人脸识别理论与应用研究.docVIP

人脸识别理论与应用研究 山世光 引言 在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸！那么，区分如此众多的不同人脸的“特征”到底是什么？能否设计出具有与人类一样的人脸识别能力的自动机器？这种自动机器的人脸识别能力是否能够超越人类自身？对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。 然而，对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，这些最基本的科学问题仍然困惑着研究人员。而退一步讲，即使对我们自己，尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等，大多数人却很难准确地描述出自己到底是如何区分他们的，甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家，也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然，飞机的翅膀并不需要像鸟儿的翅膀一样煽动，自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径，例如建立人脸识别的计算模型，这种计算模型可能是基于仿生神经网络的，也可能是纯粹基于统计的，或者是这二者之外的第三只眼睛，并通过构建实用的自动人脸识别系统来验证这些计算模型，从而找出对上述基本科学问题的解答。 本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法，简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了一些简单的探讨。 计算模型初探 通常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。光学人脸图像（以下简称人脸图像）是外界光源（包括太阳、室内人造光源和其他物体表面反射）的光线照射在人脸上，经人脸表面反射后传播到摄像机传感器的光线强度的度量。不难理解，这一成像过程实际上涉及到三大类关键要素： 人脸内部属性：包括人脸表面的反射属性（如反射系数等，通常简称为纹理--Texture）、人脸3D形状（表面法向量方向）、人脸表情、胡须等属性的变化； 外部成像条件：包括光源（位置和强度等）、其他物体（比如眼镜、帽子）或者人体其他部件（比如头发）对人脸的遮挡等； 摄像机成像参数：包括摄像机位置（视点）、摄像机的焦距、光圈、快门速度等内外部参数 因此，光学人脸图像的成像过程可以简单地形式化为： (1) 其中，函数f表示成像函数，F，L和C分别表示人脸内部属性、外部成像条件和摄像机成像参数这三类要素，I为生成的人脸图像。如果我们进一步假设：人脸皮肤的反射属性满足朗博（Lambertian）模型，人脸为凸表面结构，光源为无穷远处的单色点光源，上述成像公式可以进一步改写为： ， (2) 其中，表示人脸表面的一点P的三维坐标；表示P点的表面反射率；表示P点的表面法向量方向；表示光源的方向和强度;表示摄像机的成像函数；而则为摄像机最终输出的对应P点的图像像素的强度。不难理解，在上述成像过程中，人脸表面3D结构及其反射属性才是人脸相对稳定的本质属性，是人脸识别算法应该赖以区分不同人脸的主要特征。而人脸表情变化、有无胡须等尽管也属于人脸内部属性，但因为具有可变性而不能作为人脸的区分特征。光源等外部成像条件以及摄像机参数等外部因素就更不能作为人脸识别依赖的属性。 综上所述，理想情况下，要根据人脸图像区分出不同的人脸，根本上似乎需要从人脸图像表观中分离开人脸稳定不变的本质属性（3D形状与表面反射率）与外界条件和摄像参数。然后，从3D形状与表面反射率属性中提取不同人脸的差异信息，馈入到后端的判别分类器中进行识别。设输入图像为I，这一过程可以形式化为以下三个步骤： 属性分离。分离人脸本质属性要素与光源条件s*、摄像参数c*等外部参数要素： ； (3) 特征提取。从人脸属性要素中提取能够体现特定人脸身份的特征： ， (4) 其中，T表示特征提取过程。 分类判别。将提取的特征与数据库中存储的已知人脸特征进行对比，选择相似度最大的人脸作为输入人脸的身份信息： (5) 其中，Sim(.)表示计算特征之间的相似度，表示已知人脸集合。 然而，这一过程并不那么简单直接：从单一未知光源条件的图像中