人臉識別技術論文

　　人臉識別，特指利用人臉視覺特征信息的分析比較結果進行身份鑒別的計算機技術。下面是學習啦小編為大家整理的人臉識別技術論文，希望你們喜歡。

　　人臉識別技術論文篇一

　　人臉識別技術綜述

　　摘要：文章首先對人臉識別技術進行了介紹，其次回顧了人臉識別研究的發展歷程及識別方法的基本分類，然后對當前主流的人臉識別方法展開了詳細的論述，最后提出了人臉識別技術面臨的問題及研究方向。

　　關鍵詞：人臉識別;特征臉;線形判別分析;局部二值模式

　　中圖分類號：TP391

　　Survey of face recognition technology

　　He Chun

　　(Education and Information Technology Center， China West Normal University， Nanchong Sichuan 637002， China)

　　Abstract： This paper introduces technology of face recognition firstly， and reviews the development process and the basic classification method of face recognition. After that， the paper discusses the current methods of face recognition in detail， therefore proposes the existing problems in the research of recognition faces and future’s research direction.

　　Key words： face recognition; Eigenface; linear discrimination analysis; LBP

　　1 人臉識別技術簡介

　　人臉識別，特指利用人臉視覺特征信息的分析比較結果進行身份鑒別的計算機技術[1]。一般人臉識別有廣義和狹義之分，廣義是指包含人臉圖像采集、定位、預處理、身份確認與查找等在內的技術;而狹義僅指身份確認或查找系統。

　　通俗來講，人臉識別指運用計算機分析人臉視頻或圖像之后，提煉可用、有益的識別信息，再對人臉對象的身份構建判斷與識別。人臉識別是身份識別研究中最主要的一種方法，重點建立在生物識別技術基礎之上，而且其中應用了諸多計算機相關的圖形學、人工智能等最新技術手段。

　　人臉與人體的其他生物特征(指紋、虹膜等)一樣與生俱來，其生物特征內在的穩定性和唯一性使其自然成為了身份識別的理想依據。學術界對人臉識別相關問題的研究已然趨近成熟，并形成了為數可觀的研究成果，到目前為止，仍然在不斷的探索與發展中，尤其在人臉身份識別方面的建樹頗多。快速、直接、簡捷是人臉識別系統的獨有優勢，并已廣泛運用于刑事偵破、信息安全等方面。在此，本次研究將對人臉識別技術給出全面的解析論述。

　　1 人臉識別發展歷程

　　早在20世紀50年代，心理學家即已著手對人臉識別展開研究，但是直至60年代，對人臉識別真正意義上的研究才正式開啟，具體是從工程應用層面出發，研究得到一種半自動的人臉識別系統，這種系統具備的特點可描述如下：

　　一是該系統是對局部的識別，對人臉的幾何特點識別，進而分析人臉器官特征信息及其之間的關系，優勢在于識別手段簡易、清晰，劣勢在于一旦人臉的視角、表情等發生變動和變化，那么很難準確地得到識別效果;二是這種半自動的人臉圖像識別需要較為嚴苛的約束環境和條件，如果圖像存在單一或無背景的情況下，那么就將削弱最終的處理效果。

　　研究遞進到20世紀90年代以后，即已朝著整體和局部相結合的態勢演變。學者們認為需要將人臉的形狀拓撲結構、局部灰度和全局灰度分布等多項人臉特征信息相結合，才能全面、準確地實現人臉圖像識別。1991年，Turk和Pentland [2]、首次提出著名的“特征臉”(Eigenface)方法，利用主成分分析(Principal Component Analysis，PCA)取得了不錯的識別效果;Belhumer在其論文中，則將Fisher判別準則成功應用到了人臉分類當中，由此而提出Fisherface方法[3]。

　　此后，這種應用線性子空間和統計特征的技術就已成為當時大眾化流行的識別技術，可概括為利用成分分析、線性判別分析的特征識別手段。后期出現了基于機器學習理論的實用技術，學者們相繼探索出遺傳算法、支持向量機等方法對人臉進行識別。

　　2 人臉識別方法分類

　　研究可知從不同的角度，人臉識別可有不同的分類方法，本次研究根據人臉識別發展階段的特征，把人臉識別技術分為初始以幾何特征為基礎、中期以代數特點為依據、后期以機器學習理論為原理三種。下面即對這3類研究給出功能實現概述。

