人脸识别关键技术综述.docx

?

?

人脸识别关键技术综述

?

?

纪国惠

摘?要：随着社会的发展，如何通过人像快速、准确、高效地识别人员身份是当前的热门研究课题。本文以人脸识别技术为主题，从人脸检测、特征提取、底库构建、特征对比等方面着手，浅析人脸识别技术及其应用。

关键词：人脸识别;人脸检测;特征提取;底库构建;特征比对

1引言

随着社会的发展和科技的进步，人们对信息安全性和隐蔽性日益重视，身份识别和认证技术快速发展。在各种身份识别方法中，人脸识别因其独特性、唯一性，具有直接友好的特点脱颖而出。目前人脸识别技术已经成为人工智能领域的一个重要发展方向。近年来随着人脸识别技术在手机等日常场景中的广泛应用，对其安全性提出了更高要求，它必须在保证用户信息不被泄露的基础上才能更好的发挥作用。本文正是在这样的背景下，针对人脸识别技术进行详细介绍。

人脸识别技术是基于人的面部特征信息进行身份识别的生物识别技术，如图1所示，其流程包括人脸图像采集、人脸检测、人脸特征提取、人脸特征比对和识别等[1][2]。人脸识别的过程可以简要概括为：对采集的图像进行扫描检测，确定是否存在人脸，若存在则获取人脸的位置、大小以及面部器官等信息，基于此类信息提取相关功能特征，与人脸数据库中的信息进行比对，最终达到分类识别的目的。虽然人脸识别技术会因为图像采集过程中受光照、姿势、表情、遮挡的影响以及人脸随时间的变化而变化等增加识别的技术难点，但是随着对其不断研究，人臉识别技术已经日臻成熟，其本身具有的自然性、非强制性、非接触性和并发性优点越来越突出，在使用方式和辨别方便性上具有明显的优势[3]。随着手机的使用越来越普遍，将人脸识别技术应用在移动端中，具有信息获取方便、隐蔽以及识别正确率、识别效率高的优点。

2人脸检测

人脸检测是人脸识别中非常重要的一环，它直接影响后续的特征提取和识别工作的成功与否[6]，首先是对图像信息进行扫描检测，确定图像中人脸的位置和质量等相关信息，从而实现在大范围的图像中，准确找到人脸区域，降低背景信息对识别性能的影响。当前人脸检测的方法主要有两大类，分别是基于“特征”的人脸检测方法和基于图像的人脸检测方法。

目前有很多种人脸识别算法，应用较多的有AdaBoost算法、特征抽取算法和支持向量机方法等。其中AdaBoost算法是目前最为有效的一种人脸检测算法，该算法是具有自适应性的Boosting迭代算法，通过将若干弱分类器级联形成强分类器，并对弱分类器进行不断训练学习，能够达到很低的误检率和误接受率。

3特征提取

经过人脸检测之后，需要对检测到的人像进行特征提取。特征提取是指将图像中的人脸面部特征，如眼睛、鼻子、眉毛、嘴巴和面部轮廓等具体位置、大小、形状及其相关位置的不同等特征信息进行提取，从而获得能够表征人脸图像的数据量。

目前人脸特征提取的方法包括特征脸方法、神经网络方法、欧式距离判别法、阴马尔科夫方法等。其中特征脸方法是利用PCA算法计算特征向量（即特征脸），将需要提取的人脸图像信息映射到各个向量中，并使用对应的向量系数表征人脸特征，达到人脸特征提取的目的。PCA算法是在最小均方差下寻找一组基向量，用其组成的矩阵构造一个投影子空间，使高维空间的样子投影到该子空间中，这样既保留数据的主要特征成分，又达到降维的效果。因此我们可以实现用低维子空间来描述人脸图像，求得图像压缩中的最优化正交变换，把所需要的识别信息保存下来。PCA算法的基础是K-L变换：

Y=A（X-mX）

其中：X=（X1，X2，…，XN）为N维随机矢量，mX=E（X）为其平均值向量，A为变换矩阵，其行为CX的特征值，CX=E{（X-mX）（X-mX）T}为X的协方差矩阵。

4底库构建

因为人脸识别需要将特征提取的信息与特征信息底库进行比对匹配，因此需要构建特征信息底库。

在这个过程中，首先需要将分散存储的原始数据汇集到云平台，并分类存储，使数据在逻辑上存储在同一位置，包括结构化数据抽取、非结构化数据抽取、数据格式转换;其次进行数据清洗，去除原始数据中的重复数据和无效数据，保证数据的准确性和可用性;然后对数据整合，对现有的非结构化数据进行特征提取、关联匹配、数据融合，从而得到所需要的信息资源。如图2是数据处理的结构框图。

在整合完数据资源之后，基于PCA算法搭建特征信息底库，将人脸图像视为高维向量，经过K-L变换之后降为低维向量，该低维向量可以组成特征脸子空间，将训练样本集中的人像投影到该低维空间，得到代表该人像在低维空间的坐标系数，以此坐标系数作为该人像的“特征标签”。在每次进行人脸识别的过程中，特征库将会保存所识别的人像信息，从而达到更新特征库的目的。图3是特征信息底库构建流程示意图。

5特征比对

人脸特征比对是将所提取的人脸特征信息与特征信息底库中的信息进行比较，从而判断相似