人脸识别背景及其方法
浅谈人脸识别技术的现状与发展
宋磊卞迪白杰文范益彪李主南
摘要
人脸识别技术以其独特性、直接性、方便性等特点，在涉及身份特征识别的领域里被广为应用。本文主要介绍人脸识别技术（FRT）的研究内容、研究背景价值及研究现状。通过分析当前人脸识别技术的现状，总结了人脸识别的应用前景，提出了人脸识别技术的未来发展要求。
关键词：人脸识别，研究现状，发展趋势
Abstract
Face Recognition Technology,characterized by its uniqueness,direct and convenience,is widely used in the identification of identity.This paper mainly introduces the research content,study background value,and research status of the Face Recognition Technology.Through the analysis of the present situation of Face Recognition Technology,the application prospect of Face Recognition is summarized and the future development of Face Recognition Technology is proposed.
Key words: Face Recognition，Research status，Developing trend
引言
随着现代信息技术的快速发展，进行身份认证的技术转到了生物特征层面。现代生物识别技术主要是通过计算机与高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。其中人脸识别是指人的面部五官以及轮廓的分布，这些分布特征因人而异，与生俱来。
人脸是一个包含着丰富信息的模式的集合，是人类互相辩证和识别的主要标志之一，也是图像和视频中视觉感兴趣的对象之一。与指纹、虹膜、语音等其他人体生物特征相比，人脸识别更加直接、友好，无需干扰人们的正常行为就能较好地达到识别效果。在身份识别、访问控制、视频会议、档案管理、电子相册、基于对象的图像和视频检索等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点。由于采用人脸识别技术的设备可以随意安放，设备的安放隐蔽性非常好，能远距离非接触快速锁定目标识别对象，因此人脸识别技术被国外广泛应用到公众安防系统中，应用规模庞大。人脸识别技术的研究肇始于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，广泛应用于身份鉴定、电子商务、视频监控、人机交互、企业安全与管理、信息安全、刑事侦破、出入口控制等领域。
人脸识别技术融合了数字图像处理、计算机图形学、模式识别、计算机视觉、人工神经网络、生物特征技术以及生理学、心理学等多个学科的理论和方法。人脸识别技术涉及的图像逐渐复杂，虽然人脸识别研究已经有了很大的进展，但目前的技术仍然不能对诸如复杂背景中的人脸等进行有效地处理和自动跟踪。因此，人脸识别技术在当前及未来很长一段时间内仍然是富有挑战性的课题。
1、人脸识别技术
1.1人脸识别技术的研究背景和应用价值
随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：
（1）刑侦破案
（2）证件验证
（3）视频监控
（4）入口控制
（5）表情分析
（6）人脸识别也具有一些有趣有益的应用,比如能够识别主人身份的智能玩具、家政机器人、具有真实面像的虚拟游戏玩家等。
1.2人脸识别的方法和研究内容
人脸识别：是基于人的面部特征信息进行的一种技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，然后再利用已有的人脸数据库，确定场景里的一个人或者多个人。
目前人脸识别研究范围主要包括以下几个方面：
（1）人脸检测与定位：即从某一场景中检测出某人并对其定位。
（2）人脸特征表示：即采取不同的方式来表示人脸的特征。
（3）人脸识别：即将获取的人脸与数据库已知的人脸进行比对，得出相关信息，识别出人脸。
（4）表情与姿态分析：对待识别的人脸表情与姿态进行分析，并加以归类。
（5）生理分析与分类：分析人脸的生理特征，得出其生理的相关信息。
人脸识别的研究方法：
1.基于几何特征的方法
