人脸识别技术与应用

张楠 陈新 王洪信

摘 要：人脸识别技术有着重要的应用，同时因为人脸识别易受干扰，对此课题的研究也面临着许多困难之处，本文分析研究了目前流行的几种主要的人脸识别方法，指出了克服研究难点的方法，并对未来的研究做出来展望，提出了有前景的研究方向。

關键词：人脸识别；几何特征；特征脸；神经网络

1 引言

人脸识别技术是生物识别技术的一种，它结合了图像处理、模式识别、人体生理学、认知科学等多个研究领域，由于人脸识别在身份认证、视觉监控等方面有极其广泛的应用前景，与指纹等其他生物特征识别方法相比，虽然人脸识别的唯一性相比指纹与虹膜识别要差，但是对于安全性要求一般的情况下，人脸识别已经足够满足需求。人脸识别拥有友好、直接、信息易获取等突出特点，近年来，人脸识别一直是科技工作者研究的热点问题。

人脸识别技术是指利用从包含人脸的静态或动态图像信息中，提取出人脸的生物特征，通过某种算法，将该生物特征与已知信息做对比，从而识别出人的身份。

人脸识别技术研究早期，Bledsoe[1]以人脸特征点的间距、比率等参数为依据，建成了一个半自动的人脸识别系统。在三维人脸研究过程中，Parke[2]将人脸模型参数化，并且可以通过参数的变化产生简单的动画。随后出现了使用人脸纹理合成图像技术、几何模型变形建模方法等。

2 人脸识别系统的构成

人脸识别系统主要由人脸的检测与定位[3]、人脸的规范化、人脸表征、人脸识别几部分组成。

对于一张输入图像，首先要对其进行分析，从中提取出有可能存在的人脸，之后对人脸进行规范化处理，校正人脸在光照、角度等方面的的变化。然后利用某种算法将检测出的人脸表示出来，最后将表示出的数据与数据库中的数据进行比对匹配。

3 人脸识别的难点分析

能够影响人脸识别的因素很多[4]，最典型的如光照、姿势、表情、背景、年龄等，这些因素的变化都会使人脸图像产生明显差别，从而使识别准确率大幅度下降，目前还没有行之有效的算法能够完全解决消除这些因素的影响。

光照和姿态两个因素是影响人脸识别的两个最重要因素。为了消除它们对识别结果的影响，对于光照影响，广泛采用的方法是扩大样本空间，收集各种光照和姿态下的样本，识别匹配时考虑输入图像与多种条件下的样本差异。另一种方法是结合多种识别方法，利用直方图均等化等技术对图像进行处理，改进人脸处的亮度和对比度。姿态影响方面，可以采用弹性图匹配的方法，对面部的关键特征点变化进行跟踪，估计姿态参数。

4 人脸识别的主要技术

4.1 基于几何特征的方法

早期的人脸识别研究主要是基于几何特征。基本思想是利用人脸的主要结构特征点的相对位置和相对距离。这种方法用一个几何特征矢量将人脸表示出来。首先检测到人脸部的特征点，通过测量这些特征点的相对距离，得出特征矢量，如鼻子、眼睛、嘴的宽度和位置，以及它们之间的欧式距离，用这些特征矢量来表示人脸。将获取的特征矢量和数据库中已有的数据进行匹配，直到找到最佳匹配结果。基于几何特征的方法原理简单，识别速度快，缺点是准确率低。

4.2 基于代数特征的方法

基于代数特征的方法就是寻找一种变换，使人脸图像经变换后不但处于低维空间，且具有良好的人脸表征能力和聚类性。

该方法主要分为以下三种：

4.2.1基于特征脸法

主分量分析（PCA）[5]。主分量分析是一种常用的方法。它根据图像的统计特性进行正交变换（K-L变换），以消除原有向量各个分量之间的相关性。KL变换是图像压缩中的一种最优正交变换。通过KL变换，可以把图像从高维空间表示转变成低维空间表示，而图像从低维空间恢复的图像与原图像相比，具有最小的均方误差，因此可以将图像在低维空间的变换系数作为人脸图像的描述特征。这种主特征向量所占的能量是总能量的90%以上，任何一副人脸图像都可以表示为这组特征向量的线性组合，其加权系数称为该图像的代数特征。

4.2.2线性判别分析。

线性判别分析的基本思想是将样本从多维空间投影到一条直线上，形成一维特征空间，再利用类的成员信息形成一组特征向量，以训练样本的类内散布矩阵与类间散布矩阵为基础构造最优投影空间，线性判别分析只在样本数较多之时，优于主分量分析。

4.2.3 独立成分分析

独立分量分析不仅考虑了待识别信息的低阶统计信息，还考虑了高阶信息，通过基于信号的高阶统计特性的分析方法，使分解出的各种信号相互独立。基本思想是利用线性变换，找到一组相互独立的基，并以此描述样本数据。

4.3 神经网络方法

人工神经网络[6]是在生物神经网络的基础上发展起来的，Gutt等提出了混合神经网络、Law rence等通过一个多级的SOM实现样本的聚类，将卷积神经网络CNN用于人脸识别。通常情况下，选取人脸图像区域或包含人脸的整幅图像作为神经网络的输入数据，特征提取的维数由隐层节点个数决定，输出层节点的个数为待识别人脸的类数。神经网络方法的缺点是输入节点庞大，结构复杂难以训练。目前的神经网络方法进行人脸识别效果还没有取得良好的效果。

4.4 弹性匹配方法

在多数基于人脸整体图像特征的识别方法中，人脸的姿态、表情因素的变化都对分类识别有很大的影响，原因在于没有考虑到人脸图像的局部变形。弹性图匹配方法允许局部特征有一定程度的变形，很大程度上消除了干扰，提高了识别算法的鲁棒性。

该方法采用属性拓补图表述人脸模式，属性拓补图的每个顶点均包含一特征矢量，它记录了人脸在该顶点位置的分布信息，该拓补图可以使用如小波特征、统计特征等描述局部信息。

从二维稀疏网格到实际人脸图像的映射数目很大，如此匹配所需时间极长，通常用严格硬匹配找出匹配的最佳位置。然后在此基础上，随机选取各顶点附近做匹配，可节省大量计算时间。

5 总结与未来展望

人脸自动识别技术经过多年研究，已经取得了巨大的成就，但是在实际应用中依然存在很多困难，要做到快速、准确的检测识别，还需要进行多方面研究。要构建一个稳健的人脸识别系统，以下是有待于解决的几个主要问题。

（1）准确的人脸检测是提高人脸识别的重要前提。

（1）多特征融合和多分类器融合是改善识别性的一个手段。

（3）局部与整体信息的相互结合能有效地描述人脸的特征，如何更好地提取和组合局部与整体的特征值得深入研究。

参考文献

[1]张翠平. 人脸识别技术综述[J].中国图象图形学报，2000.5（11）：885-894.

[2]Parke F I.A parametric model of human faces[D].Salt Lake City：University of Utah，1974.

[3]Hjelmas E，Low B K.Face detection：A survey.Journal of Computer Vision and Image Understanding，2001，83（3）：236-274.

[4]何东风.人脸识别技术综述[J].微机发展，2003.12（12）.75-78.

[5]董琳.人脸识别技术的研究现状与展望[J].安防科技，2011（10）22-25.

[6]邵虹.基于BP神经网络的人脸图像识别方法的研究[J].沈阳工业大学学报，2002，24（6）：1832-1837.