中国海洋大学文献检索文献综述Word格式.docx

中国海洋大学文献检索文献综述Word格式.docx

《中国海洋大学文献检索文献综述Word格式.docx》由会员分享，可在线阅读，更多相关《中国海洋大学文献检索文献综述Word格式.docx（20页珍藏版）》请在冰豆网上搜索。

2.6人脸识别11

3人脸识别技术的应用11

3.1人脸识别技术应用综述11

3.2人脸识别技术的智能门禁系统12

3.3人脸识别技术应用于XX寻人13

3.4人脸识别系统在机场安检中的应用13

4当前研究现状和发展前景14

4.1研究现状14

4.2当前人脸识别技术存在的问题16

4.3发展前景16

5结语18

题目：

XXX，通信工程专业，2008级

文摘：

人脸识别技术是基于人的脸部特征，对输入的人脸图象进行判断其是否存在人脸，并识别每个人脸的身份的技术。

人脸识别技术相比传统身份识别技术具有诸多优点，在各行各业都具有广阔的应用前景。

本次检索系统地查询了关于人脸识别技术的实现方案、研究现状和发展前景、技术应用等相关信息，对人脸识别技术有了概念性的了解。

关键词：

人脸识别，生物识别技术，灰度变换，图像滤波去噪，直方图变换，人脸检测，人脸定位，人脸特征，PCA，AdaBoost，神经网络，

Title：

OverviewofFaceIdentificationTechnology

XXXX，CommunicationEngineering，Grade2008

Abstract：

FaceIdentificationTechnologyisatechnologybasedonhumanfacialcharacteristics,judgingwhetherhumanfacesexistinapictureandfiguringouttheidentificationofthehumanface.Comparedwithotheridentificationtechnology,faceidentificationhasmanyadvantages,andhasagreatapplicationandmarketingpotential.Inmydocumentretrieval,Isystemicallysearchedtheimplantationoffaceidentification,thecurrentsituationoftheresearchintofaceidentification,prospectandapplicationoffaceidentification.AndIhavegotaconceptualunderstandingofFaceIdentificationTechnology.

KeyWords：

faceidentification,BiometricsIdentification,Gray-scaletransformation,Denoisingfilterofimages,histogramtransformation,facedetection,humanfacefeatures,PCA,AdaBoost,Neuralnetwork

0引言

目的与意义：

人脸识别技术，属于电子信息、计算机科学领域，与我所学专业“通信工程”密切相关。

选择“人脸识别技术”作为此次文献综述的主题，紧贴专业所学知识进行更深层次的研究，既具有研究的优势，又可以对所学知识进行拓展和加深。

传统的身份识别技术有以指纹识别、虹膜识别为代表的生物识别技术和普通身份识别技术。

相比较这些方法而言，人脸识别技术具有使用方便、直观性突出、不易仿冒、识别精确度高、速度快等诸多优点，更易被人们接受。

在许多大型活动中，人脸识别技术已开始崭露头角。

2008年北京奥运会的部分场馆中已使用了该项技术提供安保工作；

2010年的首尔G20峰会大规模的使用了人脸识别技术进行安保工作。

在民用领域，基于人脸识别技术的智能门禁系统正在逐步推广，一些照相机中已经整合了人脸识别功能，联想等公司已开发出了具有人脸识别解锁的笔记本电脑，可谓渗透到日常生活的方方面面。

但总体来说，人脸识别在普通民用领域尚未大规模推广，具有非常大的市场前景。

国内外关于人脸识别技术的研究始于20世纪60年代，至今已有半个世纪。

国外，在诸如MIT、CMU、牛津等高等院校和Microsoft、SONY、Siemens、Google等国际公司的研究中心里，人脸识别技术正在一天天取得突破性的进展。

国内对其的研究主要在清华大学、中科院、哈尔滨工业大学等高等研究机构中，至今已取得较优异的成果。

据专家预测，最近十年内，该技术将能取得突破性的进展，更好的人脸识别方案可以在市场中大规模推广，届时我们就可以在生活中更好的享受到人脸识别技术带来的便捷。

本次检索系统地查询了关于人脸识别技术的实现方案、研究现状和发展前景、技术应用等相关信息，对人脸识别技术有了概念性的了解，期待在以后的学习中可以掌握人脸识别技术。

1人脸识别概述

1.1生物特征识别技术[1]

生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。

生物特征识别又称生物测定学（biometrics），是指通过计算机利用人体固有的生理或行为特征来进行身份识别和鉴定的科学。

基于各种生物特征识别技术的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，并开始进入社会生活的各个领域。

1.2人脸识别技术

人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流.首先判断其是否存在人脸；

如果存在人脸，则进一步的给出每个脸特征信息；

依据这些特征信息，将其与已知的人脸进行对比，从而识别每个人脸的身份。

[1]

随着社会的日益发展，各方面对有效快速的自动身份识别验证的要求日益迫切。

而这其中人脸识别又是最自然最理想最直接的手段，易于为人们所接受。

人脸识别技术应用领域广泛，像在公安刑侦破案、门禁系统、摄像监视系统、网络应用等领域都有应用，这项技术的应用对社会安全也起到重大促进作用。

[2]

2人脸识别技术的实现

2.1综述

一个完整的人脸识别系统，包含如下功能模块：

人脸图像获取，图像预处理，人脸定位与检测，人脸特征提取，人脸特征数据库构建，人脸识别。

数码相机、监视设备等采集来的人脸图像或视频流的一帧图像，经过预处理后，送入人脸检测模块，将人脸部分从整幅图像中提取出来，然后从该人脸图像进行特征提取，提取到的特征信息存储到数据库中，供最后的人脸识别模块使用。

其系统构成图如下：

图2.1典型人脸识别系统框架图

2.2图像预处理

由于光线、人位置、姿态多变等原因，数码相机或其他图像采集设备得到的图像一般不能直接拿来进行后期的人脸检测等操作，需要先经过图像预处理，减小由于光线、角度差异、噪声等各种影响后续操作的不利因素。

图像预处理主要包括图像灰度变化、直方图变换、滤波去噪等。

[3]

2.2.1灰度变换[4]

灰度变换可调整图像的动态范围或图像对比度,是图像增强的重要手段之一。

主要包括以下几类：

1.线性变换

令图像f（i，j）的灰度范围为[a，b]，线性变换后图像g（i，j）的范围为[a′,b′],如下图

图2.2线性灰度变换示意图

2.分段线性变换

为了突出感兴趣目标所在的灰度区间，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换。

如下图所示

图2.3分段线性灰度变换示意图

3.非线性灰度变换

当用某些非线性函数如对数函数、指数函数等，作为映射函数时，可实现图像灰度的非线性变换，如下图所示：

图2.4非线性灰度变换示意图

2.2.2直方图变换

图像直方图反映了数字图像中每一灰度级与其出现频率的关系，它能描述图像的概貌。

改变直方图可以改变图像灰度分布，增强其对比度。

常用的直方图变换包括直方图均衡化和直方图规定化。

1.直方图均衡化[6]

直方图均衡化算法是图象增强空域法中的最常用、最重要的算法之一它以概率理论作基础，运用灰度点运算来实现直方图的变换，从而达到图象增强的目的

2.直方图规定化[7]

直方图规定化方法是图像域变换中的常崩方法之一。

在实际应用中，有时需要变换直方罔使之成为某个特定形状，从而有选择地增强某个灰度范围的对比度，这样可以采用比较灵活的直方图规定化方法，选择合适的规定化函数就可以获得较好的效果。

2.2.3去噪滤波[8]

