有關人臉識別技術論文
摘要：人臉識別技術(Face Recognition Technology，FRT)是近年來模式識別、圖像處理以及計算機視覺等領域的熟點研究課題之一。本文重點對現有的人臉檢測與識別方法及研究進行總結，分析和比較各種識別方法優缺點，討論了其中的關鍵技術及發展前景。
關鍵詞;人臉識別 人臉檢測 特征提取
中圖分類號：TP391.4 文獻標識碼：A 文章編號：1674-098X(2008)ll(a)-0004-02
1引言
隨著計算機的普及和應用，對個人身份的自動鑒定提出了越來越多的要求。雖然，已經存在一些相當可靠的身份驗證方法如指紋，虹膜識別等，但是這些方法都需要參與者的某種程度的合作，而人臉識別則無須參與者太多的合作，而且具有直接、友好、方便的特點，是進行身份確認最自然直接的手段。人臉識別技術(Face Recognition Technology，FRT)就是用計算機對人臉圖象進行特征提取和識別的模式識別技術。同時，它融合計算機圖形學、模式識別、圖象處理、計算機視覺和人工智能等多個學科的理論和方法。
2技術發展和研究現狀
人臉識別研究發展大致可分為三個階段：第一階段主要研究人臉識別所需要的面部特征，這一階段工作的特點是識別過程全部依賴于操作人員。第二階段是人機交互識別階段。用幾何特征參數來表示人臉正面圖像：Goldstion.Harmon和Lesk用21維特征矢量表示了人臉面部特征，并設計了基于這一特征表示法的識別系統;也有采用統計識別的方法的研究者：用歐式距離來表征人臉特征，如嘴唇和鼻之間的距離，嘴唇的高度等。這類方法需要利用操作員的先驗知識，需要人的干預。第三階段才是真正的機器自動識別階段。隨著高速度性能計算機的發展，人臉識別方法有了較大的突破，提出了多種機器全自動識別系統。我國人臉識別技術的研究雖然起步較晚，但發展較快。中國科學院計算技術研究所，清華大學，東南大學，上海交通大學，復旦大學等，都已取得了一定成果。
3廣泛應用的人臉檢測與識別算法
3.1基于可視特征的方法
基于可視特征的方法主要是利用從人臉的表觀特征總結出來的先驗知識，使用規則來描述人臉的幾何分布、顏色、紋理等可見特征，從而作為人臉檢測和識別的依據。
3.1.1幾何特征
人臉的幾何特征包括臉型特征以及五官在臉上分布的幾何特征。提取特征時往往要用到人臉結構的一些先驗知識。識別所采用的幾何特征是以人臉器官的形狀和幾何關系為基礎的特征矢量，本質上是特征矢量之間的匹配，其分量通常包括人瞼指定兩點間的歐式距離、曲率、角度等。基于幾何特征的識別方法比較簡單、容易理解，但沒有形成統一的特征提取標準;從圖像中抽取穩定的特征較困難，特別是特征受到遮擋時;對較大的表情變化或姿態變化的魯棒性較差。幾何特征還可能由于光照、表情、遮擋等原因而被破壞，另外由人臉陰影所形成的邊緣可能對幾何特征的邊緣帶來不良影響。
3.1.2紋理特征
和指紋相似，每張人臉都有其特殊紋理特性，可以基于SGLD(空間灰度依賴矩陣)建立由一組不等式組成的人臉紋理模型，實現人臉檢測與定位。
3.1.3顏色特征
目前已有RGB，HSV(HSI)，YCrCb，YIQ，YES，CIE等顏色空間被用于標記人臉的膚色。膚色算法有如下的優點：(1)可以在普通工作站上以幀速率來實現人臉區域分割,(2)膚色分割算法沒有使用特殊的臉部特征，因此頭部方向和姿態的變化不會影響對于膚色區域的確定;(3)允許被跟蹤對象自由活動，減少對環境的限制。但是由于光源的.顏色以及光照的角度不同所造成的高亮和陰影等諸多因素的影響，利用顏色分割人臉仍然一個非常困難的問題。
3.2基于模板的方法
很多人臉檢測系統是基于模板的，模板匹配的方法主要是通過計算模板和圖像之間的相關性來實現識別功能。
3.2.1通用模板匹配
在模板匹配中，人臉標準模板由人工來定義。對于輸入圖像，分別計算標準模板中的臉部輪廓，眼睛，鼻子等的相關值，由相關程度來決定人臉的存在。這種方法的特點是實現起來比較簡單，但是模板匹配方法在很多場合并不適用，因為簡單的模板不能適應尺寸、姿態和形狀的變化。因而實際應用中多數采用多分辨率、多尺度、多子模板和可變形模板實現模板匹配，以增加適應性和準確性。
3.2.2可變形模板匹配
可變形模板法可以說是幾何特征方法的改進，其基本思想是：設計參數可調的器官模型，即可變形模板，定義一個能量函數，通過調整模型參數使得能量函數最小化，此時的模型參數即為對象的幾何特征。可變形模板方法存在兩個問題，一是能量函數中各種代價的加權系數只能由經驗確定，難以推廣，二是能量函數的優化過程十分耗時，難以實際應用。
3.3基于子空間方法
常用的線性子空間方法有：本征子空間、區別子空間、獨立分量子空間等。此外，還有局部特征分析法、因子分析法等。這些方法也分別被擴展到混合線性子空間和非線性子空間。
