人脸识别技术综述

学年论文题目人脸识别技术综述学院信息与电子工程学院专业电子信息工程___________班级_____电子061______________学生姓名林盛华_________________学号06054125______________指导教师魏广芬_________________人脸识别技术综述林盛华（山东工商学院信息与电子工程学院山东264005）摘要人脸的检测与识别技术因其巨大的应用价值及市场潜力，引起各方面的关注，已经成为图像工程和模式识别领域的研究热点虽然人脸识别的研究已有很长的历史，各种人脸识别的技术也很多，但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响，目前还没有一种人脸识别技术是公认快速有效的本文简单介绍了人脸识别研究的发展历史，阐述了人脸识别研究方法的分类以及常用的人脸识别方法，并且讨论了该技术的最新发展方向及其国内的发展情况关键词人脸检测；特征提取；人脸识别中图法分类号TP

391.41文献标识码:A文章编号2008-06054125Summary ofthe face recognition technologyLinShenghua（School ofinformation andelectronics engineeringShandong Instituteof Businessand TechnologyShandong264005）Abstract.Th.technolog.o.fac.detectio.an.recognitio.ha.attracte.th.attentio.o.man.researcher.i.th.fiel.o.imag.engineerin.becaus.o.itgrea.applicatio.vaIu.an.market-potentiaLAlthoug.thi.researc.alread.ha..lon.histor.an.man.differen.recognitio.method.ar.propose.ther.i.stil.n.effectiv.metho.wit.lo.cos.an.hig.precision.Huma.fac.i..comple.patter.an.i.easil.affecte.b.th.expression.complexio.an.clothes.Thi.pape.wil.introduc.briefl.th.develo.histor.o.Huma.Fac.Recognitio.Researc.an.als.presen.classifie.an.commonl.method.Especially.it.developmen.i.Chin.i.simpl.introduced.Th.futur.developmen.o.th.technolog.i.als.discussed.Key words:face detection;feature extraction;facerecognition.引言0随着社会的发展，诸如视觉监控、远程教育、人机交互技术及安全等各方面都迫切希望能够进行快速、有效的身份验证生物特征因为自身的稳定性和差异性，已经成为身份验证的主要手段人脸是一种极为复杂的、多维的模式，也是一种典型的非刚性模式人的面部特征十分丰富，除了形状、表情之外，还有五官的特征及分布通过对这些特征的研究，可以理解人的情绪等状况与其他利用视网膜识别（无法确保对人体的安全性）及指纹识别（涉及个人隐私）等人体生物特征进行身份验证相比，人脸识别的应用具有直观、友好及方便等特点，正越来越受到国际学术界、企业界、政府及国防军事部门的高度关注，具有广泛的应用前景人脸检测与识别是模式识别领域中的经典问题之一此外，还涉及图像处理、解剖学及生理学等多方面多领域的知识该技术研究最早可追溯到世纪法国人⑴的工作现代研究始于世纪年代末19Galton206070年代初，并随着科学技术而发展自年代以来一直是研究热点，各种算法层出不穷，相关杂志上发表的有90关论文数以千计国内在这方面的研究起步于世纪年代，受到了国家计划的大力扶持，发展很快2080863年以来，每年一届的“中国生物识别学术会议”极大地推动了包括人脸识别在内的生物识别技术水平的2000发展现在，国内也已建成世界上较全面、规模最大的东方人脸图像数据库［］人脸检测与识别可分为人2脸检测、人脸特征提取和人脸识别个阶段，整个流程如图所示即对像集中的图像逐幅进行检测，判断其31中是否存在人脸，如果人脸存在，则对其进行精确定位，并进行人脸识别，通过特征提取，获得人脸信息进行身份验证图人脸检测与识别流程1人脸检测与定位1人脸检测就是从各种不同图像中确定人脸的存在，并且确定人脸的数量、尺寸、位置和位姿，实质是使人脸与背景（非人脸）分离，它是完成自动人脸识别的第一步，是人脸识别的基础［3］人脸检测是一个相当复杂的问题，由于面部表情的不同及光照条件的变化，眼、口、鼻、耳和胡须等影响，面部伤痕的出现等，均可不同程度地影响人脸检测的准确度，导致误检（将非人脸区误认为人脸）或漏检因此，多年来，人脸检测方法的研究一直引起人们的关注人脸检测方法可分为基于知识的和基于统计的两大类［4］基于知识的方法

