未来智讯 > 人脸语音识别论文 > 基于人脸识别研讨的探索

基于人脸识别研讨的探索

发布时间:2018-12-01 01:06:04 文章来源:未来智讯    
    基于人脸识别研讨的探索作者:未知   基金项目: 2010年江苏省中小企业应用软件工程技能研讨开发项目(JH10-42)   摘要:人脸是人最重要的外部特征。人脸识别是一个跨学科的特征识别技能,其研讨历史履历了人脸面部特征的人工识别、人机交互的人脸面部特征识别、人脸机器自动识别三个阶段。人脸识别技能是当今研讨的一个热点,具有很大的应用前景。本文回顾分析了人脸识别技能近年来的研讨和开发现状,对近年来的人脸识别技能的研讨方法作了重点分析、阐述和评价,并联合目前研讨中遇到的困难及研讨方向,提出自己的主见。
  关键词:人脸识别;特征提取;常用方法
  1 引言
  随着社会经济的飞速发展,各行各业对快速有效的身份自动识别、验证方面的要求日趋迫切,由于人具有生物特征的内在属性,具有很强的稳定性和个体差异,人脸是区别人与人差别的最重要的特征。人的生物特征最重要的是人脸。各人各异、不易缺失、无法复制,所以,人脸识别作为一种生物特征的识别技能,是各领域进行身份验证的理想依据,相比传统的指纹、虹膜、DNA检测等识别方法,更加直接、友好、快捷,具有广泛的应用前景,也成为当前模式识别和人工智能领域的一个研讨热点,特别是9.11事件以后,这一技能更加引起广泛的关注。
  人脸的差异性使得人类能够轻松认识不同的人,但机器对人脸的自动识别涉及到人工智能、模式识别、计算机视觉、图像处理和分析、图像编码、计算机图形学等众多领域,即就是同一张人的脸,在不同情境下(如人的表情变化、光影变化、视角变化等),得到的图像差别也很大,因此人脸自动识别的研讨也极具挑战性。
  人脸自动识别的研讨广义上大致分为以下三个过程。(1)人脸检测:基于不同检测环境,对人脸的存在与否进行定位分析,这个过程常常被称作为人脸提取。 (2)人脸特征:把待检测的人脸信息同数据库中已知的人脸进行比对,以此来确定待测人脸的人脸特征。常用方法有几何特征法、代数特征法、固定特征模板等。 (3)人脸识别:根据检测提取的人脸表征,选择适当的系统设计匹配方法,对待识别的人脸和数据库的已知人脸进行技能对照,以获取相关待测人脸的信息。特别强调的是人脸自动识别存在两个重要的技能层面:其一是人脸表征的检测与定位;其二是人脸特征的提取与选择。也便是最初对输入图像进行处理分析,判断图像中是否有人脸,如有,则作出正确定位,并根据定位得到人脸图像;其次是对定位到的人脸图像进行提取与识别。
  :2 人脸识别的常用方法
  2.1基于几何特征的识别方法
  人脸是由眼睛、鼻子、嘴巴、下巴等元素组成,对这些元素的结构关系的几何描述作为人脸识别的重要特征,将人脸用一组几何特征矢量来表示,这些特征向量具有位置、视点、大小等相对的不变性。这类方法的应用中,一类是基于面部几何特征点的提取方法,例如Kanade[1]用眼角、嘴巴等点之间的距离以及所成的角这些几何矢量作为人脸的特征。Yuille[2]提出用全局人脸模板以抽取人的眼睛、鼻子、嘴巴等几何特征;另一类是基于曲率进行识别的方法,其原理是先根据人脸的轮廓线曲率线建立分类库,再利用相关函数,计算人脸的轮廓线曲率线,再对人脸进行识别分类。基于几何特征的人脸识别方法优点是对内存方面要求不高,识别速度较快,对光照、光影不太敏感等,它的缺点是对人脸特征抽取困难,正确率不高,常符合于粗分类。
  2.2基于代数特征的识别方法
  这种识别方法,是把人脸图像相关信息数据看成是一个矩阵,通过数学方法来提取图像的代数特征值或特征向量。其中矩阵中的元素代表的是人脸图像像素的原始灰度特征。基于这种特征的人脸识别方法这际上便是在寻找一种交换,使交换后的人脸图像样本不但在低维空间便于计算,而且容易得到良好的人脸表征。代数特征法从数学意义上讲是将人脸图像作为二维或一维的随机矩阵,通过数学变换将高维特征空间降到低维特征空间,由此在低维空间实现人脸的识别和判断。
  代数特征的人脸识别方法目前主要有三种:(1)主成份分析,(2)线性识别分析,(3)独立成份分析。其优点是识别系统具有较好的稳定性,人脸识别系统对于人脸的不同角度和不同表情的识别具有一定的鲁棒性。该方法也存在一定的弊端,例如矩阵数据量十分大,或者说由于人脸图像矩阵处于一个高维空间,因此大多数情况下不能对特征进行直接分类。
  2.3神经网络识别方法
  近年来,人工神经网络识别在信息处理、模式识别、智能抑制及系统建模等领域应用越来越广泛。在人脸识别中也得到较好的应用。利用神经网络进行人脸识别方面的研讨最早的是Kohonen[3],其原理是对样本的学习,构造分类器,再对分类器进行训练,最终利用分类器完成仿真分类。它是一种非线性的识别方法,该方法利用神经网络回忆人脸,能对照正确地回忆出人脸特征。神经网络人脸识别主要方法有:多主分量提取算法,自适应主分量神经网络提取算法,组合分类器设计法等,取得了较为理想的识别效果,识别的正确率和代数特征识别法非常,具有较好的识别效果,尤其在编码压缩和信息处理等方面具有较强优势。但缺点是神经网络中的神经元数目多,且训练时间长。
  2.4基于隐马尔可夫模型法(HMM)
  隐马尔可夫模型(Hidden Markov Model, HMM)是一种统计模型,主要用于描述信号的统计特征。这种识别方法在文字识别领域和语音识别领域的应用相当广泛,在人脸自动识别系统的研讨中,最近也十分活跃。HMM主要使用马尔可夫链来模拟信号统计特征的变化,利用参数化的随机过程来标定模式,这一过程中,对参数可进行相对正确的计算。在进行普通的模式识别时,HMM先要定义大量的隐含状态,再变成一个模式,最终通过训练来调整模式的参数,它是一个双重的随机过程。一是马尔可夫链,用来描述状态的转移,这是基本的随机过程;另一个是随机过程描述状态和观测值之间的统计对应关系。在训练过程中通过观察训练数据的几率变化来决定其所属类型。人脸模型能够通过连续HMM状态来关联,来提取人脸的主要特征。识别率较高,目前在人脸识别方面也得到了广泛的应用。
  2.5其它方法
  上述介绍的是对照常见的人脸识别方法,近年来,人脸识别技能发展迅速,国外又相继推出其它的识别方法。对照典型的有两种:一是小波分析法,因为小波理论的不时成熟,运用该方法研讨图像识别也成为一个热点。其原理是选取小波变换特征来描述人脸的主要特征,其优点是由于它和视网膜对图像的响应相类似,在识别中对于光线和角度的干扰有一定的容忍度,对细微的表情变化不敏感,而且还对人脸的部分细节和空间信息有一定的保留,研讨成果也相当多,在人脸识别领域具有重要地位。二是SVM[4]识别法,该方法的主要思维是利用模式识别中的最佳分割平面法对模式进行分类识别,该方法在实际应用中取得了比代数特征识别法更高的识别率[5]。
  3结论
  综上所述,通过对照分析得出,目前常用的几种人脸识别方法,各有其优缺点,人脸识别技能,至今仍然是一个研讨的热门课题,许多国内外专家已经取得了很多重要成果。但在实际应用中,由于受各种变化条件的影响,人脸识别系统的具体应用还不尽人意,人脸识别的理论也并不完善,特别是复杂环境中的人脸特征的选择方法较为单一,具体算法的实现也有许多困难。因此,如今许多人倾向于将多种方法进行综合运用,并且联合心理学和生理学的研讨成果,立体化地研讨人脸自动识别。另外,如何更好地将人脸识别与其他生物特征的识别联合起来以提高人脸的识别率将也是今后一段时间的研讨方向。
转载请注明来源。原文地址:https://www.7428.cn/page/2018/1201/49625/
 与本篇相关的热门内容: