人脸检测与识别技术的文献综述

1、人脸检测和识别技术的文献综述摘要：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、意义及国内外进展现状，着重介绍了 人脸检测和识别方式。关键词：人脸检测；人脸识别；子空间分析；核主元分析。人脸不仅具有很强的自身稳固性和个体不同性，而且直接、友好，相对传统 识别，更符合人类的视觉适应。一个完整的人脸识别进程一样包括人脸检测和人 脸识别两大部份，人脸检测是指运算机在包括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进程，人脸识别确实是将待识别的人脸 与已知人脸进行比较，得出相似程度的相关信息。那个地址所指的人脸识别是狭 义的识别

2、，是统称的广义人脸识别的一个子进程印。最近几年来人脸检测和识别 技术的研究取得了较大的进展。1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大体活动之一。尽管或许是无心识 的，咱们天天都要对很多人的身份做出判别，同时:每一个人也都要常常通过各 类方式和手腕证明自己的身份，目前咱们大多数情形下仍然依托于传统的身份验 证手腕来完成身份识别进程，这些手腕包括各类标识物如身份证、学生证等各类 证件，钥匙，口令等，但是这些方式利用不方便、不平安、不靠得住的缺点不言 而喻，证件、钥匙携带不便证件能够被伪造钥匙可能会丢失密码,这些缺点使得 它们愈来愈不能知足现实的需要如。目前普遍利用的依托证件

3、、口令等传统方式 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进展和社会进 步的需要:F。随着社会的进展，信息化程度的不断提高，人们对身份辨别的准 确性和有效性提出了更高的要求，传统的身份识别方式已经不能知足这些要求。 生物特点识别利用人类特有的生理特点如指纹，虹膜等或行为特点如签名，声音 等进行身份识别。基于生物特点的身份认证技术是一项新兴的平安技术，也是本 世纪最有进展潜力的技术之一。2人脸检测和识别技术的进展概况人脸检测是自动人脸识别系统中的一个关键环节，也是极为重要的一步.初期的人脸检测问题能够追溯到20世纪70年代，由于技术缘故，那时人脸检测的 研究一直处于止步状态。直

4、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，人脸检测的研究才取得了新的进展利用运动、颜色和综合信息等更具 有鲁棒性的方式被提出来变形模板，弹性曲线等在特点提取方面的许多进展使得 人脸特点的定位变得更为准确。目前，国内外对人脸检测问题的研究超级多，比 较闻名的有国外的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。最近几年来，人脸识别研究取得了诸多研究人员的青睐，涌现出了诸多技术 方式。尤其是1990年以来，人脸识别更取得了长足的进展，每一年都有大量的 学术论文发表。此刻，几乎所有知名的理工科大学和IT产业的要紧公司都有研 究

5、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时期。第一个时期 以Bertillon, Allen和Parke为代表，要紧研究人脸识别所需要的脸部特点； 笫二个时期是人机交互识别时期；第三个时期是真正的机械自动识别时期；第四 个时期是鲁棒的人脸识别技术的研究时期。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3、人脸识别的研究方式最近几年来，人们对人脸检测和识别方式和三维人脸的重建方式等的研究有 了很大的进步，研究方式愈来愈多。目前人脸识别技术的研究要紧分为以

6、下两大 类：人脸检测和人脸识别。人脸检测的方式要紧有基于知识的方式、基于特点的 方式、模板匹配和基于外观的方式等四种阴。依照特点提取和选择方式的不同， 和显现的时刻顺序，把人脸识别方式分为三大类：初期的几何特点方式和模板匹 配方式、神经网络方式和统计方式。其中的分类只是相对的，有些方式可能也能 够交叉存在其框图如下:人脸检测方式3. 1.1基于知识的方式基于知识的方式(Knowledge-Based Methods)一是基于规那么的人脸检测 方式。规那么来源于研究者关于人脸的先验知识。一样比较容易提出简单的规那 么来描述人脸特点和它们的彼此关系。Yang和Huang利用分层的基于知识的人脸检测

7、方式“L他们的系统由3级规那 么组成。在最高级，通过扫描输入图像的窗口和应用每一个位置的规那么集找到 所有可能的人脸候选区。较高级的规那么通常描述人脸看起来象什么，而较低级 的规那么依托于脸部特点的细节。多分辨率的分层图像通过平均和二次采样生 成，如图2所示。编码规那么通常在较低的分辨率下确信人脸的候选区，包括人脸的中心部份 图中较浅的阴影部份，其中有个大体上相同的灰度单元。Huang and Yang's approachNot a face region图2 Yang和Huang的检测方式Fig 2 The detection method of Yang and Huang4.

