人脸识别方法研究的综述.docx
《人脸识别方法研究的综述.docx》由会员分享，可在线阅读，更多相关《人脸识别方法研究的综述.docx（27页珍藏版）》请在冰豆网上搜索。
人脸识别方法研究的综述
WuhanUniversityOfTechnology
图像处理与分析课程论文
学院:
信息工程学院
专业:
通信与信息系统
学号：
课题：
人脸识别方法综述
指导老师:
黄朝兵
2012年6月
目录
内容摘要3
关键词4
Abstract4
Keywords4
1绪论5
1.2引言5
1.1生物特征识别技术概述6
1.1.1生物特征识别技术简介6
1.2.2生物特征识别技术的发展以应用背景7
1.3人脸识别8
1.3.1人脸识别的研究内容9
1.3.2人脸检测11
1.3.3人脸识别12
2人脸识别技术概述15
2.1人脸识别技术分类15
2.2人脸识别常用方法18
2.2.1特征脸方法18
2.2.2弹性图匹配方法18
2.2..3基于Fisher线性判别准则的人脸识别方法19
2.2.4基于神经网络的人脸识别方法19
2.2.5基于支持向量机的人脸识别方法20
2.2.6基于贝叶斯的人脸识别方法21
2.3人脸识别技术评测指标21
3人脸特征提取技术25
4总结与展望26
参考文献28
内容摘要：
人脸识别是指利用计算机分析人脸图像，进而从中提取出有效的识别信息，用来辨认身份的一门技术。
人脸识别技术的研究已经成为人工智能与模式识别领域的热点。
人脸识别技术主要有三个步骤：
人脸检测、特征提取和人脸识别。
人脸识别技术的应用非常广泛，包括智能门禁系统、计算机安全领域、智能监控系统、机器视觉系统、医学诊断系统以及三维动画等领域。
作为一个有着广泛应用背景的研究领域，人脸识别技术吸引了大批国内外研究学者的参与，许多知名的研究机构也将其列为重要研究方向，并已取得了很多成果。
理想状态下的人脸识别技术已经非常成熟，但是要开发出真正鲁棒、大规模、快速的人脸识别系统还需要解决大量的问题。
收集和分析了大量近年来国内外关于人脸检测与人脸识别的学术论文及研究报告，对计算机人脸识别技术的若干理论问题进行了综述。
关键词：
人脸识别，人脸检测，特征提取，贝叶斯
Abstract：
Facerecognitionisatechnologyusingcomputertoanalyzethehumanfaceimageandextractthefeaturesforrecognizingtheidentityofthetarget.Theresearchinfacerecognitionhasbeentoahotspotofthecategoryofartificialintelligenceandpatternrecognition.Facerecognitionhasthreesteps:
facedetection,featureextractionandrecognition.Thefacerecognitioncanbeappliedto:
intelligententranceguardsystem,computersecurity,machinevision,medicaldiagnosticsystemand3-Danimationetc.Asaresearchdomainwithwideapplications,facerecognitionabsorbslotsofresearchers.Somefamousresearchinstitutesalsolistitasimportantresearchdirectionandachievegreataccomplishments.Althoughthefacerecognitionismatureundertheideallysituation,manyproblemsneedtobesolvedtodeveloparobust,large-scaleandspeedyfacerecognitionsystem.
PersonalidentificationsystembasedonBiometrics,becauseofusingtheproperlivingcreaturecharacteristicofhumanbody,isthetotallybrand-newtechniquedifferentfromtraditionalmethod.Becauseithasthebettersafety,dependablewiththeusefulness,moreandmorepeoplethoughtfulof,andthebeginningenteroursocialeachrealm,greetthemodernyear'schallenge.
Learnedessays,researchpapersthedomesticandinternationalinrecentyearsconcerningperson'sfacedetectionandrecognition,sometheoriesproblemtocomputeridentifytechniquetoperson'sfaceisanalyzed.
