人脸识别的主要方法.docVIP

1.1 人脸识别的主要方法 目前，国内外人脸识别的方法很多，并且不断有新的研究成果出现。人脸识别的方法根据研究角度的不同，有不同的分类方法。根据输入图像中人脸的角度不同，可以分为正面，侧面，倾斜的人脸图像的识别；根据图像来源的不同，可分为静态和动态的人脸识别；根据输入图像的特点，又可分为灰度图像和彩色图像的人脸识别等等。本文重点研究基于正面的、静态的灰度图像的识别方法。 对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称 HMM)方法等；二是基于连接机制的识别方法，包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称 EBGM)方法等；三是一些其他的综合方法及处理非二维灰度图像的方法。下面分别进行介绍。 1.1.1 基于特征脸的方法 特征脸方法[5]，又称为主成份分析法(Principal Component Analysis 简称 PCA)，它是20 世纪 90 年代初期由 Turk 和 Pentland 提出的，是一种经典的算法。它根据图像的统计特征进行正交变换(即 K-L 变换)，以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量，即特征脸。 特征脸方法的基本思想是将图像经过 K-L 变换后由高维向量转换为低维向量，并形成低维线性向量空间，利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。这样，就产生了一个由“特征脸”矢量张成的子空间，称为“人脸子空间”或“特征子空间”，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，因此利用特征脸方法可以重建和识别人脸。 通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。主分量特征具有如下性质： (1) 主分量特征具有很强的信息压缩能力。 (2) 对于任何属于样本空间的人脸模式都有唯一的主分量特征与之相对应。 (3) 主分量特征具有稳定性。即当输入的人脸模式向量有微小变化时，其对应的主分量特征变化将小于输入模式的变化。这一点对于模式的分类是非常有利的。 (4) 经过变换矩阵的映射，随着空间维数的降低，模式之间的距离也得以缩小，从而避免了在高维空间中进行分类的复杂性 由于 PCA 方法主要是利用了 K-L 变换，因此它具有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性，且 K-L 变换是统计最优的、具有速度快，实现方便、对正面图像识别率高等特点，但是特征脸的不足之处是容易受人脸姿态和表情，光照改变及位移改变等因素的影响。 为了克服这些缺点，研究人员提出了许多改进方案，如 Bartlett 等采用独立分量分析(ICA，Independent Component Analysis)的方法识别人脸；将特征脸与线性判别函数相结合的 Fisher 脸方法等。现在还出现了很多其他子空间的人脸识别方法，如借鉴 SVM的 Kernel 方法，PCA，IDA 等都被扩展到 Kernel PCA 和 Kernel ICA 等等。 从以上介绍不难发现，利用特征脸方法进行人脸识别有其他人脸识别方法无法取代的优势，因此在人脸识别领域，特征子空间的方法仍是人们研究的一个热门方向。 1.1.2 基于几何特征的人脸识别方法 基于几何特征的方法，有时也称为结构匹配方法，是早期的人脸识别方法[6,7]，该方法常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等的局部形状特征，脸型特征以及五官在脸上分布的几何特征。因此该方法需要先检测人脸的眼睛，眉毛，鼻子和嘴巴等各种几何特征，然后将特征点的位置，距离和角度等各个特征和相互的联系用作人脸识别的特征。提取特征时往往要用到人脸结构的一些先验知识。在这种基于几何特征的识别中，识别归为特征矢量之间的匹配，其中基于欧氏距离的判决是最常用的识别方法。 基于几何特征的识别方法具有如下优点：符合人类识别人脸的机理，易于理解；存储量小，对每幅图像只需存储一个特征矢量；具有光照不变性；模板匹配高识别率等。但这种方法存在如下问题：对强烈的表情变化和姿态变化的鲁棒性较差；从图像中抽取稳定的特征比较困难，特别是特征受到遮挡时。因此一般不单独利用基于几何特征的方法进行人脸识别，而是和其他方法结合使用。 1.1.3 弹性图匹配的方法 弹性图匹配法最早由 Lades 在 1993 年提出的[8]。该方法使用一种基于动态链接结构的弹性匹配法来定位人脸，并根据已有人脸数据库进行匹配识别。弹性图匹配法将人脸用格状的稀疏图形描述，图形中的每个节点用图像位置的 Gabor 小波分解得