人脸识别综述

《人脸识别综述》由会员分享，可在线阅读，更多相关《人脸识别综述（14页珍藏版）》请在金锄头文库上搜索。

1、摘 要:首先介绍了人脸识别的发展历程及基本分类；随后对人脸识别技术方法 发展过程中一些经典的流行的方法进行了比较详细的阐述。最后介绍了人脸识别 的应用及发展现状，总结了人脸识别所面临的困难。关键词:人脸识别1 引言人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份， 性别，种族，年龄，表情等等。随着计算机技术的飞速发展，基于人脸图像的计 算机视觉和模式识别问题也成为近些年研究的热点问题。其中包括人脸检测，人 脸识别，人脸表情识别等各类识别问题。对于人脸识别问题的研究已有几十年的 时间，在理论研究和实际开发方面都取得了一定的进展，并且目前已有一些电子 产品配备了人脸识别系统。但是，

2、对于人脸性别和种族识别的研究却比较少，但 研究这个问题的意义和实际价值却是不可忽视的。在实际公共场所的安检系统 中，大多数情况下都是将多种模式识别系统结合在一起，以尽量提高检测识别的 准确度，性别识别系统也是其中不可缺少的一部分。对它的研究不仅有助于提供 更多个性化的人机交互方式，还可以应用于各种监控系统、电子产品的用户身份 鉴别和信息采集系统。从理论意义上来说，也丰富了原有的人脸识别方法，使得 人脸识别系统不但可以识别出被识别者是谁，还能自动给出其性别和种族，从而 提高人脸识别的准确率和图像检索效率。所谓人脸识别,就是利用计算机分析人脸视频或者图像 ,并从中提取出有效 的识别信息,最终判别人

3、脸对象的身份。人脸与人体的其他生物特征（指纹、虹膜 等）一样与生俱来,它们所具有的唯一性和不易被复制的良好特性为身份鉴别提 供了必要的前提；同其他生物特征识别技术相比,人脸识别技术具有操作简单、 结果直观、隐蔽性好的优越性。因此,人脸识别在信息安全、刑事侦破、出入口 控制等领域具有广泛的应用前景。2人脸识别的发展历程及方法分类关于人脸识别的研究最早始于心理学家们在 20世纪 50 年代的工作，而真正 从工程应用的角度来研究它则开始于20世纪60年代。最早的研究者是Bledsoe, 他建立了一个半自动的人脸识别系统,主要是以人脸特征点的间距、比率等参数 为特征。早期的人脸识别方法有两大特点:大多

4、数识别方法是基于部件的，它们 利用人脸的几何特征进行识别,提取的信息是人脸主要器官特征信息及其之间的 几何关系。这类方法比较简单，但是很容易丢失人脸的有用信息，从而在视角、表 情等变化的情况下识别能力差。鉴于这种情况，后来出现了性能较优的模板匹配 方法，即根据图像库中的人脸模板与待识别人脸模板在灰度上的相似程度来实现 人脸识别，这类方法在一定时期内占据主流。人脸识别研究主要是在较强约束 条件下的人脸图像识别。假设图像背景单一或无背景，人脸位置已知或很容易获 得，因此对现实场景产生的图像处理效果不佳。90 年代中期以来，人脸识别方法向着整体识别和部件分析相结合的趋势发 展。研究人员开始逐渐认识到

5、人脸识别算法必须能够充分地利用人脸的各种特征 信息，融合人脸的形状拓扑结构特征、局部灰度特征和全局灰度分布特征等多种 特征。因此，出现了很多新的算法，这些算法是将原先单一的算法结合起来，共同 完成人脸的识别。灰度和形状分离的可变形模型方法8就是其中之一。90年代 后期，一些商业性的人脸识别系统开始逐渐进入市场，人脸识别技术成为当今国 际安全防范最重要的手段之一。但是，这些技术和系统离实用化还有一定的距离， 性能和准确率有待提高。1991年Turk和Pentland首次提出著名的“特征脸”(Eigenface) 方法，利用主成分分析(Principal Compone nt Analysis,P