Keywords：
facedetection,facerecognition，featureextraction，Bayesian
1绪论
1.2引言
早在古埃及时人们就开始通过人体生物特征的测量（如人脸、人手等）来鉴别人的身份，在刑侦领域，人们也早已使用最有效的人体生物特征之一，指纹，来确定罪犯。
随着计算机技术的出现，人们开始凭借计算机的强大功能来研究和实现自动的身份鉴别系统。
进入20世纪80年代，计算机技术日新月异，于是基于计算机技术的自动人体生物识别技术的研究和产品研发也方兴未艾、如火如荼了。
近年来，在美国、欧洲、香港等许多国家和地区的大学都成立了以人体生物识别技术（Biometrics）为主要研究方向的实验室或研究中心，同时许多公司也相继先后开发出许多产品，并不断地推向市场，逐步形成一个新兴的、很有希望的产业。
在我国，已经涌现出很多专门机构广泛开展人体生物识别技术方面的研究工作，有许多研究人员投身到这一新兴研究领域，开展用于身份鉴别的人脸识别、话者识别、联机签名识别、指纹识别等多项研究工作，并取得了一定的成果。
在现代社会中，对人体身份鉴别的需求可以说无处不在，并且与日俱增。
例如某人是否有权进入安全区域（安全系统），是否有权进行特定交易，某人是否是我国的居民等。
银行每天都有人存钱取款，解决储户的身份认证就显得极为重要。
随着因特网的广泛普及应用的深入，电子商务已是人们耳熟能详的、并且已经逐步走入人们生活的一件新鲜事。
但在电子商务中最关键的一个问题就是必须解决人的身份确认问题。
改革开放以来，深圳海关每天出入关的人可谓成千上万，对进出关的人员的身份确认，而且是自动确认的需求是显而易见的事情。
在我们的显示生活中，象这种要求对个人身份进行确认的地方，又岂止千处万处。
此外，9.11事件以后，国际恐怖主义形势的日益严峻，世界各国政府都对如何使诸如政府机构、军事设施、金融系统以及海关、机场等重要区域免受恐怖分子的袭击问题给予了高度重视。
为了确保国家及社会的稳定，就需要找到一种更加可靠有效的身份识别技术来满足安全检查的需要。
再者，网络已深入到社会生活的各个领域，如电子商务、电子政务以及包含很多重要的机密信息的军事、商务网等。
网络的飞速发展越来越依赖于网络安全性的高低。
因此，作为网络安全的一个重要方面，身份识别技术成为广大研究者们关注的热点问题，受到了越来越多的重视。
生物特征识别作为一种高新的身份识别技术，由于其独特的属性，正在悄然担负起身份鉴别这一重要的使命。
1.1生物特征识别技术概述
1.1.1生物特征识别技术简介
所谓生物特征识别技术是指通过计算机利用人体所固有的生物特征来进行个人身份鉴定的一种方法。
这里所说的生物特征包括生理特征和行为特征两大类。
生理特征是与生俱来的，是先天的，如：
指纹、人像、虹膜、掌纹、DNA等；而行为特征则是由生活习惯形成，是后天养成的，如：
声音、笔迹、步态等一般来说，各种生物特征识别技术其工作原理基本都是相同的，可以通过图1-1
来说明：
图1-1生物特征识别原理
与传统的身份鉴别方法相比，基于生物特征识别技术的身份识别与认证具有以下的优势：
1.与生物体具有共存性，不易忘记和遗失；
2.具有便利性，携带方便，不易损坏；
3.防伪性能好，不易被伪造和盗用。
1.2.2生物特征识别技术的发展以应用背景
由于人体的生物特征具有唯一性、特异性、不可复制性、高稳定性等特点，使得该技术逐渐得到了人们的接受，也越来越受到人们的关注。
很多国家的大学和研究机构以及商业公司投入了研究力量，并在20世纪末有了较快速的发展。
除了传统的图像处理（ICIP）、计算机视觉（ICCV）、模式识别（ICPR,CVPR）等国际知名会议，近年又出现了有关生物特征识别技术的专业学术会议，如：
AFGR（AutomaticFaceandGestureRecognition）、AVBPA（AudioandVideo-BasedPersonAuthentication），ICBA（InternationalConferenceonBiometricAuthentication）等。
生物特征识别属于模式识别问题，并且还涉及到信号处理、机器视觉、统计分析、进化计算、生理学、心理学以及认知科学等多个领域。
因此，生物特征识别技术的研究和应用具有十分重要的意义。
在美国、欧洲、中国香港等许多国家和地区的大学都成立了以人体生物识别技
术为主要研究方向的实验室或研究中心。
在我国，哈尔滨工业大学成立了第一个人体生物识别技术研究中心，已经开展了用于身份鉴别的人脸识别、话者识别、联机签名识别、指纹识别等多项研究工作，并取得了一定的成果。
另外，中科院自动化所国家模式识别实验室也已广泛开展人体生物识别技术方面的研究工作，清华大学、北京大学等高校及其他研究机构都有许多人员投身到这一新兴研究领域。
1998年9月24日，在美国华盛顿成立了全球生物识别工业联盟，它标志着生物识别技术最终从研究阶段转向实用生物识别技术的应用前景十分广阔。
随着生物识别技术的快速发展，其应用也越来越广泛，主要包括以下几个方面：
对机密信息的存取控制、国防安全、执法、福利发放、银行及信用卡方面的应用、疾病诊断方面的应用、户口和身份证管理等。
就目前来说，生物特征识别主要用于以下两个方面：
一是验证，目的是把当事人的身份与正在发生的行为联系在一起，确认行为的合法性，通常验证“是不是他?
