电子信息新技术系列讲座报告 18.docx
《电子信息新技术系列讲座报告 18.docx》由会员分享，可在线阅读，更多相关《电子信息新技术系列讲座报告 18.docx（12页珍藏版）》请在冰豆网上搜索。
电子信息新技术系列讲座报告18
电子信息新技术系列讲座报告
班级电子1102
学号
姓名尹義锋
``````2014年12月
人脸识别技术与发展
人脸识别技术
人脸识别技术是目前被广泛研究的热门课题。
人脸识别技术就是利用计算机分析人脸图像，通过检测对比人脸数据库中的所有已知原型人脸图像来达到“辨认”身份的目的。
随着科学技术的发展及各种技术手段的综合应用，人脸识别技术将在视频监控、访问控制等领域有着广阔的应用前景。
人脸识别检测研究，主要包括人脸检测技术和人脸识别技术的研究。
人脸识别检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是，则返回人脸的位置、大小和姿态，接着对人脸进行识别。
它是一个复杂的具有挑战性的模式检测问题。
同时，人脸检测要走向实际应用，精度和速度是亟需解决的两个关健问题，自20世纪90年代以来，人脸检测的精度得到了大幅度的提高，但是速度却一直达不到应用系统用户满意的程度，为此研究者们付出艰辛的努力，直到21世纪Viola基于AdaBoost算法的人脸检测器的发表，人脸检测的速度才得到了实质性的提高，该算法的发表也促进了人脸检测研究的进一步蓬勃发展。
背景及研究现状
身份识别与验证是人类社会日常生活中的基本活动之一。
尽管也许是无意识的，我们每天都要对很多人的身份做出判别，同时，每个人也都要经常通过各种方式和手段证明自己的身份，目前我们大多数情况下仍然依赖于传统的身份验证手段来完成身份识别过程，这些手段包括各类标识物如身份证、学生证等各类证件，钥匙，口令等，然而这些方式使用不方便、不安全、不可靠的缺点不言而喻，证件、钥匙携带不便证件可以被伪造钥匙可能会丢失密码,这些缺点使得它们越来越不能满足现实的需要。
目前广泛使用的依靠证件、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已经不能适应现代科技发展和社会进步的需要。
随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。
生物特征识别利用人类特有的生理特征如指纹，虹膜等或行为特征如签名，声音等进行身份识别。
基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一。
人脸识别技术的研究始于20世纪60年代末期。
20世纪90年代后期以来，一些商业性的人脸识别系统逐渐进入市场，但是，这些技术和系统离实用化都有一定距离,性能和准确率也有待提高。
美国遭遇恐怖袭击后，这一技术引起了广泛关注。
作为非常容易隐蔽使用的识别技术，人脸识别逐渐成为国际反恐和安全防范最重要的手段之一。
近年来，人脸识别在中国的市场，也经历着迅速的发展，而且发展的脚步也越来越快。
主要原因为：
1、科技的进步
国际上，美国标准与技术研究院（NIST）举办的FaceRecognitionVendorTest2006，通过大规模的人脸数据测试表明，当今世界上人脸识别方法的识别精度比2002年的FRVT2002至少提高了一个数量级（10倍），而对于高清晰，高质量人脸图像识别，机器的识别精度几乎达到100%。
在我国，近年来科技界和社会各个方面都认识到人脸识别技术的重要性，国家政策对人脸识别技术研究给予了很大支持，使得我国人脸识别技术也得到了迅速的发展。
2、应用需求的增加
越来越趋向于高科技的犯罪手段使得人们对各种场合的安全机制要求也近乎苛刻，各种应用需求不断涌现。
人脸识别市场的快速发展一方面归功于生物识别需求的多元化，另一方面则是由于人脸识别技术的进步。
从需求上来说，除了传统的考勤、门禁等应用外，视频监控环境下的身份识别正成为一种迫切的需求，即在一个较复杂的场景中，在较远的距离就识别出特定的人，这显然是其它生物识别方法所欠缺的，而人脸识别却是一个极佳的选择。
国家“十一五”科技发展规划将人脸识别技术的研究与发展列入其中，明确指出：
“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，开发具有高安全性、低误报率的出入口控制新产品。
”在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展。
如中科院自动化所，清华大学，中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。
传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们最熟悉的识别方式，已有30多年的研发历史。
但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。
解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。
