正面人臉識(shí)別算法綜述

正面人臉識(shí)別算法綜述

1人臉識(shí)別技術(shù)的應(yīng)用現(xiàn)在，個(gè)人識(shí)別主要依靠傳統(tǒng)的手段，如id卡和密碼。這些傳統(tǒng)藥物的安全性能很低，它們是基于“whatyouinmove”或“whatyouinmove”的簡(jiǎn)單身份識(shí)別，這與真正的身份識(shí)別“whatyouinmove”相去甚遠(yuǎn)。生物特征識(shí)別技術(shù)可以允許可靠地確定身份。國(guó)際生物特征組織（ibg）對(duì)生物特征識(shí)別技術(shù)進(jìn)行了詳細(xì)的市場(chǎng)分析和預(yù)測(cè)。結(jié)果表明，2009年全球生物特征識(shí)別技術(shù)的產(chǎn)值將超過(guò)34億，預(yù)計(jì)2014年將超過(guò)93億。在所有的生物特征識(shí)別技術(shù)中,利用人臉特征進(jìn)行身份識(shí)別是最自然、最直接和最友好的手段.與其它生物特征識(shí)別技術(shù)相比,人臉的獲取非常容易,幾乎可以在被采集對(duì)象無(wú)意識(shí)的狀態(tài)下獲取人臉圖像,這樣的取樣方式?jīng)]有“侵犯性”.自動(dòng)人臉識(shí)別可以分為人臉檢測(cè)和人臉識(shí)別兩個(gè)過(guò)程.人臉檢測(cè)就是對(duì)給定的圖像,確定其中人臉的位置、大小等狀態(tài)信息,人臉識(shí)別就是將現(xiàn)實(shí)空間的人臉圖像映射到機(jī)器空間,并采取某種表示方式(如人臉的幾何特征、代數(shù)特征和變換系數(shù)等)盡可能完整而準(zhǔn)確地描述人臉,將待識(shí)別的人臉與已知人臉進(jìn)行比較,根據(jù)相似程度對(duì)人臉的身份信息進(jìn)行判斷.這一過(guò)程又分為兩類(lèi):一類(lèi)是確認(rèn),是一對(duì)一進(jìn)行圖像比較的過(guò)程,另一類(lèi)是辨認(rèn),是一對(duì)多進(jìn)行圖像匹配對(duì)比的過(guò)程.雖然人類(lèi)具有很強(qiáng)的檢測(cè)和識(shí)別人臉的能力,但是要建造一個(gè)高性能的自動(dòng)人臉識(shí)別系統(tǒng)卻是一個(gè)極其復(fù)雜的課題.人臉識(shí)別的性能受到人臉內(nèi)在生理變化和外界環(huán)境變化的影響較大,這使得該課題極富挑戰(zhàn)性.另外,人臉識(shí)別在身份鑒定、電子商務(wù)、視頻監(jiān)控、人機(jī)交互等領(lǐng)域具有廣闊的應(yīng)用前景,根據(jù)IBG的調(diào)查結(jié)果,目前人臉識(shí)別在整個(gè)生物特征識(shí)別市場(chǎng)中占有11.4%的份額.2人臉識(shí)別算法及發(fā)展現(xiàn)狀早在20世紀(jì)60年代,人臉識(shí)別就引起了廣大研究者的注意,上個(gè)世紀(jì)90年代以來(lái),隨著社會(huì)對(duì)人臉識(shí)別系統(tǒng)的迫切需求,人臉識(shí)別研究再次成為熱門(mén)課題.當(dāng)前世界各國(guó)有許多機(jī)構(gòu)都在從事這方面的研究,并受到軍方、警方以及許多大公司的高度重視和資助.目前常見(jiàn)的人臉識(shí)別基本算法可分為以下幾類(lèi):基于幾何特征的人臉識(shí)別、基于子空間分析的人臉識(shí)別、基于彈性圖匹配的人臉識(shí)別、基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別和基于隱馬爾可夫模型的人臉識(shí)別等.2.1典型的人臉識(shí)別算法在眾多的人臉識(shí)別方法中,基于幾何特征的方法是最早被用于人臉識(shí)別的.其基本原理是: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張人臉千差萬(wàn)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.但是該方法穩(wěn)定性不高,識(shí)別效果差.