”的一对一比对问题，主要用于安全系统；二是识别，目的是对系统的输入图像与存储在数据库中的大量参考图像进行比对，来确定输入图像即目标的身份，故称为识别“是谁?
”的一对多的比对问题，主要用于检测系统。
综上所述，生物特征识别技术不但在学术上具有极大的研究价值，而且在日常生活中具有极广泛的社会需求和应用领域。
生物特征识别技术以其巨大的优点，为我们提供了一个无需钥匙而完全安全的世界前景，显示出了强大的生命力。
近几年，其研究成果和应用产品的数量直线上升，在来自各方面需求的积极推动下，生物特征识别技术正在不断地推陈出新、蓬勃发展。
生物特征识别技术作为安全级别更高的新兴技术，在不远的将来必将逐步取代传统的基于物件或者口令的身份识别方法，在自动身份识别的安全领域中占据主导地位，从而推动各领域的技术革新。
1.3人脸识别
人脸是人类视觉中最为普遍地模式，人脸所反映的视觉信息在人与人的交流、交往中有着重要的作用和意义。
计算机人脸识别技术试图使计算机具有人的识别能力，由于其广泛的应用领域，人脸识别技术在近三十年里得到了广泛的关注和研究。
依托于图像理解、模式识别、计算机视觉和神经网络等技术，人脸识别技术在一定应用范围内获得了成功，并且正在被推向应用领域。
与其他生物识别技术，诸如指纹识别，掌形识别，眼虹膜识别和声音识别相比
较，人脸识别具有以下两点独一无二的特性：
1）适合要求隐蔽实行的场合。
其它生物识别方法一般需要人的某些自愿动作，如按指纹、签字等，而人脸识别对此要求甚低，使它更易于使用，特别适合要求隐蔽实行的场合，如罪犯侦缉等；
2）当记录一个企图登录的人的生物记录时，只有人脸能更直观，更方便的核查该人的身份。
例如，管理员仅凭双眼无法判断所登录的用户指纹是否确实与相同ID号用户所登记的指纹一致，但却可以比对面像。
人脸作为一种高普遍性、可以非接触式采集的重要生物特征，可以用以进行身份鉴别。
人脸识别技术可以被应用在多种不同的安全领域：
证件（如：
驾驶执照、护照）中的身份认证；楼宇进出的安全控制；重要场所中的安全检测和监控；智能卡中的身份认证。
人脸识别技术在信息安全领域也有着巨大的潜在应用价值。
随着网络技术日益走进人们的日常生活，越来越多的用户可以访问互联网，越来越多的信息被置入互联网。
而由于网络信息访问的便捷性，网络的安全控制成为一个日益迫切的重要问题。
利用人脸识别技术，可以进行计算机的登录控制，可以进行应用程序安全使用、数据库安全访问和文件加密，可以实现局域网和广域网的安全控制，可以保护电子商务的安全性。
人脸识别技术可以用于创建友好自然的人机交互方式，是智能计算机领域研究的重要内容之一。
一个可以识别使用者脸像的智能计算机，可以按照其特点为该使用者提供工作环境，从而使人与计算机之间的交互如同人与人
之间的交互一样轻松自如。
另外，人脸识别技术还被用在图像库检索技术，在大型人脸库中检索出与索引人脸相同或相近的脸像。
例如：
公安部门可以利用人脸识别技术进行罪犯库的管理和查询。
在日常生活中，人们识别周围的人用的最多的是人脸。
由于人脸识别的非侵犯性，具有直接、友好、方便的特点，是人们最容易接受的身份鉴别方式。
随着网络技术和桌上视频的广泛采用，图像捕捉设备正在成为个人计算机的标准外设，同时电子商务等网络资源的利用对身份验证提出了新的要求，人脸识别成为最有潜力的生物身份验证手段之一。
1.3.1人脸识别的研究内容
“人脸识别（FaceRecognition）”就是用计算机对人脸图像进行特征提取和识别的模式识别技术。
在20世纪70年代初对人脸识别的研究涉及心理学神经科学。
研究内容包括：
人脸对人身鉴定的唯一性；人脸全局特征和局部特征在人脸识别中的作用；表情的分析与使用；婴儿是如何识别人脸的等等。
其直接目的是要搞清楚人是如何对人脸识别的。
70年代中期以后，开展了用数学、物理和技术的方法对人脸自动识别的研究。
特别是在1990年以后，研究工作更加广泛和深入开展。
这些研究工作涉及模式识别、图像处理、计算机视觉和神经网络等学科领域。
计算机人脸识别的研究内容从广义上讲大概包括一下几个方面的内容：
1）人脸检测（FaceDetection），就是从各种不同的场景中检测出人脸的存在并确定其位置。