8、1. 2基于特点的方式基于特点的方式(Feature-Based Methods)不仅能够从已有的脸部特点而且 能够从它们的几何关系进行人脸检测。和基于知识的方式相反，它是寻觅人脸的 不变特点用于人脸检测。人们已经提出了许多先检测人脸脸部特点，后推断人脸 是不是存在的方式。脸部特点如眉毛、眼睛、鼻子、嘴和发际等，一样利用边缘 检测器提取。依照提取的特点，成立统计模型描述特点之间的关系并确信存在的 人脸。基于特点的算法存在的问题是，由于光照、噪声和遮挡等使图像特点被严 峻地破坏，人脸的特点边界被弱化，阴影可能引发很强的边缘，而这些边缘可能 使得算法难以利用。4.1. 3模板匹配的方式Sakai等

9、人用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人 脸。每一个子模板依照线分割概念。基于最大梯度转变提取输入图像的线，然后 与子模板匹配。计算子图像和轮廓模板之间的彼此关系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即人脸的外形定位方式。用 Sobel算子提取边缘，将边缘组织在一路，依照几个约束条件去搜索人脸模板。 在头轮廓定位。Govindaraju等人提出两个时期的人脸检测方式。人脸模型依照边缘概念的特 点组成。这些特点描述了正面人脸的左侧、发际和右边的曲线。人脸必需是垂直、 无遮挡和正面的。3.1.4基于外观的方式基于外观

10、的方式第一通过学习，在大量训练样本集的基础上成立一个能对人 脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分 类器检测扫描到的图像窗口中是不是包括人脸，假设有那么给出人脸所在的位 置。Moghaddam和Pentland提出在高维空间利用特点空间分解密度估量的概率 视觉学习方式闭。用主成份(PCA)分析来概念子空间从而最好地表示人脸模式 集。主成份保留数据中主分量而抛弃了那些次分量。这种方式把向量空间分解为 相互排斥和互为补充的2个子空间主子空间或特点空间和它的正交子空间。因此 对象密度被分解为个2成份在主子空间由主分量张成的密度，和它的垂直成份(在 标准的PCA中被抛弃

11、的次分量)如图3所示。用多变量Gaussians和混合Gaussians 密度散布进行学习人脸局部特点的统计。然后将这些概率密度用于基于最大 似然估量的对象检测。这种方式已经被用于人脸定位、编码和识别。和传统的特 点脸方式相较，此方式在人脸识别方面表现出更好的性能。DFFS图3图像空间分解为主子空间和垂直补空间Fig. 3 Decomposition Ir a image space into theprincipal subspace its orthogonal complement人脸识别方式3. 2.1初期的几何特点方式和模板匹配方式最先的人脸识别方式确实是基于几何特点的方式，它的大体

12、思想是提取人 脸脸部具有代表性的部位(例如眉毛、眼睛、鼻子、嘴巴等)的相对位置和相对 大小作为特点，再辅以人脸轮廓的形状信息，来对人脸进行分类和识别。模板匹 配方式是模式识别中最简单的一种模式分类方式。在人脸识别中，确实是把数据 库的人脸图像看成是已知的模板，然后依照计算待识别图像和已知模板间的相关 性大小来分类。3. 2. 2神经网络方式基于神经网络的人脸识别方式也初期的方式之一。目前较流行的基于动态链 接结构的弹性图匹配(Elastic Graph Matching)方式，而且取得了必然的成功。 它是通过Gabor小波来提取并描述人脸中的一些局部特点点(节点)，并把它们 用成标记图(Lab

13、eled Graph)的形式连接起来，用标记图之间的相似度来衡量人 脸图像之间的相似度。弹性图匹配方式不但表现了人脸中的几何特点信息，而且 还能够通过标记图的弹性形变来描述人脸的一些转变，因此能取得较好的识别性 能。3. 2. 3基于统计的方式统计方式是目前最受注意的一类方式。它的思想确实是想通过学习来得 到人脸的统计特点，并以此来判别分类。其学习和识别进程的模型如以下图 4所示。图4统计方式识别模型子空间分析(Subspace Analysis)方式是其中的要紧的一种，它的思想确实 是把高维空间中松散散布的人脸图像，通过线性或非线性变换紧缩到一个低维的 子空间中去，在低维的子空间中令人脸图像