　　2.1 以幾何特征為基礎的研究

　　這種方式是將人臉用一個幾何特征矢量予以有效表示，并根據模式識別中層次聚類的思想設計分類器，達到識別目的。識別所采用的幾何特征是以人臉器官的形狀和幾何關系為基礎的特征矢量，本質上是特征矢量之間的匹配，相應分量通常包括人臉指定2點間的歐式距離、曲率、角度等[4]。

　　該類研究方式優點是簡單易懂，但是由于能量函數中加權系數的選擇表現出一定的經驗性，并未能形成規范統一的特征提取標準;而且圖像穩定的特征提取仍有難度，尤其是特征受阻時;另外，對于明顯的表達變化或不良的姿勢變化，其魯棒性均呈低弱。

　　2.2 以代數特點為依據的研究

　　這種方式往往基于代數特征圖像的像素變換投影空間，具有某種數量的基本圖像對人臉圖像線性編碼，典型的理論工作可首推主成分分析方法。

　　主成分分析方法早期是由Sirovitch和Kirby[5]引入人臉識別領域，并將其用于分析數據，過程中是使用數量少的特點來描述為了降低特征空間維數的樣本，而且是基于K-L來展開和實現的。 　　2.3 以機器學習理論為原理的研究

　　由2.1節中的研究方式可知，人臉特征是預先定義形成的。本節討論的方式，則是通過使用統計分析和機器學習技術，從中獲取信息。獲得的信息存在于確定的分布之中，并通過算法、模型和判別函數，用作人臉圖像識別。這種分類器是時下至關重要的一門技術，而且涵蓋了SVM、Hidden Markov模型與AdaBoost算法等在內的綜合開發系統技術。

　　3 人臉識別主流方法介紹

　　3.1 特征臉方法

　　人臉方法來自主成分分析的人臉識別和描述技術。這種方法主要是把圖像區域當作隨機變量，運用K-L轉變成為正交K-L基，與較大特征值相關的對應基具有與人臉相似的形狀，所以也可稱做特征臉。使用這種線性組合能夠描述、展現近似的人臉圖像、人臉識別以及合成。具體表現為把人臉圖像映射到人臉子空間之上，同時對人臉圖像在特征臉子空間上的方位進行對比。

　　3.1.1 人臉空間的建立

　　研究假設人臉圖像包含了眾多像素點，并且可用N維向量Γ來表示，那么樣本庫就可用Γi(i=1，...，M)提供應用表達[6] 。人臉空間的基向量由協方差矩陣C的正交特征向量構成，因此稱為特征臉。

　　把特征值由大到小排列：λ1≥λ2≥...≥λr ，其對應的特征向量為μk。在此條件下，不同的人臉圖像都能投影到由u1， u2， ...， ur組成的子空間中。結果就是不同的人臉圖像將映射為子空間中不同的點，反之亦然。

　　3.1.2 特征向量的選取

　　協方差矩陣Ω所生成的非零特征值的k(k遠小于M)個特征向量，一般來說k值比較大，但在常規情況下并非需要保留所有有的特征向量。因為投影的計算速度是同子空間向量數有著密切關聯，如果能夠考慮到時間限度，就能夠提取有效信息的特征向量。

　　3.1.3 預測識別

　　人臉圖像置其投影可得到一組坐標系數，該系數能夠表明圖像在子空間中的位置，因而可以作為人臉識別的基礎。換言之，每一幅人臉圖像皆能顯示出線性組合的“人臉”，加權系數為K-L變換的擴展系數，也能作為圖像的代數特征。所以，提取特征臉信息后，可向對方典型樣本進行投影，并將得到的投影特征映射到各研究人臉的特征向量，作為后續識別匹配搜索空間的一個步驟。 圖1～圖3給出了不同情況下的特征臉圖像。

　　3.2 線性判別分析法

　　線性判別分析，可簡稱為LDA，本質是多維模式空間到一維特征空間的映射，使用類的成員信息形成一組特征向量，構建得到的特征空間稱為Fisherface。在理論上，這種方式主要是利用類之間的散射矩陣類中的訓練樣本和基于散射矩陣的最優投影空間。和人臉識別方式比較，該種模式能夠抑制不確定圖像間的差異信息，并可以進一步提取利于識別的特征，因而具有較好的識別性能。

　　Lades等人認為人臉圖像皆有相似的拓撲結構，提出了關于建立在動態連接結構的彈性圖匹配方式基礎上的物體識別問題。每節點涵蓋40個小波系數，集合稱為射流，對小波系數進行原始圖像和一組5個頻率，8個方向的Gabor小波卷積。所以每一張圖像，就像標簽被逐一校準，而邊緣之間的距離則是通過點來設計校準。因此，針對圖中邊緣編碼后得到的是人臉的幾何形狀，而圖中節點編碼后的結果是灰度值的分布。實現過程示意如圖4所示。

