人臉識別原理

精選文檔精選文檔精選文檔

自動

人

臉識

別基

根源理

人臉鑒識經(jīng)過近40年的發(fā)展，獲得了很大的發(fā)展，浮現(xiàn)出了大批的鑒識算法。這些算法的涉及面特別寬泛，

包含模式鑒識、圖像辦理、計算機(jī)視覺、人工智能、統(tǒng)計學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、小波剖析、子空間理論和流形學(xué)習(xí)等

眾多學(xué)科。因此很難用一個一致的標(biāo)準(zhǔn)對這些算法進(jìn)行分類。依據(jù)輸入數(shù)據(jù)形式的不一樣樣可分為基于靜態(tài)圖像的人

臉鑒識和基于視頻圖像的人臉鑒識。由于基于靜態(tài)圖像的人臉鑒識算法相同合用于基于視頻圖像的人臉鑒識，所

以只有那些使用了時間信息的鑒識算法才屬于基于視頻圖像的人臉鑒識算法。接下來分別介紹兩類人臉鑒識算法

中的一些重要的算法。

特色臉特色臉方法利用主重量剖析進(jìn)行降維和提取特色。主重量剖析是一種應(yīng)用十分寬泛的數(shù)據(jù)降維技術(shù)，該方法

選擇與原數(shù)據(jù)協(xié)方差矩陣前幾個最大特色值對應(yīng)的特色向量構(gòu)成一組基，以達(dá)到最正確表征原數(shù)據(jù)的目的。

主重量剖析提取的特色向量返回成圖像時，看上去仍像人臉，因此這些特色向量被稱為“特色臉”。

由于由

在人臉鑒識中，由一組特色臉基圖象張成一個特色臉子空間，任何一幅人臉圖象（減去均勻人臉后）都可投

影到該子空間，獲得一個權(quán)值向量。計算此向量和訓(xùn)練會合每一個人的權(quán)值向量之間的歐式距離，取最小距離所對

應(yīng)的人臉圖像的身份作為測試人臉圖像的身份。以以下圖給出了主重量剖析的應(yīng)用例子。圖中最左側(cè)的為均勻臉，其余地為對應(yīng)

7個最大特色值的特色向量。

主重量剖析是一種無督查學(xué)習(xí)方法，主重量是指向數(shù)據(jù)能量分布最大的軸線方向，因此可以從最小均方偏差

意義下對數(shù)據(jù)進(jìn)行最優(yōu)的表達(dá)。但是就分類任務(wù)而言，由主重量剖析獲得的特色卻不可以保證可以將各個種類最好

地區(qū)分開來。

線性鑒識剖析是一種著名的模式鑒識方法，經(jīng)過將樣本線性變換到一個新的空間，使樣本的類內(nèi)分布程度達(dá)

到最小，同時類間分布程度達(dá)到最大，即著名的Fisher準(zhǔn)則。

標(biāo)準(zhǔn)特色臉

同一個人不一樣樣圖像之間的的特色臉

不一樣樣人的圖像之間的特色臉

彈性圖般配

Lades等人針對畸變不變性的物體鑒識問題提出了一種基于動向連結(jié)構(gòu)造的彈性圖般配方法，并將其應(yīng)用于

人臉鑒識。全部人臉圖像都有相像的拓?fù)浣Y(jié)構(gòu)。人臉都可表示成圖，圖中的節(jié)點是一些基準(zhǔn)點（如眼睛，鼻尖等），

圖中的邊是這些基準(zhǔn)點之間的連線。

每個節(jié)點包含40個Gabor小波（一種數(shù)字信號變換方法）系數(shù)，包含相位和幅度，這些系數(shù)合起來稱為一

個Jet，這些小波系數(shù)是原始圖像和一組擁有5個頻率、8個方向的Gabor小波卷積（一種數(shù)字信號辦理算

子）獲得的。這樣每幅圖就像被貼了標(biāo)簽相同，此中的點被Jets標(biāo)定，邊被點之間的距離標(biāo)定。因此一張人臉

的幾何形狀就被編碼為圖中的邊，而灰度值的分布被編碼為圖中的節(jié)點。以以以下圖所示：

彈性圖般配方法中人臉的彈性束圖表示

為了鑒識一張新的人臉，需要從該人臉中找到基準(zhǔn)點，提拿出一個人臉圖，這可用彈性圖般配獲得。彈性圖

般配的目的是在新的人臉中找到基準(zhǔn)點，并且提拿出一幅圖，這幅圖和現(xiàn)有的人臉束圖之間的相像度最大。經(jīng)過彈性圖般配后，新的人臉的圖就被提拿出來了，此圖就表征了新的人臉，用它作為特色進(jìn)行鑒識。進(jìn)行鑒識時，

計算測試人臉和現(xiàn)有人臉束圖中的全部人臉之間的相像度，相像度最大的人臉的身份即為測試人臉的身份。由于該方法利用Gabor小波變換來描述面部特色點的局部信息，因此受光照影響較小。