6、CA) 取得了不错的识别效果；Belhumer在他的论文中，成功地将Fisher判别准则应 用到了人脸分类当中，提出了 Fisherface方法；从此基于子空间和统计特征的 人脸识别技术成了一种主流的技术，这种基于线性子空间的技术主要包括主成分 分析、线形判别分析(Linear Discriminant Analysis,LDA)等方法。总体来说, 这一阶段的基于机器学习方法的人脸识别技术得到了迅速的发展，在一些识别系 统里面获得了不错的识别效果。最近几年，人脸识别的研究有了新的发展，基于 机器学习的理论，研究者提出了许多新颖的方法，其中包括遗传算法(Gene tic Algorithm，GA

7、)、AdaBoost、贝叶斯分类器、支持向量机(Support Vector Machine,SVM )等方法。2000年以后,人脸识别方法的性能虽然有了一定的提高,但仍与人们的要求 还有一定的差距,现有方法对光照、年龄、表情、姿态、距离等条件的变化比较 敏感,当某些条件发生变化时,识别效果很不理想。目前,人脸识别技术仍只能用 于某些对识别准确率要求不高的场合。人脸识别从不同的角度有不同的分类方法，本文基于人脸识别的发展过程将 其分为基于几何特征、基于代数特征和基于机器学习1三类人脸识别方法。3人脸识别的几种主要方法3.1 基于几何特征的人脸识别方法基于几何特征的方法是最早、最传统的方法。它是

8、基于部件的方法,通常需 要与其他算法结合才能有比较好的效果。这种方法首先将人脸用一个几何特征矢 量表示,进而用模式识别中的层次聚类思想设计分类器达到识别目的。识别所采 用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征 矢量之间的匹配，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。Brunelli等用改进的积分投影法提取出欧几里德距离表征的35维人脸特征 矢量用于模式分类。人脸器官的关键点非别对应于不同的图像灰度积分用于模式 分类。基于几何特征的识别方法具有的优点：符合人类识别人脸的机理，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。但

9、同时存在如下问题:没有形成统一的特征提取标准，从图像中抽取稳定的特征 比较困难,特别是当特征受到遮挡时；对较大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。其典型的算法主要有活动轮廓模型和可变形模板模型等。3.2 基于代数特征的方法基于代数特征的方法通常是将图像空间的像素点变换到一个投影空间。用一 定数量的基本图像对人脸进行线性编码。此方法的目地就是寻找一种空间域到变 换域之间的最优表示1。基于代数特征的方法主要有奇异值分解方法、特征脸方 法、独立分量分析和线性判别法。3.3 基于机器学习的方法在基于几何特征的方法中，

10、人脸的特征是预先定义好的；而在基于机器学习 的方法中，人脸的特征和类别利用统计分析和机器学习的技术从样本中学习来 的。学习所得的人脸特征和类别存在于由各种算法所保证的分布规律、模型和判 别函数中，并被用于人脸的检测和识别。基于学习的分类器是现今比较流行的技术，有很多研究者在从事该研究，主 要包括人工神经网络，支持向量机，隐马尔可夫模型(Hidden Markow Model,HMM)， 贝叶斯决策和 AdaBoost 算法等技术；4 人脸识别的主要方法4.1基于奇异值分解（SVD）的人脸识别方法奇异值特征是一种反映图像本质属性的代数特征。在某种程度上,奇异值特 征具有代数和几何上的双重稳定性,

11、还具有比例不变性、旋转不变性等重要性质, 因此将人脸图像矩阵进行奇异值分解可以很好地提取出图像的代数特征,然后进 行匹配识别。奇异值分解方法是在奇异值分解的基础上,产生多种人脸识别的方 法。例如基于图像集似然度的人脸识别30,首先用图像集中每个图像的奇异值向 量构造出一个新的矩阵图像集特征矩阵,计算待检测人脸集的特征矩阵与 已知的各类人脸集的特征矩阵的似然度,最终判断待检测人脸属于哪一类。洪子泉和杨静宇a提出的基于奇异值分解（SVD）的人脸识别方法，建立了基 于Sammon最佳判别平面的Bayes分类模型。杜干等人17认为传统的基于SVD的 方法只是利用全局信息，若将人脸分成不同区域 ，利用人

