《人脸识别技术综述和应用》由会员分享，可在线阅读，更多相关《人脸识别技术综述和应用（12页珍藏版）》请在金锄头文库上搜索。
1、1人脸识别技术综述李勃摘要：简要介绍了人脸识别技术的研究背景及其发展历程；对人脸识别技术的常用方法进行了分类总结；重点对近年来人脸识别方法的研究进展进行综述并对各种方法加以评价；总结了现阶段存在的研究困难并提出今后的发展方向。关键词：人脸识别；人脸检测；人脸定位；特征提取Abstract: Briefly introduces the background of automatic face recognition and its development. Gives a classified summary of the common methods for face recognition
2、, mainly aiming at the latest works. Concludes key factors of research difficulties and gives the future research direction.Keywords: face recognition; face detection; face localization; feature extraction1 引言人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共
3、经历了如下四个阶段：1. 基于简单背景的人脸识别这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。2. 基于多姿态/表情的人脸识别这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。3. 动态跟踪人脸识别这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。4. 三维人脸识别为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为
4、该领域的一个主要研究方向。人脸识别技术的研究范围主要包括以下几个方面：1. 人脸检测：在输入的图像中寻找人脸区域。2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。24. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。人脸图像获取 人脸检测 定位人脸区域预处理特征抽取人脸特征对比识别结果人脸特征库人脸识别流程2 图像预处理2.1 图像去噪一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径不同，噪声的融入也有多种方式：1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地
5、引入噪声信号；2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动，也会引入噪声，使图像变的模糊不清；3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。2.2 增强对比度为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。
6、增强对比度有很多种方法，常见的有直方图均衡化和“S”形变换等方法。“S”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这3样的方法同样能使得图像的对比度提高。将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献1 给出了一种能够将 RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型： ；其中 f 代表灰 5.014.587.029., bgryxf度
7、值，r ,g,b 分别表示 Red,Green,Blue 分量的值。文献2通过将人脸彩色图像从 RGB 色彩空间转换到 RIQ 色彩空间，得到了更适于频谱分析的特征分量。3 人脸检测与定位人脸自动识别系统包括两个主要技术环节：人脸检测与定位和特征提取与人脸识别。人脸检测与定位是指检测图像中是否有人脸，若有，将其从背景中分割出来，并确定其在图像中的位置。在某些可以控制拍摄条件的场合，如警察拍罪犯照片时将人脸限定在标尺内，此时人脸的定位很简单。证件照背景简单，定位也比较容易。在另一些情况下，人脸在图像中的位置预先是未知的，比如在复杂背景下拍摄的照片，这时人脸的检测与定位将受到以下因素的影响：1.
8、人脸在图像中的位置、角度及人物的姿势；2. 图像中人脸区域的不固定尺度；3. 光照的影响。轮廓和肤色是人脸的重要信息，具有相对的稳定性并且和大多数背景物体的颜色相区别。因此可以针对彩色图片利用肤色特征进行快速的人脸检测。基于特征检测方法的基本思想是：首先建立并利用肤色模型检测出肤色像素，然后根据肤色像素在色度上的相似性和空间上的相关性分割出可能的人脸区域，最后利用其他特征进行验证。由于眼睛在人脸中相对位置固定，而且与周围面部区域灰度差别较大，所以在各个人脸候选区域中，指定眼睛可能存在的位置范围，并在该范围内用一4系列阙值进行二值化处理，看能否搜索到代表瞳孔所在位置的两个黑色区域。如找到，则判为
