人脸识别系统.doc

基于图形矢量的精准人脸识别系统Zhengya Xu, Hong Ren Wu, Xinghuo Yu, Fellow, IEEE, Kathryn Horadam, and Bin Qiu, Senior Member, 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。一、 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和把手构成的变化由匹配2.5-D扫描完成人脸模型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，它需要ICP好的初始近似值。在本文中，一个快形状特征矢量为基础的人脸识别方法（SFV-FR的简称），提出了以支持实时应用，如实时的现场脸识别系统。新办法旨在避免任何强力匹配算法等。不同于整体人脸识别算法，变化的表达式下如照明、姿势、遮挡和化妆的条件下，基于特征的算法是相对稳健的【7】。2D和3D的组合算法提供了更为准确的结果，形成了一个共同的2-D和3-Dsfv-fr方法。本文的组织如下：第二节/介绍了该方法的sfv-fr原理，其中包括一个新的人脸特征提取的切角技术和独特的面部特征向量的人脸表示；证明比例，平移，旋转不变性所提取的面部特征；与理论由概率的sfv-fr系统性能分析与统计方法。第三节得出结果，第四节结论。二 、sfv-fr方法的原理人脸表达人脸表达是人脸识别系统中的一个重要组成部分有效的人脸模型是有效的不变的，取向和位置对于人脸识别的成功与否是至关重要的。大多数上述的审查国家的最先进的算法是一般的算法。就一个特定的实时系统而言他们有着数据的缺陷，包括昂贵的计算成本。为了缓解这一问题，一种新颖的方法适合于实时面部识别应用，提出了论文。首先，一坐标系（或基线和基准点）是（或者）设置，以限定的面部特征来表示一脸进一步人脸识别。通常，为了构建2-D或3-D的面部数据集和比较面，所有的面捕集/扫描和匹配需要精确对准在一个共同的坐标系。而不是使用暴力破解的搜索或类似的面比对，如先前讨论的，基于形状的自动跟踪参考（坐标）系统被引入用于SFV-FR，通过自动化过程它可以正常进行。由于基于形状的五官都比较稳健的规模化，噪声，光，和姿势的变化，形状特征用于在建议的人脸表示主要特征。SFV-FR的方法多数特征的基础上，坐标由基准点制成，绝不能在可变形份的面部;因此，他们将能够容忍（或避免从显著）患的变化，由于面部表情。的SFV-FR方法使用多个2-D基于视图三维脸代表性，因为它不是一个简单的任务，基于当前的和广泛使用的技术，以获得3-D的脸用于实时视频监控系统的站点信息。因此，有必要建立坐标（或引用）的正面和侧面上。基准点（或控制点），用于建立坐标都必须是普遍的，从图像中不易察觉，抗噪能力和光变，和宽容，在一定程度上，要变化面部表情和姿态，以便产生可靠的特点（即特征向量）进行比较的注册观察/检测到的面部。图1（a）协调和参考点（基线），用于前表面。（b）协调和参考点（基线），用于一个侧面。1）为前脸参考：为了建立参考为一个正面，需要下列步骤。首先，在检测到脸部的中心轮廓。第二，中央正面的线是基于该配置文件的位置。第三，它假设的平均值的控制点的位置面部模型被训练集已知的;因此，初始预测关于测试控制点的位置可以是经过简单的中线对齐进行。第四，从搜索基于平均面部的控制点来找到特定的给定的脸要点他们的外形特征。一坐标建立基于检测到的特定的控制对于进一步的特征向量提取和比较点之间的模板，测试图像。前两个控制点是对应于眼睛的内角的各点。坐标基线是直线，连接两个控制点。这条线的长度被定义为基准一个前表面的长度见图图1（a）。 2）参考侧面人脸：建立的方法，对于一个侧面的引用介绍如下：首先，将侧在检测到脸部的轮廓。的鼻子的直线定面部被选择为一个基线。 （如果它不存在，则第一曲线转弯点，并在该点的切线将选定作为基线）。二，直线被发现是垂直于第一基线和切线与概要文件鼻子的见图图1（b）作为第二基准线。