但目前这两种技术还远不成熟，识别效果不尽人意。
最近迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。
它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。
这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。
技术原理
近年来，人们对人脸检测和识别方法以及三维人脸的重建方法等的研究有了很大的进步，研究方法越来越多。
目前人脸识别技术的研究主要分为以下两大类：
人脸检测和人脸识别。
人脸检测的方法主要有基于知识的方法、基于特征的方法、模板匹配和基于外观的方法等四种。
根据特征提取和选择方法的不同，以及出现的时间顺序，把人脸识别方法分为三大类：
早期的几何特征方法和模板匹配方法、神经网络方法和统计方法。
其中的分类只是相对的，有些方法可能也可以交叉存在。
1.1基于知识的方法
基于知识的方法（Knowledge-BasedMethods）一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。
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3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象什么，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中较浅的阴影部分，其中有个基本上相同的灰度单元。
图Yang和Huang的检测方法
1.2基于特征的方法
基于特征的方法（Feature-BasedMethods）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。
和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、嘴和发际等，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。
1.3模板匹配的方法
Sakai等人用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人脸。
每一个子模板按照线分割定义。
基于最大梯度变化提取输入图像的线，然后与子模板匹配。
计算子图像和轮廓模板之间的相互关系检测人脸的候选区域，完成用其他子模板在候选区域的匹配。
Craw等人提出了一种基于正面人脸的形状模板即人脸的外形定位方法。
用Sobel算子提取边缘，将边缘组织在一起，根据几个约束条件去搜索人脸模板。
在头轮廓定位。
Govindaraju等人提出两个阶段的人脸检测方法。
人脸模型根据边缘定义的特征构成。
这些特征描述了正面人脸的左边、发际和右边的曲线。
人脸必须是垂直、无遮挡和正面的。
1.4基于外观的方法
基于外观的方法首先通过学习，在大量训练样本集的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分类器检测扫描到的图像窗口中是否包含人脸，若有则给出人脸所在的位置。
Moghaddam和Pentland提出在高维空间利用特征空间分解密度估计的概率视觉学习方法。
用主成分（PCA）分析来定义子空间从而最好地表示人脸模式集。
主成分保存数据中主分量而丢弃了那些次分量。
这种方法把向量空间分解为互相排斥和互为补充的2个子空间主子空间或特征空间和它的正交子空间。
因此对象密度被分解为个2成分在主子空间由主分量张成的密度，和它的垂直成分（在标准的PCA中被丢弃的次分量）如图所示。
用多变量Gaussians和混合Gaussians密度分布进行学习人脸局部特征的统计。
然后将这些概率密度用于基于最大
似然估计的对象检测。
这种方法已经被用于人脸定位、编码和识别。
和传统的特征脸方法相比，此方法在人脸识别方面表现出更好的性能。
图像空间分解为主子空间和垂直补空间
2人脸识别方法
2.1早期的几何特征方法和模板匹配方法
最早的人脸识别方法就是基于几何特征的方法[13]，它的基本思想是提取人脸面部具有代表性的部位（例如眉毛、眼睛、鼻子、嘴巴等）的相对位置和相对大小作为特征，再辅以人脸轮廓的形状信息，来对人脸进行分类和识别。
模板匹配方法是模式识别中最简单的一种模式分类方法。
在人脸识别中，就是把数据库的人脸图像看成是已知的模板，然后根据计算待识别图像和已知模板间的相关性大小来分类。
2.2神经网络方法
基于神经网络的人脸识别方法也早期的方法之一。
目前较流行的基于动态链接结构的弹性图匹配（ElasticGraphMatching）方法，并且取得了一定的成功。
它是通过Gabor小波来提取并描述人脸中的一些局部特征点（节点），并把它们用成标记图（LabeledGraph）的形式连接起来，用标记图之间的相似度来衡量人脸图像之间的相似度。