9、人脸。进一步的确定可再进行唇部检测，因为唇部一般位于人脸的下三分之一处，所以人脸位置初步确定后，可在下三分之一位置搜索唇形，使用方法是排除红色法。此技术也称基于眼唇定位技术。4 特征提取与人脸识别特征提取之前一般需要做几何归一化和灰度归一化的工作。前者是指根据人脸定位的结果将图像中的人脸区域调整到同一位置和大小；后者是指对图像进行光照补偿等处理，以克服光照变化的影响。提取出待识别的人脸特征之后，即可进行特征匹配。这个过程是一对多或一对一的匹配过程，前者是确定输入图像为图像库中的哪一个人，后者是验证输入图像的人的身份是否属实。以上两个环节的独立性很强。在许多特定场合下人脸的检测与定位相对比较容易
10、，因此，特征提取与人脸识别环节得到了更广泛和深入的研究。4.1 人脸特征提取人脸特征提取是人脸识别中的核心步骤，直接影响识别精度。由于人脸是多维弹性体，易受表情、光照等因素影响，提取特征的困难较大。特征提取的任务就是针对这些干扰因素，提取出具有稳定性、有效性的信息用于识别。人脸特征是识别的重要依据之一。检测定位过程中也会用到人脸特征。其中统计特征和灰度特征是在人脸定位和特征提取过程中常用到的两类特征：a) 统计特征统计特征即用统计的方法对目标对象的肤色、光照变化等因素建模。基于肤色特征的识别方法简单且能够快速定位人脸1。人脸肤色不依赖于细节特征且和大多背景色相区别。但肤色的确定对光照和图像采集
11、设备特性较敏感。不同的光照下脸部色彩复杂。这给统一建模造成了一定难度。该方法通常作为其他统计模型的辅助方法使用，适于粗定位或对运行时间有较高要求的应用。文献1使用人脸灰度图像的水平和垂直方向的像素灰度均值来描述人脸特征。通过分别对灰度图像各行和各列中的像素灰度值进行求和，获得水平方向与垂直方向的灰度均值轮廓，以此来描述人脸特征。5b) 灰度特征灰度特征包括轮廓特征、灰度分布特征(直方图特征、镶嵌图特征等)、结构特征、模板特征等。由于人脸五官位置相对固定，灰度分布呈一定规律性，因此，可利用灰度特征来进行人脸识别。通常采用统计的方法或特征空间变换的方法进行灰度特征的提取，如利用 K-L 变换得到的
12、特征脸，利用小波变换得到的小波特征等234 。文献2使用傅立叶变换得到人脸图片的频域信息，通过选取适当的遮盖模板，提取其中的频谱信息来描述人脸的特征。实验证明该方法对光照和表情/姿态的变化有一定的容忍力。文献4使用小波变换的方法在小波域通过多分辨率分析克服光照和面部表情对人脸识别的影响，获得了较好的识别效果。64.2 人脸特征提取常用方法近年来对人脸特征提取的研究主要集中在三个方面：1. 几何特征点的提取；2. 变换域中的特征提取；3. 利用变形模板进行特征提取。特征提取方法归纳起来分为两类：基于局部特征的提取方法和基于整体特征的提取方法。基于局部特征的人脸面部表情识别是利用每个人的面部特征(
13、眉毛、眼睛、鼻子、嘴巴和面部轮廓等)的位置、大小及其相互位置的不同进行特征提取，达到人脸面部表情识别的目的。基于人脸整体特征的提取是从整个人脸图像出发，通过加强反映整体特征来实现人脸面部表情识别。对比两种方法，基于局部特征的方法很大程度上减少了输入的数据，但是用有限的特征点来代表人脸图像，一些重要的表情识别和分类信息就会丢失。基于人脸整体特征提取在计算量和计算时间上都多于局部特征提取，而且系统设计也相对复杂。此外，还可以通过多种方法综合利用来进行特征提取。4.2.1 模板匹配方法模板匹配方法是模式识别的传统方法，其思想是：库中存储着已知人脸的若干模板。识别的时候，将经过预处理的输入图像与库中的
14、所有模板采用归一化相关度量进行匹配识别，来达到分类的目的，完成人脸的识别。由于这种方法要求两幅图像上的目标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。上述为静态模板匹配，但是它存在着对不同表情的人脸鲁棒性差的缺点，针对这一情况，人们提出了弹性模板匹配。弹性模板匹配是根据待检测人脸特征的形状信息（通常利用小波特征） 。定义一个参数描述的形状模型，该模型的参数反映了对应特征形状的可变部分，如位置、大小、角度等，它们最终通过模型与图像的边缘、峰、谷和灰度分布7特性的动态地交互适应来得以修正。由于模板变形利用了特征区域的全局信息，因此可以较好地检测出相应的特征形状。弹性
15、模板匹配的方法在一定程度上容忍光线等的干扰，对细微的表情不敏感。而且弹性匹配中的人脸模型还考虑了局部人脸细节，它的可变形匹配方式，一定程度上能容忍人脸从三维到二维投影引起的变形。4.2.2 几何特征方法基于几何特征的人脸识别方法将人脸用一个几何特征矢量表示，用模式识别中的层次聚类思想设计分类器来对人脸进行识别。流程大体如下：首先检测出面部特征点，通过测量这些关键点之间的相对距离，得到描述每个脸的特征矢量，比如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，以及这些特征之间的关系。比较未知脸和库中已知脸中的这些特征矢量，来决定最佳匹配。基于几何特征的识别方法具有如下优点：符合人类识别人脸的机
16、理，易于理解；对每幅图像只需存储一个特征矢量，存储量小；对光照变化不太敏感。该方法同样也有其缺点：从图像中抽取稳定的特征比较困难，特别是在特征受到遮挡时；对强烈的表情变化和姿态变化的鲁棒性较差；一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，更适合于粗分类。文献3使用人脸部下巴的轮廓曲线来辅助检测人脸特征，然后使用 Gabor小波变换(GWT) 进行人脸识别，获得了较理想的实验结果。84.2.3 特征脸方法该方法是从主成分分析(PCA)导出的一种人脸识别和描述技术。其主要思想是，一副由 N 个象素组成的图像，可以看作 N 维矢量，或是 N 维空间中的一点。假设人脸图像只占据这个高维图像空间的一个很小的子区域，因此可以利用 PCA 来得到一个人脸图像的优化坐标系统。即是对这个人脸子区域的坐标进行降维，使得每个人脸图像可以用很少几个参数来表示，这就降低了计算复杂度。特征脸方法在应用中是比较成功的。4.2.4 神经网络方法