距离点是交叉处的第一基底的点之间和第二基线和点是交叉点在第二基线和上面的嘴的轮廓被选择作为基准长度为代表的侧面功能见图图1（b）。另外，该第二交叉点被用于查找的侧面的主要基线。该基地线是一条直线，从该点和切线与起始的侧面鼻轮廓看到图1中的黄线。图1（b）。根据这一线，鼻尖，其余控制点，和参考点可以发现（如在第III节详细说明）。这些控制点是普遍建立（selfextract）参考点建立一个坐标（参照图1），用于注册和检测到的图像之间的特征（矢量）比较。参考点（控制点），很容易被发现通过从边缘的突出的几何特征和面部的轮廓，无需人工操作。控制点也是稳健噪声和光线的变化，和亮度变化，面部表情变化和姿态改变。图2.指标转换，由于姿态改变带来的人脸特征向量变化基于人脸模型的特征矢量根据基准点（坐标），特征矢量是定义，其中包括显着点，如最大或最低点，或周围的眼睛，鼻孔的边缘角落，和面部。当然，大多数的特征点的有在一个面的不可变形部分，以便容忍定义变化脸部表情的。首先，一组距离是特征和之间限定要点，其中标有黑点与绿色方形围绕它，如图1和2所示，在边缘成比例的基准长度为侧面或前面。下巴尖的点不包括生成比率，因为它是在一个面的可变形部分。因为一个面的形状可以通过角度，来表示其可通过相应的距离的比率来表示，和的比例是独立的标度，该比率的值是特征矢量的部分组件。其他主要用于人脸识别的特征矢量的分量是在每一个特征点的切线角之间的差异并在它的基准点的切线的角度。这意味着脸形的功能可以通过这些角度与代相对于参考基线。其他主要形态特征在SFV-FR方式脸都是相对的切线角度其特征点位于其边缘和轮廓。在每个参考点，一组特征点的设置上边缘/简档的距离D / N从基准点其中，d是面的基准长度，n是限定为确保D / N3个像素。该SFV-FR方法需要高清晰度图像以确保人脸表示的精度来区分不同的面。若图像分辨率（或清晰度）是足够高的，每个人脸上都有着自己独特的形状。面容的几何不变性的证明在脸姿势和位置，相对于所述的可变性传感器，是重要的，因为面出现在不同的非常不同的方向。即使是同样的面孔完全可以出现不同，在两个不同的方位。为了解决这个问题后不变形人脸模板被确定为先前推出的，从观察到的脸部转换特征与模板面部特征通常需要或用脸特征应该是不变的方向和位置。所使用的SFV-FR的特征都必须是不变规模，平移和旋转，并且耐受一定程度噪音腐败和光线的变化。几何变换的定义脸特征不变性性质被示出为如下：对任何规模和平移不变性首先，证明切线角度呈现相对于所述先前定义的坐标。在一般情况下，一个面的边缘和轮廓是一般曲线，这可以表示为16其中，（X，Y）是任意点的面边缘。它的导数表示为。假定切线处的特征的取向点是1和切线在基准方向点是0。 1和0之间的角度差可以是表示为16其中Y？1和Y？0顷的Y在X1和X0点导数边缘/ profile文件分别为后一般曲线缩放和翻译转型公式Y = K（Y + a）和X = K（X+ B），根据新协调系统的x和y，曲线可以被表示为其中，k，a和b是比例因子，Y的位移，x的位移分别并在新的坐标。使用新的坐标，在相应的角（2）是表示为其中y1和y0顷Y的X1和X0点衍生物边缘/ profile文件，分别为。关于x微分（3）后，左侧的（3）可以被表示为奇,和右侧的（3）可以是表示为KF（X）。简化后，我们得到代（5）代入（4），（4）等于（2）。它意味着，它们具有相同的角度，即平移和缩放不变性持有。旋转不变性的证明被讨论如下：转换为y =x sin+ y cos和X = x cosy sin，（1）可以表示为x sin+ y cos= f(x cos y sin) (6)其中，是一个给定的旋转角度。微分后（6）与关于x，（6）可以表示为简化后，Y导可被表示为如下：在新的坐标对应的角被表示为代在（9）通过（8），（9）可以表示如下：因此，已经证明，（9）实际上是相同的（2），并且它们具有相同的角度，即旋转不变性成立。其结果是，所提出的相对切线角度为基础的面部功能，这代表了一个面的固有形状，是不变尺度，位置，并且如果一个面部被转动姿势（在平面）。