未来智讯 > 人脸语音识别论文 > 人脸识别技能综述

人脸识别技能综述

发布时间:2018-12-02 01:06:04 文章来源:未来智讯    
    人脸识别技能综述作者:未知   摘要: 人脸识别是模式识别领域中一个具有实际应用价值和辽阔应用前景的研讨课题。系统的对主流人脸识别算法进行综述,归纳现阶段人脸识别研讨的困难,并对未来人脸识别的发展方向进行展望。
  关键词: 人脸识别;光照补偿;人脸检测
  中图分类号: TP316文献标识码:A文章编号:1671-7597(2011)0510029-01
  
  0 引言
  在信息技能飞速发展的今天,电子商务、电子银行、网络平安等应用领域急需高效的自动身份认证技能。当前,我国的各种管理系统大局部都使用证件、磁卡、IC卡和密码等传统技能保障系统平安,在一定程度上无法避免伪造、丢失、窃取或遗忘,存在极大的平安隐患。基于人体生物特征的身份辨别方法,如指纹识别、虹膜识别、人脸识别等利用生物特征的普遍性、唯一性、永久性、可接受性、防卫性进行身份识别能够避免上述已有的身份辨别技能缺陷。
  1 人脸识别常用算法
  随着社会对人脸识别系统的迫切需求人脸识别研讨再次成为热门课题。2008年我国在奥运会的历史上是第一次选取人脸识别这种生物识别系统为之提供平安保障。目前常见的人脸识别基本算法可分为以下几类:
  1.1 基于几何特征的人脸识别方法[2]。这类方法是通过人脸面部拓扑结构几何关系的先验知识,利用基于结构的方法在知识的层次上提取人脸面部主要器官特征,将人脸用一组几何特征矢量表示,识别归结为特征矢量之间的匹配。基于几何特征的识别方法具有存储量小、对光照不敏感等优点。但这种方法抽取稳定的特征对照困难,对强烈的表情变化和姿态变化鲁棒性较差,符合用于粗分类。
  1.2 基于特征脸的人脸识别方法。特征脸法是人脸识别中常用的一种方法。该方法的主要是从人脸图像的全局特征起程,运用Karhunen Loeve变换理论,在原始人脸空间中求得一组正交向量,并以此构成新的人脸空间,使所有人脸的均方差最小,达到降维的目的。特征脸方法易受角度、光照、表情等干扰导致识别率降落。
  1.3 基于神经网络的人脸识别方法。基于神经网络的人脸识别方法是对照活跃的一个研讨方向,人脸识别中大局部的神经网络都选取多层感知器和BP学习算法[4]。神经网络方法避免了复杂的特征提取事务,能够通过学习的过程获得关于人脸识别的规律和准则的隐性表达。但神经元数目常常很多,训练时间很长,具有固有缺陷:收敛速度慢、容易陷入部分极小、先验参数多且参数的确定凭经验而定等。
  1.4 弹性匹配方法。弹性匹配方法是一种基于动态链接结构的方法。该方法对常常的人脸变形具有一定的不变性,也不要求待识别人脸和库中人脸维数一定相同。弹性匹配能保留更多部分人脸细节,优于K-L变换,但二维网格大小的选择等都会影响识别的效果,而且需要更大的计算复杂度和存储空间。
  1.5 基于隐马尔可夫模型的人脸识别方法。隐马尔可夫模型选取几率统计的方法描述时变信号,在语音识别中应用较多。HMM优点是允许人脸表情有较大变化及较大的头部转动,缺点是实现的复杂度较高。
  1.6 基于贝叶斯人脸识别方法。贝叶斯决策方法是统计模式识别中的一个基本方法。选取最大后验几率规则可以较好地解决此类模式分类问题,但其复杂性较高。
  1.7 基于支持向量机的人脸识别方法。支持向量机基于结构风险最小化原理,相当适用于研讨人脸识别两类模式的小样本问题。由于SVM的训练需要大量的存储空间,因此,非线性SVM分类器需要较多的支持向量,且速度慢,而且SVM技能中核心函数及其参数的采用难度也较大。
  1.8 红外图像人脸识别方法。由于红外人脸图像是由人脸组织与结构的红外辐射决定的,它们如同指纹一样,与人的基因结构有关,具有唯一性[5]。所以,选取红外人脸图像进行人脸识别具有抗干扰性强、独立于可见光源、防假装、防欺诈等优点,能够在很大程度上补救可见光人脸识别技能的不足。