根据图像获取的途径。

噪声的融入有很多种方式，如下：

（1）图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地引入噪声信号；

（2）在图像采集过程中，物体和采集装置的相对运动，或采集装置的抖动，也会引入噪声，使图像变的模糊不清[2]；

（3）在图像数据的电子传输过程中，也不同程度的引入噪声信号。

这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。

对于用于人脸识别的图像，由于噪声的引入，将不可避免地造成识别率的下降。

对图像噪声的消除可以通过两个途径：

空间域滤波或频率域滤波。

消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。

主要的方法是：

线性滤波；

非线性滤波；

自适应滤波以及小波去噪等。

1.线性滤波

滤波器是对像素的邻域进行运算，输出图像的某一特定位置的像素值由输入图像相应位置的相邻的像素决定。

可以应用线性滤波消除某些特定的噪声信号。

比较常用的线性滤波器有平均滤波（即每个输出图像的像素值为输入图像的相应位置的相邻的像素的平均值）和高斯滤波等。

线性滤波的最大优点是算法比较简单且速度比较快，缺点是容易产生细节和边缘模糊。

2.中值滤波

中值滤波是非线性滤波中常用的一种滤波方式。

中值滤波和平均滤波相似，它是一种邻域运算，把邻域中的像素按灰度等级进行排序，然后选择该组的中间值作为输出像素值。

中值滤波器对脉冲信号的响应为零，在抑制脉冲噪声方面有很大的优势，在衰减随机噪声信号的同时不使边界模糊。

3.维纳滤波

维纳滤波这种滤波方法的效果比线性滤波好。

它是一种自适应滤波方法．不需要噪声信号的先验知识。

直接通过对图像的噪声估计，使滤波后的图像与原图达到均方差最小。

4.小波去噪

通过对小波分解系数进行阈值处理来去除噪声的基本思想来源于Donoho理论。

由于小波函数在时频域都有较好的局部性．同时其变尺度特性使得小波变换对信号具有一种“集中”的能力。

如果一个信号的能量在小波变换域集中于少数系数上，那么相对来说．这些系数的取值必然大于在小波变换域内能量分散于大量小波系数上的信号或噪声的小波系数值。

而噪声同小波系数分布规律相反，其系数均匀分布于整个尺度空间（小波空间）；

使得噪声的小波变换系数很小。

因此可以将小波系数分为两类，一类小波系数仅由噪声变换后得到，这类小波系数幅值小，数目多；

第二类小波系数由信号变换得来，并包含噪声变换结果，这类小波系数幅值大。

数目少。

从这点出发可以设置一个阈值，大于这个阈值的小波系数认为属于第二类小波系数，这样可以达到降低噪声的目的，而同时又保留大部分包含信号的小波系数，较好地保持图象主要信息。

下列图片展示了使用这些滤波方式得到的去噪结果：

图2.5：

原图像椒盐噪声污染图像中值滤波图像

图2.6模糊的图像维纳滤波后的图像

2.3人脸检测及定位[9]

人脸检测是人脸识别系统前期工作中最重要的模块，这一步骤的所获得的精度与速度直接影响整个系统的性能。

此外，人脸检测的应用也大大超越了人脸识别系统的范畴，存人脸表情识别系统，基于内容的检索，视频会议，二维人脸模型等方面也有重要的应用价值。

人脸的闩动检测是一类具有很大挑战性的问题，其主要难点在于：

（1）人脸是一类高度非刚性的目标，存在表情，肤色等差异；

（2）人脸上可能会存在一些附属物，诸如，眼镜，胡须等；

（3）人脸的姿态变化万，并且可能存在遮挡物；

（4）待检测图像性质的差异。

比如：

待检图像的分辨率，摄录器材的质量等；

（5）光源的种类和角度。

不同种类和角度的光源会对待检测的人脸产生不同性质的反射和不同区域的阴影。

针对以上问题，世界各国的科研人员进行了很多研究，得到了各种不同的人脸检测方案。

大体上，可以将人脸检测算法分为3类，分别为：

基于几何特征的方法、基于肤色模型的方法、基于统计模型的方法。

2.3.1基于几何特征的方法

所谓人脸的几何特征是指人类面部器官在几何上体现的特征，包括三种方案：

基于先验知识的方法，基于特征不变性的特点，基于模板的方法。

1）．基于先验知识的方法是将人脸面部器官之间的关系编码准则化的人脸检测方案。

该方法是一种自顶向下的方法，根据人脸面部器官的对称性、灰度差异等先验知识，制定出一系列准则。

当图像中的待测区域符合准则，则被检测为人脸。

2）．基于特征不变性的方法着眼于检测面部的一些不变的特征，例如眼睛、鼻子、嘴巴等。

与基于先验知识的方法不同，该方法是自底向上的，先利用各种手段寻找上述的不变特征，然后综合找到的这些特征来确定检测区域是否是人脸。

3）．基于模板的方法可以分为两类：

预定模板和变形模板。

预定模板方法首先制定出标准的模板，然后计算检测区域和模板的相关值，当相关值符合制定的准则就判定检测区域为人脸。

变形模板首先制定出模板参数，然后根据检测区域的数据对参数进行修改直至收敛，已达到检测人脸面部器官位置的目的。

2.3.2基于肤色模型的方法

在彩色图像中，人脸的肤色是个区别与非脸的很著的特征。

因此，利用人脸的肤色在彩色图像检测人脸是种很自然的想法。

经研究发现；

（1）在灰度图像下两个外形相似的图形很可能在颜色空间下相差巨大；

（2）不同人种的人脸肤色能在颜色空间中聚成相异的紧凑的类；

（3）影响肤色值变换的最耍因素是亮度而非色度。

根据以上性质，人们在研究中经常使用的颜色空间有RGB（三基色）、rgb（亮度归一化三基色）、HSI（色调、饱和度、亮度）、YCrCb（CCIR601编码方式的色度模型）、UCS（CIE提出的一种均匀色标体系）。