人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以作为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线[3]确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度、等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但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。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计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。
2.局部特征分析方法（Local Face Analysis）
主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。
3.神经网络方法（Neural Networks）
人工神经网络是一种非线性动力学系统[6]，具有良好的自组织、自适应能力。目前神经网络方法在人脸识别中的研究方兴未艾。Valentin提出一种方法，首先提取人脸的50个主元，然后用自相关神经网络将它映射到5维空间中，再用一个普通的多层感知器进行判别，对一些简单的测试图像效果较好；Intrator等提
出了一种混合型神经网络来进行人脸识别，其中非监督神经网络用于特征提取，而监督神经网络用于分类。Lee等将人脸的特点用六条规则描述，然后根据这六条规则进行五官的定位，将五官之间的几何距离输入模糊神经网络进行识别，效果较一般的基于欧氏距离的方法有较大改善，Laurence等采用卷积神经网络方法进行人脸识别，由于卷积神经网络中集成了相邻像素之间的相关性知识，从而在一定程度上获得了对图像平移、旋转和局部变形的不变性，因此得到非常理想的识别结果，Lin等提出了基于概率决策的神经网络方法(PDBNN),其主要思想是采用虚拟(正反例)样本进行强化和反强化学习，从而得到较为理想的概率估计结果，并采用模块化的网络结构(OCON)加快网络的学习。这种方法在人脸检测、人脸定位和人脸识别的各个步骤上都得到了较好的应用，其它研究还有:Dai等提出用Hopfield网络进行低分辨率人脸联想与识别，Gutta等提出将RB F与树型分类器结合起来进行人脸识别的混合分类器模型，Phillips等人将MatchingPursuit 滤波器用于人脸识别，国内则采用统计学习理论中的支撑向量机进行人脸分类。
神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。因此人工神经网络识别速度快，但识别率低。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。
4、特征脸法
特征脸方法利用主分量分析进行降维和提取特征。主分量分析是一种应用十分广泛的数据降维技术，该方法选择与原数据协方差矩阵前几个最大特征值对应的特征向量构成一组基，以达到最佳表征原数据的目的。因为由主分量分析提取的特征向量返回成图像时，看上去仍像人脸，所以这些特征向量被称为“特征脸”。
在人脸识别中，由一组特征脸基图象张成一个特征脸子空间，任何一幅人脸图象（减去平均人脸后）都可投影到该子空间，得到一个权值向量。计算此向量和训练集中每个人的权值向量之间的欧式距离，取最小距离所对应的人脸图像的身份作为测试人脸图像的身份。
下图给出了主分量分析的应用例子。图中最左边的为平均脸，其它为对应7个最大特征值的特征向量。
5.其它方法：
除了以上几种方法，人脸识别还有其它若干思路和方法，包括以下一些：
1）隐马尔可夫模型方法[9]（Hidden Markov Model）
2）Gabor小波变换+图形匹配
3）人脸等密度线分析匹配方法
4）基于弹性模型的方法
5）特征脸方法（Eigenface或PCA）
2、人脸识别技术的研究现状
2.1国内研究现状
国内关于人脸自动识别的研究始于二十世纪80年代，自九十年代在国家自然科学基金“863”计划等资助下，国内许多研究机构在人脸识别领域进行了卓有成效的研究。研究工作主要是集中在四大类方法的研究：基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法、基于连接机制的人脸正面自动识别方法以及基于深度学习的人脸识别方法。
四川大学周激流教授实现了具有反馈机制的人脸正面识别系统[11]，运用积分投影法提取面部特征的关键点并用于识别，获得了比较满意的效果。他同时也尝试了“稳定视点”特征提取方法，即为使识别系统中包含3D信息，他对人脸侧面剪影识别做了一定的研究，并实现了正，侧面互相参照的识别系统。中国科技大学杨光正教授等提出一种基于镶嵌图的人脸自动识别方法，采用基于知识的三级金字塔结构对人脸进行基本定位，前两级建立在不同分辨率的镶嵌图基础上，第三级用一种改进的边缘检测方法进一步检测眼睛和嘴巴。清华大学彭辉、张长水等专家对特征脸的方法做了进一步的发展，提出采用类间散布矩阵[12]作为产生矩阵，进一步降低了产生矩阵的维数，在保持识别率的情况下，大大降低了运算量。南京理工大学杨静宇等主要是采用奇异值分解方法进行人脸识别研究，如用Daubechies正交小波变换对人脸图像作预处理，等到不同频带上的四个子图像，对它们分别提取奇异值，然后用最近邻方法进行分类，同时设计一种适用于多分类结果融合的群体决策算法，并且对分类结果有选择的进行融合。程永清，庄永
明等对同类图像的平均灰度图进行SVD分解得到特征脸空间，每一幅图像在特征脸空间上的投影作为其代数特征，然后利用层次判别进行分类。张辉，周宏祥，何振亚采用对称主元分析神经网络，用去冗余和权值正交相结合的方法对人脸进行特征提取和识别。该方法所用特征数据量小，特征提取运算量也较小，比较好地实现了大量人脸样本的存储和人脸的快速识别。香港中文大学教授汤晓鸥、王晓刚及其研究团队他们研发的DeepID人脸识别技术的准确率超过99%，比肉眼识别更加精准。在此之前，汤晓鸥的研究组开发了一个基于高斯过程的人脸识别技术GaussianFace (高斯脸)，取得了98.52%的识别率。这也是计算机自动识别算法的识别率首次超过肉眼。
3.2国外研究现状
当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab，AI lab，CMU的Human-Computer Interface Institute，Microsoft Research,英国的Department of Engineering in University of Cambridge等。综合有关文献，在人脸识别的领域中，国际上逐步形成了以下几个研究方向：基于几何特征的人脸识别方法，主要代表是MIT的Brunelli和Poggio小组，他们采用改进的积分投影法提取出用欧氏距离表征的35维人脸特征矢量用于模式分类；基于模板匹配的人脸识别方法，主要代表是Harvard大学Smith-Kettlewell眼睛研究中心的Yuille，他采用弹性模板来提取眼睛和嘴巴的轮廓，Chen和Huang则进一步提出用活动轮廓模板提取眉毛、下巴和鼻孔等不确定形状；基于K-L变换的特征脸的方法，主要研究者是MIT媒体实验室的Pentland；基于隐马尔可夫模型的方法，主要代表有Cambridge大学的Samaria小组和Georgia技术研究所的Nefian小组；神经网络识别的方法，如Poggio小组提出的HyperBF神经网络识别方法，英国Sussex大学的Buxton和Howell小组提出的RBF网络识别方法等；基于动态链接结构的弹性图匹配方法，主要研究者是由 C.V on derMalsburg领导的德国Bochum大学和美国Southern California大学的联合小组；利用运动和颜色信息对动态图像序列进行人脸识别的方法，主要代表是Queen Mary和Westfield大学的Shaogang Gong小组。
3、人脸识别技术的未来发展趋势：
经过约四十年的发展,人脸检测和识别技术取得了长足进步。但因诸多因的制约,目前,基于计算机视觉的人脸检测和识别研究还远未成熟。通过本论文的研究和分析,认为以下几个方面尤其值得进一步深入探索:
（1）人脸区域的有效分割。
本文仅对彩色图像中的人脸检测进行了比较详细的研究,如何在灰度图像中快速有效地检测到人脸位置,并准确分割出人脸值得深入研究。
（2）从三维的角度研究人脸识别问题。
本文只研究了使用三维信息处理姿态变化下的人脸识别问题。人脸是非刚性物体,人脸表情的变化会导致人脸具有较大的变形;光照的变化会引起人脸纹理很大的变化。因此,使用三维信息实现光照、姿态、表情不变的人脸识别值得进一步研究。
（3）多信息合作与融合机制的研究。
由于各种生物识别技术都有各自的缺点和局限性,仅仅依靠单一的生物特征有时无法满足实际需要,因此将不同特征、不同识别方法结合建立基于多生物特征的识别融合系统,正在受到广泛的关注。列如将肤色、器官、动作甚至语音等信息进行融合，必将提高检测的性能。
（4）应用系统设计方面的工作。
本文在实验条件下对有限的几个人脸数据库进行了静态识别研究。构建鲁棒性、实用的人脸识别应用系统需要很多的工程技术解决方案和实践开发经验的支持。因此,如何将本文算法应用的实际工程中,开发出相应的应用系统是未来工作之一。
（5）对于摄像机图象的研究。
从摄像机输入动态图可以进行二维及三维的运动估计,从而建立三维的人脸模型[16]。在此基础上，我们可以进行有效的表情分析和多姿态的人脸检验,以作为身份辨认的辅助手段。目前复杂背景图像中的人脸检测方法多针对正面端正的人脸.多姿态人脸的检测(特别是侧面人脸的检测)还存在很大的困难,有效的方法还不多。这方面的研究也将是一个重点。
