文献综述-SIFT特征提取及其在人脸识别中的应用.docxVIP

1人脸识别技术概述人脸识别是一项最热门利用计算机等等硬件设备，对人脸视觉特征信息分析和比较鉴定身份的生物物体识别研究技术，是一种高端，前茅的计算机技术领域。人脸识别是属于对生物体，比如人体本身的生物特征来区分生物体个体的生物特征识别技术。 人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的相关的重要信息，并依据这些信息，提取每个人脸中所蕴涵的身份特征，并将其与己知的人脸特征进行对比，从而识别每个人脸的身份。2研究背景及意义人脸识别是生物识别技术的其中一种，因为其具有的良好的前景，人脸识别在模式识别、计算机视觉等领域得到了广泛的关注。相比其他生物识别来说，人脸识别所具备的优点是它的自然性，和不会被所测个体觉察的特征。人脸识别的主要应用主要集中在对人的身份的识别，现已广泛的被应用于金融、公安监控等领域。例如，在2008年北京奥运会上，它被用于门禁系统中识别人员。人脸识别的应用将越来越流行，在未来的生活、学习和工作中将会对我们产生深远的影响，它拥有的巨大的市场价值及空间也会带来巨大的经济效益。人脸识别发展的三个阶段[2]：第一阶段（1964~1990）在这期间，人脸识别通常只是作为一个一般识别性质的问题来进行研讨，其主要理论方法是基于面部几何结构特征的方法。第二阶段（1991~1997）这段期间是较短的，但研究成果非常丰富，有一个著名的商业人脸识别系统，是FaceIt系统，也产生了许多代表性很强的人脸识别算法，主要是子空间分析和统计方法；代表性的研究成果是：基于模板的人脸识别算法，Turk和Pentland提出的Eigenface方法，Belhumeur提出的Fishface方法 ，以及后续的弹性匹配方法（EGM），PCA，线性判别分析方法（LDA）等都是人脸识别中的重要方法；主动形状模型（ASMs）和主动表现模型（AAM）又是人脸建模技术领域的重要贡献和突破；总之，这一阶段的人脸识别是绝对的高速发展时期，研究成果丰硕[2]。第三阶段（1998年至今）该阶段正式进入非被动识别阶段，主要研究重点为在非理想采样情况下或用户不配合情况下以及大规模的人脸库中进行自动识别的问题，克服了许多变化元素对识别率的影响，然后越来越多各种新颖的人脸识别方法一一出现；这一时期的主要成果有：Georghiades等人对基于光照锥技术、对存在差异的姿态和各种光照条件下的人脸识别问题的提出加以解决；支持向量机（SVMs）也在人脸识别中被加以应用；基于AdaBoost的人脸检测技术，在一直的改良中，现已是人脸检测最稳定与成熟的技术，人脸识别已慢慢成为一个备受关注的课题[2]。3人脸特征提取概述人脸特征提取，其实就是对人脸进行特征建模的过程，最终是为了把原来高维人脸模式中的低维提取出来，再进行接下来的分类任务。因为人脸面临的采样环境十分的复杂和多变，所以在光照、姿态和表情这些要素变动的情形下，会导致有效的特征很难进行精准的提取。所以，人脸特征提取可以说是人们在人脸识别的研究中面临的很大的难点，也是对人脸识别的准确率影响很大的重要技术环节。研究人员对人脸特征提取的研讨之路也获得了更多的关注。研究人员在该领域范围中也付出了很多的努力和做了大量效果显著的任务，出现了诸多新颖的概念和办法。目前采用的方法大致归为两大类：基于整体特征的提取方法和基于局部特征的提取方法。（1）基于整体特征的提取方法此类办法重在思考对于图像整体属性的研究，把人脸图像的灰度分布来当作特征模型对特征进行提取，因为人脸整体的特征提取不用精准地获取人脸器官的部分信息，可以对图像自身的灰度信息进行妥善思考，然后不受器官变动影响，就能够达到很好的识别效果。如今，许多的对特征进行提取的方法均为基于整体的特征提取方法。例如基于子空间的方法、基于神经网络的方法以及基于3D模型的这些方法全是基于整体特征提取的比较好的方法。而基于子空间的方法是最多被用的人脸特征提取方法，如主元分析法（PCA）、线性判别分析法（LDA）、独立元分析法（ICA）及其基于核方法的非线性推广等。（2）基于局部特征的提取方法基于局部特征的提取方法一般通过提取人脸重要器官（如眼睛、鼻子、嘴巴等）的几何形状和几何关系作为人脸特征。这类方法的优点是物理意义清晰，可以有效地描述人脸的显著特征；缺点是特征点提取困难，稳定性差。总的来说，基于局部特征的方法主要拿来对人脸器官及器官之间的几何特征实现精准的测量，运用几何特征来描绘人脸模型，但人脸几何特征提取的实际应用对光照、视角和表情变化等非常敏感，难以准确提取。其中比较经典的几种人脸特征提取算法有：（1）主成分分析算法（PCA）主成分分析算法是统计方法中非常典型的一种算法，这种线性变化在数据压缩和分析方面有着广泛的运用。此方法将图像看成