弹性图匹配方法不但体现了人脸中的几何特征信息，而且还可以通过标记图的弹性形变来描述人脸的一些变化，因而能取得较好的识别性能。
2.3基于统计的方法
统计方法是目前最受注意的一类方法。
它的思想就是想通过学习来得
到人脸的统计特征，并以此来判别分类。
其学习和识别过程的模型如下图
所示。
图统计方法识别模型
子空间分析（SubspaceAnalysis）方法是其中的主要的一种，它的思想就是把高维空间中松散分布的人脸图像，通过线性或非线性变换压缩到一个低维的子空间中去，在低维的子空间中使人脸图像的分布更紧凑，更有利于分类。
另外，也使高维的计算减小为低维计算。
目前在人脸识别中得到成功应用的线性子空间分析方法有：
主元分析（PrincipalComponentAnalysis/PCA）、线性判决分析（LinearDiscriminantAnalysis/LDA）、独立元分析（IndependentComponentAnalysis/ICA）、非负矩阵因子（Non-negativeMatrixFactorization/NMF）；基于核技巧的非线性子空间分析有：
核主元分析（KernelPrincipalComponentAnalysis/KPCA）和核Fisher判决分析（KernelFisherDiscriminantAnalysis/KFDA）。
核主元分析法如下：
基于线性子空间分析方法的人脸识别，实际上是把实际人脸图像中存
在的表情、姿态、光照等复杂的变化进行了线性简化，因此不可能得到充分的描述。
核技术的思想就是利用一非线性映射，把原空间的数据映射到一隐特征空间F中：
Φ:
x∈Rn→f∈F，然后在隐特征空间中对数据进行分析，从而可得到有效地分析原始数据的非线性关系。
而在计算上，并不需要明确的计算这个非线性变换Φ,只需要计算在隐特征空间F中两两向量的点积即可（3.1）。
隐特征空间F就是通过这样的点积来描述的。
k（x,y）=（Φ（x）*Φ（y））（3.1）
常用的点积核函数有三种：
多项式点积核函数、径向基点积核函数和
Sigmoid点积核函数。
核主元分析是由Scholkopf等[17]首先提出来的，其思想就是把核技术
和主元分析结合起来。
首先用核技术把原始数据投影到隐特征空间F中，
再对其作线性主元分析，那么就得到了相对于原空间的一个非线性主元子
空间。
根据主元分析的原理，求解在隐特征空间F中的主元就等同于求解
如下的特征值问题：
λwΦ=SΦwΦ（3.2）
其中，SΦ表示样本在隐特征空间F中投影的离散度矩阵。
因为在隐特征空间中作线性变换，所以存在这样的关系：
对应于λ≠0
的特征向量wΦ必存在于由Φ（x1）,Φ（x2）,...,Φ（xN）所张成的空间中。
数学
上就可把wΦ用式（3.3）来表示：
（3.3）
把（3.3）代入（3.2）中，则特征值的求解问题就变
成了解下面的特征值问题：
Nλα=Kα（3.4）
其中，矩阵K是一个N×N的矩阵，Ki,j=k（xi,xj）=（Φ（xi）,Φ（xj）），
α=（α1,α2,...,αN）T。
同理，可以选择对于前m个大的特征值的特征向量作为隐特征空间F
中的主元，那么原空间中数据x在wΦ上的投影就是：
人脸识别的发展历程
按照人脸识别的自动化程度，人脸识别的发展经历了以下三个阶段：
第一阶段是机械式识别阶段：
早期的人脸识别，是在已经得到一个正面人脸图像的基础上进行的，以Bertillon、Allen、Parke为代表，主要研究人脸识别所需要的面部特征。
在Bertillon的系统中，用一个简单的语句与数据库中的某一张脸相联系，同时与指纹分析相结合，提供了一个较强的识别系统。
为了提高脸部识别率，Allen为待识别脸设计了一种有效且逼真的摹写。
Parke则用计算机实现了这一想法，并产生了较高质量的人脸灰度图模型。
但是，这一阶段的人脸识别过程全部依赖于操作人员，没有实现系统的自动识别功能。
第二阶段是人机交互式识别阶段：
这一阶段所采用的主要技术方案是基于人脸几何结构特征（Geometricfeaturebased）的研究方法，此方法的思想是首先检测出眼、鼻、嘴等脸部主要部件的位置和大小，然后利用这些部件的总体几何分布关系以及相互之间的参数比例来识别人脸，忽略了局部细微特征，更适合于粗分类。
代表性工作有Goldstion、Harmon和Lesk等人用几何特征参数来表示人脸正面图像。
他们采用21维特征矢量表示人脸面部特征，并设计了基于这一特征表示法的识别系统。
Kaya和Kobayashi则采用了统计识别的方法，用欧氏距离来表示人脸特征如嘴唇与鼻子之间的距离，嘴唇的高度等。
更进一步地，T．Kanad设计了一个高速且有一定知识导引的半自动回溯识别系统，创造性地运用积分投影法从单幅图像上计算出一组脸部特征参数，再利用模式分类技术与标准人脸相匹配。
Kanad的系统实现了快速、实时的处理，促进了人脸识别系统走向实际应用领域。
不足的是，此类方法仍需要利用操作员的某些先验知识，仍然摆脱不了人的干预。
第三阶段是真正的机器自动识别阶段：
