文档介绍：人脸识别综述 1 引言人脸识别技术的研究始于 20 世纪 50 年代, 当时的研究人员主要涉及的是社会心理学领域;最早 AFR ( Auto Face Recognition )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。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。尤其是 1990 年以来,人脸识别更得到了长足的发展。几乎所有知名的理工科大学和主要 IT 产业公司都有研究组在从事相关研究。人脸识别研究的发展可分为以下三个阶段: 第一阶段( 1964 年~1990 年) 。这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究, 所采用的主要技术方案是基于人脸几何结构特征( Geometric feature based )的方法。第二阶段( 1991 年~1997 年) 。这一阶段尽管时间相对短暂,但却是人脸识别研究的高潮期, 可谓硕果累累: 不但诞生了若干代表性的人脸识别算法,美国军方还组织了著名的 FERET 人脸识别算法测试,并出现了若干商业化运作的人脸识别系统, 比如最为著名的 Visionics ( 现为 Identix ) 的 FaceIt 系统。美国麻省理工学院( MIT )媒体实验室的特克( Turk )和潘特( Pentland )提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。第三阶段( 1998 年~ 现在)。 FERET ’ 96 人脸识别算法评估表明:主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此, 光照、姿态、表情、遮挡问题逐渐成为研究热点。人脸识别是一项既有科学研究价值,又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果, 自动人脸识别技术已经在某些限定条件下得到了成功应用, 人脸识别技术的研究对模式识别, 人工智能, 计算机视觉, 图像处理等领域的发展有巨大的推动作用。人脸识别问题可以定义成: 输入( 查询) 场景中的静止图像或者视频, 使用人脸数据库识别或验证场景中的一个人或者多个人。基于静止图像的人脸识别通常是指输入( 查询) 一幅静止的图像, 使用人脸数据库进行识别或验证图像中的人脸。而基于视频的人脸识别是指输入( 查询) 一段视频, 使用人脸数据库进行识别或验证视频中的人脸。如不考虑视频的时间连续信息, 问题也可以变成采用多幅图像( 时间上不一定连续) 作为输入( 查询) 进行识别或验证。人脸自动识别系统包括三个主要模块[1] :首先是图像预处理模块,由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响, 在一定程度上增加了图像的噪声, 使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量, 保证提取特征的有有效性, 进而提高识别系统的识别率, 在提取特征之前, 有必要对图像进行预处理操作; 其次人脸的检测和定位模块, 即从预处理的图像中, 利用人类检测器( 目前人脸检测方法主要以 Adaboost 算法为主, OPENCV 在这方面做的比较好)找出人脸及人脸所在的位置, 并将人脸从背景中分割出来, 对库中所有的人脸图像大小和各器官的位置归一化; 最后是对归一化的人脸图像进行特征提取( 提取局部特征已逐渐成为主流) ,建立特征描述子,将图像之间的特征进行匹配进而完成识别。 2 概述人脸识别方法大致分为以下几种:基于几何特征、基于代数特征[2] 、基于神经网络模型以及基于三维模型。(1 )基于几何特征基于几何特征的人脸识别方法是在抽取人脸图像上显著特征的相对位置及其参数的基础上进行识别。最早的人脸识别是用手工的方法确定人脸特征点的位置并将其输入计算机中。识别工作的流程大体如下: 首先检测出面部特征点, 通过测量这些关键点之间的相对距离( 欧式距离、马氏距离等) ,得到描述每个脸的特征矢量,比如眼睛、鼻子和嘴的位置和宽度, 眉毛的厚度和弯曲程度等, 以及这些特征之间的关系, 用这些特征来表示人脸。比较未知脸和库中已知脸中的这些特征矢量, 来决定最佳匹配[3] 。基于小模板匹配的方法属于几何特征识别, 是已知一个小模板, 在人脸的大图像中进行匹配,如果匹配成功,就可以确定其坐标位置[4] 。基于几何特征的缺点显而易见, 对获得的图像要求很高, 特征点的定位非常重要, 通常人脸特征点的定位会存在误差, 这种方法对正面人脸可以取得一定识别效果, 如果人脸姿态存在一定的偏转或有遮挡都会很大程度上影响识别的准确性。(2 )基于代数特征基于代数特征的人脸识别方法具有代表性的是 PCA ( 主元分析法) [5] 、 K-L ( 卡胡南-列夫) [6] 变换和 SVD (