　　由圖4可知，彈性圖匹配的意義在于尋找新的人臉，同時提取一張圖像，圖像類似于束圖，用其可以開展識別工作。當開始識別的時候，計算、測量人臉和目前束圖之間的相似性，具有最大相似性的面部實體就指明了測試人臉的身份。

　　3.3 局部二值模式

　　局部二值模式(Local Binary Pattern， LBP)是執行紋理描述的最佳方法之一， 并已在于各類應用軟件中獲得全面功能發揮，同時經由實踐證得該模式具備著強大的判別能力、計算效率及不變形單調灰度水平變化等顯著優勢[7]，因而可將其應用到不同復雜程度的圖像分析任務之中。

　　3.3.1 基本LBP算子

　　LBP算子最初是界定于3×3鄰域，將中心像素設置成閾值，并將灰度值與其建立對比，大于中心像素時就記1，反之記0。這時的8個點就能變換為一種8位沒有符號的二進制數，此二進制數再轉換為十進制數，也就是窗口的LBP值。LBP可整體反饋出區域的紋理信息。基本的LBP算子如圖5所示。

　　LBP能夠用鄰域的大小不同，采用圓形面積與雙線性插值，鄰域半徑R和P的像素數能任意選擇，用符號(p，r)表示像素區域。常見的LBP算子參見圖6。

　　3.3.2 LBP人臉描述

　　使用LBP手段描述人臉，具體表現為運用紋理描述符對人臉局部展開詳細的繪制處理，然后將其組合成一體。人臉圖像就被分割成幾個局部區域，從這些不同的區域提取紋理描述符，并共同構成人臉的整體視圖。

　　把臉部區域分成確定的m份R0、R1、R2、…、Rm-1，直方圖將依序計算每個區域，M的直方圖計算結果整合在一起形成空間，空間增加M×N大小的直方圖，其中的n表示一個直方圖的大小。空間增強的直方圖可以有效地描述3個不同層次的臉部，具體的3個層次分別為：直方圖LBP標識包含一個像素級別的信息;地域級是由小的區域上的標志結合構成的;這些區域的直方圖連接起來，最終形成完整的人臉。

　　4 人臉識別技術面臨的問題

　　人臉識別技術存在獨有優勢和廣闊前景，但同時卻也面臨一定問題，而這些問題是卻均是源起于人臉具備的生物特征的某些顯性表象。人臉在視覺上的特點可實際剖析如下：

　　一方面由于個體間差別較小，人臉、人體器官構成也比較類似，雖然對人臉定位是占優勢的，而對區別個體卻產生干擾;另一方面，人臉的表情變化產生的視覺圖像也會導致差異。此外，人臉圖像識別時還會受到其他約束條件影響，比如光照、年齡、遮蓋物等。因此，解決上面提及的各類問題則既是創新，也是挑戰，更是人臉識別技術開展未來研究的后續發展方向。

　　參考文獻：

　　[1] 吳巾一，周德龍. 人臉識別方法綜述[J]. 計算機應用研究， 2009， 26(9)： 3205-3209.

　　[2] TURK M， PENTLAND A. Eigenfaces for recognition [J]. Journal of cognitive neuroscience， 1991， 3(1)： 71-86.

　　[3] BELHUMEUR P N， HESPANHA J P， KRIEGMAN D. et al. fisherfaces： Recognition using class specific linear projection [J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 1997， 19(7)： 711-720.

　　[4] BARTLETT M， LADES H， SEJNOWSKI T. Independent component representations for face recognition[C]//Proceeding of the SPIE Symposium on Electronic Imaging： Human Vision and Electronic Imaging . San Jose， CA：IEEE， 1998， 3299：528-539.

　　[5] KIRBY M， SIROVICH L. Application of the Karhunen-Loeve procedure for the characterization of human faces [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1990， 12(1)：103-108.

　　[6] SAMARIA F， YOUNG S. HMM based architecture for face identification [J]. Image and Computer Vision， 1994， 12(8)： 537-543.

　　[7] AHONEN T， HADID A， PIETIKAINEN M. Face description with local binary patterns： Application to face recognition [J]. IEEE Trans. Pattern Anal. 2006， 28(5)： 2037-2041.

點擊下頁還有更多>>>人臉識別技術論文