人脸识别综述.ppt

人脸识别技术综述 山世光 中科院计算所 引子 人世间找不两张完全一样的脸！ 人脸是人类赖以区分不同人的基本途径 世间一切尽在脸上！ 基因 + 成长环境 提纲 从模式识别到人脸识别 人脸识别的背景知识 人脸识别的基本原理 人脸检测与识别的典型方法 开放问题及讨论 从模式识别到人脸识别 对于即将从事模式识别相关研究的同学，模式识别课程非常重要 比喻：就像要去打仗，手中没有精良的武器是不行的，有了武器不会用等于没有，对它们性能和使用的熟练程度不同也会在很大程度上影响成败 实践上需要具体情况具体对待 比喻：用手枪去射击500米外的目标，或者用洲际导弹去轰炸500米外的敌人都是非常愚蠢的。 从模式识别到人脸识别 一般到特殊，归纳与演绎，理论与实践 应用模式识别的基本原则到人脸识别中去 从人脸模式的先验知识、具体情况和特定约束条件（“脸情”?）出发，依据模式识别各模块的基本设计原则，选择、应用、尝试、比较PR领域的基本方法，最终解决人脸识别这个具体问题 在实践中验证PR，在理论上回报PR ? 验证PR中的基本原理和技术方法，发现其可能的问题并修改之 总结归纳人脸识别中出现的共性PR问题及其可能的解决方案，以充实、弥补作为一门分支学科的模式识别 从模式识别到人脸识别 关于传感器与预处理 传感器：客观世界模式的测量问题 人脸：数字化为2D图像？3D形状？红外温谱？ 分辨率、精度、灵敏度、失真度等等 真实性？稳定性？ 预处理：保证数据的纯洁度 模式识别理论基本不关心这两项内容，而在应用上，是必须作为重要内容来考虑的，否则可能根本就是不可解的问题！ 关于特征表示问题 关于特征提取与分类器 理想的特征提取过程可使得后续的分类器设计成为小菜一碟，万能的分类器似乎也应该使得设计者不必刻意设计特征提取过程！ 没有万能的分类器！ 甚至没有所谓最好的分类器，不同的分类器有不同的适用范围！ 但对具体问题，可能会有最适合的特征表示方法，而不同的特征表示也需要采用不同的分类器 关于数据问题 Math is king, data is queen! 在基于统计学习的模式识别问题中，采用什么样的数据、多少数据往往决定了问题的成败，而不是采用了什么样的学习算法 目标不同：模式识别研究的是有了特定属性数据之后如何设计“对所有可能的情况”最优的分类器，而应用上却要考虑“为了解决某个特定识别问题”如何去选择数据？ 只为了识别中国人，需要把外国人的数据拿来训练吗？ 为了识别正楷文字，需要把行书也拿来训练吗？ 但是，在理论上却有另一个问题… 关于泛化能力 泛化能力 对于没有训练学习过的模式样本的识别能力 只用中国人训练的模型能否识别老外？异族人脸识别困难现象。 婴儿：“独眼龙” 不是人？ 在实践中，也许想办法加入更多的有代表性的训练样本更能解决问题，而不是去设计更复杂的分类器或者学习机 充分利用手头样本：AdaBoost，Bagging等等 小结 对一般方法的掌握程度 对特定问题的理解程度 应用中需要更多的关注： 传感器的选择，比如什么样的摄像机？ 预处理：如何去除各种干扰因素？ 特征表示问题：什么是本质的类别特征？ 为了解决某一应用问题，选择什么样的数据训练分类器？ 为什么要做人脸识别？ 多学科领域的挑战性难题 模式识别：最典型、最困难的模式识别问题 人工智能：人类智能的基本体现 计算机视觉：实现人眼的功能 下一代人机交互 让计算机不再“熟视无睹” 让计算机具有人类的情感 广泛的应用前景?… 人脸识别相比其他生物特征识别的优势?… 人脸识别相关研究内容 生物特征识别 人脸、指纹、虹膜、视网膜、掌纹、 人机交互(HCI) 人脸图像编码/压缩 表情分析，情感计算 人脸动画 face animation 人脸属性分类 种族、性别、年龄 Attractiveness判别 生物特征识别技术(Biometrics) 与其他生物特征识别的比较 生物特征识别：未来的身份验证方法！ 生物：指纹、虹膜、人脸、掌纹、手形、视网膜、红外温谱 行为：笔迹、步态、声纹 人脸识别的优点 可以隐蔽操作，特别适用于安全问题、罪犯监控与抓逃应用 非接触式采集，没有侵犯性，容易接受 方便、快捷、强大的事后追踪能力 符合我们人类的识别习惯，可交互性强，无需专家评判 人脸识别的不足 不同人脸的相似性大 安全性低，识别性能受外界条件的影响非常大 技术挑战 没有想象的那么简单！ How many individuals in this picture? 没有想象的那么简单！ How many individuals in this picture? 我们的眼睛靠什么识别？ 脸形，面部器官结构 国田由用，目甲风申 皮肤和肤色 光滑/粗糙，黝黑/白皙 动态特征 酒窝，皱纹 局部特性 黑痣，刀疤，鹰勾鼻子，独眼龙 人类