典型的算法有活動(dòng)輪廓模型和可變形模板模型等.2.2獨(dú)立分量分析子空間方法的基本出發(fā)點(diǎn)是尋找一個(gè)線(xiàn)性或非線(xiàn)性的空間變換,把原始圖像數(shù)據(jù)映射到某個(gè)子空間,使數(shù)據(jù)在該子空間的分布更加緊湊.Turk等將主分量分析(PCA)方法應(yīng)用于人臉識(shí)別,提出了經(jīng)典的特征臉?lè)椒?該方法把人臉圖像看成隨機(jī)變量,將N×N的人臉圖像通過(guò)行堆疊的方式轉(zhuǎn)換成一個(gè)N2×1的向量,減去均值向量后,采用K-L變換獲得一組正交基,通過(guò)保留部分主分量,得到低維的人臉向量空間.與PCA不同,線(xiàn)性判別分析(LDA)是以樣本的可分性為目標(biāo)的,其基本思想是尋找一個(gè)投影方向,使訓(xùn)練樣本投影到該方向時(shí)類(lèi)內(nèi)離散度最小而類(lèi)間離散度最大.不過(guò),LDA只有在訓(xùn)練集樣本數(shù)較多時(shí),性能才優(yōu)于PCA.實(shí)踐表明,人類(lèi)在識(shí)別物體時(shí),主要依靠的是圖像的相位譜信息,高階統(tǒng)計(jì)量對(duì)圖像識(shí)別來(lái)說(shuō)非常有用.獨(dú)立分量分析(ICA)不但考慮了訓(xùn)練樣本的一階和二階統(tǒng)計(jì)信息,還考慮了高階統(tǒng)計(jì)信息,其基本思想是通過(guò)線(xiàn)性變換,從訓(xùn)練樣本中找到一組互相獨(dú)立的基(獨(dú)立分量),并以此來(lái)描述樣本數(shù)據(jù).前面提到的PCA方法實(shí)際上是在二階統(tǒng)計(jì)量上的去相關(guān),而ICA則是在所有階統(tǒng)計(jì)量上的去相關(guān),從而使信號(hào)的二階統(tǒng)計(jì)量和高階統(tǒng)計(jì)量都得到了有效利用,ICA方法可以看成是PCA方法的泛化,在人臉識(shí)別中有廣泛的應(yīng)用.在基于線(xiàn)性子空間的人臉識(shí)別中,實(shí)際上是把人臉圖像中存在的表情、姿態(tài)及光照等復(fù)雜的變化進(jìn)行了線(xiàn)性簡(jiǎn)化,因此不可能得到人臉充分的描述.而非線(xiàn)性子空間方法則是利用核方法來(lái)實(shí)現(xiàn)人臉識(shí)別.該方法的基本思想是,在進(jìn)行分類(lèi)等數(shù)據(jù)處理時(shí),對(duì)于線(xiàn)性不可分樣本,首先通過(guò)一個(gè)非線(xiàn)性映射將原空間樣本映射到高維特征空間(也稱(chēng)核空間)中,使核空間中的樣本變得線(xiàn)性可分,或者近似線(xiàn)性可分,然后在核空間中用線(xiàn)性方法對(duì)其進(jìn)行分類(lèi)處理,從而實(shí)現(xiàn)相對(duì)于原空間來(lái)說(shuō)非線(xiàn)性的處理,在計(jì)算上并不需要明確計(jì)算非線(xiàn)性變換,只需要通過(guò)一個(gè)核函數(shù)來(lái)計(jì)算在核空間中兩兩向量間的內(nèi)積即可.目前已應(yīng)用于人臉識(shí)別中的非線(xiàn)性子空間方法有核主分量分析、核Fisher判別分析和核獨(dú)立分量分析等.2.3動(dòng)態(tài)鏈接結(jié)構(gòu)彈性圖匹配(EGM)的理論基礎(chǔ)是圖匹配.用圖來(lái)描述人臉,圖的頂點(diǎn)表示人臉的局部特征點(diǎn),邊則表示面部特征之間的拓?fù)滏溄雨P(guān)系.匹配測(cè)度同時(shí)考慮頂點(diǎn)和邊之間的距離,是一種考慮到識(shí)別目標(biāo)局部特征點(diǎn)之間拓?fù)浣Y(jié)構(gòu)的局部特征匹配方法,典型的算法有Lades等提出的利用動(dòng)態(tài)鏈接結(jié)構(gòu)(DLA)來(lái)進(jìn)行人臉識(shí)別的算法:人臉由一組用邊鏈接的節(jié)點(diǎn)構(gòu)成,節(jié)點(diǎn)對(duì)應(yīng)于面部特定的特征點(diǎn),被稱(chēng)為基準(zhǔn)點(diǎn);邊由節(jié)點(diǎn)間的距離來(lái)表示,節(jié)點(diǎn)由包含局部灰度分布信息的特征向量表示;人臉圖像之間的相似度由所對(duì)應(yīng)的彈性圖之間的相似度來(lái)衡量.Wiscott等在此基礎(chǔ)上進(jìn)行了改進(jìn),對(duì)每個(gè)節(jié)點(diǎn)采用一組圖像特征來(lái)表示,從而增強(qiáng)了表達(dá)能力和適應(yīng)性。