《电子信息新技术系列讲座报告 (18)》由会员分享,可在线阅读,更多相关《电子信息新技术系列讲座报告 (18)(13页珍藏版)》请在金锄头文库上搜索。
1、电子信息新技术系列讲座报告班级 电子1102 学号 3110503046 姓名 尹義锋 2014年12月人脸识别技术与发展人脸识别技术人脸识别技术是目前被广泛研究的热门课题。人脸识别技术就是利用计算机分析人脸图像,通过检测对比人脸数据库中的所有已知原型人脸图像来达到“辨认”身份的目的。随着科学技术的发展及各种技术手段的综合应用,人脸识别技术将在视频监控、访问控制等领域有着广阔的应用前景。人脸识别检测研究,主要包括人脸检测技术和人脸识别技术的研究。人脸识别检测是指对于任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸,如果是,则返回人脸的位置、大小和姿态,接着对人脸进行识别。它
2、是一个复杂的具有挑战性的模式检测问题。同时,人脸检测要走向实际应用,精度和速度是亟需解决的两个关健问题,自20世纪90年代以来,人脸检测的精度得到了大幅度的提高,但是速度却一直达不到应用系统用户满意的程度,为此研究者们付出艰辛的努力,直到21世纪Viola基于AdaBoost算法的人脸检测器的发表,人脸检测的速度才得到了实质性的提高,该算法的发表也促进了人脸检测研究的进一步蓬勃发展。背景及研究现状身份识别与验证是人类社会日常生活中的基本活动之一。尽管也许是无意识的,我们每天都要对很多人的身份做出判别,同时,每个人也都要经常通过各种方式和手段证明自己的身份,目前我们大多数情况下仍然依赖于传统的身
3、份验证手段来完成身份识别过程,这些手段包括各类标识物如身份证、学生证等各类证件,钥匙,口令等,然而这些方式使用不方便、不安全、不可靠的缺点不言而喻,证件、钥匙携带不便证件可以被伪造钥匙可能会丢失密码,这些缺点使得它们越来越不能满足现实的需要。目前广泛使用的依靠证件、口令等传统方法来确认个人身份的技术面临着严峻的挑战,已经不能适应现代科技发展和社会进步的需要。随着社会的发展,信息化程度的不断提高,人们对身份鉴别的准确性和实用性提出了更高的要求,传统的身份识别方式已经不能满足这些要求。生物特征识别利用人类特有的生理特征如指纹,虹膜等或行为特征如签名,声音等进行身份识别。基于生物特征的身份认证技术是
4、一项新兴的安全技术,也是本世纪最有发展潜力的技术之一。人脸识别技术的研究始于20世纪60年代末期。20世纪90年代后期以来,一些商业性的人脸识别系统逐渐进入市场,但是,这些技术和系统离实用化都有一定距离,性能和准确率也有待提高。美国遭遇恐怖袭击后,这一技术引起了广泛关注。作为非常容易隐蔽使用的识别技术,人脸识别逐渐成为国际反恐和安全防范最重要的手段之一。近年来,人脸识别在中国的市场,也经历着迅速的发展,而且发展的脚步也越来越快。 主要原因为: 1、科技的进步国际上,美国标准与技术研究院(NIST)举办的Face Recognition Vendor Test 2006,通过大规模的人脸数据测试
5、表明,当今世界上人脸识别方法的识别精度比2002年的FRVT2002至少提高了一个数量级(10倍),而对于高清晰,高质量人脸图像识别,机器的识别精度几乎达到100%。在我国,近年来科技界和社会各个方面都认识到人脸识别技术的重要性,国家政策对人脸识别技术研究给予了很大支持,使得我国人脸识别技术也得到了迅速的发展。2、应用需求的增加越来越趋向于高科技的犯罪手段使得人们对各种场合的安全机制要求也近乎苛刻,各种应用需求不断涌现。人脸识别市场的快速发展一方面归功于生物识别需求的多元化,另一方面则是由于人脸识别技术的进步。从需求上来说,除了传统的考勤、门禁等应用外,视频监控环境下的身份识别正成为一种迫切的
