单训练样本人脸识别技术综述资料.pdf

单训练样本人脸识别技术综述 阙大顺，赵华波 武汉理工大学信息工程学院，武汉 （430063 ） E-mail ：zhaohuabo1983@ 摘 要：近年来，随着人脸识别技术的不断向前发展，人脸识别领域出现了一个新的研究问 题——单样本人脸识别问题。单样本人脸识别技术，顾名思义，就是在每类（人）只有一个 训练样本的情况下对未知测试样本进行识别的技术。本文对近年来国内外出现的单样本人脸 识别技术和方法进行了分类，分析了各种方法的优缺点，还分析了单样本人脸识别技术所面 临的挑战，最后对未来单样本人脸识别技术的发展方向进行了展望。 关键词：人脸识别；单训练样本；特征提取 0 引言 人脸识别(Face Recognition)是指基于已知的人脸样本库,利用图像处理和模式识别技术 从静态或动态场景中,识别一个或多个人脸。随着人脸识别技术在安全验证系统、医学、档 案管理系统、人机交互系统、公安工作、视频会议和图像检索等领域的广泛应用，已经成为 计算机视觉和模式识别领域的一个研究热点。目前有许多人脸识别方法，当有充分数量的有 代表性的训练样本时，能取得较好的识别效果。人脸识别方法大致可分为两类：一类是基于 人脸图像的几何特征的方法，主要根据人脸的诸如眼、鼻、嘴和脸庞等局部特征及其关系来 识别；另一类是基于模板的方法，利用人脸图像的全局特征来识别。本质上是通过对人脸图 像进行某种数学变换，实现人脸空间降维和代数特征提取。 单训练样本人脸识别，是指从给定的每人仅存储一幅已知身份的图像的数据库中识别出 姿态、光照等因素不可预测的图像中人的身份[1]。人脸识别技术在身份证和海关护照验证 以及公安执法等应用中，因为训练集中每个人都只有一幅人脸样本图像，所以目前大多数识 别方法都无法获得好的识别效果，识别率会大幅下降，有些方法甚至无法应用。针对这种单 样本人脸识别问题，许多研究人员提出了各种各样有效的识别算法。在这些算法中，比较有 代表性的方法有本征脸法(PCA)[3]、线性判别分析（LDA ）[4]、隐马尔可夫模型(HMM)[5]、 支持向量机(SVM)[6]、贝叶斯算法[7]、局部特征分析法(LFA)[8]、特征线方法(FLM)[9]及进 化追踪(EP)[10] 。但在一些特殊的场合，比如护照验证、身份证验证等等，每类（人）只能 得到一幅图像，只能用这些有限的图像去训练人脸识别系统，这就给上述识别效果比较好的 方法带来了很大的麻烦。比如线性判别分析法(LDA)，在单样本情况下，由于类内散布矩阵 不存在，所以这种方法就无能为力了；同样，在单样本情况下，由于类内分布不能被估计出 来，基于概率的方法也就变成了本征脸方法。尽管有些方法，比如主成分分析法（PCA ）， 能够直接用于这种情况，但识别率很低，识别效果不理想，如文献[11]报道,在ORL人脸库上 直接使用主成分分析法(PCA)得到的平均识别率只有69.5% 。 由于单样本人脸识别问题给人脸识别带来了巨大的挑战及其本身具有的重要意义，近年 来它已演变成人脸识别问题的一个子研究领域，而且研究人员已经提出了很多方法, 比如样 本增强法、样本扩张法、通用学习框架法。本文对这些方法进行了分析，并展望了其未来的 发展方向，希望能让读者对单样本人脸识别技术有一个总体的了解。 - 1 - 1 单样本人脸识别方法简介 Brunelli 和 Poggio[12]认为，人脸识别技术可以分为两大类：基于几何特征(Geometric Feature-based) 的方法和基于模版匹配(Template Matching-based)的方法。本节系统地分析了各 种单样本人脸识别方法，并将它们分为基于统计特征、基于几何特征和基于连接机制的方法。 1.1 基于统计特征的方法 统计特征也称代数特征，由图像本身的灰度分布决定，描述了图像的内部信息。该方法 将人脸看作是一个二维的灰度变化的模板，从整体上捕捉和描述人脸特征。近年来，很多基 于统计特征的人脸识别方法被用于或改进后被用来解决单样本问题，再根