人脸识别技术研究背景与方法Word文件下载.docx

人脸识别技术研究背景与方法Word文件下载.docx

《人脸识别技术研究背景与方法Word文件下载.docx》由会员分享，可在线阅读，更多相关《人脸识别技术研究背景与方法Word文件下载.docx（9页珍藏版）》请在冰豆网上搜索。

因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入人们社会生活的各个领域，迎接新时代的挑战。

美国政府在“9.11”事件以后连续签署了三个国家安全法案，要求采用生物识别技术。

2003年6月，联合国国际民用航空组织公布了其生物技术的应用规划，将在个人护照中加入生物特征如指纹、虹膜、人脸特征等，并在入境时进行个人身份确认。

业内专家估计，未来5年，我国也将形成近百亿元的市场。

目前，所有基于生物特征的自动识别系统都有大体相同的工作原理和工作过程。

首先是采集样本，这些样本可以是人脸图像、声音、指纹等;

其次是进行特征提取，即提

取样本的某些特征，用某种算法为其分配一个特征代码，这一代码被存入数据库。

最后当需要对某人进行身份鉴定时，再用某种特征匹配算法将存入数据库的特征代码与被识别人的特征相匹配，从而查明其身份。

生物特征识别技术是利用人体特有的生理或行为特征来进行身份识别。

人的生理特征是与生俱来的，而行为特征通常则是后天习惯养成的。

从理论上说，任何人体的生理或行为特征，只要满足一定要求，如普遍性、唯一性、稳定性、取样方便性、用户可接受性、样本防伪性、计算复杂性等条件，都可以用来作为识别个人身份的特征生物特征识别技术可分为基于生理特征的生物识别技术和基于行为特征的生物识别技术。

目前，研究比较深入，应用比较广泛的生物识别技术有:

指纹、人脸、人脸温谱、虹膜、视网膜、手型、声纹以及签名等。

指纹、人脸、人脸温谱、虹膜、视网膜和手型为生理特征，声纹和签名为行为特征。

生物特征的详细分类如图1所示。

图1

1.1人脸检测技术概述

近年来,人脸检测已经吸引了更多科研人员的注意。

任何人脸处理系统的第一步都是检测人脸在图像中的位置。

然而,从一幅图像中检测人脸是一项极具挑战性的任务,因为其尺度、位置、方向和位姿都是变化的,面部表情、遮挡和光照条件也是变化的。

人脸检测（FaceDetection）是指在输入图像中确定所有人脸（如果存在）的位置、大小和位姿的过程。

人脸检测作为人脸信息处理中的一项关键技术,近年来已成为模式识别与计算机视觉领域内一项受到普遍重视,研究十分活跃的课题。

1.2人脸检测的研究内容

人脸检测，可以被看作是两级的识别问题，即图像区域被分为“有人脸”和“无人脸”。

人脸检测技术是少数试图识别（而不是抽象的陈述）那些有大量内在变异之类图像的技术之一。

人脸识别或辨认、人脸定位以及人脸追踪等都与人脸检测密切相关。

人脸定位的目的是确定图像中人脸的位置。

假设一幅图像中只存在一张脸,则面部特征检测的目的是检测特征的存在和位置,如眼睛、鼻子（鼻孔）（眉毛）（嘴）（嘴唇）耳朵等。

人脸识别或辨认是将输入图像与数据库中的图像比对,如果存在,报告匹配结果。

人脸识别的目的是检验输入图像中的个体的身份,而人脸追踪方法是实时地、连续地估计在图像序列中的人脸的位置和可能的方向。

面部表情识别涉及识别人类的情感状态（高兴、悲伤、厌恶等）。

很明显,在任何解决上述问题的自动识别系统中,人脸检测是第一步。

现在有许多和人脸检测密切相关的问题，面像定位的目的是在假定输入图像只包含一张脸的前提下确定这个单一的脸的位置。

面部特征检测的目的是在假设图像中只包含一个人脸的前提下发现眼睛、鼻子、鼻孔、眉毛、嘴、嘴唇、耳朵的存在和特征位置。

人脸识别和人脸检测将输入的图像（探测器）和数据库（图库）的数据做对比，如果有匹配，则报告这些匹配。

面像认证的牧师是在输入图像中验证一个人的身份，而面像追踪可以持续不断的估计一个实时图像序列中人脸的位置与定位。

面像表情识别关注的是人类的情感状态识别（开心、伤心、厌烦）。

显然，在任何自动化系统中，人脸检测都是解决以上问题的第一个步骤。

值得一提的是，尽管许多报纸都在使用“人脸检测”，但是所使用的方法和得到的实验结果表明只能在一个图像中定位单一的人脸。

人脸检测还提供了有趣的、有挑战性的基本图案分类和相关学习技巧。

当未加工或过滤的图像输入到图案分类器，它的特征空间维度是非常大的（即规范化教学图像的像素）。

有人脸和无人脸图像都绝对具有多通道分布函数和有效地判定范围，这个判定范围在图像空间通常是非线性的。

为了变得有效，分类器必须能推断适度的训练样本，或者更有效率地处理高维度训练样本。

人脸检测是一项具有挑战性的任务，因为：

（1）人脸的大小、位置、方向、姿态（正面、侧面、倾斜）、表情、外观等具有可变性；

（2）人脸上可能存在眼镜、胡须等附属物，而且这些附属物的形状、颜色、大小等有很大的可变性；

（3）人脸图像获取过程的不确定性，例如，光照强度、光源的数目和方向、拍摄角度、照相机的特性等；

（4）人脸可能被其他物体部分遮住。

所以，提出一种能有效地检测到任何情况下的任何人脸的通用方法还不现实。

2人脸检测方法

从一幅图像中检测人脸的方法可以分为以下四种:

（1）基于知识的方法（Knowledge-basedMethods）。

它将典型的人脸形成规则库对人脸进行编码。

通常,通过面部特征之间的关系进行人脸定位。

（2）特征不变方法（FeatureInvariantApproaches）。

该算法的目的是在姿态、视角或光照条件改变的情况下找到存在的结构特征,然后使用这些特征确定人脸。

（3）模板匹配方法（TemplateMatchingMethods）。

存储几种标准的人脸模式,用来分别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并用于检测。

（4）基于外观的方法（Appearance-basedMethods）。

与模板匹配方法相反,从训练图像集中进行学习从而获得模型（或模板）,并将这些模型用于检测。

2.1基于知识的方法

基于知识的方法是基于规则的人脸检测方法,规则来源于研究者关于人脸的先验知识。

一般比较容易提出简单的规则来描述人脸特征和它们的相互关系,如在一幅图像中出现的人脸,通常具有互相对称的两只眼睛、一个鼻子和一张嘴。

特征之间的相互关系可以通过它们的相对距离和位置来描述。

在输入图像中首先提取面部特征,确定基于编码规则的人脸候选区域。

这种方法存在的问题是很难将人类知识转换为明确定义的规则。

如果规则是详细的（严格的）,由于不能通过所有的规则检测可能失败;

