人脸识别研究的背景目的意义现状以及重点难点.docx
《人脸识别研究的背景目的意义现状以及重点难点.docx》由会员分享，可在线阅读，更多相关《人脸识别研究的背景目的意义现状以及重点难点.docx（8页珍藏版）》请在冰豆网上搜索。
人脸识别研究的背景目的意义现状以及重点难点
1 研究背景
2 研究目的意义
1）证件验证
2）刑侦破案
3）入口控制
4）信息安全
5）视频监控
3 国内外研究现状
3.1 基于几何特征的人脸识别
3.2 基于子空间分析的人脸识别
1）主元分析（PCA）方法
2）线性鉴别分析（LDA）方法
3）保局投影（LPP）方法
3.3 基于弹性图匹配的人脸识别
4 人脸识别主要内容与技术困难
1 研究背景
生物特征识别技术是利用人体生物特征进行身份认证的一种技术。
生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的理想依据。
生物特征识别系统对生物特征进行特征提取并组成特征模板，当人们应用该识别系统进行身份认证时，识别系统提取其特征并与数据库中的特征模板进行比对，以确定是否匹配，从而决定接受或拒绝该人。
一般来说，人类的身份识别方式分为三类:
1）特征物品:
包括各种证件，如身份证、学生证和护照等;
2）特殊知识:
包括各种密匙如（密码、口令等）和暗号等;
3）人类生物特征:
包括各种人类的生理和行为特征，如人脸、指纹、掌纹、虹膜、声音等。
前两类特征识别方法属于传统意义上的身份识别技术，有着方便、快捷的特点。
但这些特征识别方法致命的缺点是安全性差、易伪造窃取。
相比较而言，人体生物特征由于其稳定性和独特性，成为最理想的身份识别特征。
相比于其他生物特征，基于人脸面部特征的识别具有主动性、非侵犯性和用户友好性等许多优点，它是一种更方便直接、更友好、更容易被人们接受的识别方法。
与此同时，人脸自身存在着诸如表情、姿态、光照强度变化以及饰物影响等，都会使人脸识别方法的的效果及稳定性受到很大的影响。
在过去的几十年中，研究者们主要致力于从人脸识别算法的角度来提高生物特征识别的精度。
时至今日，很多生物识别技术（如：
指纹识别、人脸识别、声音识别、虹膜识别等）都具有了很高的识别精度且有相对较好的用户友好性。
2 研究目的意义
人脸识别是当前人工智能和模式识别的研究热点，它是近20年来才发展起来的，20世纪90年代后更成为科研热点。
最初的应用源于公安部门关于罪犯照片的存档管理和刑侦破案，随着科学技术的发展和社会的进步，进行快速、有效、自动的人脸识别的技术要求日益迫切。
不仅如此，目前该技术在国家公共安全、社会安全及商业等领域都有很多应用，主要有：
1）证件验证
在许多场合，证件验证是检验某个人身份的一种常用手段，而身份证、驾驶执照以及其他很多证件上都有照片，那么这项工作就可以交给机器完成，用以实现自动化智能管理。
2）刑侦破案
当公安刑侦部门未获得罪犯的照片时，我们可以根据目击证人的描述，先由专业人员描出犯罪嫌疑人的肖像草图，然后用计算机合成出大概的人脸图像，再将此图像和数据库里的大量图像进行比对，找到犯罪嫌疑人。
这样不仅节省了人力物力，更让犯罪嫌疑人难逃法网。
3）入口控制
在机场、港口等许多出入境关口，由于人力有限，我们需要对关键出入口进行视频监控，一旦发现恐怖分子或违规人员进入视频监控范围，保安人员马上可以采取行动进行抓捕或阻止。
4）信息安全
由于科技的进步，犯罪分子伪造技术越来越高明，假身份证、假护照泛滥。
即使是在在电子商务领域，黑客破译计算机口令也比较容易，这给社会治安，商业机密带来挑战。
所以，把有着独立、唯一性和稳定性的人脸生物特征作为密码口令，使得犯罪分子难以伪造和攻击，也使得国家安全部门、军方等系统更加安全可靠。
5）视频监控
在许多银行、公司、公共场所等处都装有视频监视系统。
当出现异常的时候需要对采集到的图像进行具体分析，就要用到人脸的检测、跟踪和识别技术。
此外，人脸识别技术在医学、通道控制和小区、人机交互等领域也具有广阔的应用前景。
在学术研究领域，人脸识别的研究涉及到图像处理、模式识别、神经网络、计算机视觉、人工智能、生理学、心理学及认知科学等多方面的知识。
对人脸识别的深入研究不仅可以促进这些基础研究的发展与交叉，而且有助于新的研究方向的产生，具有重要的学术价值。
由此可见，人脸识别技术的研究具有极大的社会意义，甚至可能形成一个巨大的、对人类生产生活产生深远影响的产业。
3 国内外研究现状
人脸识别技术诞生于二十世界六十年代，但主要局限于收集和分析人脸面部特征（双眼距离，脸颊宽度等）。
七十至八十年代，有了进一步研究。
但都是基于小型的图像样本集（人脸的唯一性、婴儿感知人脸、识别倒转人脸图像、人脑在人脸感知中的作用）。
进入九十年代后，人脸识别得到了巨大的发展（特征脸（Eigenfaces）、Fisher脸（Fisherfaces）[5]以及弹性图匹配（EGM）等人脸识别算法； FaceIt，Viisagesystem，TrueFace等人脸识别软件。
FERET项目是本阶段一个重要的事件，在1994年，1995年和1996年的3次人脸识别评测，极大的促进了这些算法的改进和实用化）。
近十年以来，人脸识别已经发展成为最热门的生物特征识别技术（基于几何特征的人脸识别、基于子空间的人脸识别、基于弹性图匹配的人脸识别；Geroghiades等人提出的基于光照锥模型的多姿态、多光照条件人脸识别方法，应用于以支持向量机为代表的统计学习理论）。
目前，很多国家展开了有关人脸识别的研究，主要有美国（美国的卡耐基梅隆大学（CMU）机器人研究所、麻省理工学院（MIT）媒体实验室和人工智能实验室）、欧洲（英国的Surey大学视觉语音和信号处理研究中心、法国的INRIA研究所，芬兰的赫尔辛基大学CIS研究所、瑞士IDIAP研究所）、日本（ART研究所）等。
另外，基于AdaBoost的人脸识别算法、基于彩色信息的方法、基于形状分析的方法以及多模态信息融合方法也有大量研究与实验。
国内于二十世纪九十年代开始对人脸识别进行研究（中国科学院自动化所李子青—近红外的人脸识别；中国科学院计算所高文教授研究小组；清华大学自动化系张长水教授，电子系苏光大教授，丁晓青教授等；南京理工大学杨靖宇教授研究小组；中山大学冯国灿教授、赖建煌教授；浙江大学吴朝辉教授研究小组；南京大学周志华教授研究小组等）。
近十年来，人脸识别已经发展成为一种最热门的生物特征识别技术。
在FERET工程的基础上，美国国防部每隔两年都要对大量的人脸识别算法和系统进行测试。
到目前为止已经完成了FRVT2000、FRVT2002、FRGC和FRVT2006共四次测试，对人脸识别技术的发展成熟起到了极大的推动作用。
为了提高人脸识别系统的鲁棒性，研究者们在改进已有人脸识别算法性能的同时提出了新的基于三维（3D）模型的人脸识别方法，进一步扩大了人脸识别的研究范围。
至今，涌现出的人脸识别算法已数不胜数，概括起来，这些方法可以分为以下四大类：
1）基于几何特征的人脸识别；2）基于子空间的人脸识别；3）基于弹性图匹配的人脸识别；下面我们分别介绍各类人脸识别方法在国内的研究进展及研究状况，并着重介绍本文主要研究的子空间人脸识别方法。
3.1 基于几何特征的人脸识别
采用几何特征进行人脸识别，首先必须自动提取人脸的几何特征。
常用的方法有灰度的水平或垂直投影、基于边缘的特征提取等。
由于人脸器官的关键点在进行水平或垂直投影后对应着投影图的波峰或波谷，因此可以用来确定脸部主要器官的位置。
这种方法虽然简单，但是精度较差。
基于几何特征的识别方法，其存在的主要问题在于没有形成一个统一的优秀的特征提取标准。
在描述人脸的时候，受到表情、光照、姿态的影响比较大，无法准确地描述人脸特征。
尽管如此，基于几何特征的方法在处理人脸表情分析时，仍是一个最有效的依据。
同时，目前已经提出了很多改进的特征提取的算法，使得人脸几何特征的提取越来越趋于合理。
3.2 基于子空间分析的人脸识别