14、的散布更紧凑，更有利于分类。另外, 也使高维的计算减小为低维计算。目前在人脸识别中取得成功应用的线性子空间 分析方式有：主元分析(Principal Component Analysis / PCA )线性裁决分析 (Linear Discriminant Analysis / LDA)、独立元 分 析(Independent Component Analysis / ICA)、非负矩阵因 (Non-negative Matrix Factorization / NMF)； 基于核技术的非线性子空间分析有：核主元分析(Kemel Principal Component Analysis / K

15、PCA)和核 Fisher 裁决分析(Kernel Fisher Discriminant Analysis / KFDA)o核主元分析法如下：基于线性子空间分析方式的人脸识别，事实上是把实际人脸图像中存在的表情、姿态、光照等复杂的转变进行了线性简化，因此不可能取得充分 的描述。核技术的思想确实是利用一非线性映射，把原空间的数据映射到一隐特 点空间F中：中:x £Rn-fWF,然后在隐特点空间中对数据进行分析，从而可 取得有效地分析原始数据的非线性关系。而在计算上，并非需要明确的计算那个 非线性变换中，只需要计算在隐特点空间F中两两向量的点积即可()。隐特点 空间F确实是通过如此的点

16、积来描述的。k ( x,y)=(x)*(y)经常使用的点积核函数有三种：多项式点积核函数、径向基点积核函数和 Sigmoid点积核函数I，。核主元分析是由Scholkopf等第一提出来的，其思想确实是把核技术 和主元分析结合起来。第一用核技术把原始数据投影到隐特点空间F中， 再对其作线性主元分析，那么就取得了相关于原空间的一个非线性主元子 空间。依照主元分析的原理，求解在隐特点空间F中的主元就等同于求解 如下的特点值问题：X w虹$小心其中，S表示样本在隐特点空间F中投影的离散度矩阵。因为在隐特点空间中作线性变换，因此存在如此的关系：对应于入W0的特点向量W必存在于由中（xl）,中（x2）,.

17、,中（xN）所张成的空间中。数学 上就可把w中用式（）来表示：*俨=Zq中区）/-I把（）代入（）中，那么特点值的求解问题就变 成了解下面的特点值问题：N A. a 二 K a其中，矩阵K是一个N X N的矩阵，Kk（xiM=®（xi）（xj）, a =（al ,a2,.,aN ）To同理，能够选择关于前m个大的特点值的特点向量作为隐特点空间F 中的主元，那么原空间中数据x在w中上的投影确实是：0=口） =内再，克）Ml4、小结与展望随着社会的不断进展，传统的身份识别技术已经不能知足人们的需要。与其 它生物特点识别技术相较，人脸识别在可用性方面具有独到的技术优势，这要紧 体此刻：能够

18、隐蔽操作，尤其适用于平安监控；非接触式搜集，没有侵犯性，容 易被同意，可不能对用户造成生理上的损害，容易被大多数的用户同意：具有方 便、快捷、壮大的事后追踪能力；图像搜集设备本钱低；更符合人类的识别适应, 可交互性强1网。人脸检测是人脸信息处置领域的一个重要课题，也是运算机视觉和人机交互 领域中的研究热点。这一问题的冲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专门大的推动作用“划。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，人脸识别技术通过几十年的研究，在环境可控的条件下已经达 到了有效程度，可是在考

19、虑光照，姿态，表情等转变的阻碍时，其应用范围受到 了较大的限制。最近几年来，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 技术取得了较大的进展，三维人脸模型重建方式也日趋增多。可是如何将三维识 别的结果融合到二维识别中，从而成立一个有效识别准那么，还有待进一步讨论,人脸特点的选取与提取算法等方面还需要进一步优化。参考文献：1肖秀春.人脸检测与脸部特点提取技术研究.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.人脸识别中假设干关键问题的研究.中国科学院研究生院博士学位 论文 2004, 07:2.

20、4刘党辉.鲁棒的人脸识别技术研究D.北京业人学博十论文，2004.5廖频基于统一概率模型的人脸识别技术D.中国科学院研究生院博士论文,20036张敏贵，潘泉，张洪才等.多生物特点识别J.信息与操纵，2002, 31(6):524-528.7刘晓宁.基于三维模型的人脸识别技术研究.西北大学博士学位论文.2006, 05:1.8赵明华.人脸检测和识别技术的研究.四川大学博士学位论文.2006,10:25-27.9赵丽红.人脸检测和识别算法的研究与实现.东北大学博士学位论文 2006,01:8-13.10刘青山.人脸跟踪与识别的研究.中国科学院博士学位论文.2003, 03:7-9.11 and Face Detection in a Complex BackgroundlJJ, Pattern Recognition, 1994, 27(1)：53-63.12 and Visual Learning for ObjectRecognitionTj., IEEE Trans, Pattern Analysisand Mach