基于人脸识别技术研究.docVIP

基于人脸识别技术研究 　　[摘要]随着计算机技术的迅猛发展，人们期望计算机能具有人的视觉功能，然而除了一些专用的视觉系统外，迄今为止，还没有较为成功的通用视觉系统。人脸识别目前的社会需求巨大，几乎各行各业都迫切需要。主要针对人脸识别技术进行综述，并展望其未来的发展前景。 　　[关键词]人脸识别 特征识别 人工神经网络 　　中图分类号：TP3文献标识码：A 文章编号：1671－7597（2008）1120127－01 　　 　　生物特征识别技术是指人体生物特征识别技术，这是一种利用人体生物特征来进行身份识别的技术。人体生物特征包括生理特征和行为特征，生理特征包括DNA、指纹、掌纹、人脸、虹膜等特征，行为特征包括语音、笔迹、步态等特征。生物特征识别技术为身份识别提供了一个解决方案，同时，生物识别技术也是目前最方便最安全的识别技术。利用生物特征技术来识别人的身份，正成为IT行业的一项重要革新。与其他生物特征识别技术相比，人脸识别具有三个优点：后验识别性能优越；人脸图像的普遍性; 非接触式的操作方式。人脸图像由于年龄、姿态、表情、光照等因素而具有“一人千面”的特点，因此，人脸识别面临多方面的挑战。 　　 　　一、人脸识别的发展过程 　　 　　早在上世纪60年代末，人脸识别即引起了研究者的强烈兴趣，但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。进入上世纪90年代，由于高速度、高性能计算机的出现，人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，人脸识别研究得到了前所未有的重视。 　　虽然我们人类可以毫不困难地通过人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别仍存在许多困难，其表现在：人脸是非刚体，存在表情变化；人脸随年龄的增长而有所改变；发型、眼镜对人脸造成遮挡；人脸所成图像受光照、成像角、成像距离等影响。此外，人脸识别技术研究与相关学科的发展及人脑的认识程度紧密联系。这诸多因素使得人脸识别研究成为一项极富挑战性的课题。 　　19世纪末期，Sir Franis Galton就对人脸识别的问题进行了研究。早期人脸识别研究主要有两个方向：一是提取人脸几何特征的方法，该识别方法从图像中抽取特征比较困难，对强烈的表情变化或姿态变化鲁棒性较差，更适合于做粗分类。主要代表是MIT的Brunelli和Poggio小组；二是模板匹配的方法。主要是利用计算机模板和图像灰度的自相关性来实现识别功能。主要代表是Harvard和Smith_Kettlewell眼睛研究中心的Yuille。Berto在1993年对这两类方法作了较全面的介绍和比较后认为：模板匹配的方法优于几何特征的方法。 　　目前的研究也主要有两个方面：其一是基于整体的研究方法。它考虑了模式的整体属性，包括特征脸方法(Eigenface)。在此基础上还出现了各种改进方法，如Yale大学的Belhumeur提出的Fisher脸方法等；SVD分解的方法；弹性图匹配的方法(elastic graph matching)；隐马尔可夫模型方法(Hidden Markov Model)；神经网络方法；其二是基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量。这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各种部件本身的信息。 　　 　　二、人脸识别方法的研究 　　 　　（一）基于特征脸（PCA)的人脸识别方法。特征脸方法是基于KL变换的人脸识别方法。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以构成低维线性空间。将人脸图像在这些低维线性空间进行投影，由此形成识别的特征向量，这就是特征脸方法的基本思想。这种方法需要较多的训练样本，而且完全是基于图像的统计特性。 　　采用特征脸识别方法有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性。不足之处是受表情变化、光照角度强度变化和视角变化等严重影响，鲁棒性较差。为了解决上述缺点，研究人员在此基础上发展了许多改进方法：如将特征脸与线性判别函数相结合，可以使得对光照及人脸表情不太敏感。 　　（二）弹性匹配的人脸识别方法。弹性图匹配方法是一种基于动态连接结构(Dynamic Link ArchitectureDLA)的方法，它将人脸用格状的稀疏图表示，图中的节点用图像位置的Gabor小波分解得到的特征向量标记(称为jet)，图的边用连接节点非距离向量标记。 　　小波特征分析是一种时频分析，若空间一点周围区域的不同频率响应构成该点的特征串，则其高频部分就对应了小范围内的细节，而低频部分则对应了该点周围较大范围的概貌。因此采用小波变化特征的弹性图匹配方法，既考虑了局部人脸