（6）研究和使用新的照射源。
如红外线、某些特定频率的电磁波等，利用人脸皮肤对这些照射源特殊的反射特性来快速的定位出人脸的大致区域。
（7）深入研究非人脸样本的选取算法。
由于非人脸的多样性，非常难以选取一定量的样本来加以充分表示。因此研究如何快速选取少量的关键非人脸样本可以解决非人脸样本难以界定的问题。使其能够合理快速的提取体现人脸特性的关键特征，以提高人脸检测的泛化性能。
4、总结：
本文在系统分析研究相关文献的基础上，综述了人脸识别技术的研究背景意义及发展、研究现状。人脸识别在过去十年内得到了迅速的发展，在近五年内更是出现了多个已投入商用的人脸检测、识别系统。以下选择性的对以上介绍的几个方法进行总结。
可变形模板法：视为几何特征方法的一种改进，基本思想是:设计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。
局部特征分析方法：主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。
神经网络方法：在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。因此人工神经网络识别速度快，但识别率低。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。
经过几十年的研究，人脸识别已经取得了很大的进展，但现有的人脸识别方法一般都是针对某一类问题提出的，由于人脸识别问题的复杂性，实现一个通用的人脸识别系统目前还不现实。因此解决特定条件下或者特定领域的人脸识别问题仍然是目前人脸识别研究的重要课题。可以预见，在不久的将来，有关人脸识别技术应用的产品将流行于市场。
参考文献：
[1]BENGIO Y. Learning deep architectures for AI [J]. Foundations and Trends in Machine Learning, 2009,2(1): 1-12.
[2]BENGIO Y, DELALLEAU 0. On the expressive power of deep architectures
[C]. Algorithmic Learning Theory, Berlin Heidelberg, 201]: 18-36.
[3]BENGIO Y, LECUN Y. Scaling learning algorithms towards AI [J].
Large-Scale Kernel Machines, 2007,1 -34
[4]PARKE F I. Computer generated animation of faces [C]. Proceedings of the ACM annual conference, Boston, 1972 (1): 451-457.
[5]杨健.线性投影分析的理论勾算法及其在特征抽取中的应用研究[D];南京:南京理工大学,2002.
[6]CHANH, BLEDSOE W. A man-machine facial recognition system: some preliminary results [R]. Tech. Rep. Panoramic Research Tnc,Palo Alto, 1965
[7]KCGS, KARGER P A. Cryptology ePrint Archive [R]. Report 2005.
[8]IEITMEYER R. Biometric identification promises fast and secure processing of airline passengers [J]. ICAO Journal, 2000, 55(9): 10-11.
[9]孙冬梅,裘正定.生物特征识别技术综述[J].电子学报29(12):1744
[10]ZHAOW,CHELLAPPAR,PHILLIPSPJ,elal. Face recognition: literature survey [J].ACM Computing Surveys (CSUR), 2003, 35 (4): 399-458.
[11]PRINCESJ, WARRELLJ, ELDERJ, el al. Tied factor analysis for face recognition across large pose differences [J], IEEE Transactions on Pattern Analysis and Machine Intel 1j gence, 2008, 30(6): 970-984.