在3-D空间的转化，这是代表由它的笛卡尔坐标（轴），一个功能之间面对在任意方向和位置，而那些的脸标准（模板）的位置和姿势，包括三平移沿其三个轴和三个旋转它的三个轴。从证明前面提到的，由于相对切线角型脸特征是不变的规模，平移和旋转（在平面中），所需要的变换被减少到两个旋转。为了解决这个问题，在考虑的特征观察满脸都是与它的模板不同，因为它们之间的区别，在其它两个方向，以下变换应用：耳底（功能点耳垂）位置到测试面的底边（坐标）能被用于指示该脸姿势角。为了补偿由于差的面上/下转时，偏离（转）角度大致由ud=反正切（A/ B），其中A估计是鼻孔和耳朵底部的特征点之间的距离沿中央线坐标见图图1（a）和B是耳底特征点和鼻尖之间的距离见图图2（b）。对于从脸部向左/向右转差，基于高斯透镜法，该偏离（转）角度可以B - 一个| |/（B+可以近似地rl=反正切（估计A）/2），其中A是一个眼睛的长度，B是另一个眼睛长度见黄线所示。图2（a）。因此，对于该系统，远距离焦摄像机强烈建议收购面部图像，在为了减少来自不同角度的影响考虑到脸部参考姿势的变化。基于功能可以容忍通过引入系统错误图像采集和处理，最好是设置在同一在报名和测试相机内部参数阶段。4、注册和匹配标准面在SFV-FR方法登记涉及预处理步骤，从而使面部区域被裁剪，噪音抑制被施加，然后在脸部的边缘和轮廓被检测到。鼻尖坐标用于确定中部地区种植。一个新的匹配准则引入人的分类（识别）。基于面部特征矢量的输入的R人分类/识别系统将生成第r符号P1，P2中的一个公关作为一种输出，其中用户解释作为识别的决定流程。判别函数D（X）=公关介绍第（分类）系统的输入和输出之间的关系。它是一个确定性的函数，这意味着该函数分割特征为R不相交的子集，以及一个模式X将总是被识别为同一人。因此，在的SFV-FR的方法，该相似性度量不是基于相应的功能，但需要之间的平均误差之间的正确匹配考虑总数面对。如果测试组被定义为一个集合P= 1，2， ，R，其中由人，以及相应的n个分量的特征矢量被定义为该特征向量的每个人的元件值（R）测试的人实际上是表示为随机变量一组，由于姿态，面部表情，噪声的变化，和测量精度。决策规则表示为由（12）中定义的决策规则意味着必须有特征矢量中的至少一个部件（第k个分量）即任何两个人之间的不同。因此，该特征矢量的每个测试对象（如，人）是唯一的，并且它可以被用作识别区分他人的人。决策规则支持在脸上早期排斥策略匹配在识别阶段。此判定规则用于确保高识别精度。注册是至关重要的，特征值的距离对于不同的人在注册过程中被选中。为了实现对噪声引起的变化表现强劲腐败，带来的变化，和面部表情，数对于一个人的特征矢量的分量需要是从在注册的任何其他人明确分开系统。如果不是这样，一个新的功能部件具有被引入到的特征向量的人在重新注册该系统。可替代地，一个统计模式分类方法17可以设计如下，为了解决中可能存在的鉴定两种的任何潜在混淆不同的人。有条件的手段和两个人协方差完成注册已知的，并且这些被定义为在那里率i被定义为E X，因为X来自圆周率的人。可以得到在和1是最大的特征值对P-1Q。因此，最好的方向，也就是说，向量a（即Fisher线性判别式的变化17），可用于分离两个人通过脸模型具有动态特征的结构取决于对人要登记的鉴定。多少特征将在识别/识别系统中使用取决于设计要求，以支持快速匹配识别和可接受的性能。在为了实现在假方面的最佳性能接受率，该特征向量的分量的数目应，理想情况下，尽可能地大，只要面部定义和测试的人脸识别系统可以支持它。然而，特征向量可能无法代表唯一一个人，他与别人不同，由于混淆/她在测试的人的有限的图像分辨率而数量庞大的人谁是外注册（培训）集。在这样的情况下，进行统计分析的SFV-FR系统的性能的被提供为如下：5、SFV-FR技术统计性能分析甚至用0错误拒绝率，可能存在的可能性的两个或更多的人共享相同特征矢量训练集以外的人进行表彰时。这个错误接受率可以由以下来估计统计分析：了简化分析，我们假定随机面代表特征向量X =X1 ，XN T有独立组件曦，I =1时，个人的n和产品X1的概率分布函数 ，XN，包括所有由脸的组合功能为代表可能的面孔特征矢量，可表示为16在中此外，错误接受离散概率如下表示：其中，双，EI对i =1，2，中，n为各成分的范围面部特征向量（随机变量）兮。