人脸识别公选课论文.doc

生物特征识别人脸识别姓名： 学号：13041316专业：电子信息工程一、 摘要这个学期的生物医学信息学导论课中，给我印象最深的就是生物特征识别了。它使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，我就来探讨一下。人脸识别技术可采用非接触式的、连续的和实时的方式，在国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及民用等领域实际应用具有极广阔的前景。本文第一部分主要介绍了人脸识别研究的现状与应用；第二部分主要阐述了脸部特征定位方法和人脸识别方法；第三部分则对人脸识别技术以后的发展方向做了总结。关键词：人脸识别、面部表情识别二、 前言人脸是人最重要的外貌特征，由于脸部信息可以通过非接触的方式（如摄像头）取得，所以非常适合于作为身份鉴别的依据。人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步确定每张人脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每张人脸中所蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸所代表的个人。情绪使人产生生理和行为的显著变化，面部表情是情绪的外显行为的一个重要方面。眼、眉、嘴、鼻、脸色等的变化最能表示一个人的情绪。由于人的各种情绪同脸部肌肉和血管等的变化有关，故而脸部肌肉和血管的变化能表示一定的情绪状态。例如，喜悦与颧肌有关，痛苦与皱眉肌有关，忧伤与三角肌有关，羞愧因血管舒张而脸红，恐怖因血管收缩而苍白。因此可以通过对人面部表情进行识别来达到对人的情绪的判断。三、人脸识别的现状与应用3.1人脸图像检测方法现状人脸图像检测与定位就是在输入图像中找到人脸确切的位置,它是人脸表情识别的第一步。人脸检测的基本思想是用知识或统计的方法对人脸建模,比较待检测对象与所建的人脸模型的匹配程度,从而得到可能存在人脸的区域。根据思想的不同基本上分为下面两种检测方法:(1)基于统计的人脸检测是将人脸图像视为一个高维向量,将人脸检测问题转化为高维空间中分布信号的检测问题。(2) 基于知识的人脸检测是利用人的知识建立若干规则,从而将人脸检测问题转化为假设 验证问题。3.2基于统计的人脸检测方法（1） 样本学习:将人脸检测视为从非人脸样本中识别人脸样本的模式分类问题,通过比较人脸样本和非人脸样本来提取各自的特征，进行学习来产生分类器。目前国际上普遍采用的是人工神经网络。（2） 模板法:模板法是把测试样本与参考模板进行比较,由阈值大小来判断测试样本是否是人脸。阈值一般是通过对大量的模板进行统计得来的，并不是一个固定的值。（3） 子空间方法:Pentland 将KL 变换引入了人脸检测,利用主元子空间(特征脸) ,而人脸检测利用的是次元子空间(特征脸空间的补空间) 。用待检测区域在次元子空间上的投影能量,也即待检测区域到特征脸子空间的距离作为检测统计量,距离越小,表明越像人脸。子空间方法的特点在于简便易行,但由于没有利用反例样本信息,对与人脸类似的物体辨别能力不足。3.3人脸识别的应用 1.身份鉴定：在鉴定模式下，确定一个人的身份，该技术可以快速地计算出实时采集到的面纹数据与面像数据库中已知人员的面纹数据之间的相似度，给出一个按相似度递减排列的可能的人员列表，或简单地返回鉴定结果（相似度最高的）和相对应的可信度。2.身份确认：在确认模式下，待确认人已知的面纹数据可以存储在智能卡中或数码记录中，该技术只需要简单地将实时的面纹数据与存储的数据相比对，如果可信度超过一个指定的阀值，则比对成功，身份得到确认。3.监视：可以在监控范围内发现人脸，而不论其远近和位置，能连续地跟踪该人脸图像并将其从背景中分离出来，将面像与监控列表进行比对。整个过程完全是无需干预的，连续的和实时的。4.面像数据压缩：能将面纹数据压缩到84字节以便用于智能卡、条形码或其他仅含有有限存储空间的设备中。5.多通道的人机交互界面:可以把跟踪得到的人脸表情作为一种人机交互的手段。为使用者提供一个个性化、智能、便捷的工作环境，这也是智能计算机研究的重要内容。四、人脸识别方法4.1基于特征的方法基于特征的方法不仅可以从已有的面部特征而且可以利用面部特征点的几何关系进行人脸检测。这种方法是寻找人脸的不变特征用于人脸检测，这与基于知识的方法正好相反。