方法，主要代表是MIT的Brunelli和Poggio小組，他們采用改進(jìn)的積分投影法提取出用歐氏距離表征的35維人臉特征矢量用于模式分類；基于模板匹配的人臉識(shí)別方法，主要代表是Harvard大學(xué)Smith-Kettlew

19、ell眼睛研究中心的Yuille，他采用彈性模板來提取眼睛和嘴巴的輪廓，Chen和Huang則進(jìn)一步提出用活動(dòng)輪廓模板提取眉毛、下巴和鼻孔等不確定形狀；基于K-L變換的特征臉的方法，主要研究者是MIT媒體實(shí)驗(yàn)室的Pentland；基于隱馬爾可夫模型的方法，主要代表有Cambridge大學(xué)的Samaria小組和Georgia技術(shù)研究所的Nefian小組；神經(jīng)網(wǎng)絡(luò)識(shí)別的方法，如Poggio小組提出的HyperBF神經(jīng)網(wǎng)絡(luò)識(shí)別方法，英國Sussex大學(xué)的Buxton和Howell小組提出的RBF網(wǎng)絡(luò)識(shí)別方法等；基于動(dòng)態(tài)鏈接結(jié)構(gòu)的彈性圖匹配方法，主要研究者是由C.Von derMalsburg領(lǐng)導(dǎo)的德

20、國Bochum大學(xué)和美國Southern California大學(xué)的聯(lián)合小組；利用運(yùn)動(dòng)和顏色信息對(duì)動(dòng)態(tài)圖像序列進(jìn)行人臉識(shí)別的方法，主要代表是Queen Mary和Westfield大學(xué)的Shaogang Gong小組。3、人臉識(shí)別技術(shù)的未來發(fā)展趨勢(shì)：經(jīng)過約四十年的發(fā)展,人臉檢測(cè)和識(shí)別技術(shù)取得了長足進(jìn)步。但因諸多因的制約,目前,基于計(jì)算機(jī)視覺的人臉檢測(cè)和識(shí)別研究還遠(yuǎn)未成熟。通過本論文的研究和分析,認(rèn)為以下幾個(gè)方面尤其值得進(jìn)一步深入探索:（1）人臉區(qū)域的有效分割。本文僅對(duì)彩色圖像中的人臉檢測(cè)進(jìn)行了比較詳細(xì)的研究,如何在灰度圖像中快速有效地檢測(cè)到人臉位置,并準(zhǔn)確分割出人臉值得深入研究。（2）從三維的

21、角度研究人臉識(shí)別問題。本文只研究了使用三維信息處理姿態(tài)變化下的人臉識(shí)別問題。人臉是非剛性物體,人臉表情的變化會(huì)導(dǎo)致人臉具有較大的變形;光照的變化會(huì)引起人臉紋理很大的變化。因此,使用三維信息實(shí)現(xiàn)光照、姿態(tài)、表情不變的人臉識(shí)別值得進(jìn)一步研究。（3）多信息合作與融合機(jī)制的研究。由于各種生物識(shí)別技術(shù)都有各自的缺點(diǎn)和局限性,僅僅依靠單一的生物特征有時(shí)無法滿足實(shí)際需要,因此將不同特征、不同識(shí)別方法結(jié)合建立基于多生物特征的識(shí)別融合系統(tǒng),正在受到廣泛的關(guān)注。列如將膚色、器官、動(dòng)作甚至語音等信息進(jìn)行融合，必將提高檢測(cè)的性能。（4）應(yīng)用系統(tǒng)設(shè)計(jì)方面的工作。本文在實(shí)驗(yàn)條件下對(duì)有限的幾個(gè)人臉數(shù)據(jù)庫進(jìn)行了靜態(tài)識(shí)別研究。

22、構(gòu)建魯棒性、實(shí)用的人臉識(shí)別應(yīng)用系統(tǒng)需要很多的工程技術(shù)解決方案和實(shí)踐開發(fā)經(jīng)驗(yàn)的支持。因此,如何將本文算法應(yīng)用的實(shí)際工程中,開發(fā)出相應(yīng)的應(yīng)用系統(tǒng)是未來工作之一。（5）對(duì)于攝像機(jī)圖象的研究。從攝像機(jī)輸入動(dòng)態(tài)圖可以進(jìn)行二維及三維的運(yùn)動(dòng)估計(jì),從而建立三維的人臉模型16。在此基礎(chǔ)上，我們可以進(jìn)行有效的表情分析和多姿態(tài)的人臉檢驗(yàn),以作為身份辨認(rèn)的輔助手段。目前復(fù)雜背景圖像中的人臉檢測(cè)方法多針對(duì)正面端正的人臉.多姿態(tài)人臉的檢測(cè)(特別是側(cè)面人臉的檢測(cè))還存在很大的困難,有效的方法還不多。這方面的研究也將是一個(gè)重點(diǎn)。（6）研究和使用新的照射源。如紅外線、某些特定頻率的電磁波等，利用人臉皮膚對(duì)這些照射源特殊的反射特