式（18）表示的是，如果任何两个人是随机的概率从人们所选择的报名（培训）集以外，该两个人有每个功能的同一区域。从理论上讲，假验收N个测试人的离散概率外训练集给出如下：其中S是由（17）中获得的面部特征矢量空间。因为的更高程度术语（18）（以上的概率两个人具有相同的特征向量）收敛速度非常快到零，错误接受用于SFV-FR的概率是主要依赖于（18），这是本文的重点，人们内的一些限制。基于738样本107人，的特征之一，即，X（它是由两个眼角和所形成的角1交点中心线，用线连接两个鼻孔特征点见图图1（a），其中，反过来，被表示为眼角的距离的比率，并到中央线的两个交点的距离见图图1（a），进行了调查。测试结果示于图。 3.功能的测试集（即人）在PDF图。图3（a）示出了一个相似的高斯密度分布与如图所示的相同的均值和标准偏差图。图3（b）;因此，它可以由一个高斯近似分布其平均值和标准偏差的值使用测试数据集获得的。实验还表明，其它组分面对代表特征矢量具有相似的特性并且也大致与高斯分布该装置率i和标准偏差I，I =1，2， ，N，分别。图。3. PDF（a）将测试集的特征X 1和（b）是用相同的标准偏差和平均值高斯PDF格式。因此，每个FXI（xi）与它的平均率i和标准的PDF偏差I可近似表示如下：离散概率分布函数的一个子范围Xi可近似表示为在中，和是人的脸的平均或最大变化范围功能兮。在量Xi等因素影响测量精度（分辨率测试图像），面部表情和构成，照明条件，和噪声。平均率i和标准偏差I依赖于自然属性的特征的组分（例如，参见图8）。因此，SFV-FR系统的错误接受能进一步约为取决于：其中bi和EI被定义为相同于（18）。 BI和EI从注册（培训）建立起来的脸上得到模型的基础上的特征向量数据组（实施例）。用（21）和（22）的实验表明，接受假率是独立的装置率i;标准偏差I和Ri（西安到量Xi的范围比）作贡献到错误接受率（例如，参见图7）。假接受率随Ri的降低。量Xi也测试依赖于测量精度（定义面部图像）和特征的属性。习近平还依赖上的图像的清晰度。三维人脸数据集通常来自rangescanning如激光扫描仪，其中设备捕获三维一个面部表面18的几何形状和纹理信息。该三维脸部识别方法使用曲率计算基于来自旋转得到的范围内的图像数据激光扫描仪。用于从一个实时监视测试图像系统，它通常是很难得到它的3-D信息站点。（通常情况下，它需要几秒钟的强大扫描器获得从一个静止面部此信息）。因此，它是提出来衡量其多视图2-D的信息来解决问题19。此外，该特征矢量为基础的脸代表结构也支持早期排斥策略期间，在识别阶段的脸匹配。这是一个扩展自由形式的弯曲表面中的3-D的概念形状识别多个2-D视图人脸识别20。用三维扫描方法，多视点的2-D相比人脸图像都比较容易获得通过监控视频系统与合作较少的需求确定人。而相比之下，使用20所述的曲率值，但是，形状特征是由功能的角度作出代表在因为在SFV-FR方法点和切线角比例和切线角度不变性，作为证明以前。三、实验面对几个数据集在本次调查中。该数据集，包括麻省理工学院的一个子集技术CBCL人脸识别数据库，其中包括10个人，和FRAV3D 21，它是一个人脸数据库有106人。在FRAV3D，被收购所有的人脸图像在受控的照明条件和不戴眼镜，帽子，或围巾。为了测试面部表情的影响，大的变化姿势，年龄，和照明的性能在SFV-FR系统，面部表情数据库（JAFFE）22的鲁棒性和老龄化人脸数据库FG-NET 23分别为使用。此外，高清晰度的面部图像的一个子集是也用在实验中。该子集包括89个不同的科目，而每个人都有多重的人脸图像。那里在面部数据集的子集轻微姿势变化左/右和上/下方向。虽然面孔一般中性的，有些科目熊微笑表情。所有的面的几乎均匀的背景光。但是，面有相当不同的尺度。面对裁剪，最大的脸后图像包含约1 000 000像素，而最小人脸图像只包含约10 000像素。图。4.