如果规则太概括（通用）,可能会有较高的错误接收率。

此外,很难将这种方法扩展到在不同的位姿下检测人脸,因为列举所有的情况是一项很困难的工作。

Yang和Huang使用分层的基于知识的人脸检测方法,他们的系统由三级规则组成。

在最高级,通过扫描输入图像的窗口和应用每个位置的规则集找到所有可能的人脸候选区。

较高级的规则通常描述人脸看起来像什么,而较低级的规则依赖于面部特征的细节。

多分辨率的分层图像通过平均和二次采样生成,如图2所示。

编码规则通常在较低的分辨率下确定人脸的候选区,包括人脸的中心部分（图3中较浅的阴影部分）,其中有四个基本上相同的灰度单元。

图2分层图像

图3人脸候选区

在人脸的上层周围部分具有相同的灰度。

人脸的中心部分和上层周围的灰度不同。

最低分辨率的（Lever1）图像用于搜索人脸的候选区并在后面较精细的分辨率下作进一步处理。

在Lever2完成人脸候选区的局部直方图均衡化,并进行边缘检测。

继续存在的候选区在Lever3用其他的人脸特征,如眼睛、嘴等对应的规则进行检查。

这种方法的特点是用从粗—细的策略来减少所需要的计算,虽然它没有很高的检测率,但采用多分辨率分层的思想和指导搜索的规则已经用到后面的人脸检测工作中。

Kotropoulos和Pitas提出了一种基于规则的定位方法。

用投影方法确定面部特征,I（x,y）是m×

n图像中（x,y）位置的灰度值,图像的水平和垂

直投影定义为

和

。

通过在HI中的急剧

变化检测到两个局部最小点,它对应于头部的左右两边,获得输入图像的水平轮廓。

类似地,获得垂直的轮廓,局部最小点的确定用于定位嘴唇、鼻尖和眼睛。

这些检测到的特征组成了面部候选区。

李华胜等人提出通过区域增长从人脸图像中分割出人脸,再利用边缘检测、Hough变换、模板匹配和方差投影技术可以快速有效地提取出人脸面部器官,如眼睛、鼻子和嘴巴等特征。

实验结果表明其所采用的方法具有较高的准确率（95.5%）和光照鲁棒性。

姜军等人提出了一种基于知识

的快速人脸检测方法。

采用符合人脸生理结构特征的人脸镶嵌图模型。

在分析了足够多的人脸图像样本基础上,针对人脸图像的灰度和边缘信息,建立了一种较为完备的知识库;

为加快检测速度,采用了多级检测步骤。

实验结果表明,其方法具有较强的鲁棒性,能够很好地解决复杂背景下的多人脸检测问题。

卢春雨等人对镶嵌图方法进行了改进,按照人脸器官的分布将人脸划分为3×

3个马赛克块,在检测中自适应地调整各块的大小,使用一组基于各块灰度和梯度统计特征的知识规则检验该区域是否为人脸,取得了较好的实验结果。

2.2基于特征的方法

基于特征的方法不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。

与基于知识的方法相反,它是寻找人脸的不变特征用于人脸检测。

人们已经提出了许多先检测人脸面部特征,后推断人脸是否存在的方法。

面部特征,如眉毛、眼睛、鼻子、嘴和发际,一般利用边缘检测器提取,根据提取的特征,建立统计模型描述特征之间的关系并确定存在的人脸。

基于特征的算法存在的问题是,由于光照、噪声和遮挡等使图像特征被严重地破坏,人脸的特征边界被弱化,阴影可能引起很强的边缘,而这些边缘可能使得算法难以使用。

Sirohey提出了从复杂的背景中分割人脸进行人脸识别的定位方法。

它使用边缘图和启发式算法来去除和组织边缘,而只保存一个边缘轮廓,然后用一个椭圆拟合头部区域和背景间的边界。

Graf等人提出定位灰度图像的面部特征和人脸的检测方法。

在滤波以后,用形态学的方法增强具有高亮度、含有某些形状（如眼睛）的区域。

Leung等人提出一种基于局部特征检测器和任意图匹配的概率方法,在复杂场景中定位人脸。

其目标是找到确定的面部特征的排列。

典型的人脸用五个特征（两只眼睛、两个鼻孔和鼻子与嘴唇的连接处）来描述。

Yow和Cipolla提出了一种基于特征的方法。

在第一阶段,应用了二阶微分Gaussian滤波器,在滤波器响应的局部最大点检测感兴趣的点,指出人脸特征可能的位置;

第二阶段,检查感兴趣点周围的边缘并将它们组成区域。

这种方法的优点是可以在不同的方向和位姿上检测人脸。

H