人脸识别综述

湖南省长沙市长郡中学 夏志强

人脸识别综述

湖南省长沙市长郡中学 夏志强

人脸识别技术是图像工程领域的重点研究对象，并具有巨大的应用价值，如刑事侦破，智能支付等领域。本文将对人脸识别技术做一个综述，首先介绍人脸识别技术的背景，接下来阐述概念和主要识别技术，最后根据当前技术现状进行分析展望并其发展趋势。

人脸识别；特征提取；机器学习

1 引言

人脸识别是图像理解和分析最重要的应用之一，也是人们在开发自身生物特征过程中的又一次伟大的尝试。所谓人脸识别，就是利用计算机分析人脸视频或者图像，并从中提取出有效的个人识别信息，最终判别出来人脸对象的身份。其应用已经融入到了生活中的方方面面，诸如视觉监控，自动身份验证，银行安全，门禁安全等领域。

随着人们对图像识别领域的研究，一些学者逐渐意识到人脸识别的巨大应用前景并投身于该领域的研究，人脸识别的发展历程大致可分为三个阶段：

(1)第一阶段

20世纪60年代末至20世纪70年代初，人脸识别研究才处于起步阶段。在这方面，最早的科研人员是Bledsoe，他以人脸特征点的比率、间距等参数为特征，建立出来一个半自动的人脸识别系统。

(2)第二阶段

90年代初，随着计算机软硬件性能和信息技术的不断地提高，基于整体的识别方法已成为研究重点。例如特征脸方法和弹性图匹配方法。而到了20世纪90年代中期，人脸识别的研究方法分别向整体识别和部件分析相结合的方向发展。如弹性匹配的方法、灰度和形状分离的可变形模型方法等。

(3)第三阶段

在90年代末，人脸识别技术开始被应用于商业市场，成为了世界范围内研究的热点。由于技术不够成熟，因此缺点也很明显。在市场需求不断变化的今天，虽然我国人脸识别方法的性能有了一定的提高，但与人们的要求还是有一些差距，仍将不断发展。

2 人脸识别技术

人脸识别，是基于人的脸部特征信息而对个人身份识别的一种识别技术。用摄像机采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸的具体位置，进而对检测到的人脸进行处理，通常也叫做面部识别、人像识别。下面将对人脸识别的方法做一个归纳总结。

2.1 基于先验知识

基于知识的人脸检测，主要是通过人们的先验知识来对待测物体建立若干规则，从而将人脸检测问题转化成假设-验证问题。

模板匹配的方法大致分为：脸轮廓特征匹配，器官特征匹配和颜色、纹理特征匹配。

脸轮廓特征匹配：Crow等提出了根据人脸的椭圆形特征进行检测[1]，定位得到人脸的位置。接下来通过变形模板（deformable template）将人脸分为3部分：头顶轮廓、右侧轮廓和左侧轮廓。通过先对边缘提取曲线特征，然后再利用函数的形式去估计人脸检测的结果。1996年DR.Govindaraju等人为了优化该方法而设计了4段轮廓分类法，后来其他学者又通过Hough变换来提高精准度[2]。

器官特征匹配：人脸都具有相似的分步特征，主要是对称性。人脸的特征按照固定的规则排列在人脸上，可以通过这些信息，进行人脸检测。Yang和Huang等人提出了镶嵌图的方法[2]，即马赛克图的方法进行人脸检测。经典的镶嵌图法是要创建一张三层的人脸检测系统，第一层针对4*4的马赛克图寻找可能候选区域，第二层针对8*8的马赛克图像寻找可能候选区域，并对第一层的候选区域做进一步检测，提出假设。第三层按照同样的方法来对人脸的器官做进一步验证，并确定具体的位置。

颜色、纹理特征匹配：人脸的肤色也是较为显著的特征之一。而且颜色的特征不因人脸的表情动作，角度等因素的影响而产生较大的变化。人类的肤色相对集中，大都分布在较窄的频带上，这样就更加方便统计分析。可以通过建立肤色表的方法，对人的肤色建模来进行人脸检测。由于人脸在图像中都是以像素的形式呈现出来的，通过将像素聚类来的到人脸的大致范围。这种算法实现简单，但是受光照影响比较大。

2.2 基于统计学

针对人脸识别算法的研究已经很多年，除了有基于模板的方法，还有基于统计学的方法。目前基于统计学算法可分为几类：基于几何特征的人脸识别、基于子空间分析的人脸识别和基于神经网络的人脸识别等。根据特征的方法识别人脸的过程，首先要根据特征来训练出一个学习机（Model），然后在识别的过程中利用待测图片的特征和学习机进行匹配，来得到测试结果。具体执行过程如图1所示。

图1 执行过程图

2.2.1 几何特征法

这类识别方法是首先将人脸用一个几何特征矢量来表示，进而采用模式识别中的层次聚类的思想设计对应的分类器对人脸进行识别。这种基于几何特征的识别技术中，识别主要目的就是特征矢量之间的匹配，主要采用基于欧氏距离的判决。最早的基于几何特征的人脸识别方法是侧影识别，主要是在人脸侧面轮廓线上提取特征点上入手。一般将人脸侧影简化为轮廓曲线，从中抽取基准点，用这些点之间的几何特征来进行人脸识别。由于现在的证件照片多为正面人脸，所以对侧面人脸识别的研究己不多见。正面人脸识别中，最关键的一步是合适的归一化，使识别过程不依赖图像中人脸位置的旋转和尺度变化。