過程中，網(wǎng)格的形狀跟著特色點的搜尋而不停變化，因此對姿態(tài)的變化也擁有必定的自適應(yīng)性。

點是搜尋過程中代價函數(shù)優(yōu)化的計算量巨大，因此造成鑒識速度較慢，以致該方法的合用性不強(qiáng)。

其余，在彈性般配的該方法的主要缺3D形態(tài)模型

人臉實質(zhì)上是3D空間中的一個表面，因此原則上用3D模型能更好地表征人臉，特別是辦理人臉的各種變化，如姿勢、光照等。Blanz等人提出了一種基于3D形態(tài)模型的方法，該方法將形狀和紋理用模型參數(shù)編碼，同時提出了一個能從單張人臉圖像還原模型參數(shù)的算法。形狀和紋理參數(shù)可用來進(jìn)行人臉的鑒識。為了辦原由于這些參數(shù)以致的圖像之間差其余極端情況，平時是開初產(chǎn)生一個通用的模型。而進(jìn)行圖像剖析時，給定一張新的圖像，一般的做法是用通用模型去擬合新的圖像，從而依據(jù)模型來參數(shù)化新的圖像?；谝曨l圖像的鑒識算法一個典型的基于視頻圖像的人臉鑒識系一致般都是自動檢測人臉地區(qū)，從視頻中提取特色，最后假如人臉存在則鑒識出人臉的身份。在視頻監(jiān)控、信息安全和進(jìn)出控制等應(yīng)用中，基于視頻的人臉鑒識是一個特別重要的問題，也是目祖先臉識其余一個熱門和難點?；谝曨l比基于靜態(tài)圖像更具優(yōu)勝性，由于Bruce等人和Knight等人已證明，當(dāng)人臉被求反或倒轉(zhuǎn)時，運(yùn)動信息有助于（熟習(xí)的）人臉的鑒識。固然視頻人臉鑒識是基于靜態(tài)圖像的人臉識其余直接擴(kuò)展，但一般以為視頻人臉鑒識算法需要同時用到空間和時間信息，這種方法直到近幾年才開始遇到重視并需要進(jìn)一步的研究和發(fā)展。目前視頻人臉鑒識還有好多困難和挑戰(zhàn)，詳盡來說有以下幾種：視頻圖像質(zhì)量比較差：視頻圖像一般是在戶外（或室內(nèi)，但是收集條件比較差）獲得的，平時沒合用戶的配合，因此視頻人臉圖像常常會有很大的光照和姿態(tài)變化。其余還可能會有遮擋和假裝。人臉圖像比較小：相同，由于收集條件比較差，視頻人臉圖像一般會比基于靜態(tài)圖像的人臉鑒識系統(tǒng)的預(yù)設(shè)尺寸小。小尺寸的圖像不但會影響鑒識算法的性能，并且還會影響人臉檢測，切割和重點點定位的精度，這必定會以致整個人臉鑒識系統(tǒng)性能的降落。視頻人臉鑒識發(fā)源于基于靜態(tài)圖像的人臉鑒識，即鑒識系統(tǒng)自動的檢測和切割出人臉，此后用基于靜態(tài)圖像的鑒識方法進(jìn)行鑒識。對這種方法的一個提升是加入了人臉追蹤。在這種系統(tǒng)中，經(jīng)過利用姿態(tài)和從視頻中預(yù)計到的深度信息合成一個虛假的正面人臉。這個階段的其余一個能提升鑒識率的方法是利用視頻中豐裕的幀圖像，基于每幀圖像的鑒識結(jié)果，使用”投票”系統(tǒng)。投票方法可以是確立的，但是概率投票方法一般來說更好。投票系統(tǒng)的一個弊端是計算結(jié)果的代價比較昂貴。視頻人臉識其余第二個發(fā)展階段是利用多模態(tài)信息。由于人類一般會利用多種信息鑒識人的身份，因此一個多模態(tài)系統(tǒng)將比只利用人臉的鑒識系統(tǒng)性能更好。更重要的是利用多模態(tài)信息供給了一種方法，它能全面解決那些只靠人臉沒法識其余任務(wù)。比方，在一個完滿沒有配合的環(huán)境（比方打劫），歹徒的臉一般是蒙著的，這時唯一能進(jìn)行無人臉識其余方法就是剖析歹徒軀體的運(yùn)動特色。除了指紋，人臉和聲音是最常用于身份識其余信息。它們已經(jīng)被用于好多多模態(tài)身份鑒識系統(tǒng)。1997年以來，每兩年，就會召開一個特意關(guān)于基于視頻和語音身份識其余國際會議。近來幾年，視頻人臉鑒識進(jìn)入第三個發(fā)展階段，這個階段方法的特色是同時采納空間信息（在每幀中）和時間信息（比方人臉特色的運(yùn)動軌跡）。差異于概率投票方法的一個很大的不一樣樣之處在于，此類方法是在時間和空間的聯(lián)合空間中描述人臉和鑒識人臉的。視頻圖像的一個特別重要的特色是它的時間連續(xù)性，以及由此產(chǎn)生的人臉信息的不確立性。在人臉追蹤和識別中利用時間信息是視頻人臉鑒識算法和基于靜態(tài)圖像的人臉鑒識算法的最大差異。目前這種算法大體可分為兩類：1、追蹤-此后-鑒識，這種方法第一檢測出人臉，此后追蹤人臉