未来智讯 > 人脸语音识别论文 > 人脸识别研讨综述

人脸识别研讨综述

发布时间:2018-12-02 01:06:04 文章来源:未来智讯    
    人脸识别研讨综述作者:未知   摘要:本文大略介绍了人脸识别研讨的发展历史,阐述了人脸识别研讨方法的分类以及常用的人脸识别方法,并且提出人脸识别所面临的技能挑战以及研讨趋势。
  关键词:人脸识别;特征脸;弹性图匹配;隐马尔可夫模型;人工神经网络
  中图分类号:TP311文献标识码:A 文章编号:
  Survey of Human Face Recognition
  Abstract:This paper will introduce briefly the develop history of Human Face Recognition Research and also present classified and commonly method.
  Key words:face recognition; eigenface; elastic graph matching; HMM; ANN
  
  1 引言
  
  所谓人脸识别,是指对输入的人脸图像或者视频,判断其中是否存在人脸,如果存在人脸,则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息,并且依据这些信息,进一步提取每张人脸蕴含的身份特征,并将其与已知人脸库中的人脸进行对比,从而识别每张人脸的身份。
  人脸识别过程可分为人脸检测(判断输入图像中是否存在人脸)、人脸特征提取(检测每个人脸的主要器官位置和形状)和人脸识别(将人脸特征提取结果与库中人脸对比)三个阶段。
  人脸识别研讨,起源于19世纪末法国人Sir Franis Galton的事务,到20世纪90年代,起初作为一个独立学科快速发展起来。人脸识别研讨的发展大致分成三个阶段:第一阶段以Allen和Parke为代表,主要研讨人脸识别所需要的面部特征,研讨者用计算机实现了较高质量的人脸灰度图模型,这阶段的事务特点是识别过程全部依赖于操作人员。第二阶段是人机交互式识别阶段,其中用几何特征参数来表示人脸正面图像是以Harmon和Lesk为代表,将人脸面部特征用多维特征矢量表示出来,并设计了基于这一特征表示法的识别系统。而以Kaya和Kobayashi为代表,则选取了统计识别的方法,用欧氏距离来表示人脸特征。这两类方法都摆脱不了人的干预。第三阶段是真正的机器自动识别阶段,近十余年来,随着高速度高本能计算机的发展,人脸模式识别方法有了较大的突破,提出了多种机器全自动识别系统,人脸识别技能进入了实用化阶段,如Eyematic公司研发的人脸识别系统,我国清华大学的“十五”攻关项目《人脸识别系统》也通过了由公安部主持的专家鉴定。
  人脸识别研讨涉及的范围广泛,内容涉及模式识别、计算机视觉、图像处理、人工智能等方面。目前国内外机构变成了人脸识别研讨热,国外以美欧为主,对照著名的有:CMU、MIT、Michigan Stat University、UCLA、University of Manchester、UMD、USC、University of surrey……国内研讨此项事务的大学有:清华大学、吉林大学、哈尔滨工业大学、中山大学、南京理工大学、南京大学、上海交大、浙江大学、北京交通大学……MPEG7标准组织已经建立了人脸识别草案小组,人脸检测算法也是一项征集内容。
  
  2 人脸识别方法的研讨
  
  2.1 人脸识别研讨方法的分类
  早期的人脸识别研讨主要有两大方向:一是基于人脸几何特征的方法,此方法的思维是最初检测出眼、鼻、嘴等脸部主要部件的位置和大小,然后利用这些部件的整体几何分布关系以及相互之间的参数比率来识别人脸,忽略了部分细微特征,更符合于粗分类。主要代表是MIT的Brunelli 和Poggio小组;二是基于模板匹配的方法,主要是利用计算机模板和图像灰度的自相关性来实现识别功能,主要代表是Harvard和Smith Kettlewell眼睛研讨中心的Yuille。Berto在1993年对这两类方法作了较全面的对照后认为:模板匹配的方法优于几何特征的方法。
  目前的研讨也主要有两个方向:一是基于特征分析的研讨方法,便是将人脸基准点的相对比例和其它描述人脸脸部特征的形状参数或类别参数等一同构成识别特征向量。二是基于总体的研讨方法,它考虑了模式的总体属性,包括特征脸方法(Eigenface)以及改进的Fisher脸方法、弹性图匹配的方法、隐马尔可夫模型方法、神经网络方法等。近年来研讨的趋势是将人脸的总体识别和特征分析联合起来。
  2.2 常用的人脸识别方法
  2.2.1 特征脸方法和Fisher脸方法
  主成分分析方法(Principal Component Analysis,PCA),是Turk和Pentland在1991年提出来的一种人脸识别方法,是目前最流行的识别方法之一。主成分分析方法基于K-L变换,K-L变换是图像压缩的最优正交变换。根据图像的统计特性进行K-L变换,以消除原有向量各个分量之间的相关性。对于每一幅人脸图像,按照从上到下、从左到右的顺序将所有像素的灰度值串成一个高维向量,然后通过PCA将高维向量降低维数。大略地说,PCA方法便是将包含人脸的图像区域看作是一种随机向量,用K-L获取其正交K-L基底,对应其中的较大特征值的基底具有与人脸相似的形状,因此又称之为特征脸方法(Eigenface)。
  特征脸方法虽然能够有效地表示人脸信息,然而并不能有效辨别和区分人脸。很多研讨者提出了使用其他线性空间来代替特征脸空间以取得更好的识别效果。其中线性判别分析(Linear Discriminate Analysis,LDA)方法(也叫Fisher脸方法)利用了类别归属信息,它选择类内散布正交的矢量作为特征脸空间,从而压制了图像之间与识别信息无关的差异,强调了不同人脸之间的差别,同时弱化了同一人脸由于光照、视角和表情而引起的变化,获得了比特征脸更好的识别效果。
  2.2.2 弹性图匹配的方法
  弹性图匹配法是一种基于动态链接结构的方法。该方法选取网格作为模板,将图像之间的对照变为网格之间的对照。在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点包含一特征向量,它记录了人脸在该顶点附近的分布信息,节点间的拓扑连接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述,再应用弹性图形匹配技能将库中人脸和待识别的人脸的弹性图进行匹配,找出最相似的人脸图像。实验证明,弹性图匹配方法识别本能优于特征脸方法,然而计算量和存贮量都对照大,识别的速度慢。
  2.2.3 隐马尔可夫模型的方法
  隐马尔可夫模型(HMM)是用于描述信号统计特性的一组统计模型,它用马尔可夫链来模拟信号统计特性的变化,这种变化是间接通过观察序列来描述的,因此,马尔可夫过程是一个双重的随机过程。隐马尔可夫模型是建立在统计模型基础上,不需要进行复杂的人脸图像特征提取,优点是对姿态和环境的变化有较好的鲁棒性,识别率高,缺点是实现的复杂度较高。
  2.2.4 神经网络方法
  