2.2.2 子空间法

子空间方法的基本思路是降维，即将高维的人脸图像特征通过空间变换（线性或非线性）压缩到一个低维的子空间进行识别。

该方法的主要是思路是：最初的子空间可以被看作使一组基本向量（正交归一），所以统计正交展开的方法得到了实际应用。并且，利用重构权向量作为识别用的特征向量，并提出基于“特征脸”的识别技术。从提取特征的角度分析，主要分为两类：1.表达性特征提取方法；2.鉴别性特征提取方法。在基于线性子空间的人脸识别中，实际上是把人脸图像中存在的表情、姿态及光照等复杂的变化进行了线性简化，但不可能得到人脸充分的描述。

2.2.3 神经网络法

人工神经网络是动力学模型，能模仿生物神经网络行为特征的分布式并行信息处理算法结构。利用神经网络技术处理人脸识别问题，主要是通过每个神经元对应图像中的一个像素[1]。

最早将人工神经网络用于人脸识别的是Kohonen，创建了一个系统：当输入图像含有大量噪声的时候，也能正确的识别出人脸。因为图像的维数比较高，所以直接使用图像向量进行训练变得特别困难。因此，对于输入图像一般不进行直接训练学习，而是对原图像先作降维处理。对此，Coterl和Fleming等人提出了一个解决方案[2]，引入了一个自联想模型，采用两层神经网络结构处理：第1层神经网络用来降维，主要是池化层；第2层再分类。但遗憾的是，实验表明这种类型的神经网络识别效果并不比“特征脸[3]”方法出色。为了发挥神经网络的非线性学习能力，将大量神经网络都被应用于人脸识别领域研究。比如，采用卷积神经网络(CNN)[4]的方法进行人脸识别，因为CNN集成了相邻像素之间的相关性信息，所以对图像进行旋转、平移和局部变形的操作具有不变性，可以得到比较好的识别效果。但是，人工神经网络也会遇到诸多问题，如当输入的训练样本集较大时，会出现过拟合现象，当输入样本维数过高会导致算法收敛缓慢而出现过学习的问题。此外神经网络在训练最优参数时，必须要有多样本输入，因此对单样本人脸识别问题是无能为力的。

2.3 隐形马尔科夫模型

在人脸识别中，应该包括人脸各个器官联系特征信息及各个器官的数值特征。隐马尔可夫模型(HMM)提供方法解决这些问题，按照这种模型，观测到的特征被看成是另一组不可观测“状态”产生的一系列实现[5]。将不同人用不同的HMM参数来表征，对于同一个人表情和姿态变化产生的多个观测序列，可以利用同一个HMM模型来表示。

隐马尔科夫过程是双重的随机过程：—个可观测过程称为“观测序列”；另一个潜在的过程称为“状态”过程。基于HMM方法的人脸识别系统能够允许人脸有表情变化和大幅度的头部转动过程，具有较高的识别率。但提取特征和训练模型参数时却需要较大的运算量，因此很少应用。

2.4 基于3D人脸识别

当前，主要针对二维图像或二维视频序列进行人脸识别[6]。虽然利用二维图像识别技术在其他领域已经有很多的应用，并取得了很好的成果，但是由于人脸是塑变体的原因，仅利用图像识别技术识别人脸存在困难。另外，基于图像的人脸识别技术还受到背景、环境光线、视角等条件影响，识别精度很难提高。

为克服基于二维图像的人脸识别技术的不足，部分学者已经开展对三维人脸识别技术进行研究。DR.Bronstein等人提出了3D人脸识别方法(支持面部表情有关的变形)，主要是把3D人脸数据转换成“特征形式”，使它成为模型的形状变化的不变量。

3 现状与展望

在人脸图像处理过程中,必须将高维测量空间中的信息转换为低维特征空间中的特征向量,这也是近几年来人脸识别技术发展的另一特点之一。与其他身份识别中所需信息相比，人脸信息(如人脸图像)更能以最自然、最直接的方式获取,特别是在非接触环境和不惊动被检测人的情况下，因此计算机人脸识别技术已成为最活跃的研究领域之一。随着真三维获取技术的发展，人脸识别技术有望取得突破性的进展并得到广泛的应用。

目前人脸识别技术的发展还有很大空间,现有的技术不足以解决识别问题。未来的发展方向可能是多种识别方法的综合，优化组合、运用人脸整体与局部，匹配方法相结合等。一个完善自动人脸识别系统是人脸检测技术与人脸识别技术的完美结合。目前，还不能实现100%的人脸识别，但是社会各方面巨大的需求，人脸检测与识别技术仍将不断发展，新方法、新思路将会不断涌现，必将推动人脸检测与识别技术进一步产业化。

[1]肖冰,等.人脸识别综述[J].计算机学报,2016,8(8).

[2]梁路宏,艾海舟.人脸检测研究综述[J].计算机学报,2002(5):449-458.

[3]艾海舟,梁路宏.基于多模板匹配的单人脸检测[J].软件学报,2001,12(12).

[4]何海峰,等.灰度图像中基于像素分布特征的人脸定位计算机工程,2011.2,28(6).

[5]王宏漫,等.支持向量机在人脸识别中的应用[J].计算机工程与应用,2013,11:100-102.

[6]Hellappa R,et al.Human and Machine Recognition of Faces:A Survey[J].Proceedings of the IEEE,2015,83(5):705-740.