人脸检测和识别技术的文献综述

人脸检测与识别技术文献综述通过阅读关于人脸检测和识别技术的文献，总结了传统身份识别、人脸检测和识别技术的背景和意义以及国内外发展现状，并着重介绍了人脸检测和识别方法。关键词：人脸检测；人脸识别；子空间分析；核主成分分析。人脸不仅具有很强的自我稳定性和个体差异，而且比传统识别更直接、友好、更符合人类的视觉习惯。一个完整的人脸识别过程通常包括两个部分：人脸检测和人脸识别。人脸检测是指计算机在包含人脸的图像中检测人脸，并给出人脸所在区域的位置和大小等信息的过程。1。人脸识别是将待识别的人脸与已知人脸进行比较，获得相似程度的相关信息。这里所指的人脸识别是狭义的识别，是一般人脸识别的子过程2。近年来，人脸检测与识别技术的研究取得了很大进展。1人脸识别的背景和研究意义身份识别和验证是人类社会日常生活中的基本活动之一。虽然这可能是无意识的，但我们每天都要辨别许多人的身份。同时，每个人都必须通过各种方式证明自己的身份。目前，在大多数情况下，我们仍然依靠传统的身份验证手段来完成身份识别过程。这些手段包括各种身份识别对象，如身份证、学生证和其他证件、钥匙、密码等。然而，使用这些方法不方便、不安全和不可靠的缺点是不言而喻的。不方便携带的文件、钥匙可能是伪造的，密码可能会丢失。这些缺点使他们越来越不能满足现实的需要3。目前，广泛使用的依靠证书、密码等传统方法来确认个人身份的技术正面临严峻挑战，不能满足现代科技发展和社会进步的需要4-6。随着社会的发展和信息水平的不断提高，人们对身份识别的准确性和实用性提出了更高的要求。传统的身份识别方法已经不能满足这些要求。生物识别使用人类特有的生理特征，如指纹、虹膜等。或者诸如签名、声音等行为特征。用于身份识别。基于生物特征的身份认证技术是一种新的安全技术，是本世纪最有潜力的技术之一7。2人脸检测和识别技术的发展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，当时由于技术原因，人脸检测的研究仍然处于停滞状态。直到20世纪90年代，由于人脸识别系统和视频解码的广泛应用，人脸检测的研究才得到新的发展。为了使人脸特征的定位更加准确，提出了变形模板、弹性曲线等特征提取方法以及运动、颜色和综合信息等更鲁棒的方法。目前，国内外对人脸检测的研究很多，如国外的麻省理工学院和CMU、清华大学、北京理工大学、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，人脸识别研究受到了许多研究者的青睐，出现了许多技术方法。特别是自1990年以来，人脸识别取得了很大的进步，每年都有大量的学术论文发表。目前，几乎所有著名的理工科大学和主要的信息技术公司都有研究小组从事人脸识别研究。人脸识别的研究大致可以分为四个阶段。第一阶段以贝迪隆、艾伦和帕克为代表，主要研究人脸识别所需的面部特征。第二阶段是人机交互识别阶段。第三阶段是真正的自动机器识别阶段。第四阶段是鲁棒人脸识别技术的研究阶段。目前，国外许多大学和研究机构已经开发出一些良好的人脸识别原型系统和一些成熟的商用人脸识别系统，如德国的认知技术公司、美国的Indentix、Eyematic等。3.人脸识别的研究方法近年来，随着研究方法越来越多，人们在人脸检测与识别方法和三维人脸重建方法的研究上取得了很大的进展。目前，人脸识别技术的研究主要分为以下两类：人脸检测和人脸识别。人脸检测方法主要包括基于知识的方法、基于特征的方法、模板匹配和基于外观的方法9。根据特征提取和选择方法的不同以及出现的时间顺序，人脸识别方法分为三类：早期几何特征方法和模板匹配方法、神经网络方法和统计方法。分类只是相对的，一些方法可能交叉存在10框图如下：高维空间中基于特征空间分解密度估计的概率视觉学习方法。基于分布的系统基于分布的方法神经网络特征脸技术两阶段人脸检测方法一种检测照片中正面的方法基于人脸的形状定位方法线性子空间分析方法隐马尔可夫模型基于多尺度和方向变化的Gabor特征方法子空间分析方法基于动态链接结构的弹性地图匹配弹性梁模式匹配方法人脸识别技术人脸检测方法人脸识别方法基于特征的方法基于知识的方法特征匹配方法基于几何特征模板与马的匹配方法神经网络方法统计方法基于外观的方法基于核技术的非线性子空间分析主成分分析线性决策分析独立元素分析非负矩矩阵因子核Fisher决策分析核主成分分析3.1人脸检测方法3.1.1基于知识的方法基于知识的方法之一是基于规则的人脸检测方法。规则来自研究人员对人脸的先验知识。一般来说，提出简单的规则来描述面部特征及其相互关系更容易。杨和黄使用基于层次知识的人脸检测方法11。他们的系统由三个层次的规则组成。在最高级别，通过扫描输入图像的窗口并应用每个位置的规则集，找到所有可能的面部候选区域。高级规则通常描述一张脸的样子，而低级规则依赖于面部特征的细节。如图2所示，通过平均和二次采样生成多分辨率分层图像。编码规则通常以较低的分辨率确定人脸的候选区域，包括人脸中心部分较浅的阴影部分，那里基本上有相同的灰度单位。图2杨、黄的检测方法图2杨、黄的检测方法3.1.2基于特征的方法基于特征的方法不仅可以从现有的面部特征中检测人脸，还可以从它们的几何关系中检测人脸。与基于知识的方法相反，它是为人脸检测寻找人脸的不变特征。已经提出了许多方法来在推断面部存在之前检测面部特征。