人脸识别技术解读

《人脸识别技术解读》由会员分享，可在线阅读，更多相关《人脸识别技术解读（10页珍藏版）》请在金锄头文库上搜索。

1、人脸识别，特指利用分析比较的计算机技术。人脸识别是一项热门的计算机技术研究 领域，人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度；它属生物 特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。中文名人脸识别技术实质输入的人脸图象或者视频流研究领域热门的计算机技术研究领域技术生物特征识别技术目录1基本介绍2技术原理-人脸识别内容-人脸的识别过程3分析算法4功能模块 人脸捕获与跟踪功能-人脸识别比对人脸的建模与检索真人鉴别功能图像质量检测5基本方法6技术细节7优缺点-人脸识别优点-人脸识别的弱点8技术应用9应用前景人脸识别技术是基于人的脸部特征，对输入的人脸图象或

2、者视频流首先 判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和 各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵 的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。用闭吏-Wf ” tovd DE ” cn. 曲7匚种蛹01卫用取丄盘聊 点陀广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图 像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸 识别特指通过人脸进行身份确认或者身份查找的技术或系统。生物特征识别技术所研究的生物特征包括脸、旨纹、手掌纹、虹膜、视网膜、 声音（语音）、体形、个人习惯（例如敲击

3、键盘的力度和频率、签字）等，相应 的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音 识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属 于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。人脸识别内容人脸识别技术包含三个部分:人脸检测面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这 种面像。一般有下列几种方法： 参考模板法首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板 之间的匹配程度，并通过阈值来判断是否存在人脸； 人脸规则法由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生 成相应的规则以判

4、断测试样品是否包含人脸； 样品学习法这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非 面像样品集的学习产生分类器； 肤色模型法这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。 特征子脸法这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子 空间的投影之间的距离判断是否存在面像。值得提出的是，上述5种方法在实际检测系统中也可综合采用。人脸跟踪面貌跟踪是指对被检测到的面貌进行动态目标跟踪。具体采用基于模型的方 法或基于运动与模型相结合的方法。此外，利用肤色模型跟踪也不失为一种简单 而有效的手段。(3 )人脸比对面貌比对是对被检测到的面貌像进行身份确认

5、或在面像库中进行目标搜索。 这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹 配对象。所以，面像的描述决定了面像识别的具体方法与性能。主要采用特征向 量与面纹模板两种描述方法： 特征向量法该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等 属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征 向量。 面纹模板法该方法是在库中存贮若干标准面像模板或面像器官模板，在进行比对时，将 采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。此外，还有 采用模式识别的自相关网络或特征与模板相结合的方法。人脸识别技术的核心实际为“局部人体特征分析

6、”和“图形/神经识别算 法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数 据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。一般要求判 断时间低于1秒。人脸的识别过程一般分三步：(1) 首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件 或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprin t)编码贮 存起来。(2) 获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照 片输入，并将当前的面像文件生成面纹编码。(3) 用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档 案库存中的面纹编码进行检索比对。上述的“面

7、纹编码”方式是根据人脸脸部的 本质特征和开头来工作的。这种面纹编码可以抵抗光线、皮肤色调、面部毛发、 发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中 精确地辨认出某个人。人脸的识别过程，利用普通的图像处理设备就能自动、连 续、实时地完成。4匚貧土仙吕人脸识别技术中被广泛采用的区域特征分析算法，它融合了计算机图+1人脸识别像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提 取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。 利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果 来给出一个相似值。通过这个值即可确定是否

8、为同一人。人脸捕获与跟踪功能人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中 分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像 在摄像头拍摄的范围内移动时自动地对其进行跟踪。人脸识别比对人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像 或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。 搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像 存在。人脸的建模与检索可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板 （人脸特征文件）保存到数据库中。在进行人脸搜索时（搜索式），将指定的人 像

9、进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对 的相似值列出最相似的人员列表。真人鉴别功能系统可以识别得出摄像头前的人是一个真正的人还是一幅照片。以此杜绝使 用者用照片作假。此项技术需要使用者作脸部表情的配合动作。图像质量检测图像质量的好坏直接影响到识别的效果，图像质量的检测功能能对即将进行 比对的照片进行图像质量评估，并给出相应的建议值来辅助识别。5基本方法编辑人脸识别的方法很多，主要的人脸识别方法有：（1）几何特征的人脸识别方法：几何特征可以是眼、慧眼人脸识别考勤机鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识 别速度快，需要的内存小，但识别率较低

10、。（2）基于特征脸（PCA）的人脸识别方法：特征脸方法是基于KL变换的人 脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL 变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线 性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投 影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训 练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方 法。（3）神经网络的人脸识别方法：神经网络的输入可以是降低分辨率的人脸 图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的 样本进行训练，而在许

11、多应用中，样本数量是很有限的。（4）弹性图匹配的人脸识别方法：弹性图匹配法在二维的空间中定义了一 种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸, 拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。 该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克 服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多 个样本进行训练。（5）线段Hausdorff距离（LHD）的人脸识别方法：心理学的研究表明，人 类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是 基于从人脸灰度图像中提取出来的线段图的，它

12、定义的是两个线段集之间的距离, 与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能 适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从 而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想 是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常 的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本（每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现 复杂，该函数的取法没有统一的理论。一般来说，人脸识别系统包括图

13、像摄取、人脸定位、图像预处理、以及人脸 识别(身份确认或者身份查找)。系统输入一般是一张或者一系列含有未确定身 份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码， 而其输出则是一系列相似度得分，表明待识别的人脸的身份。人脸识别的算法可以分类为：基于人脸特征点的识别算法(Fea ture-based recogni tion algor it hms)。基于整幅人脸图像的识别算法(Appearance-based recogni tion algorithms)。基于模板的识别算法(Templa te-based recogni tion algori thms)。 利用神经

14、网络进行识别的算法(Recogni tion algori thms using neuralnetwork)优缺点编辑人脸识别优点相比较其他生物识别技术而言：非接触的，用户不需要和设备直接接触；非强制性，被识别的人脸图像信息可以主动获取； 并发性，即实际应用场景下可以进行多个人脸的分拣、判断及识别。人脸识别的弱点对周围的光线环境敏感，可能影响识别的准确性；人体面部的头发、饰物等遮挡物，人脸变老等因素，需要进行人工智能补偿;(如可通过识别人脸的部分关键特性做修正)。1. 企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门等。2. 电子护照及身份证。这或许是未来规模最大的应用。在国际民

15、航组织(ICAO)已确定，从2010年4月1日起，其118个成员国家和地区，人脸识 别技术是首推识别模式，该规定已经成为国际标准。美国已经要求和它有出入免 签证协议的国家在2006年10月26日之前必须使用结合了人脸指纹等生物特征 的电子护照系统，到2006年底已经有50多个国家实现了这样的系统。美国运 输安全署(Transpor tation Secur ity Adminis tration)计划在全美推广一项 基于生物特征的国内通旅行证件。欧洲很多国家也在计划或者正在实施类似的计 划，用包含生物特征的证件对旅客进行识别和管理7。中国的电子护照计划公 安部一所正在加紧规划和实施。3. 公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃 犯。4. 自助服务。如银行的自动提款机，如果同时应用人脸识别就会避免被他 人盗取现金现象的发生。5. 信息安全。如计算机登录、电子政务和电子商务。在电子商务中交易全 部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者 审批的授权都是靠密码来实现。如果密码被盗，就无法保证安全。如果使用生物 特征，就可以做到当事人在网上的数字身份和真实身份统一。从而大大增加电子 商务和电子政务系统的可靠性。9应用前景编辑生