  2 人脸识别的研讨热点
  目前人脸识别的研讨热点主要集中在非均匀光照补偿、人脸检测。
  2.1 人脸非均匀光照补偿。人脸非均匀光照补偿的想法的提出主要是考虑到人脸图像在获取过程种存在许多不确定性,如光强、光源方向等。当前解决人脸识别中光照问题的方法主要有:提取光照不变特征、光照变化建模、光照条件标准化等。提取光照不变特征的基本思维是:提取人脸不随光照变化或至少对光照变化不敏感的特征,包括人脸边缘图、人脸灰度图像的二阶导数、人脸图像的二维Gabor变换等。光照变化建模的主要思维是在一个合适的子空间中表示光照引起的变化,然后对人脸特征估计模型参数,如子空间投影法、商图像法等。光照条件标准化方法的基本思维是在人脸图像被识别之前消除光照变化的影响,如经典的直方图均衡技能、SFS技能、对数域小波变换等[1]。
  2.2 人脸检测。人脸检测是在输入图像中确定所有人脸的位置与大小。人脸是一个包含五官、毛发等极不准则的复杂自然结构指标,检测结果很容易受到各种直接或者间接噪声的影响。目前国内外较流行的方法有:基于知识的人脸检测方法、基于模板的人脸检测方法、基于统计的人脸检测方法和基于人脸肤色信息的检测方法等。
  1)基于知识的检测方法:一般先提取各种基本特征(如灰度特征、边沿和形状特征和纹理特征等),然后根据一些知识准则确认图像中是否包含人脸[9]。这些准则能够通过先验知识获得。如:Miao等提出的基于边沿特征定义的重心模板匹配方法等。
  2)模板匹配方法:存储几种标准的人脸模式,用来分辨描述整个人脸和面部特征,计算输入图像和存储的模式间的相互关系来进行人脸检测。如:Yullie等人提出了基于弹性模板的方法用于人脸的检测。
  3)基于统计的人脸检测方法:一般通过单个或大量图像数据获得统计特征(如自相关、高阶矩、不变矩、在子空间的投影、隶属度、几率分布以及神经网络的抽象特征等),从而得到一组模型参数,然后用该模型检测人脸。此类方法主要有Turk等提出的主成分分析(PCA)人脸检测方法,Sung等提出的基于样本分布和神经网络的检测方法等[13,14]。
  4)基于人脸肤色信息的检测方法:对于彩色图像,根据确定的肤色模型进行肤色检测。在检测出肤色像素后,根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。
  3 归纳与展望
  人脸识别技能是一个极富挑战性的问题,目前还没有一种算法适用各种不同的实验环境,因此,在未来几年中,特征获取问题、人脸非线性建模问题、3D建模问题、人脸模式的流形学习、多特征融和策略以及分类器的泛化能力研讨将是具有代表性的几个发展方向[16]。
  
  参考文献:
  [1]雷明,人脸识别技能研讨,辽宁大学学报(自然科学版),2006
  (10):84-85.
  [2]李江,红外图像人脸识别方法研讨,北京:国防科学技能大学,2005.
  [3]于建涛、林晓明,3D通用人脸模型的自适应算法及应用,计算机工程与应用,2005(20):67-69.
  [4]黄万军、尹宝才、陈通波等,基于三维可变形模板的眼睛特征提取,计算机研讨与发展,2002,39(4):495-501.
  [5]刘党辉、沈兰荪,LAM K-M.人脸检测研讨进展,计算机工程与应用,2003(28):5-9.
  [6]Yang G, Huang T S. Human Face Detection in Complex Background. Pattern Recongnition, 1994,27(1):53-63.

转载请注明来源。原文地址:https://www.7428.cn/page/2018/1202/50091/
 与本篇相关的热门内容: