人臉识别技术的研究.docVIP

人脸识别技术的研究 1.引言 在信息化飞速发展的今天，计算机的应用领域越来越广，大大减轻了人类的体力劳动和脑力劳动。在对人的计算机自动身份鉴别系统中，指纹、基因、虹膜等方法都为接触式鉴别手段，需要人为的采样，属侵犯式的识别。因人脸识别的非接触式特性现以成为计算机领域的一个研究热点，在国内外引起很高的重视，取得了一系列的成果。在公安、银行、海关等重要部门可以应用人脸识别技术提供方便、高效的检测手段。 虽然人可以毫不费力地识别出人脸及其表情，但要计算机自动准确地识别却困难得多。因为人脸具有相似的结构，在纹理上也比较接近，人脸识别系统只能利用不同人脸之间的细微差别来实现正确识别的任务。同时，同一个人在光照、姿态、表情、人脸大小等不同采样条件下所获得的图像有很大的不同，更不用说发型、年龄、化妆以及饰物的变化了，得到的图像可能是正面的也可能是侧面的，此外噪声和掩遮都使问题变得复杂。可见，人脸识别涉及到图像处理、模式识别、人工智能及生理学等多个学科[1]，使得人脸识别成为一项极富挑战性的课题。 人脸检测与定位特征提取与识别标准人脸图像识别结果 人脸检测与定位 特征提取与识别 标准人脸图像 识别结果 输入图像 图像预处理 准图像 SHAPE \* MERGEFORMAT 2. 人脸识别技术研究的方法 　　 人脸识别的方法大致可以分为基于几何特征、基于代数特征[3]、基于神经网络模型以及基于三维模型等的几大类。 基于几何特征 是在抽取人脸图像上显著特征的相对位置及其参数的基础上进行识别。最早的人脸识别是用手工的方法确定人脸特征点的位置并将其输入计算机中。识别工作的流程大体如下：首先检测出面部特征点，通过测量这些关键点之间的相对距离（欧式距离），得到描述每个脸的特征矢量，比如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，以及这些特征之间的关系，用这些特征来表示人脸。比较未知脸和库中已知脸中的这些特征矢量，来决定最佳匹配[4]。基于小模板匹配的方法属于几何特征识别，是已知一个小模板，在人脸的大图像中进行匹配，如果匹配成功，就可以确定其坐标位置[5]。 基于几何特征的缺点显而易见，对获得的图像要求很高，特征点的定位非常重要，如果人脸有一定的侧向或有装饰物都会很大程度上影响识别的准确性。 基于代数特征 　　基于代数特征的人脸识别方法有代表性的是PCA（主元分析法）[6]、K-L（卡胡南－列夫）变换[7]和SVD（奇异值分解）[8]等方法。其主要思想：对于一副由N个象素组成的图像，可以看作是一个N维矢量空间，采用不同的变换方法，能够有效的提取主分量，通过对人脸样本集的自相关矩阵的特征矢量的选取，构成一个正交的低维人脸空间，从而达到降低冗余、提高识别率的目的。 利用主元分析法（Principle Component Analysis简称PCA）进行识别是由Anderson和Kohonen提出的。最早将其用于人脸识别中的是Pentland，并因为它的有效很快流行起来。简单地说，它的原理就是将一高维的向量，通过一个特殊的特征向量矩阵，投影到一个低维的向量空间中，表征为一个低维向量，并不会损失任何有用信息。也就是说，通过低维表征的向量和这个特征向量矩阵，可以完全重构出所对应的原来的高维向量。 PCA的工作原理如下： 将第k幅输入看作一个一维向量记作，向量的协主差矩阵记作，，其中，N为人脸图像总数。为对称矩阵，可以进行对角化：，其中为的特征值，为相应的特征向量，为标准正交系，R为的秩，，为对角阵，对角线上元素为的各特征值，将在上的投影记为：则。 由此可见在上的投影方差就是对应的特征值，因此采用以下步骤进行特征抽取： 根据各幅人脸图像求出。 求的前M个最大特征值对应的特征向量。（MR） 将各在M个特征向量张成的空间中投影，得到M个投影值，以此M个投影值构成的向量作为原的特征，即完成了高维（R维）向低维（M维）的转化。 K-L变换与SVD分解的思想同PCA都差不多，降维到低维向量空间后要运算的分量大大地减少了。采用代数特征识别人脸具有以下的特征：良好的稳定性；位移不变性；特征向量与图像的高度成比例变化；转置不变性等。 基于神经网络模型 神经网络由许多并行运算的功能简单的单元组成，是一个非线性动力学系统，其特色在于信息的分布式存储的并行协同处理，具有良好的容错能力。神经网络主要的应用是对已经提取主特征的特征值进行分类。比较成熟的是PCA+ANN(主元分析+人工神经网络)，用K-L+ANN(K-L变换+人工神经网络)[9]、SVD+ANN(奇异值分解+人工神经网络)，也有直接用NN+NN(神经网络+神经网络)进行人脸识别的，不过这样所要计算的分量太大了，训练与工作的时间要长很多。 有代表性的神经网络模型有：BP网络、RBF网络、Hopfield模型等。如图所