子空间分析的思想就是根据一定的性能目标来寻找一线性或非线性的空间变换，把原始信号数据压缩到一个低维子空间，使数据在子空间中的分布更加紧凑，提供了更好的数据描述手段，另外计算的复杂度也大大降低。
基于子空间的方法主要包括:
PCA方法、LDA方法和LPP方法。
1）主元分析（PCA）方法
主元分析的思想来源于K一L变换，目的是通过线性变换寻找一组最优的标准正交向量基，通过它们的线性组合来重建原始样本，并使得重建后的新样本与原始样本之间的均方误差最小。
PCA的两大优点是:
一是消除了模式样本之间的相关性;二是实现了模式样本的维数压缩。
PCA方法通常采用训练样本协方差矩阵的特征向量系作为展开基（即K-L坐标轴），若干个最大特征值所对应的特征向量被称为主元（或主成分），模式样本在这些主元上线性投影后，所得的投影系数就是主元特征。
原模式样本可以表示为这些主元与投影系数乘积的代数和。
识别时，只需将测试图像投影到主元子空间上，得到一组投影系数，再将测试图像的投影系数与训练图像的投影系数作比较，就能确定哪一幅训练图像与测试图像最接近。
特征脸（Eigenface）方法由Truk和Pentland提出，是PCA方法在人脸识别上早期的成功应用之一。
Moghaddam等人根据主元分解后的两个正交的子空间的特征，提出基于主元分析的贝叶斯框架。
Liu等人提出结合主元分析的概率推理模型，假设在主元子空间中每类的类条件概率服从正态分布。
为了减少PCA方法的运算量，Yang和zliang对PCA方法进行了分析，提出了一种称作二维主元分析 （2DPCA）的人脸识别方法。
2DPCA方法可以直接在二维图像矩阵上进行处理，而不需要事先将图像矩阵转换为一维向量，从而避免了庞大的计算量，解决了PCA方法在计算复杂性上的困扰。
2）线性鉴别分析（LDA）方法
尽管PCA方法在最小均方差意义下给出了模式样本的最优表示，但由于它是以所有样本的最优重建为目的，因此对描述不同类样本之间的差异而言，不一定是最优的描述，即用PCA来描述人脸识别的特征是不充分的。
线性鉴别分析不同于主元分析，它是以样本的可分性为目标，寻找一组线性变换使每类的类内离散度最小、类间的离散度最大，因此从理论上说，比较适合于模式识别问题。
经典的线性鉴别分析中使用的是Fish准则函数，所以线性鉴别分析又被称为Fish线性鉴别分析 （FisherLDA，FDA）。
FDA方法的基本思想是:
选择使得Fisher准则函数达到极大值的向量作为最优投影方向，使得模式样本在该方向上投影后，达到最大的类间离散度和最小的类内离散度。
在Fisher思想的基础上，Wilks、Duda与Hart分别提出了鉴别向量集的概念，即寻找一组鉴别向量构成子空间，以原始样本在该子空间内的投影向量作为鉴别特征用于识别，此即经典的Fisher线性判别分析（FisherLDA，FLDA）方法，FLDA的目的就是要求解使Fisher准则函数值达到最大的向量。
然而，在人脸等图像识别问题中处理的样本通常是高维的有限样本，即小样本问题（SmallSampleSizeProblem）。
由于在实际问题中难以找到足够多的训练样本来保证类内散布矩阵的可逆性，因此求解FLDA的广义特征方程存在奇异问题。
随后，为解决此类问题，Chen等提出零空间线性判别分析（NLDA）的方法，此方法保存了保局类内散布零空间中的有效鉴别信息，优化了提取的人脸特征。
有效提高了人脸识别的精度，但NLDA的缺点是计算复杂耗时，实际应用中很难达到实时处理。
线性子空间方法本质上都是基于线性变换的特征提取方法，抽取得到的都是线性特征，对于人脸识别中存在的绝大多数复杂的非线性分类问题，其结果有时不能令人满意，因此，寻找有效的非线性方法就成了迫切的问题。
3）保局投影（LPP）方法
尽管PCA与LDA在人脸识别的特征降维方面已经取得了一定成果，但对于极可能分布于低维非线性流行上的人脸样本来说，他们很难提取图像空间的本质特征。
因此，He和Niyogi提出了保局投影（LPP）方法，该方法通过利用线性运算求解广义特征值的问题有效地描述了数据的非线性结构。
LPP的目标函
升级会员 