坐标（基准线），参考点（鼻尖），一些特征点，和特征点切线的侧面。为了测试该SFV-FR系统的原理为实时应用中，四个前脸特征见图图1（a）和三个侧面脸特征见图图1（b）被选定。该更多的特征部件，性能越好那除具有更多的计算成本来实现。该为测试面部特征矢量，因此限定为X=X1，X2 ，X 7 T，以便支持快速实时人认可。每个面部特征在此定义。1）X 1是由眼睛外角和一个形成的角度中心线的交点见图图1（a）。2）X 2是由眼睛内角和一个形成的角度中心线的交点见图图1（a）。3）X 3是距离的眼内之间的比率角向眼外角之间的距离见图图1（a）。4）X 4是距离的眼外之间的比边角的两个鼻孔功能之间的距离点见图图1（a）。5）X5是鼻尖所成的角，耳朵底部特征点和眼角见图图1（b）。6）X 6是由一个切线所成的角度（参照蓝线图。 4）和其侧基线。7）X 7是由另一个切线形成的角度（见蓝色线图。 4）和其侧基线。X6和X7，由一个所产生的切点脸部轮廓和圆，其中心的交叉点在鼻尖和由侧面脸的一小部分产生的其半径参考长度（参照图1（b）和4）。特征X3和X4都是比其他的功能，因为他们的脸更可靠的姿势不变。特征角实际上可以由比率来表示其对应的长度（垂直于相邻的或相反的角度）边，例如，X 1可以被表示为眼中的“外眼角的距离的距离比中心线和X2的两个交点之间的可被表示为眼睛内的距离的比率角落的两个交点之间的距离中心线见图图1（a）。SFV-FR系统的人脸识别过程包括几个步骤同时为注册（登记），并识别（匹配）的进程。面的登记在SFV-FR方法涉及一个预处理步骤。在预处理步骤，面部区域被裁剪和噪声抑制被施加，之后边和的轮廓脸部被检测到。对于不同的功能，不同的边缘检测方法或阈值可以在为了检测使用的特征尽可能准确的位置。在实验中使用的详细的操作被描述为如下：首先，在输入人脸图像的噪声被抑制边缘保留去噪过程24和/或高斯平滑操作。其次，进行边缘/轮廓检测出由第二导数为基础的操作具有不同的参数/阈值不同的功能25。第三，在检测的边缘/简档，多个所需的SFV-FR的控制点和兴趣点进行自动提取通过他们的显着特征，考虑到兴趣点是局部极大值或轮廓/边缘的最低点。例如，中间一行图像从图。图5（e） - （H）及图。图6（b）示出所检测到的配置文件和提取基准线（控制点）从sideface黄线表示图像。人有不同的鼻子曲线见底部连续的图像从图。图5（） - （l）和图6（c）和每个单独的具有鲜明鼻形系生物特征2。对于提出SFV-FR，鼻轮廓的几何形状可以来表示，并且由所述切线萃取/角度表示由蓝线的交叉点见图。图6（b）和（c）。在从图图像。图5（） - （l）和图6（c）中，坐标（参考）表示为黄线线对齐作比较，与每个参考点（噪声尖）由紫色指示点有绿色边框。图。图6（c）中，每个兴趣点是由紫点有绿色边框表示。对于SFV-FR兴趣点/切线提取和所述的准确度面对测量精度取决于的分辨率面部图像参见图图6（c），因为更多的像素的面含有的脸形特征越多，细节可以被提取。从176人（即982例面部数据集）107个人随机选择为训练集和剩下的69人进行培训外认证测试。测试组由来自不同年龄的人，并族群。对于身份验证，假录取率对于69人的培训外，因为相对设定0有限的测试集的大小。因为人内的数注册/训练集总是有限的，留下了潜在的巨大的境外培训设置的人，会是怎样的潜力错误接受率测试系统来识别人登记外设置,使用的问题进行了调查基于所述第二E所讨论的统计分析。图。5. SFV-FR提取兴趣点的人脸图像。 （i）-不同分辨率（D）输入人脸图像。（vi）-（H）曲线的成果/边缘检测。（）-（L）信息的检测后的对应面部图像经过变焦部分（鼻轮廓）从（e）至（H），并从轮廓提取的兴趣点。图。6. SFV-FR提取兴趣点和切线/从人脸图像的角度。 （a输入面部图像。轮廓检测（b）的结果，所述兴趣点，并提取其切线的轮廓。相应的人脸图像（三）缩放部分（鼻轮廓）信息检测之后（b）和兴趣点及其切线提取的轮廓。人脸表示特征向量之前获得的。