人脸图象识别系统

1、人脸图象识别系统摘要：人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有广泛的应用意义。目前在基于正面静态人脸检测与识别、人脸特征的提取等方面已取得了一些可喜的成果。但是,在较复杂的环境下,诸如对人脸表情的识别、光照补偿与光照模型的建立、多种检测数据的融合等方面还缺乏着实有效的方法。本系统充分分析并利用协同学（Synergetics）的思想和方法实现人脸图像认知的技术，建立人脸图像认知模型，并利用计算机系统、CCD视频摄象头、图像采集卡的功能，对于给定的具有丰富表情的人脸甚至是一个不完全的数据集合，能够根据已有的人脸特征并依靠联想，建立一个动力学过程，用它来进行人脸图像的识别。

2、本系统采用的算法简单有效，计算量小，具有较高的识别准确率，识别速度较快，并具有一定的鲁棒性及易扩展性。关键字：人脸识别 协同模式 学习算法 训练1人脸图象识别技术研究的必要性随着科学技术的发展，互联网的广泛应用，重要部门(机场、银行、军政机关、重点控制地区)的进出、计算机网络中重要信息的存储与提取，都需要可靠的人身鉴别。在身份验证中，最理想的辨别依据是生物特征，因为它是人的内在属性。生物特征系指:人脸特征、指纹、虹膜、语音、亲子鉴定(DNA)等。对于人身鉴别来说，人脸的面部特征是最自然的、直接的、方便的身份辨认手段，而且是非侵犯式的主动识别，易为用户所受。由于微电子技术、计算机技术的迅猛发展，

3、数字图象技术与模式识别学科的日益完善，使得人脸自动识别在技术上与经济上才成为可能。人脸图象识别技术，具有潜在巨大的市场前景。据称，1992年在美国身份鉴别产品获60亿美元的收益。在美国、英国、日本、以色列、印度等国的大公司，军警方正加紧这方面的研究工作，我国的研究工作也已开始。2人脸图象识别研究的状况与进展人脸识别是人类视觉中最杰出的能力之一。人脸识别技术在维护国家安全和人民生命财产安全以及在反恐、防恐中具有重要意义。因此，人们对它的研究抱有极大的兴趣。1893年，Bertillon采用语句描述方法对人脸分类。20世纪60年代，Bledsoe提出了人脸识别的半自动系统模型与特征提取方法。70年

4、代，美、英等发达国家开始重视人脸识别的研究工作并取得进展。1972年，Harmon用交互式人脸识别方法在理论上与实践上进行了详细的论述。就在这一年，Sakai设计了人脸图象自动识别系统。80年代初T. Minami研究出了优于Sakai的人脸图象自动识别系统。90年代，由于计算机技术、数字图象处理、模式识别技术的发展，加上人们对人脸图象自动识别的迫切需求，各国军、警方及有关部门高度重视，大公司鼎力相助，对它的研究变得非常热门。1996年美国军方组织了人脸自动识别系统大赛，勒克菲勒大学的Facelt系统获得冠军。最近，美国的LAU公司研制的人脸图象自动识别系统，是以人眼辨别人的原理，基于生物测量

5、学、人像复原技术开发的装置。用人脸12-42个特征点，对人群中寻找的人进行定量定性识别，已经用在机场、火车站、公共场所、重点控制地区。近年来，我国有关部门也很重视，一些研究单位、清华大学等高校也开始从事人脸图象自动识别方面的研究。3人脸图象识别技术目前人脸识别技术发展较快,特别是基于正面静态人脸检测与识别、人脸特征的提取、基于多姿态的人脸识别等方面已取得了大量的研究成果。但是,在较复杂的环境下,诸如对人脸表情的识别、光照补偿与光照模型的建立、年龄变化的处理、多种检测数据的融合等方面还缺乏着实有效的方法。人脸识别一般包括三个步骤:人脸检测、人脸特征提取、人脸识别与验证。也可对此进行扩展,在以上三

6、个步骤的基础上,增加了前期校正与规范化、以及后期分类与管理这两个步骤。3.1 人脸图象检测与定位检测与定位是人脸识别的第一步,就是将输人图象找到确切的位置。基本做法是:用知识与统计的方法对人脸建模;比较待检测区与人脸模型的匹配程度;得到可能的人脸区域。它分为静态检测和动态检测。静态检测是从静态图片或者视频序列中找出人脸,如果存在人脸,则输出人脸的数目、每个人脸的位置及其大小。动态人脸跟踪则是在已检测到的人脸信息基础上,在后续的视频图象中继续捕获人脸的位置及其大小等性质,以达到跟踪识别的目的。3.1.1 静态人脸检测关于静态人脸检测与分割分为两大类：基于知识建模的人脸检测和基于统计的人脸检测。基

7、于知识建模的人脸检测方法：它是一种根据人脸局部特征的空间位置及其集合关系来定位人脸的方法,通常利用一系列已定义的规则来检测人脸,根据不同的规则定义也就有不同的检测方法。比较常见的有:器官分布规则、轮廓规则、颜色/纹理规则、结构规则、运动规则等。以上分类的思想主要是基于单个特征规则的,在有的情况下,其检测效果不够理想。基于统计的人脸检测方法：(1)基于变换的方法:主要思想是将处于高维的原始数据空间,通过变换,转换为低维数据空间。其中在人脸识别中利用的是主元子空间,而人脸检测利用的是次元子空间。用待检测区域在次元子空间上的投影能量,即待检测区域到变换子空间的距离作为检测统计量,距离越小,表明越像人

8、脸。(2)基于神经网络的方法:主要的思想是把人脸检测看作非人脸样本与人脸样本两大类,进行模式分类。通过对人脸样本集和非人脸样本集进行学习以产生分类器。人工神经网络是目前国际上广泛采用的一种方法,特别是,基于BP神经网络训练算法在人脸检测中的应用更为普遍。(3)基于概率模型的方法:一般有两种实现思路,一种是基于贝叶斯理论的方法,它是一种基于后验概率估计的人脸检测方法,通常利用贝叶斯原理将后验概率估计转化为一个似然度来求解问题;另一种概率模型是用于描述信号统计特性的隐马尔可夫模型(HMM),它具有十分丰富健壮的数学结构和强大的时序模式分类能力,常被应用于人脸检测和人脸表情识别。3.1.2 动态人脸

9、检测由于基于静态图象检测技术实现的大多数系统都要求使用者提供固定角度的图象,对于数据的采集较困难,系统的通用性差。随着智能视频监控、视频检索、电视会议等方面研究的快速发展,动态人脸检测与跟踪引起了人们的普遍关注。对于动态人脸检测与跟踪的解决思路可以归结为四类:基于运动信息的方法:充分利用运动连续性规律,进行图象在连续帧间的跟踪、预测,以达到快速跟踪的目的。基于彩色信息的方法:利用人脸彩色信息,提取人脸特征中相对固定不变的颜色信息(如肤色、虹膜等)进行人脸检测,它具有速度快、姿态不变性等特点。基于参数模型或模板的方法:通过获取目标的先验知识,建立低价参数模型,对输入的每一帧图象通过滑动窗口进行模

10、型匹配,实现人脸跟踪。基于人脸局部特征的方法:根据不同的人脸器官特征信息进行器官跟踪。3.2 人脸特征提取特征提取是人脸识别中的核心步骤,是识别技术的关键,它决定着最终的识别结果,直接影响识别率的高低。一般来说,在特征提取之前,对于上一步检测分割出的人脸区域需进行预处理,以达到位置校准和灰度归一的目的,将其转换成所谓的“标准图象”。3.2.1基于局部特征的提取方法它通常抽取人脸器官的位置,尺度,以及彼此间比率作为特征,用几何形状拟合人脸器官,以几何参数作为描述人脸的特征。由于它对于表情变化比较敏感,单一的基于局部特征的人脸特征提取方法已不是研究的主流,只有同其它方法结合起来使用才能达到较好的效

11、果。3.2.1基于整体特征的提取方法对人脸整体特征的提取不需要精确获取人脸器官的局部信息,可以充分考虑到人脸图象本身具有的灰度信息,能获得更好的识别效果。目前较流行的方法大多数都是基于整体特征提取的,其中比较典型的方法有:（1）基于K_L变换的方法K_L变换是图象压缩中的一种最优正交变换,通过它可以把图象从高维空间表示转换到低维空间表示,且由低维空间恢复的图象和原图象具有最小的均方误差,从而可以以图象在低维空间的变换系数作为对人脸特征的描述。其中主元分析法就是基于K_L变换的一种比较流行的算法,它是统计学中分析数据的一种有效的方法,其目的是在数据空间中找到一组向量以尽可能地解释数据的方差,将数

12、据从原来的R维空间将维投影到M维空间(RM),并保存数据的主要信息,从而使数据更易于处理。目前该算法已成为测试人脸识别系统性能的基准算法之一。（2）基于弹性图匹配的方法是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法。首先,针对畸变不变性的物体识别提出了动态链接模型,将物体用稀疏图形来描述,其顶点用局部能量谱的多尺度描述来标记,用边表示其拓扑连接关系,并用几何距离来标记,然后应用塑性图形匹配技术来寻找最近的已知图形。其后在此基础上又做出了改进。由于该方法不仅提取了描述人脸图象的局部特征,保留了人脸图象的空间信息,而且可以在一定程度上容忍人脸从三维到二维投影引起的变形,因此它是

13、一种具有典型代表性的方法。（3）基于支持向量机(SVM)的方法统计学习理论专门研究实际应用中有限样本情况的机器学习规律,并发展了支持向量机这一新的通用学习方法,由于它基于结构风险最小化原理,而不是传统统计学的经验风险最小化,因而表现出很多优于已有方法的性能。自20世纪90年代以来,它引起各领域的注意和研究兴趣。（4）基于神经网络的方法由于对人脸特征的精确描述是相当困难的,而神经网络的优势是通过学习的过程获得对这些规律和规则的隐性表达,它的适应性较强。自从神经网络技术引入到人脸识别领域后,它一直是人们关注的热点,其中比较有代表性的方法有:混合型神经网络、卷积神经网络、基于概率 （5）基于小波的特征提