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,一般利用边缘检测器提取,根据提取的特征,通过与统计模型比较来确定人脸是否存在。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。4.2基于知识的方法基于知识的方法实质是基于规则的人脸检测方法,而这种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,如在一幅图像中出现的人脸,通常具有互相对称的两只眼睛、一个鼻子和一张嘴。特征之间的相互关系可以通过它们的相对距离和位置来描述。在输入图像中首先提取面部特征,确定基于规则的人脸候选区域。这种方法存在的问题是很难将人类知识转换为明确定义的规则。如果规则是严格的,由于输入图像很可能不能通过所有的规则检测而导致失败；相反，如果规则太简单，可能会有较高的错误接收率，输入许多错误图像。此外,很难将这种方法扩展到在不同的情况下检测人脸,因为列举所有的情况是一项很困难的工作。许多表情识别方面的专家通过研究，提出了一些克服这些缺点的方法。4.3模板匹配方法Sakai等人使用眼睛、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去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(也就是人脸的外形)定位方法。用Sobel滤波器提取边缘,将边缘组织在一起,根据几个约束条件去搜索人脸模板。在头轮廓定位以后,用相同的过程以不同的尺度重复定位眼睛、眼眉和嘴唇等特征。4.4脸部特征定位方法分类近年来，国内外学者们已提出了许多种脸部特征定位方法。根据定位所依据的基本信息的类型，以将现有方法分为基于先验规则、基于几何形状信息、基于色彩信息、基于外观信息和基于关联信息等5类：1.基于先验规则根据脸部特征的一般特点总结出一些经验规则，搜索前，先对输人图像作变换使目标特征得到强化，而后根据上述规则从图中筛选出候选点或区域。2.基于几何形状信息根据脸部特征的形状特点构造一个带可变参数的几何模型，并设定一个评价函数量度被检测区域与模型的匹配度。搜索时不断调整参数使评价函数最小化，从而使模型收敛于待定位的脸部特征。3.基于色彩信息使用统计方法建立起脸部特征的色彩模型，搜索时遍历候选区域，根据被测点的色彩与模型的匹配度筛选出候选点。4.基于外观信息将脸部特征附近一定区域(窗口)内的子图像作为一个整体，映射为高维空间中的一个点，这样，同类脸部特征就可以用高维空间中的点集来描述，并可以使用统计方法得到其分布模型。在搜索中，通过计算待测区域与模型的匹配度即可判定其是否包含目标脸部特征。5.基于关联信息在局部信息的基础上，引人脸部特征之间的相对位置信息，以缩小候选点范围，从运算量、准确率与鲁棒性(包括图像质量需求和姿态表情光照等影响)3个方面对各类方法的性能作了粗略的比较。五、人脸识别发展方向5.1发展方向前面所介绍的表情识别实现方法都取得了一定的效果，对表情识别的发展起到了很大的作用。已经有许多关于人脸表情识别方面的研究，但是对特定人脸表情的再现效果还不是特别理想，使用一般人脸模型进行变形来表现特定人脸的表情时，是通过一组特征点的位置变换来得到一个新的人脸网格模型，当稳定一个特征点匹配到图像上的特征位置时，变形算法模拟人脸皮肤的粘弹特性，自动计算出与该移动相关的网格点的新坐标位置，这样就存在匹配程度和逼真程度的问题了，这是因为一般人脸模型已经固定，采用固定算法虽然能够模拟人脸皮肤的变化，但是大部分采用的还是一般人脸模型的样子，这样就对特定人脸表情的再现有一定的虚假性。能否直接采用特定真人脸的表情特征点（位置、灰度值）来建立特定人脸的表情模型，在仿真真人脸表情动画中的一个关键技术就是要提取真人表情的特征点，找出特征点运动前后的关系，确定特征点运动后的位置，以便来建立真人面部表情模型。在这方面还需要做的工作就是要建立真人表情点的提取系统，为实现仿真真人脸部表情动画系统做准备，因为通过对三维视图中相关二维视图特征的识别与匹配，就可以完成三维基本特征体素的提取及关系判断即三维重建。5.2目标要求在表情识别领域，国外已经取得了很大成果，我国在这个领域的很多方面的研究很少甚至是一片空白。在学习外国先进技术的同时，我们有要发挥自己的优势，摆脱前人在算法上的影响提出更新更实用的算法。可以预见随着我国科研人员在这个领域的研究，我国的表情识别将会越来越好。六、结语本文主要从人脸识别研究的现状与应用、脸部特征定位方法和人脸识别方法、人脸识别技术以