J．C．Terrillon等对两种不同色度模型和在九种色度空间下的人脸检测性能进行了分析和比较。

对选取合适的颜色空间进行人脸检测提供了参考依据。

2.3.3基于统计模型的方法

基于统计理论的人脸枪测是利用统计分析与机器学习的方法来寻找出人脸样本与非脸样本各自的统计特征，再使各自的特征构建分类器，使用分类器完成人脸检测。

基于统计特征的人脸方法主要有：

子空间方法，神经网络方法，支持向量机方法，隐马尔可夫模型方法以及Boosting方法。

1）.子空间法

子空间方法卡要包括两类：

主成分分析（PCA）方法和线性判别分析（LDA）方法。

主成分分析（PCA）方法是KL（Karhunen—LoOve）变换的别称。

该方法将样本图像进行KL变换以消除原来各分量之间的相关性，取变换后所得到的最大的若干个特征向量来表示原来的图像，保留了原图像差异的最大信息，这若干个特征向量就称为主成分。

图2.7PCA方法示例

2）.神经网络方法

神经网络方法进行人脸愉测的优点是可以简便的构造出神经网络系统作为分类器，使用人脸和非脸样本对该系统进行训练，让系统自动学爿两类样本复杂的类条件密度，这样就避免了人为假设类条件密度闷数所带来的问题。

3）.支持向量机方法

支持向量机（SVM）是由Vt.N.Vapnikf在1995年提出的一种新的统计学习理沦。

其指出经验风险（empiricalrisk）最小并不能保证期望风险最小；

提出了结构风险最小化原（StructureRiskMinimization，SRM）；

给出核心概念VC维（Vapnik．ChervonenkisDimension），指出为了最小化期望风险必须同时最小化经验风险和VC维。

4）.隐马尔科夫模型方法

隐乌尔可夫模型（HiddenMarkovModel，HMM）是一种存在两种机理的随机过程。

其一是有限状态的马尔可夫链，其二是序列的观察值。

因为不能直接得到马尔可夫链的状态，而只能通过观察值来观察，因此称为隐马尔可夫链。

5）.Boosting方法

Boosting方法是可以将弱分类器组合成为强分类器的统计学习方法。

其基本思想为对训练失败的训练样本赋以较大的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最后将由算法挑选出来的若干个弱分类器加权相加组成强分类器。

2.4人脸特征提取[10]

整体上说来，人脸特征可以包括局部特征和全局特征。

人脸识别的早期探索者们挑选出一些人脸面部的几何特征（如眼睛、鼻子、嘴、下巴的形状和相对位置）作为分类器的输入，识别效果不能令人满意。

在80年代末Kirby和Sirovich将KL变换的思想引入图像表示领域开发出一种最小均方误差意义下描述人脸图像的最优技术。

受此启Turk和Pentland利用利用重构权向量作为识别用的特征，提出“特征脸”识别技术，人脸识别领域迎来了“基于表征”的子空间分析方法的研究热潮，其中比较有代表性的工作有主成分分析（PCA）、线性判别分析（LDA）、独立成分分析（ICA）、Bayesian方法、基于核技术KernelPCA、KernelLDA等等。

2.4.1全局特征提取

PCA的目标是将图像表示在一个最优的坐标系中，此处的“最优”指达到最小重建误差或最小均方意义下的最优表达，因此PCA被广泛地用于人脸图像全局特征的提取。

由于任何基于表现的子空间方法都非常依赖于像素灰度之间的相关性，我们在提取全局特征之前有必要进行一系列归一化处理，以手工标定的两眼坐标为基准将所有人脸规整到统一的尺度（位置和角度（即标准的正面人脸）用直方图均衡化操作消除整体光照变化的影响#加入掩模去除头发和背景的干扰，选取最大的前k个特征值对应的“特征脸”组成一个规范正交的变换阵。

该阵可说明样本集在前k个轴上的能量占整个能量的95%以上。

2.4.2局部特征的提取与融合

大多数人脸识别方法主要的依据还只是待识别者面部的全局特征。

通过大量来自心理学和神经科学的关于人类生物识别机理的研究结果表明，它们对于构造计算机人脸自动识别系统具有重要的参考价值。

其中有一些结论就涉及到了人脸局部特征在整个识别过程中的地位与作用，该文特别提到，全局特征和局部特征对于人脸感知与识别都是不可或缺的，但研究表明全局特征描述通常作为感知的前端输入信息。