[12]BLANZV, VETTER T. Face recognition based on fitting a 3D morphable model [J]. IEEE Transact ions on Pattern Analysis and Machine
Intelligence,2003,25(9): 1063—1074
[13]李春明,李玉山,庄庆德,关晓丹.人脸识别技术的研究[J]. 河北科技大学学报.2003(03)
[14]何嘉锐.浅谈人脸识别技术[J].信息安全与技术.2011(01)
[15]侯鲲,贾隆嘉,王赫宁.人脸识别技术的现状和发展趋势[J].科协论坛(下半月).2010(11)
[16]钱锋.浅谈人脸识别技术的现状与应用[J].信息与电脑（理论版），2009(11)
人脸识别技术综述
人脸识别研究综述 摘要：论文首先介绍了人脸识别技术概念与发展历史，解释人脸识别技术的过程与优缺点；随后对近几年人脸识别技术的研究情况与一些经典的方法进行详细的阐述，最后提出人脸识别技术在生活中的应用与展望。 关键词：人脸识别研究现状应用与展望 一、概念 人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流。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的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 二、发展历史 人脸识别的研究历史比较悠久。高尔顿(Galton)早在1888 年和1910 年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。但当时还不可能涉及到人脸的自动识别问题。最早的AFR1的研究论文见于1965 年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。 三、过程与优缺点 人脸的识别过程： (1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。 (2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。 (3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库
开题报告：人脸识别
北方工业大学 本科毕业设计（论文）开题报告书 题目：基于直方图差值比较方法的人脸识别系统指导教师： 专业班级： 学号： 姓名： 日期：2013年3月20日
一、选题的目的、意义 近些年来，有关人脸的处理已受到广大研究人员越来越多的重视，如人脸识别、人脸定位、面部表情识别、人脸跟踪等。人脸处理系统在安全系统的身份认证、智能人机接口、图像监控、视频检索等领域有着广泛的应用前景。 此外在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。 同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，在不同的环境下拍摄所得到的人脸图像不同，有时更会有很大的差别，给识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别，也就更具有挑战性。 人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样木，在某些场合，这些识别手段就会有不便之处。
人脸识别技术的应用背景及研究现状
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
复杂背景下基于时间差分的人脸检测算法
复杂背景下基于时间差分的人脸检测算法 Face Detection Based on Time Difference in Complex Background 姚静梅雪林锦国 Yao Jing Mei Xue Lin Jin-guo （南京工业大学，自动化学院，江苏南京 210009） 摘要：本文主要结合序列图像的运动信息和肤色信息进行复杂背景下的人脸检测。首先利用连续三帧间的运动信息进行粗检测，采用自适应阈值法从差分图像中提取出运动区域，再对差分图像进行相与操作，限制搜索范围；然后利用人脸肤色信息，在YCbCr色彩空间内检测出肤色区域；最后利用人脸的几何特征信息对肤色区域作进一步验证，得到精确人脸。该方法综合了帧间和帧内的分析结果，实现简单、高效。实验证明，在复杂背景下对光照和其他噪声有较好的鲁棒性。 关键词：人脸检测；时间差分；运动信息；肤色特征 中文分类号：TP391.41 文献标识码：A Abstract: A method of combining motion and skin-color information of successive images to detect faces in complex background is presented. First, the motion information between three continuous frames is used for coarse detection to obtain the difference images, from which the motion areas can be detected by self-adaptive threshold method, and then take and operation to limit the searching range. Second, the skin-color areas are detected in YCbCr color-space. Finally, g eometry feature information is used to further validate the skin-color areas, which can obtain the fine face. This method combines the inter-frame and intra-frame processing, which is simple and effective to realize, and is proved to be robust to illumination and other noises in complex background. Keywords:Face Detection；Time Difference；Motion Information；Skin-color Feature 1、引言 人脸检测(Face Detection)是一切人脸处理系统的基础。近年来，由于计算机技术的迅猛发展，数字图像处理技术的日益完善，人脸检测作为人脸信息处理中的一项关键技术，已成为图像处理、模式识别与计算机视觉领域内的热点课题[1]。 目前人脸检测方法多数是在一般环境下的单幅图像中检测人脸。如基于对称性、器官分布、纹理等的人脸检测，以及神经网络的学习、特征脸模式等方法。这些方法或者计算复杂度太高，或者鲁棒性较差，适应面很窄。视频序列图像的人脸检测算法要比单幅静态图像的人脸检测算法复杂得多，需要考虑更多噪声因素的影响，如随机噪声、室内亮度变化、室外背景纹理的慢变化等。 本文使用了一种基于时间差分的人脸检测方法，从粗到细实现人脸的精确检测。