人臉识别任务研究现状.docx

人脸识别任务研究现状摘要：人脸识别是一种重要的身份鉴别技术，具有广泛的应用前景。本文主要介绍了目前人脸识别的一些方法，着重介绍了基于BP神经网络的人脸识别方法，并且比较了这些方法的优缺点，预测发展趋势。关键词：人脸识别，特征，神经网络关于人脸识别的研究从上个世纪60年代就开始了，但是直到90年代随着计算机技术的发展才得到了快速发展，到目前已有很多人脸识别的方法，也有很多模型。人脸识别问题最初作为自动人脸识别系统的定位环节被提出 近年来由于其在安全访问控制，视觉监测，基于内容的检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。人脸识别算法基于显性特征的方法[1]脸部显性特征主要包括几何特征，灰度和肤色特征等，主要方法有基于几何特征的人脸识别和弹性图匹配方法。早期的人脸识别方法大都是基于几何特征。基于几何特征的识别算法具有存储量小、对光照不敏感的特点，但该方法对获得图像的质量要求很高，对特征点的定位要求非常准确，倘若人脸有一定的侧向或有装饰物则会影响识别率．所以这种方法做为早期的识别方法，现在常是作为其它识别方法的辅助手段。基于几何特征的人脸识别方法[2]基于几何特征的人脸识别方法，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。如Yuille等“~63提出基于弹性模板的人脸检测方法就是基于几何特征的人脸识别方法的一个例子．弹性模板是由一个根据被测物体形状而设定的参数可调模板和与之对应的能量函数构成，能量函数可依据图像的灰度信息、被测物体轮廓等先验知识来设计．用弹性模板进行人脸检测时，将可调模板在待测图像中移动，并动态地调整其参数，计算能量函数，当能量函数到达最小值时，根据其位置和参数所决定的可调模板形状即是与人脸形状的最佳拟合，这样就检测到了一幅人脸。优点：由于所使用的弹性模板可调，所以能够检测不同大小、不同偏转角度的人脸物体。缺点：检测前必须根据待测人脸的形状来设计弹性模板的轮廓，否则会影响收敛的结果；当对图像进行全局搜索时，由于要动态地调整参数和计算能量函数，计算时间过长。弹性图匹配(DLA)方法[3]弹性图匹配是基于动态链接结构(DLA)的方法，用格状的稀疏图表示人脸，图中的节点由图像位置的Gabor小波分解得到的特征向量标记，图的边用连接节点的距离向量标记．匹配时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一个变形图，由节点位置逼近输入图像模型图的对应点的位置进行识别． 优点：弹性图匹配方法对光照、位移、旋转及尺度变化都不敏感，是一种优于本征脸的人脸识别方法。缺点：需要对每个存储的人脸计算其模型图，计算量和存储量都较大． 基于隐式特征的方法基于隐式特征的方法将人脸区域看成一类模式，使用大量“人脸”、“非人脸”样本训练、构造分类器，通过判别图像中所有可能区域是否属于“人脸模式”的方法来实现人脸识别。主要有基于统计特征的方法，神经网络法等。基于统计特征的方法基于统计的人脸识别方法主要通过统计学习和匹配学习找出不同人脸之间的联系．通过一定的判定法则，识别出待识别的人脸。它具体包括特征脸法、隐马尔科夫模型法和支持向量机等方法。基于统计特征的人脸识别方法，不只针对人脸的某一特征，它是从整个人脸的角度出发，利用统计原理，从多张人脸图像中提取出人脸共有的一些规律，利用这些规律来进行人脸的识别．由于人脸图像的复杂性，人脸特征的显式描述具有很大困难，因此基于统计的方法越来越受到重视。特征脸方法[4]本征脸方法是将包含人脸的图像区域看作随机向量，采用K—L变换获得其正交K—L基，对应其中较大特征值的基具有与人脸相似的形状，因此又称之为特征脸，利用这些基的线性组合可以描述、表达和逼近人脸图像，因此可以进行人脸识别与合成．其识别过程是将人脸图像映射到由本征脸张成的子空间上，通过比较待测人脸与已知人脸在本征脸空间中的位置差别来识别．PCA实质上是K—L展开的网络递推实现。K—L变换是图像压缩技术中的一种最优正交变换，人们将它用于统计特征提取，从而形成子空间法模式识别的基础，由于存在一些缺点，因此目前很多算法是基于特征脸方法的改进，如Fisher脸方法。优点： 从压缩能量的角度看，KL变换是最优的它不仅使得从n维空间降到m维空间前后的均方误差最小，而且变换后的低维空间有很好的人脸表达能力。缺点：不能区分差异是由人脸本身带来的还是外在因素带来的，不具有广泛性、代表性，受光线，角度及人脸尺寸等因素的影响很大。隐马尔可夫模型[5]在HMM（隐马尔可夫）模型中，观测到的一列特征被看成是另一组不可观测的“状态”产生出的一列实现．因此可以将不同的人用不同的HMM参数来表征，而同一个人由于姿态和表情变化产生的多个观察，可以通过一个HMM模型来表征．优点：隐马尔可夫模型对人脸进行描述