人脸识别方法的研究与实现-文献综述

第1页开题报告（文献综述）1.引言通过对关于人脸检测与识别技术方面文献的阅读，本文综述了传统的身份识别，人脸检测和识别技术的背景、意义及国内外发展现状，并介绍了人脸识别方法以及人脸识别的流程。人脸不仅具有很强的自身稳定性和个体差异性，而且直接、友好，相对传统识别，更符合人类的视觉习惯。一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程，人脸识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息。这里所指的人脸识别是狭义的识别，是统称的广义人脸识别的一个子过程。近年来人脸检测和识别技术的研究取得了较大的发展。2.人脸识别的背景和研究意义身份识别与验证是人类社会日常生活中的基本活动之一。尽管也许是无意识的，我们每天都要对很多人的身份做出判别，同时，每个人也都要经常通过各种方式和手段证明自己的身份，目前我们大多数情况下仍然依赖于传统的身份验证手段来完成身份识别过程，这些手段包括各类标识物如身份证、学生证等各类证件，钥匙，口令等，然而这些方式使用不方便、不安全、不可靠的缺点不言而喻，证件、钥匙携带不便证件可以被伪造钥匙可能会丢失密码,这些缺点使得它们越来越不能满足现实的需要。目前广泛使用的依靠证件、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已经不能适应现代科技发展和社会进步的需要。随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。生物特征识别利用人类特有的生理特征如指纹，虹膜等或行为特征如签名，声音等进行身份识别。基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一3.人脸检测和识别技术的发展概况人脸检测是自动人脸识别系统中的一个关键环节，也是极其重要的一步.早期的人脸检测问题可以追溯到20世纪70年代，由于技术原因，当时人脸检测的研究一直处于止第2页步状态。直到20世纪90年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。目前，国内外对人脸检测问题的研究非常多，比较著名的有国外的MIT、CMU等，国内的清华大学、北京工业大学、中国科学院计算技术研究所和中国科学院自动化研究所等。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，每年都有大量的学术论文发表。现在，几乎所有知名的理工科大学和IT产业的主要公司都有研究组在从事人脸识别的研究。人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所大学和研究机构已经研制出一些较好的人脸识别原型系统和一些较成熟的商业人脸识别系统，如德国的Cognitec，美国的Indentix，Eyematic等。4.人脸识别的方法虽然人脸识别方法的分类标准可能有所不同，但是目前的研究主要有两个方向，一类是从人脸图像整体出发，基于图像的总体信息进行分类识别，它重点考虑了模式的整体属性，其中较为著名的方法有:人工神经网络的方法、统计模式的方法等。另一类是基于提取人脸图像的几何特征参数，例如眼、嘴和鼻子的特征，再按照某种距离准则进行分类识别。这种方法非常有效，因为人脸不是刚体，有着复杂的表情，对其进行严格特征匹配会出现困难。而分别介绍一些常用的方法，前两种方法属于从图像的整体方面进行研究，后三种方法主要从提取图像的局部特征进行研究。4.1.基于特征脸的方法特征脸方法是从主元分析方法PCA导出的一种人脸分析识别方法，它根据一组人脸图像构造主元子空间，由于主元具有人脸的形状也称作特征脸。识别时将测试图像投影到主元子空间上得到了一组投影系数，然后和各个已知人的人脸图像进行比较识别，取得了很好的识别效果。在此基础上出现了很多特征脸的改进算法。特征脸方法原理简单、易于实现，它把人脸作为一个整体来处理，大大降低了识别复杂度。但是特征脸方法忽视了人脸的个性差异，存在着一定的理论缺陷。研究表明：特征脸方法随光线角度及人脸尺寸的影响，识别率会有所下降。4.2.基于神经网络的方法第3页神经网络在人脸识别应用中有很长的历史。早期用于人脸识别的神经网络主要是Kohonen自联想映射神经网络，用于人脸的“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用Kohonen网络恢复出原来完整的人脸。Intrator等人用一个无监督/监督混合神经网络进行人脸识别。其输入是原始图像的梯度图像，以此可以去除光照的变化。监督学习目的是寻找类的特征，有监督学习的目的是减少训练样本被错分的比例。这种网络提取的特征明显，识别率搞，如果用几个网络同时运算，求其平均，识别效果还会提高。与其他类型的方法相比，神经网络方法在人脸识别上有其独到的优势，它避免了复杂的特征提取工作，可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。此外，神经网络以实时方式处理信息，如果能用硬件实现，就能显著提高速度。神经网络方法除了用于人脸识别外，还适用于性别识别、种族识别等。4.3.弹性图匹配法弹性图匹配方法是一种基于动态链接结构DLA的方法。