23、性來快速的定位出人臉的大致區(qū)域。 （7）深入研究非人臉樣本的選取算法。由于非人臉的多樣性，非常難以選取一定量的樣本來加以充分表示。因此研究如何快速選取少量的關(guān)鍵非人臉樣本可以解決非人臉樣本難以界定的問題。使其能夠合理快速的提取體現(xiàn)人臉特性的關(guān)鍵特征，以提高人臉檢測(cè)的泛化性能。4、總結(jié)：本文在系統(tǒng)分析研究相關(guān)文獻(xiàn)的基礎(chǔ)上，綜述了人臉識(shí)別技術(shù)的研究背景意義及發(fā)展、研究現(xiàn)狀。人臉識(shí)別在過去十年內(nèi)得到了迅速的發(fā)展，在近五年內(nèi)更是出現(xiàn)了多個(gè)已投入商用的人臉檢測(cè)、識(shí)別系統(tǒng)。以下選擇性的對(duì)以上介紹的幾個(gè)方法進(jìn)行總結(jié)?？勺冃文０宸ǎ阂暈閹缀翁卣鞣椒ǖ囊环N改進(jìn)，基本思想是:設(shè)計(jì)一個(gè)參數(shù)可調(diào)的器官模型(即可變形模

24、板),定義一個(gè)能量函數(shù)，通過調(diào)整模型參數(shù)使能量函數(shù)最小化，此時(shí)的模型參數(shù)即作為該器官的幾何特征。這種方法存在兩個(gè)問題，一是能量函數(shù)中各種代價(jià)的加權(quán)系數(shù)只能由經(jīng)驗(yàn)確定，難以推廣，二是能量函數(shù)優(yōu)化過程十分耗時(shí)，難以實(shí)際應(yīng)用。局部特征分析方法：主元子空間的表示是緊湊的，特征維數(shù)大大降低，但它是非局部化的，其核函數(shù)的支集擴(kuò)展在整個(gè)坐標(biāo)空間中，同時(shí)它是非拓?fù)涞?，某個(gè)軸投影后臨近的點(diǎn)與原圖像空間中點(diǎn)的臨近性沒有任何關(guān)系，而局部性和拓?fù)湫詫?duì)模式分析和分割是理想的特性，似乎這更符合神經(jīng)信息處理的機(jī)制，因此尋找具有這種特性的表達(dá)十分重要?；谶@種考慮，Atick提出基于局部特征的人臉特征提取與識(shí)別方法。這種方法

25、在實(shí)際應(yīng)用取得了很好的效果，它構(gòu)成了FaceIt人臉識(shí)別軟件的基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)方法：在人臉識(shí)別上的應(yīng)用比起前述幾類方法來有一定的優(yōu)勢(shì)，因?yàn)閷?duì)人臉識(shí)別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。因此人工神經(jīng)網(wǎng)絡(luò)識(shí)別速度快，但識(shí)別率低。而神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，其識(shí)別重要的一個(gè)目標(biāo)就是降維處理。經(jīng)過幾十年的研究，人臉識(shí)別已經(jīng)取得了很大的進(jìn)展，但現(xiàn)有的人臉識(shí)別方法一般都是針對(duì)某一類問題提出的，由于人臉識(shí)別問題的復(fù)雜性，實(shí)現(xiàn)一個(gè)通用的人臉識(shí)別系統(tǒng)目前還不現(xiàn)實(shí)。因

26、此解決特定條件下或者特定領(lǐng)域的人臉識(shí)別問題仍然是目前人臉識(shí)別研究的重要課題?？梢灶A(yù)見，在不久的將來，有關(guān)人臉識(shí)別技術(shù)應(yīng)用的產(chǎn)品將流行于市場(chǎng)。參考文獻(xiàn)：1BENGIO Y. Learning deep architectures for AI J. Foundations and Trends in Machine Learning, 2009,2(1): 1-12.2BENGIO Y, DELALLEAU 0. On the expressive power of deep architectures C. Algorithmic Learning Theory, Berlin Heidelb

27、erg, 201: 18-36.3BENGIO Y, LECUN Y. Scaling learning algorithms towards AI J. Large-Scale Kernel Machines, 2007,1 -344PARKE F I. Computer generated animation of faces C. Proceedings of the ACM annual conference, Boston, 1972 (1): 451-457.5楊健.線性投影分析的理論勾算法及其在特征抽取中的應(yīng)用研究D;南京:南京理工大學(xué),2002.6CHANH, BLEDSOE W. A man-machine facial recognition system: some preliminary results R. Tech. Rep. Panoramic