1.1利用人的先验知识建立若干规则，将人脸检测问题转化为基于面部特征不变量的假设/验证问题利用人脸的椭圆形轮廓特性，文献［5］提取边缘特征，并根据广义Hough变换提取椭圆形状信息，进行人脸检测文献［6］提出了一种基于知识的快速人脸检测方法，采用符合人脸生理结构特征的人脸镶嵌图模型，建立较为完备的知识库，并采用多级检测的步骤加快检测速度另外，文献⑺在传统的镶嵌图法基础上，提出了一种新的广义三分图的人脸模型分块方案，取得较好效果眼睛是人脸上最独特的一种器官，已成为许多检测方法所利用的关键特征此外，由于人的肤色在图像中的聚类特性及对方向的不敏感性，已在人脸检测中得到了应用［8］基于知识的方法需要利用人脸的几何和灰度等方面的特征整理出各种检测规则，建立规则库，这种规则库还需要在实用中不断修改和完善基于统计的方法

1.2将人脸图像看作一个高维矢量，在高维空间中对分布信号进行检测基于特征空间的方法将图像变换至某一个特征空间,再根据图像在此空间中规律区分人脸和非人脸主分量分析先进行K-L变换，得到特征值从大到小排序的特征脸［9］这样既有效降低了维数，又保留了所需要的识别信息基于模板匹配的方法通过与己建立的若干模板，进行匹配比较检测人脸的存在问题文献［10］的基于多模板匹配的单人脸检测效果较好此外还有基于神经网络和基于支持向量机等方法基于统计的方法较适合对正面人脸图像进行检测，但图像中人脸尺度及位姿发生变化，特别是旋转变化，会使检测难度加大，准确率相应降低人脸特征提取与识别方法综述2识别人脸主要依据那些在不同个体之间存在较大差异而对于同一个人则比较稳定的特征具体的特征形式随识别方法的不同而不同下面分别介绍这些识别方法基于特征脸的识别方法

2.1特征脸方法是从主成分分析（Principal ComponentAnalysis）导出的一种人脸识别和描述技术PCA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）0K-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）基于脸的人脸识别方法

2.3BayesBayes（贝叶斯）决策理论是模式识别领域中的经典理论应用Bayes决策理论进行模式分类，首先要知道各类的先验概率和概率密度函数由于在计算机人脸识别应用中，每类训练的样本较少，不能够从训练集中精确地估计出每类人脸分布的概率密度函数因此，将多类的人脸图像概率分布转化到两类人脸图像的概率分布和异类人脸图像的概率分布对于两类问题，每类的训练样本较多，可以较为精确地估计出各类的概率密度函数该方法首先假设同类人脸图像和异类人脸图像都服从高斯分布对于一幅待识别人脸图像，将该图像对人脸库中的每一类人脸图像求出差值图像，并分别求出该差值属于同类人脸图像和异类人脸图像的条件概率，若同类条件概率大于异类条件概率，则认为二者为同一人脸图像，否则，则认为二者为不同人脸图像由于该方法对同类人脸图像和异类人脸图像的概率密度进行估计，在分类过程中应用了各类分布的先验信息,因此可以在一定程度上克服人脸图像光照，表情等变化对人脸识别系统的影响基于小波特征的弹性匹配人脸识别方法

2.4基于弹性图匹配的人脸识别方法，不仅可以利用整幅人脸图像的识别信息，而且还允许局部特征在一定程度上的变形,在很大程度上克服了人脸姿态变化，表情变化和发型变化对人脸识别的影响基于弹性图匹配的人脸识别方法采用属性拓扑图来表述人脸模式，通常情况下，属性拓扑图为二位稀疏网格属性拓扑图上的每一个顶点均包含一特征矢量，它记录了人脸在该顶点位置的分布信息，可以采用各种描述局部信息的特征，如小波特征，形态特征和统计特征等在识别阶段，未知人脸图像与已知人脸模板之间的相似性度量由下式给出[-喜*汇（）E M=Z p]+KI2mT11Cl IIg IIX/1|.式中，Ci,Xj分别为待识别人脸的特征和人脸库中人脸的特征，il,i2,jl,j2为二维网格顶点特征式中的第一项是计算两个矢量场中对应的局部特征Xj和Ci的相似程度，第二项则是计算局部位置关系和匹配次序由此可见，最佳匹配也就是最小能量函数时的匹配从二维稀疏网格到实际人脸图像的映射数目相当大，因此应用弹性匹配进行人脸识别的时间也是非常长的应用不同尺度和方向的小波可以提取属性拓扑图顶点处的人脸特征较小尺度的小波用来描述局部细节，较大尺度的小波用来描述较大范围内的概貌，不同方向的小波对方向信息敏感在弹性匹配中，应用小波变换抽取特征，对于细微表情变化具有一定的不变形，同时保留了空间位置信息，在一定程度上容忍人脸从三维到二维投影引起的变化基于最佳鉴别矢量集的人脸识别方法