12、脸的局部信息能够更好 地描述人脸特征，从而提高识别率。高全学等人18通过深入分析奇异值指出，图 像奇异值是图像在特定基空间分解得到的，这个基空间是由图像本身决定的。他 们的研究还指出不同人脸图像对应的奇异值向量所在的基空间不一致、奇异值向 量与人脸图像之间并不存在一一对应关系以及奇异值向量具有不可分割性，此三 者导致了基于SVD人脸识别算法识别率低;最后他们提出了类估计基空间识别算 法。王宏勇31等利用奇异值提取人脸的全局特征和 6 个关键部分的局部特征进 行加权融合得出特征融合矩阵有效解决了 SVD 识别率不高和 LDA 小样本空间问 题。由于奇异值向量包含的人脸图像的有效信息少，不足以进行

13、有效的人脸识别， 孙静静等32基于奇异值向量的人脸识别方法， 提出了一种新的基于奇异值分解 的“秩一矩阵”的人脸识别方法，该方法在识别率、稳健性等方面的性能好，取 得了很好的识别效果。4.2 特征脸方法特征脸方法，也即主元分析法（PCA）。它实质上是K-L展开的递推实现,K-L 变换是数字图像压缩中的一种最优正交变换，通过 K-L 变换，可以把图像在高维 空间表示转换到低维空间表示,而由低维空间恢复的图像和原图像具有最小的均 方误差,从而可以以图像在低维空间的变换系数作为人脸图像的描述特征。 K-L 变换用于人脸识别的前提是人脸图像处于低维空间 ,并且不同人脸是线性可分 的。通常情况下,K-L

14、变换的变换矩阵由训练样本类间散布矩阵的特征矢量生成， 由类间散布矩阵得到的特征矢量类似于人脸,故将其称为特征脸。将变换矩阵的 特征矢量按特征值的大小进行排列,人脸图像排在前面的特征矢量上的投影具有 较大的能量,称为主分量;在排在后面的特征矢量上的投影具有较小的能量,称为 次分量。当舍弃部分次分量时，称为主元素分析法(PCA)。K-L变换从压缩角度看 是最优的,但从分类角度来看却不是最优的。虽然它考虑了人脸图像的所有差异 (从压缩角度),但没有考虑这些差异是类内差异(如光照变化,表情变化或几何变 化)还是类间差异(从分类角度)。PCA方法最早由Sirovitch和Kirby4、5引入人脸识别领域

15、。20世纪90年代 初，由Turk和Pentland6、7提出的特征脸(Eigenfaces)方法是该类别中最具代表 性的方法,并成为应用于人脸识别问题的最流行的算法之一。特征脸方法与经典 的模板匹配算法一起成为测试人脸识别系统性能的基准算法。Belhumeur 等人提出了 Fisherfaces 方法。Fisherfaces 由 Fisher 线性判 别式(Fisher s lineardiscriminant, FLD)思想派生而来，同时考虑类间离散度 和类内离散度，使这两者的比率达到最大。Belhumeur的实验证明，Fisherfaces 的性能优于Eigen-faces。但即便如此，

16、Fisherfaces还是存在两个明显的问题， 即小样本问题(样本数目小于样本维数)，以及多数实际问题属于非线性可分，传 统的 Fisher 线性分析在这些问题上不能取得良好的结果。因此 ， 一系列 Fisherfaces的改进方法被提出。Mika等人提出了 KFDA方法,将核技术引入 Fisher判别分析中;Baudat等人10提出了利用核的广义的判别分析法；Lu等人11 提出了 KDDA方法。近期，厉小润等人12提出了一种改进的核直接Fisher描述分 析方法；Yu等人13的直接LDA方法也是为了解决这两个问题而提出的;周大可等 人14基于此法并引入加权函数提出了一种改进的线性判别分析方法。4.3 独立分量分析法张贤达在其1996年出版的时间序列分析-高阶统计量方法一书中，介绍 了有关ICA的理论基础，并且给出了相关的算法，其后关于ICA的研究才逐渐多起 来。张立明和斯华