文档介绍：人脸识别系统ZhengyaXu,HongRenWu,XinghuoYu,Fellow,IEEE,KathrynHoradam,andBinQiu,SeniorMember,IEEE摘要:本文提出了一个基于人脸特征的快速的人脸识别方法。这是一种基于目标形状的自动参考控制技术和特征提取技术,提出了通过测量出脸部两边的平面差,根据提取的特征集合中将每组2D图像组合成具有3D特征的面部模板。不同于脸部整体的识别算法的是,基于人脸特征的算法是相对稳定的,面部表情、照明状态以及姿势的变化都会导致面部特征向量的变化。提出的技术的性能分析理论均由概率统计做基础。所提出的方法使用了人脸识别数据库的几个样品,以实现可观的人脸识别功能。关键词:人脸特征向量;人脸识别;人脸表征;外形特征向量。引言人脸是最具社会可接受性和非侵入性的影像测量的生物特征之一。其需求少也没有在监视的课题中出现。但是,人脸自动识别是一个非常具有挑战性的任务,因为与其他生物特征相比面部特征的差异是相当细微的(例,指纹识别)【1】。此外,由于面部表情、照明状态、人的姿势和面部化妆的变化都为人脸识别的准确性增加难度。在文献中,静止图像的人脸识别算法分为三类,即全面的、基于特征向量的和混合匹配算法【2】。整体识别算法例如Eigenfaces算法【3】和Fisherfaces算法【4】,从整个脸部提取特征。整体匹配算法的一个限制便是它需要更全面,需要根据正常的姿态,照明以及比例【5】。而这些因素的变化都可能会影响从面提取的全局特征,导致最终识别的不准确。通常的解决办法是通过手动识别面孔来进行,这使得整个过程变得半自动化【6】。人工纠正是不完善的识别系统,因为它通常变现在几个特殊的控制点上,人工识别也为每个控制点提供足够的精度。用具有里程碑意义的自动识别算法来更换这个最终会劣化识别结果的手动过程【6】。此外,全球性特点也敏感于面部表情和遮挡的变化。基于特征的匹配算法提取局部特征或区域特征,如眼睛和鼻子,然后使用这些特征执行匹配或运作自己的本地统计数据进行识别。此类别的一个例子是基于区域的3D匹配算法【7】,其中分别相匹配的眼睛、额头和鼻子的3D点云区域和融合结果在目标水平。另一个例子是使用本地样本提升人脸识别准确度【8】,哪从面部图像在不同匹配的矩形区域、比例和方向【9】。混合匹配方法使用面部全局和局部功能组合识别【10】。3D和多模式人脸识别调查由等人给出【11】,Bowyer认为3D人脸识别必须克服其2D潜在吻合的局限性。多模式的2D和3D人脸识别技术提供了比那些由单独个体方式获得更准确的结果【11】。混合运算方法或分类可以提高人脸识别的准确度被认可。例如Gokberk等人【12】。报道曾表彰通过结合多个三位面部特征的识别算法。许多三维面部识别方法基于迭代最近点(ICP)算法[13]或它的变体[7]。ICP为基础的方法的一个主要优点是,它避免了面部表情[7]-D扫描完***脸模型[14]。然而,比较方案的主要缺点是它是一个迭代算法,因此,在计算上很昂贵。此外,为了加快匹配过程ICP算法不提取任何规则的特征级融合和索引的脸部特征的可能性。除非另一个分类器或方式进行索引或之前的排斥不可能面临来自画廊【6】,基于ICP算法必须进行强力匹配,从而使识别费时,不适合生产生活使用。另一个缺点是