该结果表示如下：每个功能曦是为每个测试个体的随机变量由于构成改造，规模，测量精度（与图像的分辨率相关联），照明条件，和面部表情;西安每个范围个体也是不同的彼此因为人们不同的自然的面部特征。基于测试从107培训/注册人738例中，得到相应的随机特性可变参数作为I=12.9，12.2，11.1，10.3，11，13.1，10.5，量Xi=13，12，11，9，12，14，15，且X= 67，64，55，52，54的范围内，58，53，其中i =1，2， ，7，分别与这些变量主体高斯分布。由（19）和（22），该电势该系统的错误接受率为0.1198。如果面部表情数据集，如（JAFFE），和面大姿势的变化进行了测试，错误接受率由于升高到低清晰度和增加变异面广范的每个人。假设其他因素都是平等的，量Xi和错误接受之间的关系率进行了测试，并显示出如下：图7，假设每个特征的随机值喜是受其个人范围内均匀分布量Xi。它可以观察到相应的错误接受率增加的增加量Xi的每个人，这取决于脸姿势，表情，以及照明条件。部件数量的用于面部的关系特征矢量与错误接受率还测试在本次调查。如果只有第一四个分量的测试人脸表示特征向量被使用，假接受率将根据（19）和（22）为0.54。该性能变差，虽然计算成本降低。这意味着，该系统的错误接受率可以用增加的可靠功能组件可以改善载体。图。量Xi的尺寸和的错误接受率之间的关系7.所提出的脸部识别系统。另一个因素，即，标准偏差进一步调查I为X1的情况下，表示为如下：图8，虽然被测试装置产生的PDF文件（人）具有不同的个体X的，这是2为图图8（a）和7所示。 8（b）中，他们没有表现出显著差异在它们之间。其结果是，一个特征的标准偏差I作为特征的一个大的自然属性是独立的量Xi的变体。所提出的SFV-FR的性能进行了比较与国家的最先进的技术，称为人脸识别基上拟合三维形变模型（FRBF-3- DMM），26。五十八个科目621图像从入选上述人脸数据库进行了对比测试。共488图像选择用于训练，其余图像被用于测试。性能示于表I中SFV-FR表现出比更好脸部识别性能FRBF-3-DMM。为了进一步评价所提出的SFV-FR，则其他先进国家的技术也与比较SFV-FR采用大众脸数据库FG-NET23。 Seventyone受试者的6-60年龄范围从入选在FG-NET，并为每个主题所选择的图像进行分为两组。一组进行训练，并且另一组是用于测试。测试结果示于表。由于年龄的非常大的变化，姿势，和照明;低分辨率;和闭塞，只有有限该特征矢量的分量是可用于图像;SFV-FR的识别率也下降了。然而，该SFV-FR仍表现出比其他指标更好的性能技术。在本文中所描述的实验是仅用于说明建议SFV-FR系统的原理。如果有更多的多视点2-D面部基准模板设立登记时，从显著姿势变化减少测量误差，在SFV-FR系统的错误接受率有望完善。此外，更多的特征的组件，可以选择通过在面部和切线角的要点从突出/特征点，这是不可变形面对式（行）（参见图4-6），以提高其性能时，最有可能的，额外的计算成本。SFV-FR的优点是，它需要很少或没有从受试者的容貌进行了自动化合作识别过程。它适用于应用，如定制和边境保护服务，安全和限制区检查点等，其中，当人们都在等待中一定区域内或者通过登机或到达通道走机场码头，自己的脸拍摄照片几个相机从不同的角度。然而，性能的SFV-FR高度依赖于相机的分辨率，其性能降低因遮挡，如眼镜或毛发覆盖面的一部分。在SFV-FR的另一个限制是，有可能对所提出的某些内容的变化注册的生命期内，人脸特征向量人。该SFV-FR的方法提供了一种替代的框架整合其他可靠的人脸特征表示从国家的最先进的脸部识别技术，技术如果不需要一个人脸识别严格的响应时间系统。四、结论在本文中，基于国家的最先进的技术，人脸识别，可靠的人脸自动识别方法有被引入。首先，基于形状的自我抽出用参照坐标已被提议作为框架。基于基准（坐标），一种新型的面部特征向量具有被定义为脸上的代表性和鉴定。该面部特征向量的新颖的部分是它的功能角度和特征点切线角为基础的人脸表示。该理想的规模，翻译和面部的旋转不变性功能，功能的角度，和特征点切线的角度，有利用本文这张脸代表得到证实。