如果待识别者拥有特别明显的局部特征，则全局描述就会退居到一个比较次要的地位。

利用主成分分析算法来学习模拟人类视觉系统的自适应特征选择功能，以实现依靠每个人最具“个性”的若干局部特征进行快速人脸识别的目的。

在这里局部特征指的是正面人脸中左眉、右眉、左眼、右眼、鼻、嘴共6个子区域，它们包含了一个人面部的主要信息。

局部区域的切割依赖于人脸特征点的准确定位。

2.5人脸特征数据库构建

在特征提取模块提取到的人脸特征，必须要存储起来，才能作为后续人脸识别模块的比对标准，以此来实现人脸识别。

构建数据库中，要根据人脸特征，进行多层次、多关键词的索引机制，以提高人脸识别速率。

例如，特征数据库的索引分类的上层应包括脸型、人脸周长面积比、人脸拟合椭圆离心率等基本几何特征，而使用PCA提取出的细节方面的特征则应在综合后作为下级数据库的索引。

2.6人脸识别[11]

该模块的主要功能是将待检测图像经过一系列处理后、提取出的特征数据在已存在的特征数据库中进行比对、索引。

在满足一定误差（统计得到）的条件下，返回搜寻到人脸的主人信息。

由于一般不能保证100%的准确，我们一般都要返回多个“最近似人脸图像”的人的信息，作为人脸识别结果。

人脸识别在本质上是一个多类判别过程，我们采用一个分类器分类两类问题，通过若干分类器的组合完成多类识别。

从而达到对人脸的正确识别。

3人脸识别技术的应用

3.1人脸识别技术应用综述[1]

随着人脸识别技术的进一步成熟和社会认同度的提高，人脸识别将能在更多领域施展自己的拳脚：

1．企业、住宅安全和管理。

如人脸识别门禁考勤系统，人脸识别防盗门等。

2．电子护照及身份证。

这或许是未来规模最大的应用。

在国际民航组织（ICAO）已确定，从2010年4月1日起，其118个成员国家和地区，必须使用机读护照，人脸识别技术是首推识别模式，该规定已经成为国际标准。

美国已经要求和它有出入免签证协议的国家在2006年10月26日之前必须使用结合了人脸指纹等生物特征的电子护照系统，到2006年底已经有50多个国家实现了这样的系统。

今年年初，美国运输安全署（TransportationSecurityAdministration）计划在全美推广一项基于生物特征的国内通用旅行证件。

欧洲很多国家也在计划或者正在实施类似的计划，用包含生物特征的证件对旅客进行识别和管理。

中国的电子护照计划公安部一所正在加紧规划和实施。

3．公安、司法和刑侦。

如利用人脸识别系统和网络，在全国范围内搜捕逃犯。

4．自助服务。

如银行的自动提款机，如果用户卡片和密码被盗，就会被他人冒取现金。

如果同时应用人脸识别就会避免这种情况的发生。

5．信息安全。

如计算机登录、电子政务和电子商务。

在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。

而当前，交易或者审批的授权都是靠密码来实现。

如果密码被盗，就无法保证安全。

如果使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一。

从而大大增加电子商务和电子政务系统的可靠性。

3.2人脸识别技术的智能门禁系统[12]

1）.智能门禁系统的结构

智能门禁系统的硬件组成如图1所示。

门禁终端的电锁安装在各自所控制的门上,根据传输的不同识别信号执行打开或关闭门的动作,也能根据门的状态发出不同的提示或报警信号。

电锁与门禁控制器相互连接,识别信号传输至门禁控制器转换后为控制信号,驱动电锁,控制门的开关。

门禁控制器接收电锁的回馈信号,分析和判断电锁目前的工作状态,将判断信号传输至安防报警系统,进一步驱动执行装置。

图3.1智能门禁系统的结构

2）.人脸图像仿真系统的设计

计算机仿真系统的功能模块框图如下图所示。

按照人脸图像识别的流程,人脸图像识别系统主要包括以下几个模块。

图3.2人脸图像识别系统的功能模块框图

3）.仿真实验结果及分析

利用Yale人脸图像库中的人脸图像,分4种分块加权的情况进行试验。

下面两表给出了仿真实验结果。

表3.1分块加权方法的识别结果

表3.2剔除嘴部分分块加权方法的识别结果

3.3人脸识别技术应用于XX寻人

中国科学院计算技术研究所的人脸识别技术已成功应用于XX公司的网络寻人平台“XX寻人”．以帮助失踪儿童尽快和家人团圆“XX寻人”是XX公司推出的公益互动开放平台．借助其业界领先的搜索技术、庞大的用户规模、海量的数据优势．建立起了全国范围内失踪儿童与流浪儿童的开放数据库在此基础上．该平台利用中科院计算所无偿提供的人脸识别技术．可迅速地匹配孩子的照片．帮助家长和热心网友在第一时间获取失踪儿童的相关信息。

3.4人脸识别系统在机场安检中的应用[11]

随着我国民航事业的发展，客流量增多，机场安检工作量加大，传统的低效率人工安检手段已不能满足大型国际机场