一些后續(xù)的研究工作從特征分析、降維、算法比較等方面進(jìn)一步發(fā)展了這種方法.基于彈性圖匹配的人臉識(shí)別方法考慮到了人臉的局部細(xì)節(jié),保留了人臉的空間分布信息;而且在一定程度上可以忽略人臉從三維到二維投影引起的變形,但是,該方法在提取人臉特征時(shí),本質(zhì)上是將幾個(gè)不同頻段的信息捆綁成一個(gè)單一的向量,所以很難提取人臉的顯著特征,且計(jì)算量較大.2.4不同神經(jīng)網(wǎng)絡(luò)識(shí)別的研究分析基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法就是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和分類(lèi)能力對(duì)人臉進(jìn)行特征提取與識(shí)別.Lawrence等采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)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等采用正反例樣本進(jìn)行強(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)加快網(wǎng)絡(luò)的學(xué)習(xí)速度,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.Meng等先用PCA技術(shù)對(duì)人臉樣本進(jìn)行降維處理,然后利用LDA技術(shù)提取判別特征,最后用RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)判決,實(shí)驗(yàn)結(jié)果表明該方法具有較高的學(xué)習(xí)效率和識(shí)別性能.神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能非常強(qiáng)大,盡管對(duì)人臉識(shí)別的許多規(guī)律和規(guī)則進(jìn)行顯性的描述非常困難,但是神經(jīng)網(wǎng)絡(luò)可以通過(guò)反復(fù)學(xué)習(xí)的過(guò)程獲得對(duì)這些規(guī)則的隱性表達(dá),因此在提取人臉特征后進(jìn)行分類(lèi)識(shí)別時(shí)具有一定的優(yōu)勢(shì).然而直接采用神經(jīng)網(wǎng)絡(luò)提取特征的方法一般需要龐大的輸入節(jié)點(diǎn),因此在訓(xùn)練時(shí)參數(shù)繁多,實(shí)現(xiàn)起來(lái)比較困難.2.5基于hmm的人臉識(shí)別在人臉識(shí)別中,人臉應(yīng)當(dāng)作為一個(gè)整體來(lái)描述,不僅要包括人臉各個(gè)器官的數(shù)值特征,還應(yīng)當(dāng)包括各個(gè)器官的不同表象和相互關(guān)聯(lián).而隱馬爾可夫模型(HMM)提供了解決這一問(wèn)題的方法,按照這種模型,觀測(cè)到的特征被看成是另一組不可觀測(cè)“狀態(tài)”產(chǎn)生的一系列實(shí)現(xiàn).因而可以將不同的人用不同的HMM參數(shù)來(lái)表征,而同一個(gè)人由于姿態(tài)和表情變化產(chǎn)生的多個(gè)觀測(cè)序列可以通過(guò)同一個(gè)HMM模型來(lái)表征.Samaria最早提出了關(guān)于人臉的HMM模型,其用一個(gè)矩形窗從上到下對(duì)人臉圖像進(jìn)行采樣,將窗內(nèi)的像素點(diǎn)排列成向量,用灰度值作為觀測(cè)向量.Nefian提出利用二維離散余弦變換來(lái)提取特征作為觀測(cè)向量,減少了參數(shù)存儲(chǔ)量.Othman等提出了低復(fù)雜度的2維HMM模型,更好地描述了人臉各個(gè)器官之間的關(guān)聯(lián),具有很高的識(shí)別率.