首先利用连续三帧图像间的运动信息进行粗检测，在两两差分得到差分图像后，利用形态学方法分别对差分图像进行预处理，去除光线等因素引起的干扰，并采用自适应阈值法从差分图像中提取出运动区域，再对两幅差分图像相与，去除非本帧图像的目标区域，即只提取当前帧图像的运动目标区域，进一步限制搜索范围；然后利用肤色和形状信息对人脸区域作进一步检测和验证[2], 得到精确人脸。该方法综合了帧间和帧内的分析结果，实验证明，该方法实现简单、高效，并且在复杂背景环境下仍具有对光照、噪声等的鲁棒性。 2、算法的总体框架 该算法按照从粗到细的检测模式，主要采用图像的运动特征信息与人脸的肤色、形状特征信息相结合的检测法，通过运动检测缩小搜索范围，并将肤色、形状特征信息作为验证手段。算法流程如图1所示，由3大步骤组成[3]。 (1)帧间的时间差分处理 在视频序列图像中，人脸是一个运动区域，所以利用运动信息可以去除图像中静止背景区域的干扰。本文在三帧序列图像之间采用基于像素的两两差分，使用自适应阈值化来提取各自差分图像中的运动区域，然后对两幅差分图像二值化后相与来缩小目标范围。但是由于背景的复杂性和光线、图像的噪声等干扰因素引起的波纹和小块仍没能去除，因此加上形态学处理方法。该模块缩小了后续人脸检测和定位部分的搜索范围，从而减少了运算量。该方法实现简单，计算速度快，并且在静止的复杂背景下有很好的鲁棒性。 (2) 基于肤色的人脸检测
人脸识别主要算法原理
人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但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。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计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，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，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，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）
单样本人脸识别综述
单样本人脸识别综述 南京杭空航天大学 ELSEVIER 摘要 当前人脸识别技术主要挑战之一在于样本收集的困难性。很少的样本意味着在收集样本时付出更少的劳动，在存储和处理它们是付出更少的代价。不幸的是，许多现有的人脸识别技术很大程度上依赖于训练样本集的规模和代表性，如果系统中仅有一个训练样本，则将会导致严重的性能下降甚至无法工作。这种情况称之为“单样本”问题，即给出每人一幅人脸的存储数据库，目标是仅根据单幅人脸图像在不同的姿态、光照等条件下从数据库中识别人脸图像的身份。由于训练集非常有限，这样的任务队当前大多数算法而言都是非常具有挑战性的。现有许多技术正试图解决该问题，本文的目的是对这些算法进行分类和评估，对较为突出的算法进行了描述和批判的分析。并讨论了诸如数据采集、小样本规模的影响、系统评估等一些相关问题，同时提出了一些未来研究中具有前景的方向。 关键词：人脸识别；单训练样本 1 引言 作为少数几个同时具有高精度和低干涉的生物特征方法，人脸识别技术在信息安全、法律事实和监控、智能车、访问控制等方面具有大量的潜在应用。因此，在过去20年中人脸识别技术已经受到了来自学术和工业方面的极大关注。近来，一些作者已经从不同方面调查和评估了现有的人脸识别技术。例如，Samal et al. [4] and Valentin et al. [5]分别对基于特征和基于神经网络的技术进行了调研。Yang等[6]评述了人脸识别技术，Pantic and Rothkrantz[7]对自动面部表达分析进行了调研，Daugman [3]指出了涉及人脸识别系统有效性的几个关键问题，而最近的综述应该是Zhao et al. [1],他对许多最新的技术进行了评论。 人脸识别的目的是从人脸图像的数据库中的静态图像或视频图像中识别或验证一个或多个人。许多研究工作集中在怎样提高识别系统的精度，然而，大部分研究工作似乎忽视了一个可能来源于人脸数据库的潜在问题，即可能由于样本采集的困难或由于系统存储空间的限制，数据库中可能对每一个人只存储了一副样本图像。在这种条件下，诸如特征脸（Eigenface）和Fisher人脸识别技术等传统方法将导致严重的性能下降甚至无法工作（详见第2节）。这个问题称之为单样本问题，即即给出每人一幅人脸的存储数据库，目标是仅根据单幅人脸图像在不同的姿态、光照等条件下从数据库中识别人脸图像的身份。由于其挑战性和现实应用的重要性，这个问题很快成为了人脸识别技术近年来的一个研究热点，许多专用技术被开发来解决该问题，例如合成虚拟样本，局部化单一训练图像，概率匹配和神经网络方法。 本文最主要的贡献是给出这些从单一人脸图像进行人脸识别的特定方法一个综合的、评论性的综述。我们相信这些工作是对参考文献[1–7]的一个有用的补充，这些文献中所考察的大多数技术没有考虑单样本问题。实际上，通过对这个问题更多的关注和技术的详细研究，我们希望这篇综述能够对这些技术的基本原则、相互联系、优缺点以及设计优化提供更多深刻的理解。对一些相关问题，如数据收集、小样本空间的影响以及系统评估等也进行了讨论。 接下来我们首先试图建立有关什么是单样本问题以及为什么、何时应道考虑这个问题的一个公共背景。特别的，我们也讨论了该问题所不需要考虑的方面。在第三节我们继续回顾有关该问题的前沿技术。借此，我们希望能够借鉴一些有用的经验来帮助我们更有效地解决这个问题。在第四节中，我们讨论了有关性能评估的几个问题。最后，在第五节中我们通过讨论几个具有前景的研究方向对单样本问题进行了总结。
(完整)人脸识别技术大总结,推荐文档
人脸识别技术大总结 百度《人脸识别技术大总结》，觉得应该跟大家分享，这里给大家转摘到百度。 篇一：人脸识别技术的主要研究方法、绪论人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。 人脸识别是一种重要的生物特征识别技术，应用非常广泛。 与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。 本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别、人脸识别技术的主要研究方法目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。 人脸识别流程图如图．所示：图．人脸识别流程图、基于几何特征的人脸识别方法基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。 基于特征的方法的目标就是寻找上述这些不变特征，并利用这些
特征来定位入脸。 这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。 但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人作标准模板(固定模板)或将模板先行参数化(可变模板)，思想汇报专题然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。 基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法()、支持向量机()、神经网络方法()等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。 因此，这也是种自下而上的方法。 这种方法的优点是利用强大的机器学习算法快速稳定地实现了很