这方面的研究主要受光照、噪声、面部倾斜度以及各种各样的遮挡的影响。
2）人脸表征（FaceRepresentation），就是采取某种表示方法表示检测出的人脸和数据库中的已知人脸。
通常的表示法包括几何特征（如欧式距离、曲率、角度等）、代数特征（如矩阵特征矢量）、固定特征模版、特征脸、云纹图等。
3）人脸鉴别（FaceIdentification），就是通常所说的“人脸识别”，将待识别的人脸与数据库中的已知人脸比较，得出相关信息。
这个过程是选择适当的人脸表征方式与匹配策略。
整个识别系统的构造与人脸的表征方式密切相关。
4）表情姿态分析（ExpressionGestureAnalysis），就是对待识别人脸的表情或者
姿态信息进行分析，并对其进行分类。
5）生理分类（PhysicalClassification）：
就是对待识别人脸的生理特征进行分析，
得出其年龄、性别等相关信息。
人脸检测，人脸表征，人脸鉴别是我们通常意义上的建立人脸自动识别系统的
三个方面，人脸自动识别系统包括两个主要的技术环节，首先是人脸的检测和定位，即从输入图像中找到人脸存在的位置，并将人脸从背景中分割出来（即人脸检测），然后才是对规一化的人脸图像进行特征提取与识别（即人脸表征与人脸鉴别）。
相对来说表情姿态分析、生理分类是一个非常困难的研究方向,不过它在计算机图形学（尤其是计算机动画）领域有很广泛的应用前景，因此在最近几年得到了国内外很多从事计算机视觉（ComputerVision）的研究人员的注意。
我们研究的重点是在人脸检测，人脸表征，人脸鉴别方面，人脸表征与人脸识别就是通常意义上的人脸识别，下面如果没有特别注明，“人脸识别”就是指人脸表征与人脸鉴别，相对来说应用的范围要广一些。
下面就这方面的国内外研究现状作一些综述与分析。
1.3.2人脸检测
人脸检测与人脸识别作为人脸自动识别系统的两个主要技术环节之一，它们的研究有一定的独立性，这是由于在一些特定的场合人脸检测相对来说要简单一些。
但是最近几年随着人们越来越关心各种复杂情况下的人脸自动识别系统，人脸检测与定位得到了较多的重视。
人脸检测的基本思想是用知识或统计的方法对人脸建立模型，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在人脸的区域。
人脸检测由于场景，位置，方向的变化以及人脸的姿态（正面，侧面），表情，光线的变化等原因，使得人脸检测具有很强的挑战性。
人脸检测方法大致可以分为四类。
1：
基于知识的方法，2：
基于特征不变性方法，3：
基于模版匹配方法4：
基于外观的方法。
基于知识的方法，这类方法利用人的知识建立若干规则，从而将人脸检测转化为假设检验问题。
Yang中采用了一种分级的基于知识的人脸检测方法，也就是常说的马赛克方法，它给出了基于人脸区域灰度分布的规则，依据这些规则对图像从粗分辨率到高分辨率进行筛选，以样本满足这些规则的程度作为检测的判据。
这种方法在一组测试图像（60幅图像）中进行测试能够找到50幅图像中的人脸，类似的工作。
这类方法存在一个问题，就是如何将人所具有的知识转化为规则，如果规则过于严格仔细，会出现由于不能满足所有条件而不能检测到人脸，如果规则过于普遍，那么又会出现错误的检测。
同时这种方法无法适应人脸姿态变化。
基于特征不变性的方法，这类方法是基于这样一种假设，人们能够毫不费力的发现不同姿态不同光线下的人或物体，所以他们必然存在在这些变化下的不变的特征。
这一类方法主要有采用人脸特征检测，基于皮肤颜色纹理特征检测的，以及基于多个特征综合的检测方法。
这类方法的缺点在于这些特征会由于照明，噪声以及遮挡情况被破坏，在这种情况下很多方法都会失效。
基于模版匹配方法，这类方法首先人工定义或者参数化的建立一个函数来描述标准人脸模式（通常是正面人脸），然后根据输入的人脸和定义的标准人脸的相关性来进行检测。
主要有两类，预定义模版法和可变形模版法。
该类方法的好处在于比较容易实现，但是对于比例，姿态，形状变化的自适应不是很好。
最近提出了多分辨率模版，多比例模版，子模版等方法来适应比例及形状的变化。
基于外观的方法，这类方法主要依赖于统计分析和机器学习理论，对应于模版匹配的预先定义模版的方法，这类方法通过从样本图像学习获得“模版”进行人脸检测。