基于HMM的人臉識(shí)別方法能夠允許人臉有表情變化和較大幅度的頭部轉(zhuǎn)動(dòng),具有較高的識(shí)別率,但在提取特征和訓(xùn)練模型參數(shù)時(shí)需要較大的運(yùn)算量.3人臉圖像的識(shí)別目前的正面人臉識(shí)別算法主要適用于限定環(huán)境、限定類(lèi)別數(shù)量條件下的應(yīng)用,還遠(yuǎn)遠(yuǎn)不能發(fā)揮出人臉圖像可在自然條件下獲取和識(shí)別的優(yōu)點(diǎn),目前人臉識(shí)別的研究熱點(diǎn)主要集中在非均勻光照補(bǔ)償、小樣本問(wèn)題研究等方面.3.1特征識(shí)別中光照問(wèn)題的方法人臉圖像在獲取過(guò)程中存在許多不確定性,如光強(qiáng)、光源方向等.這些不確定因素使得面部圖像的灰度深淺不均勻,人臉在局部的對(duì)比度差別較大,從而影響識(shí)別效果,使人臉識(shí)別率大幅度下降.目前,解決人臉識(shí)別中光照問(wèn)題的方法主要包括:提取光照不變特征、光照變化的建模、光照條件標(biāo)準(zhǔn)化等.提取光照不變特征的基本思想是:提取人臉不隨光照變化或至少對(duì)光照變化不敏感的特征,包括人臉邊緣圖、人臉灰度圖像的二階導(dǎo)數(shù)、人臉圖像的二維Gabor變換等.對(duì)于光照變化的建模,其主要思想是在一個(gè)合適的子空間中表示光照引起的變化,然后對(duì)人臉的特征估計(jì)模型參數(shù),如子空間投影法、商圖像法、光照錐法和基于球面諧波基圖像的方法等.光照條件標(biāo)準(zhǔn)化方法的基本思想是在人臉圖像被識(shí)別之前消除光照變化的影響,如經(jīng)典的直方圖均衡技術(shù)、SFS技術(shù)、3D變形技術(shù)、對(duì)數(shù)域離散余弦變換和對(duì)數(shù)域小波變換等.3.2kfda和流形學(xué)習(xí)算法中的小樣本問(wèn)題在人臉識(shí)別中,由于人臉樣本的維數(shù)一般都遠(yuǎn)遠(yuǎn)高于訓(xùn)練樣本數(shù),所以如果用線(xiàn)性子空間分析、核方法或流形學(xué)習(xí)等算法來(lái)分類(lèi)判決時(shí),往往會(huì)產(chǎn)生所謂的小樣本問(wèn)題.為了解決這個(gè)問(wèn)題,最常用的方法是先使用主分量分析消除訓(xùn)練樣本的類(lèi)內(nèi)散度矩陣和類(lèi)間散度矩陣的零空間,從而實(shí)現(xiàn)對(duì)樣本的降維處理,然后再進(jìn)行分類(lèi)判決.但是,人臉識(shí)別中的小樣本問(wèn)題常會(huì)使得PCA等特征提取算法對(duì)訓(xùn)練數(shù)據(jù)出現(xiàn)過(guò)配現(xiàn)象并影響識(shí)別效果.在人臉識(shí)別的核方法中,盡管KPCA比PCA能更有效的描述人臉的復(fù)雜變化,但它同PCA方法一樣,得到的非線(xiàn)性主分量仍然是以所有樣本的最優(yōu)重建為目標(biāo)的,所以對(duì)于分類(lèi)也不一定是最優(yōu)的.KFDA結(jié)合了核方法和線(xiàn)性判別分析的思想來(lái)提取非線(xiàn)性的判別特征,既有線(xiàn)性判別分析的特點(diǎn),又能有效描述數(shù)據(jù)中復(fù)雜的非線(xiàn)性關(guān)系,因此從理論上來(lái)說(shuō)應(yīng)該比KPCA更適合于人臉識(shí)別問(wèn)題.但是KFDA本質(zhì)上是LDA在Hilbert核空間上的擴(kuò)展,因此LDA方法存在的某些本質(zhì)問(wèn)題同樣會(huì)出現(xiàn)在KFDA中,而且還可能更加突出,其中主要的問(wèn)題包括奇異性問(wèn)題、秩限制問(wèn)題等.另外,當(dāng)流形學(xué)習(xí)算法用于人臉識(shí)別時(shí),為了得到較好的效果,在訓(xùn)練中,需要較多的訓(xùn)練樣本來(lái)描述非線(xiàn)性流形結(jié)構(gòu).因此,在流形學(xué)習(xí)算法中,同樣需要解決小樣本問(wèn)題.最近,有學(xué)者提出了兩維PCA和兩維LDA的概念來(lái)解決人臉識(shí)別中的小樣本問(wèn)題.其基本原理就是分別在人臉圖像的行方向和列方向做一次PCA或LDA變換,在圖像的行方向計(jì)算PCA(或LDA)變換時(shí),相當(dāng)于把人臉圖像的每一行都當(dāng)作一個(gè)獨(dú)立的樣本,而在圖像的列方向計(jì)算PCA(或LDA)變換時(shí),相當(dāng)于把人臉圖像的每一列都當(dāng)作一個(gè)獨(dú)立的樣本.這樣,和傳統(tǒng)的PCA相比,等效