陈艳琴-人脸识别4.pptVIP

人脸识别Face Recognition 报告人：陈艳琴 学号：106889 主要内容 人脸识别概述 国内外发展状况 最新研究成果和发展趋势 1.人脸识别概述 简单来说，人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。 1.1人脸识别系统 系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。 1.2人脸识别的关键技术 广泛采用的区域特征分析算法，它融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析，建立数学模型。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。 1.3人脸识别的基本方法 （1）几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。 1.3人脸识别的基本方法 （2）基于特征脸（PCA）的人脸识别方法： PCA主成分分析 （ Principal Component Analysis ）， PCA算法是人脸识别中一种比较新的算法，它是基于统计的算法，基于PCA算法的特征脸方法是根据人脸数据库训练出一系列特征脸，然后把人脸数据库中的每个人脸图片进行映射，得出每个人的特征系数，这组系数就可以表示该张图片。 PCA 的目标是寻找 r （ rn ）个新变量，使它们反映事物的主要特征，压缩原有数据矩阵的规模。每个新变量是原有变量的线性组合，体现原有变量的综合效果，具有一定的实际含义。这 r 个新变量称为“主成分”，它们可以在很大程度上反映原来 n 个变量的影响，并且这些新变量是互不相关的，也是正交的。 1.3人脸识别的基本方法 （3）基于模板匹配的人脸识别 这种方法的基本思想就是将人脸灰度图像当做数据库中的模板，然后通过计算未知样本和一级模板间的归一化相关来进行，对全局模板或局部模板都进行尝试。 （4）基于隐马尔科夫模型 （5）基于神经网络 （6）基于3D 1.5人脸识别的优点 相比较其他生物识别技术而言）非接触的，用户不需要和设备直接接触； 非强制性，被识别的人脸图像信息可以主动获取； 并发性，即实际应用场景下可以进行多个人脸的分拣、判断及识别； 1.6人脸识别的困难 虽然人脸识别有很多其他识别无法比拟的优点，但是它本身也存在许多困难。 1. 所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。 2.人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）。 2.国内外发展状况 人脸识别技术优势 ? 863计划、国家科技支撑计划、自然科学基金都拨出专款资助人脸识别的相关研究。国家“十一五”科技发展规划中也将人脸识别技术的研究与发展列入其中，并明确指出：“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，人脸识别具有高安全性、低误报率的出入口控制新产品。” 2.1人脸识别的发展历史 人脸识别的研究已经有相当长的历史，它的发展大致可以分为四个阶段： 第一阶段：人类最早的研究工作至少可追朔到二十世纪五十年代在心理学方面的研究和六十年代在工程学方面的研究。 第二阶段：关于人脸的机器识别研究开始于二十世纪七十年代。 Allen 和Parke 为代表，主要研究人脸识别所需要的面部特征。研究者用计算机实现了较高质量的人脸灰度图模型。这一阶段工作的特点是识别过程全部依赖于操作人员，不是一种可以完成自动识别的系统 第三阶段：人机交互式识别阶段。 Harmon 和Lesk 用几何特征参数来表示人脸正面图像。他们采用多维特征矢量表示人脸面部特征，并设计了基于这一特征表示法的识别系统。Kaya和Kobayashi 则采用了统计识别方法，用欧氏距离来表征人脸特征。但这类方法需要利用操作员的某些先验知识，仍然摆脱不了人的干预。 第四阶段：20世纪90年代以来，随着高性能计算机的出现，人脸识别方法有了重大突破，才进入了真正的机器自动识别阶段。 综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 （2）示例学习 （3）神经网络 （4）基于隐马尔可夫模型的方法 除此以外， 基于AdaBoost的人脸识别算法， 基于彩色信息的方法， 基于形状分析的方法， 以及多模态信息融合的方法，国外都进行了大量的研究与实验。 2.2人脸识别技术在国内的研究现状 国内的研