3.4基于機器學習的方法
在基于幾何特征的方法和基于模板的方法中，人臉的特征都是由專家預先定義好的.而在基于機器學習的方法中，人臉的特征或類別是利用統計分析和機器學習的技術從樣本中學習來的。學習所得的人臉特征或類別存在于由各種算法所保證的分布規律、模型和判別函數中，并被用于人臉的檢測和識別中。
3.4.1神經網絡方法(ANN)
神經網絡技術(ANN，Artificial Neural Networks)作為一類模式識別方法近年來發展迅速。神經網絡可視為大量相聯的簡單處理器(神經元)構成的大規模并行計算系統。神經網絡具有學習復雜的非線性輸入輸出關系的能力，對于模型和規則的依賴性較低，可以利用訓練過程來適應數據。神經網絡識別法是將人臉直接用灰度圖(二維矩陣)表征，利用了神經網絡的學習能力及分類能力。這種方法的優勢在于保存了人臉圖像中的材質信息及細微的形狀信息，同時避免了較為復雜的特征提取工作。而且，由于圖像被整體輸入，符合格氏塔(Gestalt)心理學中對人類識別能力的解釋。基于神經網絡的方法的特點是信息處理方式是并行而非串行，并且信息編碼的存儲方式是分布式。
3.4.2支持向量機(SVM)
支持向量機(SVM，Support Vector Machines)是一類新型的基于統計的機器學習方法。由于其出色的學習性能，該技術已經成為機器學習領域的研究熱點。SVM分類器是一種線性分類器，它選擇可分離的超平面，以使不可見的測試模式的預知分類錯誤最小，目的是使期望總體誤差的上邊界最小。它是基于結構風險最小化原理的方法，較之于基于經驗風險最小化的人工神經網絡，一些難以逾越的問題，如模型的選擇和過學習問題、非線性和維數災難問題、局部極小點問題等都得到了很大程度的解決。
3.4.3貝葉斯方法(Bayes)
貝葉斯決策方法是統計模式識別中的一個基本方法。將兩幅圖像灰度差4 =Ij-Ik作為模式矢量，當其中的人臉屬于同一個人時?
4為類內模式婦，，屬于不同人時為類間模式以。。采用最大后驗概率準則能夠較好的解決此類模式分類問題。不過，人臉識別不同于一般的模式分類，不僅要判斷待檢測圖像x與數據庫中的圖像Y是屬于類內模式還是屬于類間模式，還要判斷圖像x與圖像Y是否屬于同一個人。如果判斷出X與數據庫中的多個lr都屬于同一個人，則還需要進一步判斷哪一對匹配最好。因此，該問題具有較高的復雜性。
3.4.4隱馬爾科夫模型(HMM)
隱馬爾可夫模型是用于描述信號統計特性的統計模型。HMM使用馬爾可夫鏈來模擬信號統計特征的變化，而這種變化是間接的通過觀察序列來描述的，因此，隱馬爾可夫過程是一個雙重的隨機過程。其中之一是馬爾可夫鏈，這是基本隨機過程，它描述狀態的轉移。另一個隨機過程描述狀態和觀測值之聞的統計對應關系。在HMM中，節點表示狀態，有向邊表示狀態之間的轉移，一個狀態可以有特征空間中的任意特征，對同一個特征，不同狀態表現出這一特征的概率不同。由于HMM是一個統計模型，對于同一特征序列，可能會對應許多狀態序列，特征序列與狀態序列之間的對應關系是非常正確的。
4展望
目前的各種人臉識別技術方法都有各自優缺點，因此，許多人傾向于將多種方法綜合起來運用。并且，人臉識別是人臉視覺的獨特過程，因此必須結合生理學和心理學的研究成果。同時，如何與其他生物特征識別結合以提高識別率也是今后研究的方向。我們相信隨著計算機技術和生物識別技術的發展，以及人臉的檢測與識別技術的不斷完善，在不遠的將來，一套準確而高效的人臉檢測與識別系統就會呈現在我們的面前。
參考文獻
[l]周德龍，張曉華，劉博等.JDL大規模人臉圖像數據庫介紹[A].生物識別研究新進展(2)[C].北京：清華大學出版社，2003:118-120.
[2]肖冰，王映輝，人臉識別研究綜述[J].計算機應用研究，2005，8(1):1-5.
[3]陳鍛生，劉政凱.膚色檢測技術綜述[J].計算機學報，2006，29(2):194-203.
[4]邊肇祺，張學工.模式識別(第2版)[M].北京：清華大學出版社，2000:1-50.
[5]趙慧琳，王林泉，葛元.人臉圖像定位與標準化算法[J].計算機工程，2003，29(22):158-160.
[6]樊振萍.人臉檢測與識別技術綜述[J].電腦知識與技術，2008，07(5):1292-1295.
【人臉識別技術論文】相關文章：
識別人臉的技術閱讀答案02-10
人臉識別技術新突破：復雜場景識別率遠超人眼-識別-人臉08-08
基于差空間的MPCA人臉識別方法07-31
超聲波人臉識別方法研究07-11
Win10系統使用人臉識別技術及必備條件 -電腦資料01-01
空間物資管理系統無線射頻識別技術論文02-13
甘薯莖線蟲病的識別與防治技術論文01-15
廣東高考生忘帶準考證快找“人臉識別機”06-08