2.5基于最佳鉴别矢量集的人脸识别方法分为两个方向:基于fisher线性判别和基Foley-Sammon变换其实质都是使样本在特征空间具有最大的类间距离与类内距离之比设样本在原空间的类间散布矩阵为Sb,类内散布矩阵为Sw,则在特征空间中，类内距离与类间距离之比为I I例）（）（）J S,K%=Z6s/Z dSw0fi=l i-1式中:61,K,61为特征空间机向量则最佳鉴别矢量集由下式给出:6*=max（JF（））基于Fisher线性判别求取的最佳鉴别矢量集为对应矩阵S/wSb较大特征值的特征矢量，该矢量集之间不正交，但样本在该矢量集上的投影线性无关基于Foley-Sammon变换求得的矢量集之间正交，但样本的投影线性相关与基于K-L变换的人脸识别方法相比，基于Fisher的人脸识别方法能够抑制图像之间的与识别信息无关的差异，同时能够提取出异类之间有益于识别的特征，因此具有更加优越的识别性能基于神经网络的方法

2.6神经网络在人脸识别应用中有很长的历史早期用于人脸识别的神经网络主要是Kohonen自联想映射神经网络，用于人脸的“回忆”所谓“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用Kohonen网络恢复出原来完整的人脸神经网络方法在人脸识别上比其他类型的方法有其独到的优势，它避免了复杂的特征提取工作，可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达止匕外，神经网络以并行方式处理信息，如果能用硬件实现,就能显著提高速度神经网络方法是把模型的统计特征隐含于神经网络的结构和参数中，对于人脸这类复杂的，难以显式描述的模型，基于神经网络的方法具有独特的优势神经网络的方法便于建模，鲁棒性好，但是运算时间较长，并可能陷入局部最优总结与展望3人脸自动识别技术经过多年来的研究，已经积累了大量研究成果，但在实际应用中仍然面临着很多困难，除了要准确、快速的检测并分割出人脸部分，有效的变化补偿、特征描述准确的分类都将成为今后主要研究课题1人脸的局部和整体信息的相互结合能有效地描述人脸的特征，如何更好地提取和组合局部与整体的特征值得深入研究研究新的人脸描述方法以获得准确的人脸描述和区别信息，避免完全不相似的人脸图像被认为是相似的基于混合模型的方法值得进一步深入研究,以便能准确描述复杂的人脸模式分布2不同的人脸描述方式有不同的特点，不同的分类器产生的分类结果也不一样因此,多特征融合和多分类器融合的方法也是改善识别性能的一个手段3大多数自动人脸识别技术具有实时要求，因此，新的算法要快速、有效且易于实现随着图像处理、模式识别、人工智能以及生物心理学的研究进展，人脸识别技术也将会获得更大的发展在一些高级信息安全的应用中，需要研究人脸与指纹、虹膜、语音等识别技术的融合方法，以期提高特征表达的鲁棒性和可持续性，进而提高识别率，这也是生物特征识别技术的发展趋势参考文献[美;朱志刚，林学葬，石定机译.数字图像处理.北京:电子工业出版社.

2002.⑵章毓晋.图像处理与分析•.北京:清华大学出版社，

1999.

[3]严超，苏光大.人脸特征的定位与提取.中国图像图形学报，1998,35:375-

380.⑷刘晓文，谭华春，章毓晋.人脸表情识别研究的新进展.中国图像图形学报，2006,10:1359-

1368.

[5].国家标准=DWV1_WOUID_URL_18532TOC=COLUMN_18532OBJ=176228

[6].崔书昆:信息安全产品评估标准综述⑺陈莉.人脸识别技术分析及应用[J].福建电脑,2005,

11.⑻牛丽平，付仲良，魏文利.人脸识别技术研究[J],文章编号103-585020605-8-

03.⑼肖冰，王映辉.人脸识别研究综述.文章编号:1006-3695200508-0001-

05.

[10]李武军，王崇骏，张炜，陈世福.人脸识别研究综述[J].模式识别与人工智能,2006,

2.

[11]王伟，张佑生，方芳.人脸检测与识别技术综述.文章编号:1003-5060200602-0158-06

[12]刘琦,韩其睿.人脸识别技术综述.文章编号.1671-1041200805-001-2。