它将人脸用格状的稀疏图表示，图中的节点用图像位置的Gabor小波分解得到的特征向量标记，图的边用连接节点的距离向量标记。匹配时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一个变形图，其节点逼近模型图的对应点的位置。弹性图匹配方法对光照、位移、旋转及尺度变化都敏感。此方法的主要缺点是对每个存储的人脸需计算其模型图，计算量大，存储量大。为此，Wiskott在原有方法的基础上提出聚束图匹配某部分客服了这些缺点。在聚束图中，所有节点都已经定位在相应目标上。对于大量数据库，这样可以大大减少识别时间。另外，利用聚束图还能够匹配相同人的最相似特征，因此可以获得关于未知人的性别、胡须和眼镜的等相关信息。4.4.基于二值化模式的方法图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。一幅图像包括目标物体、背景还有噪声，要想从多值二值化的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化。全局二值化，在表现图像细节方面存在很大缺陷。为了弥补这个缺陷，出现了局部二值化方法。局部二值化的方法就是按照一定的规则将整幅图像划分为N个窗口，对这N个窗口中的每一个窗口再按照一个统一的阈值T将该窗口内的像素划分为两部分，进行二值化第4页处理。这样得出来的二值化图像就更能表现出二值化图像中的细节。二值化是图像处理的基本操作，任何图像处理基本离不开二值化的操作。其应用非常广泛。4.5.基于模板匹配的方法模板匹配法师一种经典的模式识别方法，这种方法大多是用归一化和互相关，直接计算两幅图像之间的匹配程度。由于这种方法要求两幅图像上的目标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。最简单的人脸模板是将人脸看成一个椭圆，检测人脸也就是检测图像中的椭圆。另一种方法是将人脸用一组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须利用各个特征的轮廓，而传统的基于边缘提取的方法很难获得较高的连续边缘。即使获得了可靠度搞的边缘，也很难从中自动提取所需的特征量。模板匹配方法在尺度、光照、旋转角度等各个条件稳定的状态下，它的识别的效果优于其它方法，但它对光照、旋转和表情变化比较敏感，影响了它的直接使用。4.6.基于人脸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，可以作为人力啊识别的重要特征。几何特征最早是用于人脸检测轮廓的描述与识别，首先根据检测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。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的呢更重要器官的几何形状作为分类特征。定位眼睛往往是提取人脸几何特征的第一步。由于眼睛的对称性以及眼珠呈现为低灰度值的圆形，因此在人脸图像清晰端正的时候，眼睛的提取是比较容易的。但是如果人脸图像模糊，或者噪声很多，则往往需要利用更多的信息（如眼睛和眉毛、鼻子的相对位置等），而且这将使得眼睛的定位变得很复杂。而且实际图像中，部件未必轮廓分明，有时人用眼看也只是个大概，计算机提取就更成问题，因而导致描述同一个人的不同人脸时，其模型参数可能相差很大，而失去识别意义。尽管如此，在正确提取部件以及表情变化微小的前提下，该方法依然奏效，因此在许多方面仍可应用，如对标准身份证照片的应用。5.人脸识别的流程人脸识别是图像识别的一个重要分支，其基本流程如图图5-1所示。为了保证人脸第5页的位置一致性，在一定程度上克服了背景、头发等冗余信息的干扰，首先要对人脸库中的图像进行一些预处理操作。紧接着，进行特征抽取，将得到的人脸特征和训练样本进行对比，根据相似程序的高低决定最后的识别结果。识别结果图像采集特征匹配特征提取预处理目标图像提取库图5-1人脸识别系统框图6.小结与展望随着社会的不断发展，传统的身份识别技术已经不能满足人们的需要。与其它生物特征识别技术相比，人脸识别在可用性方面具有独到的技术优势，这主要体现在：可以隐蔽操作，尤其适用于安全监控；非接触式采集，没有侵犯性，容易被接受，不会对用户造成生理上的伤害，容易被大多数的用户接受；具有方便、快捷、强大的事后追踪能力；图像采集设备成本低；更符合人类的识别习惯，可交互性强。人脸识别是人脸信息处理领域的一个重要课题，也是计算机视觉和人机交互领域中的研究热点。这一问题的突破性进展将给人脸识别、表情姿态的识别、视频监控、身份验证等相关领域的研究带来很大的推动作用。人脸检测和识别是极具挑战性的研究课题，需要进一步研究和解决的问题还有很多。人脸检测和识别的难度大，人脸识别技术经过几十年的研究，在环境可控的条件下已经达到了实用程度，但是在考虑光照，姿态，表情等变化的影响时，其应用范围受到了较大的限制。近年来，为了进一步解决人脸识别的表情，姿态等问题，三维人脸识别技术得到了较大的发展，三维人脸模型重建方法也日趋增多。但是如何将三维识别的结果融合到二维识别中，从而建立一个有效识别准则，还有待进一步讨论，人脸特征的选取与提取算法等方面还需要进一步优化。第6页参考文献1.肖秀春.人脸检测与面部特征提取技术研究.湖南大学硕士学位论文.2004,05:1.2.刘小华.人脸识别技术及其应用研究.吉林大学博士学位论文.2005,04:103.山世光.人脸识别