人脸识别技术在数字监控系统中的应用.docVIP

1、人脸识别技术 1.1 人脸识别技术的研究及应用范畴 人脸识别（Face Recognition，亦称面像识别）是人类视觉系统的基本功能，也是人类互相辨识的最直接手段，因此它是生物特征识别中的重要研究内容。人脸识别技术作为一种新兴的生物特征识别技术，概括来说，它是一种依据人体面部特征的自动身份鉴别技术。人脸识别综合运用了数字图像/视频处理、模式识别、计算机视觉等多种技术。 人脸识别技术在公共安全、人机交互等领域具有广泛的应用前景，这一点已经为世人所公认。同时，人脸识别也是人工智能领域的重大研究课题，因此吸引了大量的研究人员对此展开深入研究，到现在已有30多年的研究历史。自上世纪90年代以来（特别是美国“911”恐怖袭击事件发生以后），人脸识别技术在研究及应用方面更是得到了长足的发展。 人脸识别的研究范围大致可以分为如下几个方面的内容: 1)人脸检测（Face Detection）：即从各种不同的场景中检测出人脸的存在并确定其位置。在大多数的场合中由于场景较复杂，人脸的位置是预先不知道的，因而首先必须确定场景中是否存在人脸，如果存在人脸，再确定图像中人脸的位置。脸部毛发、化妆品、光照、噪声、面部倾斜和人脸大小变化以及各种遮挡等因素会使人脸检测问题变得更为复杂。人脸检测的主要目的是在输入的整幅图象上寻找人脸区域，把图象分割成两个部分－人脸区域和非人脸区域，从而为后续处理奠定基础。 2)人脸表征（Face Representation）：即采取某种表示方式表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征（如欧氏距离、曲率、角度）、代数特征（如矩阵特征矢量）、固定特征模板、特征脸、云纹图等。 3)人脸辨识（Face Identification）：即将已检测到的待识别的人脸与数据库中的已知人脸进行比较匹配，得出相关信息，这一过程的核心是选择适当的人脸的表征方式与匹配策略，系统的构造与人脸的表征方式密切相关。通常或是选择全局的方法或是选择基于特征的方法进行匹配。显然，基于侧面像所选择的特征和基于正面像的特征是有很大的区别的。 4）表情分析（Expression Analysis）：即对待识别人脸的表情信息（快乐、悲伤、恐惧、惊奇等）进行分析，并对其加以归类。 5）生理分类（Physical Classification）：即对待识别人脸的生理特征进行分析，得出其种族、年龄、性别、职业等相关信息。显然，完成这一操作需要大量的知识并且通常是非常困难和复杂的。 目前，对人脸识别的研究工作主要集中在前3个方面。一个完整的人脸识别系统通常要包括人脸检测与跟踪、特征提取与选择、分类判别三个步骤。人脸识别的关键是特征提取和人脸建模，也就是采用什么样的特征描述人脸的问题。而且对于基于光学图像的人脸识别而言，这些特征必须是可以从图像中获得的。与其它生物特征识别技术相比，人脸识别技术在可用性方面具有独特的优势：?可以隐蔽操作，适于安全、监控与布控等应用； ?非接触式信号采集，没有侵犯性，容易被人们接受； ?强大的事后追踪能力； ?使用通用设备，设备成本较低； ?基础数据容易获取； ?符合人类的识别习惯及认知规律； ?可交互性强。 基于上述明显的优势，人脸识别在公共安全、商业、金融、人机交互等领域有着广泛的应用前景。 1.2 人脸识别技术的发展状况 九十年代中后期以来，在“863”、国家自然科学基金（NSFC）和各项攻关计划的资助下，国内众多研究机构开始对人脸识别进行研究，主要包括中科院计算所、清华大学（自动化系、计算机系、电子系）、哈工大计算机系、中科院自动化所、北工大、上海交大、南京理工大学、中山大学、西北大学等。在人脸识别进行了许多很有意义的尝试，积累了宝贵的经验。 2、现有数字监控系统存在的缺陷 经过多年的发展，数字监控系统目前已经成为安防行业的主流产品。目前，业内的众多企业广泛采用了主流的MPEG 4、H.264编解码标准，在编解码效率、图像质量、数据传输等方面取得了明显的技术进步。但是，由于现行系统着眼于监控场景的记录，而缺乏对图像的进一步分析理解，因而存在着先天性不足。 2.1 现有数字监控系统面临的四大难题 1）确定监控场景中是否有人。 在绝多数应用场合中人都是监控主体，客观上需要准确判断出监控场景中是否有人存在，进而触发警报，同时实时确定人脸是否存在对于改善编码效率、提升压缩比也有非常重要的作用。现有系统可以采用外接各类传感器或运动检测的方法来判断场景中是否有运动物体出现，但无法确定是否是人引发了场景变化。 2）无法辨认监控对象。 由于光照条件恶劣，或是人脸部分过小，造成图像质量下降，无法辨认场景中的人是谁。这在很大程度上失去了监控的意义。 3）确定当前监控对象的身份。 在公共安全、出入控制、公安（安全）布控等应用领域，需要