眉毛、眼睛、鼻子、嘴巴和发际线等面部特征通常由边缘检测器提取。根据提取的特征，建立统计模型来描述特征之间的关系并确定现有的人脸。基于特征的算法的问题是图像特征由于光照、噪声和遮挡而严重受损，人脸的特征边界被弱化。阴影可能导致强边缘，这可能使算法难以使用。3.1.3模板匹配方法Sakai等人使用子模板如眼睛、鼻子、嘴和脸的轮廓来建模和检测照片中的正面。每个子模板由线段定义。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关系来检测人脸的候选区域，并完成候选区域中其他子模板的匹配。Craw等人提出了一种基于正面的形状模板，即人脸形状定位方法。Sobel算子用于提取组织在一起的边缘，根据几个约束条件搜索人脸模板。放置在头部轮廓上。Govindaraju等人提出了一种两阶段人脸检测方法。人脸模型由边缘定义的特征组成。这些特征描述了正面的左侧、发际线和右侧曲线。面部必须垂直、通畅和正面。3.1.4基于外观的方法该方法首先通过学习在大量训练样本集的基础上建立一个能够正确识别人脸和非人脸样本的分类器，然后对检测到的图像进行全局扫描，利用该分类器检测扫描图像窗口是否包含人脸，如果包含，给出人脸的位置。Moghaddam和Pentland提出了一种在高维空间中使用特征空间分解密度估计的概率视觉学习方法12。主成分分析(PCA)被用来定义子空间来最好地表示人脸模式集。主成分保存数据中的主成分，并丢弃那些次要成分。该方法将向量空间分解为两个子空间，即子空间或特征空间及其正交子空间，这两个子空间是互斥且互补的。因此，如图3所示，对象密度被分解成由主子空间中的主分量及其垂直分量(在标准PCA中丢弃的次分量)跨越的2个分量的密度。多元高斯和混合高斯密度分布用于学习局部面部特征的统计。这些概率密度然后被用于基于最大值计算概率密度基于似然估计的目标检测。该方法已应用于人脸定位、编码和识别。与传统的特征人脸方法相比，该方法具有更好的人脸识别性能。图3图像空间被分解成主子空间和垂直补码空间图3将图像空间分解成主子空间及其正交补3.2人脸识别方法3.2.1早期几何特征方法和模板匹配方法最早的人脸识别方法是基于几何特征的13。其基本思想是提取面部代表部位(如眉毛、眼睛、鼻子、嘴巴等)的相对位置和相对大小。)作为特征，然后利用人脸轮廓的形状信息对人脸进行分类和识别。模板匹配是模式识别中最简单的模式分类方法。在人脸识别中，将数据库中的人脸图像视为已知模板，然后根据待识别图像与已知模板的相关性进行分类。3.2.2神经网络方法基于神经网络的人脸识别方法也是早期的方法之一。目前，比较流行的基于动态链接结构的弹性图匹配方法已经取得了一些成功。Gabor小波用于提取和描述人脸中的一些局部特征点(节点)，并将它们以标记图的形式连接起来。标记图之间的相似性用于衡量人脸图像之间的相似性。弹性图匹配方法不仅反映了人脸的几何特征信息，而且可以通过标记图的弹性变形来描述人脸的一些变化，从而达到更好的识别性能。3.2.3基于统计的方法统计方法是目前最流行的方法。它的理念是学习根据人脸的统计特征，可以确定分类。学习和识别过程的模型如下4.图4统计方法识别模型子空间分析是主要方法之一。其思想是通过线性或非线性变换将松散分布在高维空间的人脸图像压缩到低维子空间，使人脸图像的分布更加紧凑，更有利于分类。此外，高维计算被简化为低维计算。目前，已成功应用于人脸识别的线性子空间分析方法包括：主成分分析/主成分分析、线性判别分析/线性判别分析、独立成分分析/独立成分分析)、非负矩阵分解/NMF；基于核技术的非线性子空间分析包括核主成分分析/KPCA和核Fisher判别分析/KFDA。核主成分分析如下：基于线性子空间分析方法的人脸识别实际上存储了真实的人脸图像面部表情、姿势和光照等复杂变化被线性简化，因此无法完全描述。核技术的思想是利用非线性映射将原始空间的数据映射到隐藏特征空间F: xRnFFF，然后分析隐藏特征空间中的数据，从而有效地分析原始数据的非线性关系。然而，在计算中，没有必要明确地计算该非线性变换，仅需要计算隐藏特征空间F (3.1)中的两个向量的点积。隐藏特征空间F由这样的点积来描述。k (x，y)=(x)*(y)(3.1)有三种常用的点积核：多项式点积核、径向基点积核和Sigmoid点积核函数14-16。核主成分分析最早是由Scholkopf等人提出的17。它的想法是应用核技术结合主成分分析。首先，利用核技术将原始数据投影到隐藏特征空间F中。经过线性主成分分析，得到相对于原始空间的非线性主成分太空。根据主成分分析的原理，在隐特征空间f中求解主成分等价于求解下列特征值问题：w=Sw(3.2)其中s 表示隐藏特征空间f中样本投影的色散矩阵。由于隐藏特征空间中的线性变换，存在这样的关系：对应于0的特征向量w 必须存在于 (x1)， (x2)， (xn)。数学在w上可以用公式(3.3)表示：(3.3)将(3.3)代入(3.2)，特征值问题将改变。要理解以下特征值问题：N=K (3.4)其中，矩阵k是一个N N矩阵，ki，j=k (Xi，xj)=( (Xi)， (xj)，=(1，2，N )T .类似地，可以选择前M个大特征值的特征向量作为隐藏特征空间在主元素中，原始空间中数据x在w 上的投影是：(3.5)4.总