人脸识别技术与算法综述.docVIP

人脸识别技术与算法综述 　　摘要：人脸识别是人工智能领域的一个研究热点，是一种基于信息处理的模式识别。这篇论文简要介绍了人脸识别技术的特点、研究背景和识别系统的构成，重点介绍了几种在人脸识别中常用的算法及其评价。总结了现存的研究困难，对人脸识别技术未来的发展和应用做出了展望。 　　关键字：人脸识别；特征提取；特征脸；神经网络 　　 　　1 引言 　　 　　生物特征鉴别技术是利用人体生物特征进行身份认证的一种技术，具有安全可靠、特征唯一、不易伪造、不可窃取等优点。在不同的生物识别方法中，人脸识别有其自身特殊的优势，例如，非侵扰性；采集设备简单，使用快捷；通过人脸识别身份符合人类的习惯，正是由于这些良好的特性，人脸识别的相关研究越来越受到人们的重视，并取得了很好的成果。随着人脸识别技术的飞速发展，它被越来越多的应用于海关监控、企业安全与管理、刑侦等领域。 　　人脸识别按照信息的来源可以分为两类：基于静态人脸识别和基于动态的信息识别。对于动态识别研究的相关技术还比较欠缺，本文只对静态人脸识别的相关算法进行阐述。 　　静态人脸识别系统主要有三个步骤：人脸的检测和定位、人脸的特征提取和人脸识别，在这些步骤之前还应有预处理这一步，即对采集到的图像先进行预处理，以达到位置校准和灰度归一的目的，然后寻找人脸，如果有则确定人脸的位置并提取人脸，然后提取人脸特征，最后根据提取的特征进行识别。下面对人脸识别中的常用算法进行介绍。 　　 　　2 几种常用的算法 　　 　　2.1 基于几何特征的人脸识别算法 　　这类识别方法将人脸用一个几何特征矢量来表示，用模式识别中的层次聚类的思想设计分类器达到识别目的，常采用的几何特征有眼睛、鼻子、眉毛、嘴等重要的局部特征，脸型特征及五官在脸上分布的几何特征。识别所用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等等。在这种基于几何特征的识别中，不同特征的相似性度量主要依赖于特征矢量的匹配情况进行判决，例如，基于欧氏距离的判决。 　　基于几何特征的识别方法的优点有：符合人类的习惯，易于理解；对光照变化不是很敏感，具有一定的抗干扰能力。存在的问题：从图像中抽取稳定的特征比较困难，当有遮挡时会出现误提取；当面部表情变化很大，或者姿态变化很大时，鲁棒性较差；几何特征模型的准则过于简单，一般的几何特征只描述了器官的基本形状与结构关系，忽略了细节特征，会使部分信息丢失。 　　2.2 基于特征子空间（特征脸）的人脸识别算法 　　特征脸方法是人脸识别技术中的一种典型方法，又称为主成分分析法（PCA）。SIROV ICH和KIRBY 首先采用PCA算法来表示人脸。它根据一组人脸训练样本构造主特征向量空间，即特征子空间（特征脸），这些特征向量是由图像的生成矩阵的主特征值所对应的特征向量组成，这些主特征向量所占的能量是总能量的90%（一般取这个数）以上，其余的小能量向量被剔除。生成矩阵可以是图像的协方差矩阵、总类内离散度矩阵等等。这个子空间是降维的，维数比原数据空间要小得多，任何一幅待识别人脸图像都可以向此特征空间投影并获得一组坐标系数，这组系数表明了该图像在子空间中的位置，从而可以作为人脸识别的依据。任何一幅人脸图像都可以表示为这组特征向量的线性组合，其加权系数（图像向空间投影得到的系数）称为该图像的代数特征。识别的时候，将待识别的图像投影到这个特征子空间，将得到的投影系数与各个已知人脸图像的系数进行比较，通过一定的准则，例如k-近邻法，取未知样本的k个近邻，看这k个近邻中多数属于哪一类，就把待识别的图像归入哪一类。特征脸方法比较简单易懂，得到了广泛的使用，但单独使用的计算量较大，所以PCA经常与其它方法配合使用，例如小波变换与PCA的结合 ，使PCA的降维效果得到改善。 　　2.3 基于模板匹配的人脸识别算法 　　模板匹配有静态匹配和弹性匹配两种，首先介绍一下静态匹配。静态模板匹配方法：设计一个库，其中存储了已知人脸的若干模板，这些模板可以是整张人脸的灰度图像，可以是各生理特征区域的灰度图像，还可以是经某种变换的人脸图像。待识别的图像经过相同的变换后，还要进行尺度归一化和灰度归一化的处理，得到与库中的图像大小、取向和光照条件均相同的图像。然后计算待识别图像和库中图像的匹配度，与哪一类的匹配度最好，就将待识别图像判为哪一类。静态模板匹配存在的问题：因为库是固定的，如果人脸表情变化较大，或者有新的模式出现，那么这个模板就不适用了，也就是说静态模板匹配方法不灵活。考虑这个问题，下面提出弹性模板匹配。 　　弹性模板匹配是根据待测人脸特征的先验知识，定义一个特征参数模型，这些参数反映相对应特征形状的可变部分，为了得到这组参数，根据图像的边缘、