人脸识别可行性研究报告
人脸识别可行性研究报告 一报告目录 第一章前言 第一节课题背景 一课题的来源------------------------------------------------------------------------------1 二人脸识别技术的研究意义------------------------------------------------------------2 第二节人脸识别技术的国内外发展概况---------------------------------------------------3一国外发展概况---------------------- --------------------------------------------------3 二国内发展概况---------------------------------------------------------------------------4 第二章系统的需求分析和方案选择---------------------------------------------------------6第一节可行性分析------------------------------------------------------------------------------6 一技术可行性分析------------------------------------------------------------------------6 二操作可行性分析------------------------------------------------------------------------7 第二节需求分析---------------------------------------------------------------------------------7 一应用程序的功能需求分析------------------------------------------------------------7 二开发环境的需求分析------------------------------------------------------------------8 三运行环境的需求分析------------------------------------------------------------------8 第三节预处理方案选择------------------------------------------------------------------------9 一设计方案原则的选择------------------------------------------------------------------9 二图像文件格式选择---------------------------------------------------------------------9 三开发工具选择---------------------------------------------------------------------------9 第一章前言 第一节课题背景 一课题的来源 随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。 二人脸识别技术的研究意义
人脸识别介绍
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 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； 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、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
人脸识别主要算法原理
人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但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。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计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，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，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，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA）
人脸识别技术综述 论文
本科生毕业论文（设计） 题目人脸识别技术综述 学院计算机学院 专业计算机科学与技术 学生姓名陶健 学号 0643041077 年级 2006 指导教师周欣 教务处制表 二Ο年月日
人脸识别技术综述 计算机科学与技术 学生陶健老师周欣 [摘要]随着社会信息化，网络化得不断发展，个人身份趋于数字化，隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。人脸识别，一种应用比较广泛的生物识别方法，在基于人脸固有的生物特征信息，利用模式识别和图行图像处理技术来对个人身份进行鉴定，在国家安全，计算机交互，家庭娱乐等其他很多领域发挥着举足轻重的作用，能提高办事效率，防止社会犯罪等，有着重大的经济和社会意义。 本文主要研究了人脸识别在图像检测识别方面的一些常用的方法。由于图像处理的好坏直接影响着定位和识别的准确率，因此本文对图像的一些识别算法做了着重的介绍，例如基于二维Gabor小波矩阵表征人脸的识别算法，基于模型匹配人脸识别算法等。此外，本文还提及了一般人脸识别系统的设计，并着重介绍了图像预处理环节的光线补偿，图像灰度化等技术，使图像预处理模块在图像处理过程中能取到良好的作用，提高图像识别和定位的准确率。 [主题词]：人脸识别；特征提取；图像预处理；光线补偿
Face Recognition Overview Computer Science Student：TAO Jian Adviser: ZHOU Xin [Abstract] With the information society, network was growing, personal identity tends to digital, hidden, how to accurately identify, to ensure that information security is more and more attention. Face recognition, an application of biometric identification methods more widely, based on biometric facial information inherent in the use of pattern recognition and image processing techniques to map line of personal identity ,play a great role in the national security, computer interaction, family entertainment