  基于神经网络的人脸识别方法是近几年对照活跃的一个研讨方向。常常需要考虑两个方面的因素:选择图像的哪些参数作为输入;选择何种神经网络。目前主要有两种输入策略,第一种将提取的特征向量作为输入向量;第二种将图像像素直接输入神经网络。神经网络方法在人脸识别上比其他类别的方法有独到的优势,它避免了复杂的特征提取事务,能够通过学习的过程获得其他方法难以实现的关于人脸识别的规律和准则的隐性表达。但由于原始灰度图像数据量十分庞大,因此神经元数目常常很多,训练时间很长速度慢。
  
  3 人脸识别广泛的应用前景及面临的挑战
  
  生物特征识别,未来的身份识别方法,会有指纹、人脸、虹膜、掌纹、视网膜、红外温谱、笔迹、步态、声纹等。人脸识别与其他识别方法相比,有着非接触式采集、能够隐蔽操作、方便快捷等优点,让人对照容易接受。因此,人脸识别在未来的生活中将应用广泛。
  3.1 人脸识别广泛的应用前景
  在国家公共平安方面的应用,比如:敏感人物智能监控、代表身份确认、犯罪抓逃与比对、门禁、出入境管理等;
  在信息平安方面的应用,比如:电子商务、电子政务、社会保险、信息系统、金融领域持卡人身份验证、智能考勤系统等;
  在家庭娱乐方面的应用,比如:真实感游戏、虚拟社区、智能玩具、家政服务机器人等。
  3.2 人脸识别的技能挑战
  (1)人脸自身变化的挑战:同一个人的人脸图像因为表情、精神状态、健康状况、姿态、整容、年龄变化、意外损伤、化妆、眼镜帽子、头发胡须等变化而发生巨大的变化;(2)外部环境的挑战:光照环境条件、摄像设备、人与摄像设备的距离角度、图像存储质量等也会使人脸图像发生较大的变化。
  
  4 人脸识别研讨趋势
  
  进一步研讨特征提取算法和识别算法,提高识别精度;提高识别速度,研讨对海量人像数据的分布式检索比对方法;提高系统的适用性,降低对应用环境的严格的条件限制;选取嵌入式硬件和软件平台,研讨小型化便携的应用产品,支持标准通用的接口,便于联网适用;开展动态人脸识别。
  
  参考文献:
  [1]吕琳.人脸检测方法综述[J].电脑知识与技能,1009-3044(2005)36-0159-04.
  [2]王金庭,杨敏.人脸检测技能研讨[J].计算机系统应用,2006(4).
  [3]王伟,张佑生,方芳.人脸检测与识别技能综述[J],1003-5060(2006)02-0158-06.
  [4]李健,廖秋筠.人脸识别的方法研讨[J].微计算机信息,1008-0570(2006)04-2-0254-03.
  [5]陈莉.人脸识别技能分析及应用[J].福建电脑,2005,(11).
  [6]牛丽平,付仲良,魏文利.人脸识别技能研讨[J],1003-5850(2006)05-0008-03.
  [7]肖冰,王映辉.人脸识别研讨综述.1006-3695(2005)08-0001-05.
  [8]李武军,王崇骏,张炜,陈世福.人脸识别研讨综述[J].模式识别与人工智能,2006,(2).
  [9]朱效影,杜培明.人脸检测技能综述[J].仪器仪表用户,1671-1041(2006)04-0004-02.

转载请注明来源。原文地址:https://www.7428.cn/page/2018/1202/50094/
 与本篇相关的热门内容: