【《基于机器视觉的人脸识别方法国内外研究现状的文献综述》3700字】

基于机器视觉的人脸识别方法国内外研究现状的文献综述1.1机器视觉技术的研究现状近年来，各产业进行结构调整和转型升级，使得机器人在各个领域得到了越来越广泛的应用。作为机器人的“眼睛”，机器视觉系统是一种借助光学装置和非接触的传感器获得被检测物体的特征图像，并通过计算机从图像中提取信息，进行分析处理，进而实现检测和控制的装置[9]。机器视觉系统具有实时性好、定位精度高等优点，能有效地增加机器人的灵活性与智能化程度[10]。一般来说，机器视觉系统包括光学照明、成像系统、视觉信息处理等关键组成部分[12]。在机器视觉系统中，最重要的就是视觉信息处理模块，其充当了机器视觉的“大脑”部分，该模块需要对摄像头采集到的图像进行专门的处理并执行特定的操作，例如身份识别、人脸识别等。视觉信息处理一般包括图像预处理、图像定位与分割、特征提取、模式分类、语义理解等层次[11]。机器视觉系统涉及到诸多学科的理论和技术融合，例如光学成像、图像处理、数字处理等，每个组成模块都有大量的各具优劣性和适应范围的实施方法。因此，如何选择合适的方案来保证系统在准确性、实时性和鲁棒性等方面性能最佳一直是研究者与应用企业努力与关注的方向[9]。1.2人脸数据库的研究现状要进行人脸识别的研究，首先就要建立一个大型的具有丰富特征数据的人脸库，人脸库可以对各种人脸识别算法进行评估，从而选出最优的识别算法。在不同的人脸数据库中进行检测结果通常是不一样的，因此针对识别算法的测试都在要特定的人脸数据库上进行实验。虽然人脸识别的研究很早就开始进行了，但是基于计算机自动识别技术系统去识别人脸还存在诸多困难。通常，我们需要让被采集者摆出各种不同的表情和姿态，佩戴各种附属物，以及考虑光照条件，从而建立一个具有丰富数据的人脸库。诸多外在干扰因素导致人脸识别有许多的不确定因素，计算机自动识别技术的难点在于在用户不完全配合的情况下如何获得用户变化的人脸，假如让人脸数据库中尽可能多的包含各种变化的人脸，则过多的样本也会面临大量的存储和计算问题[6]。由于对人脸识别的方法有许多，所以也就出现了许多用于人脸识别的图像数据库，以下为几种常见的图像数据库[8]:(1)FERET人脸数据库：1998年由美国国防部发起的人脸识别技术(Facerecognitiontechnology,FERET)工程[6]而建立，人脸库内有14051幅图像，这些图像都是由同一个人通过不同角度进行拍摄、考虑光照的强度不同、以及不同的表情和不同年龄段的变化等各种因素条件下录入的人脸图像。(2)ORL人脸数据库：剑桥大学AT&T实验室研究人员建立的，该人脸数据库包含的图像可以直接在网上下载并应用，里面有400幅图像，是由40个人进行表情和姿势变化、佩戴附属饰品进行拍摄的，最为突出的是姿态变化。(3)Yale人脸数据库：该人脸数据库也能在网上直接下载并应用，内含由11个人参与拍摄的165幅图像，分辨率为160×121，但里面的人脸图像视角和尺度是不变的。(4)AR人脸数据库：该人脸图像数据库是由70位男性和56位女性共126个人进行拍摄组成的，共有4000多幅人脸图像。里面的人脸图像的不同程度变化和FERET人脸数据库相类似，但其中表情的变化和佩戴附属饰品遮挡物是与其他人脸数据库最大的不同，可专用于表情的研究。除了上面介绍的几种人脸图像数据库，还有PIE人脸数据库、MIT人脸数据库、PF01人脸数据库、CAS-PEAL人脸数据库、Havard人脸数据库、Umist人脸数据库、M2VTS人脸数据库等[6]。1.3人脸识别方法的研究现状国内外进行人脸识别的研究是从20世纪60年代开始的[1]，其识别的难处在于每个人的面部结构具有相似性，导致不同个体的差别很不显著，但同一个人摆出不同表情和姿态，以及光照和妆容等因素差异时变化很显著。因此，选用的人脸识别方法需要在各种复杂干扰因素下，尽可能从人脸图片中获取具有较大差异的特征以分辨不同的个体。早期的一些方法通常是基于人脸几何特征，这是一种比较直观且常用的传统方法。通过五官之间的角度、距离等几何关系，构建人脸描述子。但这种方法忽略了人脸纹理和外观包含的有用信息，根据经验来看识别的效果并不是很理想。并且人的面部不能完全近似为刚体的特性，这为几何特征的提取带来了较高的复杂度和难度[5]。近年来，在深度学习技术的驱动下，人脸识别技术取得了突破性进展，在面对表情、姿态、光照、遮挡等外在干扰因素时，仍表现出较好的鲁棒性。特别地，基于深度学习的人脸识别技术已广泛应用于安防、金融、教育、交通、新零售等应用领域[1]。此外，基于局部特征分析的人脸识别方法使用合适的滤波器提取人脸局部特征Gabor[2]、LBP[3]、HOG[4]等，在光照、姿态和表情变化较小时，一定程度上识别的结果比较稳定。人脸识别技术是通过对带有人脸的图像或者视频等进行采集，对采集数据进行处理从而实现身份识别和认证。要进行身份识别，首先要建立一个安全和已注册的人脸数据库，将拍摄收集到的人脸与数据库中已知人脸进行特征比对，以此判断该图像在人脸数据库中的身份。很常见的应用就是考勤签到系统和门禁安全系统，其身份识别的本质就是1：N的分类问题。而身份认证则是1：1的分类问题，只需要判断两幅带有人脸的图像是不是属于同一身份。深度学习是一类使用多层线性及非线性处理单元通过组合底层特征而形成更加抽象的高层特征表示的机器学习算法，基于深度学习的人脸识别方法使用端到端的方式学习提取特征的能力，并使用提取到的特征进行分类，在损失函数的指导下利用一些优化方法如随机梯度下降、自适应学习率算法优化神经网络中的参数[1]。如图1.1所示，基于深度学习的人脸识别过程主要包括人脸预处理(检测、对齐、标准化、数据增强等)、特征学习、特征比对等步骤。图1图1.1基于深度学习的人脸识别模型训练流程图题[1]人脸人脸检测人脸对齐标准化数据增强特征学习特征比对输出“是”或“否”——身份认证输出图像对应身份——身份识别人脸预处理卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一类包含卷积计算并且含有深层次结构的深度前馈神经网络，是深度学习的代表算法之一[22]。2012年，Hinton和其学生Krizhevsky首次将深度卷积神经网络成功应用于解决计算机视觉领域的关键问题[20]。传统的图像识别方法一般都是提取像素级的特征，需要进行预处理，这会影响图像识别的精度。2014年以来，深度卷积神经网络为人脸识别技术带来了巨大突破。无需人工设计特征，深度卷积神经网络能够针对训练数据学习如何提取特征。使用深度学习进行人脸识别的早期，研究人员倾向于使用多个深度卷积神经网络提取人脸特征，再将特征融合[1]。基于卷积神经网络的模型在人脸识别领域的运用，可以极大地提高检测精度。在人脸识别方向的发展中，人脸由于物体、人脸间的遮挡，使得识别难度增强，为提高背景复杂下人脸的识别度，在训练过程中，局部遮挡人脸识别可以摆脱这一限制[21]。尤其是最近几年疫情爆发，在户外人们总是佩戴口罩，人脸很多特征都被遮挡，这时就需要提取局部更细致的高级特征。卷积神经网络的卷积层用于提取输入的特征信息，由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的，通过感受野（filter）对输入图片进行有规律的移动，并与所对应的区域做卷积运算提取特征[22]。卷积层有三个参数，决定了卷积层输出特征图的尺寸，分别是filter大小、步长（stride）和边界填充（pad）。filter大小小于输入图片尺寸，filter越大可提取的特征越复杂。stride定义了filter扫过相邻区域时的位置距离，pad是在特征图周围进行填充避免输出特征丢失过多边缘信息的方法，pad值代表填充层数[22]。示例卷积层运算过程如图1.2所示，输入5×5×3的图像，边界填充层数为1，图像尺寸变为7×7×3，使用3×3×3的filter从左至右滑动进行卷积运算，每次滑动距离为2，共得到9个运算结果，输出3×3的矩阵，称为特征图。图1.2图1.2卷积核运算过程示意图图题[22]参考文献[1]余璀璨，李慧斌.基于深度学习的人脸识别方法综述[J].工程数学学报，2021，38（4）：451-469.[2]LIUCJ,WECHSLERH.AGaborfeatureclassifierforfacerecognition[C]//Proceedings8thIEEEInternationalConferenceonComputerVision,Vancouver,BC,Canada.IEEE,2001:270-275.[3]AHONENT,HADIDA,PIETIKAINENM.Facerecognitionwithlocalbinarypatterns[C]//The8thEuropeanConferenceonComputerVision,Prague,CzechRepublic.Berlin,Heidelb-erg:Springer-Verlag,2004:469-481.[4]SINGHG,CHHABRAI.IntegratingglobalZernikeandlocaldiscriminativeHOGfeaturesforfacerecognition[J].InternationalJournalofImageandGraphics,2016,16(4):1650021.[5]庄薪霖.人脸识别方法综述[J].科技创新与应用，2022，（2）：130-132.[6]嵇介曲.基于LBP算法的人脸识别研究[M].安徽：安徽理工大学，2017.[7]YamborW,DraperB,BeveridgeJR.AnalysisofPCA-basedfacerecognitionalgorithms:eigen-Vectorselectionanddistancemeasures[C].SecondWorkshoponEmpiricalEvaluationMethodinComputerVision,2000.[8]ZhangB,GaoY,ZhaoS,etal,Localderivativepatternversuslocalbinarypattern:facerecogni-tionwithhigh-orderlocalpatterndescriptor[J].ImageProcessing,IEEETransactionson,2010,19(2):533-544.[9]朱云，凌志刚，张雨强.机器视觉技术研究进展及展望[J].图学学报，2020，41（6）：871-890.[10]朱虹.机器视觉及其应用(系列讲座)第三讲图像处理与分析-机器视觉的核心[J].应用光学，2007，28(1)：121-124.[11]汤勃，孔建益，伍世虔.机器视觉表面缺陷检测综述[J].中国图象图形学报，2017，22(12)：1640-1663.[12]STEGERC,ULRICHM,WIEDEMANNC.机器视觉算法与应用(第2版)[M].杨少荣，段德山，张勇，等译.北京：清华大学出版社，2019：1-5.[13]胡徐胜，陶彬彬，曾胜.基于STM32的测温与身份识别系统设计[J].天津理工大学学报，2021，37（4）：36-39.[14]王大伟，陈章玲.基于LBP与卷积神经网络的人脸识别［J］.天津理工大学学报，2017，33（6）：41-45.[15]沙宁，马立和.基于计算机视觉的人脸识别技术应用研究[J].科技与企业，2014（14）：159.[16]何光辉，四种人脸识别方法研究[D]，重庆：重庆大学，2010.[17]万源，李欢欢，吴克风，童恒庆.LBP和HOG的分层特征融合的人脸识别［J］.计算机辅助设计与图形学学报，2015，27（4）：640-650.[18]SuruliandiA,MeenaK,ReenaRoseR.Localbinarypatternanditsderivativesforfacerecog-nition