6、需求,即在一个较复杂的场景中,在较远的距离就识别出特定的人,这显然是其它生物识别方法所欠缺的,而人脸识别却是一个极佳的选择。国家“十一五”科技发展规划将人脸识别技术的研究与发展列入其中,明确指出:“要在生物特征识别技术领域缩小与世界先进水平的差距,开展生物特征识别应用技术研究,开发具有高安全性、低误报率的出入口控制新产品。”在这种环境下,国内一些科研院所和院校在人脸识别技术方面取得了很大进展。如中科院自动化所,清华大学,中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。 传统的人脸识别技术主要是基于可见光图像的人脸识别,这也是人们最熟悉的识别方式,已有30多年的研发历史。但这种方式有
7、着难以克服的缺陷,尤其在环境光照发生变化时,识别效果会急剧下降,无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别,和热成像人脸识别。但目前这两种技术还远不成熟,识别效果不尽人意。最近迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响,已经取得了卓越的识别性能,在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速,使人脸识别技术逐渐走向实用化。技术原理近年来,人们对人脸检测和识别方法以及三维人脸的重建方法等的研究有了很大的进步,研究方法越来越多。目前人脸识别技术的研究主要分为以下两大类:人脸检测和人脸识别。人
8、脸检测的方法主要有基于知识的方法、基于特征的方法、模板匹配和基于外观的方法等四种。根据特征提取和选择方法的不同,以及出现的时间顺序,把人脸识别方法分为三大类:早期的几何特征方法和模板匹配方法、神经网络方法和统计方法。其中的分类只是相对的,有些方法可能也可以交叉存在。1.1 基于知识的方法 基于知识的方法(Knowledge-Based Methods)一是基于规则的人脸检测方法。规则来源于研究者关于人脸的先验知识。一般比较容易提出简单的规则来描述人脸特征和它们的相互关系。Yang和Huang使用分层的基于知识的人脸检测方法。他们的系统由3级规则组成。在最高级,通过扫描输入图像的窗口和应用每个位
9、置的规则集找到所有可能的人脸候选区。较高级的规则通常描述人脸看起来象什么,而较低级的规则依赖于面部特征的细节。多分辨率的分层图像通过平均和二次采样生成,如图所示。编码规则通常在较低的分辨率下确定人脸的候选区,包括人脸的中心部分图中较浅的阴影部分,其中有个基本上相同的灰度单元。图 Yang和Huang的检测方法1.2 基于特征的方法 基于特征的方法(Feature-Based Methods)不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。和基于知识的方法相反,它是寻找人脸的不变特征用于人脸检测。人们已经提出了许多先检测人脸面部特征,后推断人脸是否存在的方法。面部特征如眉毛、眼睛、
10、鼻子、嘴和发际等,一般利用边缘检测器提取。根据提取的特征,建立统计模型描述特征之间的关系并确定存在的人脸。基于特征的算法存在的问题是,由于光照、噪声和遮挡等使图像特征被严重地破坏,人脸的特征边界被弱化,阴影可能引起很强的边缘,而这些边缘可能使得算法难以使用。1.3模板匹配的方法Sakai等人用眼睛、鼻子、嘴和人脸轮廓等子模板建模,检测照片中的正面人脸。每一个子模板按照线分割定义。基于最大梯度变化提取输入图像的线,然后与子模板匹配。计算子图像和轮廓模板之间的相互关系检测人脸的候选区域,完成用其他子模板在候选区域的匹配。Craw等人提出了一种基于正面人脸的形状模板即人脸的外形定位方法。用Sobel
11、算子提取边缘,将边缘组织在一起,根据几个约束条件去搜索人脸模板。在头轮廓定位。Govindaraju等人提出两个阶段的人脸检测方法。人脸模型根据边缘定义的特征构成。这些特征描述了正面人脸的左边、发际和右边的曲线。人脸必须是垂直、无遮挡和正面的。1.4 基于外观的方法 基于外观的方法首先通过学习,在大量训练样本集的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器,然后对被检测图像进行全局扫描,用分类器检测扫描到的图像窗口中是否包含人脸,若有则给出人脸所在的位置。 Moghaddam和Pentland提出在高维空间利用特征空间分解密度估计的概率视觉学习方法。用主成分(PCA)分析来定义子空间
12、从而最好地表示人脸模式集。主成分保存数据中主分量而丢弃了那些次分量。这种方法把向量空间分解为互相排斥和互为补充的2个子空间主子空间或特征空间和它的正交子空间。因此对象密度被分解为个2成分在主子空间由主分量张成的密度,和它的垂直成分(在标准的PCA中被丢弃的次分量)如图所示。用多变量Gaussians和混合Gaussians密度分布进行学习人脸局部特征的统计。然后将这些概率密度用于基于最大似然估计的对象检测。这种方法已经被用于人脸定位、编码和识别。和传统的特征脸方法相比,此方法在人脸识别方面表现出更好的性能。 图像空间分解为主子空间和垂直补空间2 人脸识别方法2.1早期的几何特征方法和模板匹配方
13、法最早的人脸识别方法就是基于几何特征的方法13,它的基本思想是提取人脸面部具有代表性的部位(例如眉毛、眼睛、鼻子、嘴巴等)的相对位置和相对大小作为特征,再辅以人脸轮廓的形状信息,来对人脸进行分类和识别。模板匹配方法是模式识别中最简单的一种模式分类方法。在人脸识别中,就是把数据库的人脸图像看成是已知的模板,然后根据计算待识别图像和已知模板间的相关性大小来分类。2.2 神经网络方法基于神经网络的人脸识别方法也早期的方法之一。目前较流行的基于动态链接结构的弹性图匹配(Elastic Graph Matching)方法,并且取得了一定的成功。它是通过 Gabor 小波来提取并描述人脸中的一些局部特征点
14、(节点),并把它们用成标记图(Labeled Graph)的形式连接起来,用标记图之间的相似度来衡量人脸图像之间的相似度。弹性图匹配方法不但体现了人脸中的几何特征信息,而且还可以通过标记图的弹性形变来描述人脸的一些变化,因而能取得较好的识别性能。2.3 基于统计的方法 统计方法是目前最受注意的一类方法。它的思想就是想通过学习来得到人脸的统计特征,并以此来判别分类。其学习和识别过程的模型如下图所示。图 统计方法识别模型子空间分析(Subspace Analysis)方法是其中的主要的一种,它的思想就是把高维空间中松散分布的人脸图像,通过线性或非线性变换压缩到一个低维的子空间中去,在低维的子空间中
15、使人脸图像的分布更紧凑,更有利于分类。另外,也使高维的计算减小为低维计算。目前在人脸识别中得到成功应用的线性子空间分析方法有:主元分析(Principal ComponentAnalysis / PCA)、线性判决分析(Linear Discriminant Analysis / LDA)、独立元 分 析 (Independent Component Analysis / ICA) 、 非 负 矩 阵 因 子(Non-negative Matrix Factorization / NMF);基于核技巧的非线性子空间分析有:核主元分析(Kernel Principal Component Analysis / KPCA)和核 Fisher判决分析(Kernel Fisher Discriminant Analysis / KFDA)。核主元分析法如下:基于线性子空间分析方法的人脸识别,实际上是把实际人脸图像中存在的表情、姿态、光照等复杂的变化进行了线性简化,因此不可能得到充分的描述。核技术的思想就是利用一非线性映射,把原空间的数据映射到一隐特征空间 F 中::x Rn fF,然后在隐特征空间中对数据进行分析,从而可得到有效地分析原始数据的非线性关系。而在计算上,并不需要明确的计算这个非线性变换,只需要计算在隐特征空间 F 中两两向量的点积即可(3.1)。隐特征空间