20世纪90年代以来，人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、用户配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司，人脸识别的商业系统得到了进一步发展。
从技术角度上看，2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。
但是，主流的人脸识别技术在非约束环境下（多姿态、遮挡等多种变化因素），识别率下降非常快，不能满足实际应用。
总体而言，目前建立一个鲁棒的人脸识别系统仍然是一个很困难的问题。
非理想成像条件下（尤其是光照和姿态）、用户不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。
小结与展望
人脸识别较之于其它生物识别技术，在社会公共安全领域的应用，具有更明显的优势。
首先是其自然性，该识别技术同人类（甚至其它生物）进行个体识别时所利用的生物特征相同。
例如脸部识别，人类也是通过观察比较人脸区分并确认身份的，另外具有自然性的识别还有语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其它生物并不通过此类生物特征区别个体。
其次是其不被察觉性，不被察觉对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。
人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者近距离采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。
这一特点特别适用于逃犯跟踪系统。
再则是其非接触性和唯一性，使其更加适合运用于公安刑侦系统，门禁考勤系统，网络应用系统等。
应用前景
目前生物识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。
例如，一位储户走进了银行，他既没带银行卡，也没有回忆密码就径直提款，当他在提款机上提款时，一台摄像机对该用户的眼睛扫描，然后迅速而准确地完成了用户身份鉴定，办理完业务。
这是美国德克萨斯州联合银行的一个营业部中发生的一个真实的镜头。
而该营业部所使用的正是现代生物识别技术中的“虹膜识别系统”。
此外，美国9.11事件后，反恐怖活动已成为各国政府的共识，加强机场的安全防务十分重要。
美国维萨格公司的脸像识别技术在美国的两家机场大显神通，它能在拥挤的人群中挑出某一张面孔，判断他是不是通缉犯。
随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
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。
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。
但是使用生物特征，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。
人脸识别产业的发展
这些年来我国经济发展日新月异，政府各部门对利用新技术解决关键问题热情支持。
人脸识别技术广泛应用到电子护照、生物特征身份证、银行系统、公安系统、电子商务、电子政务等系统中，不但可以提高社会运行的效率，也可以大大增强公民日常生活的安全性。
这将是一件功在当代利在千秋的好事。
发展人脸识别技术离不开标准化工作。
目前人脸识别标准化工作在公安部一所、电子技术标准研究所和中科院自动化所的倡导下，正在积极进行。
这个工作不仅为规范国内技术产品提供标准化规范，也将为中国技术进入国际提供平台。
当前，人脸识别技术的应用还没有做到“普及”，但是不能否认，它已经在开始影响着我们的生活。
我国人口规模巨大，经济增长迅速，对可靠的人脸识别技术的需求也越来越迫切。
通过一批专家学者孜孜不倦地努力，我国的人脸识别技术已经不落后于发达国家。
随着技术瓶颈的进一步突破，市场的进一步规范，人脸识别技术将有着广阔的应用前景，为我们的生活带来更多的便利和安全。
参考文献
[1]山世光.人脸识别中若干关键问题的研究,2004,07.
[2]高文等.快速人脸检测技术综述图法分类号:
TP391.4.
[3]李子青.人脸识别技术应用和市场分析,2007,12.
[4]汤一平.基于多摄像机信息融合的人脸识别检测装置（专利）号：
9.6.
[5]王慧泽.基于AdaBoost算法和Fisher线性准则的人脸识别研究,2008,05.
[6]肖秀春.人脸检测与面部特征提取技术研究.湖南大学硕士学位论文.2004,05:
1.
[7]刘小华.人脸识别技术及其应用研究.吉林大学博士学位论文.2005,04:
10
[8]山世光.人脸识别中若干关键问题的研究.中国科学院研究生院博士学位论文2004,07:
2.
[9]刘党辉.鲁棒的人脸识别技术研究[D].北京业人学博十论文，2004.
[10]廖频基于统一概率模型的人脸识别技术[D].中国科学院研究生院博士论文,2003
升级会员 