该不变五官能耐受，在一定程度上的变化人脸姿态和表情。在SFV-FR方法的明显优势是，它避免了耗时的蛮力-搜索算法之类招生的图像对齐图像和测试图像中的后续面部对照操作，这是通常使用的现有状态ofthe-艺术人脸识别算法。的另一个优点面对提出的代表性和提取的是，它支持早期的排斥反应。其结果是，它有一个潜在的应用实时视频监视系统。SFV-FR系统表现出有前途的性能通过对几个标准人脸数据集实验。一这种面部识别模型的贡献在于，它提供了统计分析，以提供一个理论解释如何识别系统的性能依赖于特征属性（例如其PDF的标准偏差），测量精度（先决条件获得的一个高精度高的图像分辨率），脸姿势和表达，照明条件，和噪声。因此，基于分析（它们之间的关系），它提供了一个可靠的方法来设计一个实用的人脸识别系统，以满足他们的特殊要求。这种方法还提供了一种替代框架，国家的最先进的其他可靠的人脸表示技术整合到一个可靠的（稳健），实用多生物统计识别系统。图8.从PDF文件相同的测试的人用不同的X的显示出类似的标准偏差。 （一）与PDF作为10.75。 （二）与PDF作为11.16。表一，比较SFV-FR与FRBF-3-DMM适合面部识别表二，比较方法进行人脸识别致谢笔者想感谢麻省理工学院技术中心生物和计算的学习用于提供面部图像数据库，并的人脸识别和人工视觉组（FRAV）胡安卡洛斯国王大学提供的FRAV3D的脸数据库。参考1 A. K. Jain, A. Ross, and S. Prabhakar, “An introduction to biometric recognition,” IEEE Trans. Circuits Syst. Video Technol., vol. 14, no. 1,pp. 420, Jan. 2004.2 W. Zhao, R. Chellappa, P. J. Phillips, and A. Rosenfeld, “Face recognition: A literature survey,” ACM Comput. Surv., vol. 35, no. 4, pp. 399458,Dec. 2003.3 M. Turk and A. Pentland, “Eigenfaces for recognition,” J. Cogn.Neurosci., vol. 3, no. 1, pp. 7186, 1991.4 P. Belhumeur, J. Hespanha, and D. Kriegman, “Eigenfaces vs. Fisherfaces:Recognition using class specific linear projection,” IEEE Trans. PatternAnal. Mach. Intell., vol. 19, no. 7, pp. 711720, Jul. 1997.5 H. Sellahewa and S. A. Jassim,“Image-quality-based adaptive face recognition,” IEEE Trans. Instrum. Meas., vol. 59, no. 4, pp. 805813,Apr. 2010.6 A. S. Mian and M. Bennamoun, “Keypoint detection and local featurematching for textured 3D face recognition,” Int. J. Comput. Vis., vol. 65,no. 1, pp. 6385, 2007.7 A. S. Mian, M. Bennamoun, and R. A. Owens, “An efficient multimodal2D3D hybrid approach to automatic face recognition,” IEEE Trans.Pattern Anal. Mach. Intell., vol. 29, no. 11, pp. 19271943, Nov. 2007.8 