略论人脸自动识别系统及其识别方法.docVIP

略论人脸自动识别系统及其识别方法 　　摘 要：科学技术快速发展的过程中，各种新技术也不断的走入人们的工作生活。人脸自动识别系统以及逐渐的成为考勤系统的重要组成部分。探讨人脸自动识别系统及其识别方法，对其发展有着积极意义。本文从人脸自动识别系统出发，探讨了人脸识别方法的研究。 　　关键词：人脸自动识别系统；方法；几何特征 　　中图分类号：TP391.41 　　1 人脸自动识别系统 　　人脸识别通过存储的数据的特征来鉴别多个人的身份，类似与指纹识别技术，但是相比而言较为复杂。人脸自动识别系统主要包括人脸检测定位以及识别提取特征并匹配的两个重要环节，下图1为你工作模式。 　　图1 人脸自动识别系统 　　1.1 人脸检测与定位 　　人脸检测与定位是人脸自动识别的开始，其判断图像中是否存在人脸。然后将人脸从图片背景中分离开来，确定人脸在图像中所取的位置。在某些控制拍摄条件的场合，背景相对简单，定位比较容易。背景较为复杂的适合，获取人脸将受到一定程度的影响。影响人脸识别与定位的主要因素包括：其一，人脸所处的位置以及尺度上的变化，其二，脸上的装扮以及发型的更改都会对结果的准确性造成很大的影响，其三，图像噪声影响。 　　1.2 特征提取与人脸识别 　　特征提取和人脸识别是自动识别系统的核心部分，其主要分为三个部分的图像处理、特征提取及识别。为使得图像处理的准确性能够达到适用性的要求，就需要对图像的特征信息处理。目前常用的处理方法是几何归一化处理，几何归一化是指根据图像的人脸定位，然后进行对比规模，将位置调整到相同的尺寸和相同的位置。灰度归一化是使用照明补偿等处理方法，解决照明的变化对人脸检测的影响，也就是降低光线影响导致的准确性下降的问题。特征提取：根据不同的识别方法，采用不同形式的提取。基于几何特征的识别方法，在识别的过程中，需要提取特征点和特征点作为基准结构特征向量。在统计识别方法基于特征脸，脸是完成相关矩阵的提取图像特征。模板匹配方法，特征提取相关系数作为人脸识别的基础。特征提取的人脸识别的过程，需要待识别图像和数据库中存储的数据匹配，如果满足识别的特征值则完成识别工作。 　　2 人脸识别方法的研究 　　2.1 基于几何特征的人脸识别方法 　　基于几何特征的人脸识别方法主要是通过检查面部的性质特征来确定的，通过检测面部形状特征以及其相对位置，获得相对位置的参数，这样就能得到特征矢量，每个人的特征矢量是不同的。在进行人脸识别的过程中，将这些特征矢量与库中已知的脸的特征矢量相互比较，就能够匹配出个人信息。Roder对此种识别方法的精确性进行了研究，试验结果较差，这表明几何特征的人脸识别方法的精确性有待提升。Yuille的弹性模板的人脸检测方法采用的是可调模板，当模板在待测图像上移动的时候，能够动态的调整参数。这样就能够检测出大小、偏移不同的人脸。但是其并不是尽善尽美，弹性模板的轮廓必须根据待测人的脸型来设计，不然结果的准确性也难以保证。同时在进行检测的时候，因为需要进行全面搜索，所以检测计算的时间较长，效率较低。基于几何特征的人脸识别方法对获得图像的质量要求较高，其要求特征点的定位需要非常的准确。人脸有一定的偏移或者化妆都会严重的影响到结果的准确性，目前这种方法仅仅用于识别过程中的辅助手段。 　　2.2 基于主元分析的人脸识别方法 　　基于主元分析的人脸识别方法最早由Sirovitch和Kirby引入。此种方法在特征脸识别中具有代表性。此种算法工作的时候并不是单独存在的，其与普通的模板算法一起工作。通过Turk等人的试验，此种算法具有较高的准确性，在关照不变的情况下，准确性能够达到95%以上，甚至人脸朝向出现变化的时候也能够达到85%以上的准确性。 　　特征脸（Eigenface）方法：特征脸方法是由Turk和Pentland等人提出，此种方法是识别的过程是人脸图像映射到特征脸上，然后对比分析特征空间的位置特征来达到识别的目的。根据下面公式1可以知道你方法原理，随机向量组成了包含人脸的特征区域，正交K-L基由K-L变换得到，然后具有人脸相似的形状的是其中较大特征值的基。人脸的识别与合成，正可以利用由这些基的线性组合所描述、表达和逼近人脸图像来完成。 　　式中：Xk为第k个图像向量，μ为本集的平均向量，N为样本总数。 　　特征脸方法中考虑到了图像直接的差异，其产生最大的特征向量，但是此种方法不能够有效的区分出差异的来源。外在因素和人脸本身都对结果准确性影响较大，所以此方法的局限性较大。 　　2.3 基于奇异值分解的人脸识别方法 　　基于奇异值分解（SVD）的人脸识别方法由洪子泉和杨静宇提出，基于Sammon最佳判断平面，建立了Baves分类模型。在使用此种方法的过程中，为了保证识别效果的准确性，