通过将人脸图像视为一个高维向量，从而将人脸检测问题转化为高维空间中分布信号的检测问题。
该类方法主要有特征脸（Eigenfaces）方法，这种方法将KL变换引入了人脸检测，在人脸识别中采用的是主元子空间（特征脸），而人脸检测利用是次元子空间（特征脸空间的补空间），用待检测区域在次元子空间上的投影能量，也即待检测区域到特征脸子空间的距离作为检测统计量，距离越小，表明越象人脸。
子空间方法的特点在于简便易行，但由于没有利用反例样本信息，对与人脸类似的物体的辨别能力不足。
神经网络方法，人脸检测可以看作是只有人脸样本和非人脸样本两个分类的模式识别问题，通过对人脸样本集和非人脸样本集进行学习可以产生分类器。
目前已经提出了多种神经网络结构用于人脸检测。
神经网络在人脸检测方面获得了很大的成功，不过由于神经网络中的结点数选择，网络层数选择以及学习速度的调整等不同对神经网络的检测结果有很大的影响，而目前又还没有一个这方面的理论可以进行计算，一般情况下是通过经验来确定神经网络的结构与参数，因此神经网络方法有一定的盲目性。
由于人脸模式的多样性和图像获取过程的不确定性，人脸在图像空间中分布非常复杂，建立人脸在高维图像空间的精确分布模型是一件非常困难是工作。
建立一个统计可靠的估计不仅需要大量的正例样本，而且还需要充分多的有效反例样本。
目前研究的一个趋势是反例样本的产生和利用问题。
这也是最终提高人脸检测正确率的必然道路。
根据具体应用的需要，对检测环境进行合理的假设，从而简化问题，提高系统的实用性能也是一条切实可行的途径。
知识与统计方法的综合应用是解决实际问题所必须的。
1.3.3人脸识别
人脸识别的输入图像通常有三种情况：
正面、侧面、倾斜。
由于实际情况的要求，对人脸正面模式的研究最多。
人脸识别的本质是一个三维塑性物体二维投影图像的匹配问题，它的困难体现在：
1：
人脸塑性变形（如表情等）的不确定性；2：
人脸模式的多样性（如胡须、发型、眼睛、化妆等）；3：
图像获取过程中的不确定性（如光照的强度、光源方向等）。
识别人脸主要依据人脸上的特征，也就是说依据那些在不同个体之间存在较大差异而对于同一个人则比较稳定的度量。
由于人脸变化复杂，因此特征表述和特征提取都比较困难。
在对人脸图像进行特征提取和分类之前一般要作预处理，主要包括几何规一化和灰度规一化。
几何规一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小。
灰度规一化是指对图像进行光照补偿等处理，光照补偿能够在一定的程度上克服光照变化的影响而提高识别率。
人脸特征提取与识别方法大概可以分为以下几类：
基于几何特征的识别方法，这类识别法将人脸用几何特征矢量表示，用模式识别中层次聚类的思想设计分类器达到识别目的。
这就要求选取的几何特征矢量具有一定的独特性，能够反映不同人脸之间的差别，同时又具有一定的弹性，以消除时间跨度、光照等的影响。
几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。
Poggio和Brunelli用改进的积分投影法取出用欧式距离表征的35维人脸特征矢量用于模式分类
人脸器官的关键点分别对应于不同的积分投影方式产生出的波峰波谷，根据人脸结构的先验知识，可以得出人脸各器官之间的几何位置关系。
该系统获得了90%以上的识别率。
但是Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模版法可以视为几何特征方法的一种改进，其基本思想是：
定义一个参数可调的器官模型（即可变形模板），定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即作为该器官的几何特征，这种方法的思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广；二是能量函数优化过程十分耗时，难以实际应用。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择，同时，采用一
升级会员 