P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Proc. IEEE Conf. Comput. Vis. Pattern Recog., 2001,pp. 511518.9 S. J. D. Prince, J. H. Elder, J. Warrell, and F. M. Felisberti, “Tied factor analysis for face recognition across large pose differences,” IEEE Trans.Pattern Anal. Mach. Intell., vol. 30, no. 6, pp. 970984, Jun. 2008.10 J. Huang, B. Heisele, and V. Blanz,“Component-based face recognition with 3D morphable models,” in Proc. Int. Conf. Audio Video-Based Biometric Person Authentication, 2003, pp. 2734.11 K. W. Bowyer, K. Chang, and P. Flynn, “A survey of approaches andchallenges in 3D and multi-modal 3D +2D face recognition,” Comput.Vis. Image Understand., vol. 101, no. 1, pp. 115, Jan. 2006.12 G. Gokberk, A. Salah, and L. Akarun, “Rank-based decision fusion for 3D shape-based face recognition,” in Proc. Int. Conf. AudioVideo-Based Biometric Person Authentication, 2005, pp. 10191028.13 P. J. Besl and N. D. McKay, “A method for registration of 3-D shapes,”IEEE Trans. Pattern Anal. Mach. Intell., vol. 14, no. 2, pp. 239256,Feb. 1992.14 X. Lu, A. K. Jain, and D. Colbry, “Matching 2.5D scans to 3D models,”IEEE Trans. Pattern Anal. Mach. Intell., vol. 28, no. 1, pp. 3143,Jan. 2006.15 C. D. Castillo and D. W. Jacobs, “Using stereo matching with general epipolar geometry for 2D face recognition across pose,” IEEE Trans.Pattern Anal. Mach. Intell., vol. 31, no. 12, pp. 22982304, Dec. 2009.16 I. N. Bronshtein, K. A. Semendyayev, G. Musiol, and H. Muehing,Handbook of Mathematics, 5th ed. New York: Springer-Verlag,2007.17 H. Stark and J. W. Woods, Probability and Random Processes WithApplications to Signal Processing, 3rd ed. Englewood Cliffs, NJ:Prentice-Hall, 2002.18 C. Beumier and M. Acheroy, “Au