and many other areas. Face recognition can improve efficiency, prevent social crime, of course it has significant economic and social significance. This paper studies aspects of face recognition in image detection and some common methods of identification. As the image processing directly impact on the accuracy of location and identification, so some of image recognition algorithm will be focused presentation, such as Gabor wavelet-based two-dimensional matrix representation of face recognition algorithms, model-based matching face recognition algorithm. In addition, the article also mentioned a general recognition system design, and highlights the image preprocessing part of the light compensation, gray image techniques, the image preprocessing module in the image processing to get to the good , and improve image recognition and positioning accuracy. [Key Words] Face recognition; feature extraction; image preprocessing; light compensation
数字图像处理在人脸识别中的应用
基于肤色的人脸检测 摘要 本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,通过实例来应用matlab图像处理功能，对某一特定的人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中几种常用的图像预处理方法基础上，利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判定。 关键词:脸部定位，特征提取，图像处理，MATLAB
Abasract This paper introduces the application of MATLAB in face image recognition of image preprocessing,the application of the toolkit for classical image processing, application MATLAB image processing function through instance,for a particular face image processing,and then applied to the face recognition system.In face recognition system based on the summary analysis of several commonly used image preprocessing method based on the MATLAB implements a collect a variety of pretreatment method for the integration of the universal facial image preprocessing simulation system,the system as the image preprocessing module can be embedded in a face recognition system,and use the gray histogram of the image matching to realize the face image recognition. Key words:face positioning,feature extraction,picture processing,MATLAB
关于人脸识别技术的发展研究
人脸识别技术优势 863计划、国家科技支撑计划、自然科学基金都拨出专款资助人脸识别的相关研究。国家“十一五”科技发展规划中也将人脸识别技术的研究与发展列入其中[4]，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，人脸识别具有高安全性、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。人脸识别作为一种新兴的生物特征识别技术(Biometrics)，与虹膜识别、指纹扫描、掌形扫描等技术相比，人脸识别技术在应用方面具有独到的优势： 1.人脸识别使用方便，用户接受度高。人脸识别技术使用通用的摄像机作为识别信息获取装置，以非接触的方式在识别对象未察觉的情况下完成识别过程。 2.直观性突出。人脸识别技术所使用的依据是人的面部图像，而人脸无疑是肉眼能够判别的最直观的信息源，方便人工确认、审计，“以貌取人”符合人的认知规律。 3.识别精确度高，速度快。与其它生物识别技术相比，人脸识别技术的识别精度处于较高的水平，误识率、拒认率较低。 4.不易仿冒。在安全性要求高的应用场合，人脸识别技术要求识别对象必须亲临识别现场，他人难以仿冒。人脸识别技术所独具的活性判别能力保证了他人无法以非活性的照片、木偶、蜡像来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。举例来说，用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。 5.使用通用性设备。人脸识别技术所使用的设备为一般的PC、摄像机等常规设备，由于目前计算机、闭路电视监控系统等已经得到了广泛的应用，因此对于多数用户而言使用人脸识别技术无需添置大量专用设备，从而既保护了用户的原有投资又扩展了用户已有设备的功能，满足了用户安全防范的需求。 6.基础资料易于获得。人脸识别技术所采用的依据是人脸照片或实时摄取的人脸图像，因而无疑是最容易获得的。 7.成本较低，易于推广使用。由于人脸识别技术所使用的是常规通用设备，价格均在一般用户可接受的范围之内，与其它生物识别技术相比，人脸识别产品具有很高的性能价格比。 概括地说，人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有极其广阔的市场应用前景。 我将人脸识别的一些应用列举出来，希望抛转引玉，大家不断完善，开拓更多的应用领域。 1）监控布控
人脸识别技术的主要研究方法
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且
人脸识别技术的弊端
三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。