计算机视觉在人脸识别领域中的应用研究

2020-11-26蒋木奇

商品与质量 2020年28期

蒋木奇

恒银金融科技股份有限公司天津 300380

1 计算机视觉的基本概念

计算机视觉（ComputerVision）是指使用计算机和相关设备对生物视觉建模。通过处理收集的图像和视频来获取相关信息，可以实现诸如对象识别，形状和方向确认以及运动识别等功能，以适应和理解外部环境并控制其自身的运动。简而言之，计算机视觉试图学习机器如何学习“看见”，这是机器上生物视觉的延伸。ComputerVision 集成了许多学科，例如计算机科学与工程，信号处理，物理学，应用数学和统计学，并包括许多技术，例如图像处理，模式识别，人工智能和信号处理。特别是通过深度学习，计算机视觉技术的性能取得了重大突破，已成为人工智能最重要的应用技术之一，是实现自动化和智能化的必要工具。计算机视觉技术继承自机器视觉和机器视觉（MachineVision）技术，但却又不完全一样，图像处理主要基于数字图像的基本属性（例如颜色，形状和大小）来处理图像；机器视觉使用机器视觉产品而非人眼来测量和评估目标形态信息；计算机视觉通常包括图像处理和其他功能，例如模式识别。与专注于精确几何测量计算的机器视觉相比，计算机视觉专注于感知和识别。

2 人脸识别算法与实验结果

2.1 人脸采集

摄像机镜头可捕获各种人脸图像，包括静止图像，动态图像，人脸表情等。图1 显示了摄像机捕获的人脸，该图像包含两个人脸，较小的面部图像会影响识别效果，而较大的面部图像会影响识别速度。图像分辨率越低，识别它的难度就越大。过度曝光或过低的照明环境会影响人脸识别的效果。相对于摄像机的脸部运动通常会导致脸部模糊，最好的图片是不受阻碍的人脸特征和清晰的脸部边缘图像[1]。

2.2 人脸识别的经典算法

人脸识别算法经历了三个发展阶段：早期算法，人工字符+分类器和深度学习。特征脸法是将一系列脸图像转换为一组对象向量的对象，这是初始训练图像集（称为特征脸法）的主要组成部分。在识别期间，将新图像投影到人脸的子空间中，并且基于子空间中投影点的位置和投影线的长度来做出决定。特征脸部使用基本成分分析（PCA）方法执行空间变换，以获取脸部部分的分布。主要成分将属性值分解为训练集中所有图像的协方差矩阵，以获得特征向量。向量的每个元素用于描述人脸之间的特征或记录变化，因此，特征向量的线性组合可用于表示不同空间。本地二进制模式（Local Binary Patterns，LBP）。在图像处理领域，使用局部二进制模式（LBP）来描述图像的纹理特征并提取局部元素作为标准，使用灰度化中心像素的值作为阈值并与其他空间进行比较，以确定相应的二进制值并获得用于表达局部纹理的特征，该算法可以大大降低光敏性。

2.3 人脸检测

人脸检测是指使用某些策略提取图像或视频流，首先确定图像或视频上是否有人脸。然后确定该人脸的位置，位置和大小。这个过程看起来很简单，实际上存在一个主要问题，因为目标是动态的，具有难以避免的变化，例如外观，人脸特征，不同的表情，发型或配饰等，并且外部条件的变化，比如说光线影响，设备的焦距，拍摄距离等，都会给实际的人脸检测造成干扰[2]。

2.4 人脸识别

人脸识别法的基本原理是使用Karhunen-Loev 变换将图像从多维矢量转换为低维矢量，消除了每个分量的相关性，从而简化了数据处理。该方法的优点是易于实施和快速，缺点是它会受光照，表情和位置等因素变化的影响，导致检测率低。一种基于几何特征的方法。此方法用于确定脸部主要特征器官（如嘴，鼻子，眼睛等）的位置和大小，并使用特征器官的几何分布比例和比例进行比较和识别。这种方法的优点是速度更快，并且可以克服光强度对识别速度的影响，缺点是识别速度不够高，可靠性不够高，一旦表情姿态略有变化，识别效果大大降低。基于深度学习的方法。由于机器学习的不断发展，特别是深度学习和大数据研究的结合，人脸识别取得了革命性的成果。深度学习方法在面部识别中的特定应用包括：基于卷积神经网络（CNN）的面部识别方法，用于区分面部形状的深度非线性方法，基于面部姿势可持续建模的深度学习；在狭窄空间内的全自动人脸识别；基于深度学习的视频监控下的人脸检测。其中，CNN 权重分布结构的结构更像是生物神经网络。该方法通过感知面部图像，总权重以及局部时空下采样来分析局部数据中包含的特征，从而优化了模型结构。基于机器的向量支持方法。支持向量法（SVM）基于统计理论，其研究方向是解决样本分类问题。此方法将图像转换为一个空间，然后将其分类为其他空间。目前，它被广泛用于人脸识别，该方法的优点是结构相对简单，可以实现全局优化。缺点是它类似于神经网络方法，后者对计算能力和存储空间有更高的要求，并且需要更多的时间进行训练[3]。