人臉識別技術與應用

張楠 陳新 王洪信

摘 要：人臉識別技術有著重要的應用，同時因為人臉識別易受干擾，對此課題的研究也面臨著許多困難之處，本文分析研究了目前流行的幾種主要的人臉識別方法，指出了克服研究難點的方法，并對未來的研究做出來展望，提出了有前景的研究方向。

關鍵詞：人臉識別；幾何特征；特征臉；神經網絡

1 引言

人臉識別技術是生物識別技術的一種，它結合了圖像處理、模式識別、人體生理學、認知科學等多個研究領域，由于人臉識別在身份認證、視覺監控等方面有極其廣泛的應用前景，與指紋等其他生物特征識別方法相比，雖然人臉識別的唯一性相比指紋與虹膜識別要差，但是對于安全性要求一般的情況下，人臉識別已經足夠滿足需求。人臉識別擁有友好、直接、信息易獲取等突出特點，近年來，人臉識別一直是科技工作者研究的熱點問題。

人臉識別技術是指利用從包含人臉的靜態或動態圖像信息中，提取出人臉的生物特征，通過某種算法，將該生物特征與已知信息做對比，從而識別出人的身份。

人臉識別技術研究早期，Bledsoe[1]以人臉特征點的間距、比率等參數為依據，建成了一個半自動的人臉識別系統。在三維人臉研究過程中，Parke[2]將人臉模型參數化，并且可以通過參數的變化產生簡單的動畫。隨后出現了使用人臉紋理合成圖像技術、幾何模型變形建模方法等。

2 人臉識別系統的構成

人臉識別系統主要由人臉的檢測與定位[3]、人臉的規范化、人臉表征、人臉識別幾部分組成。

對于一張輸入圖像，首先要對其進行分析，從中提取出有可能存在的人臉，之后對人臉進行規范化處理，校正人臉在光照、角度等方面的的變化。然后利用某種算法將檢測出的人臉表示出來，最后將表示出的數據與數據庫中的數據進行比對匹配。

3 人臉識別的難點分析

能夠影響人臉識別的因素很多[4]，最典型的如光照、姿勢、表情、背景、年齡等，這些因素的變化都會使人臉圖像產生明顯差別，從而使識別準確率大幅度下降，目前還沒有行之有效的算法能夠完全解決消除這些因素的影響。

光照和姿態兩個因素是影響人臉識別的兩個最重要因素。為了消除它們對識別結果的影響，對于光照影響，廣泛采用的方法是擴大樣本空間，收集各種光照和姿態下的樣本，識別匹配時考慮輸入圖像與多種條件下的樣本差異。另一種方法是結合多種識別方法，利用直方圖均等化等技術對圖像進行處理，改進人臉處的亮度和對比度。姿態影響方面，可以采用彈性圖匹配的方法，對面部的關鍵特征點變化進行跟蹤，估計姿態參數。

4 人臉識別的主要技術

4.1 基于幾何特征的方法

早期的人臉識別研究主要是基于幾何特征。基本思想是利用人臉的主要結構特征點的相對位置和相對距離。這種方法用一個幾何特征矢量將人臉表示出來。首先檢測到人臉部的特征點，通過測量這些特征點的相對距離，得出特征矢量，如鼻子、眼睛、嘴的寬度和位置，以及它們之間的歐式距離，用這些特征矢量來表示人臉。將獲取的特征矢量和數據庫中已有的數據進行匹配，直到找到最佳匹配結果。基于幾何特征的方法原理簡單，識別速度快，缺點是準確率低。

4.2 基于代數特征的方法

基于代數特征的方法就是尋找一種變換，使人臉圖像經變換后不但處于低維空間，且具有良好的人臉表征能力和聚類性。

該方法主要分為以下三種：

4.2.1基于特征臉法

主分量分析（PCA）[5]。主分量分析是一種常用的方法。它根據圖像的統計特性進行正交變換（K-L變換），以消除原有向量各個分量之間的相關性。KL變換是圖像壓縮中的一種最優正交變換。通過KL變換，可以把圖像從高維空間表示轉變成低維空間表示，而圖像從低維空間恢復的圖像與原圖像相比，具有最小的均方誤差，因此可以將圖像在低維空間的變換系數作為人臉圖像的描述特征。這種主特征向量所占的能量是總能量的90%以上，任何一副人臉圖像都可以表示為這組特征向量的線性組合，其加權系數稱為該圖像的代數特征。

4.2.2線性判別分析。

線性判別分析的基本思想是將樣本從多維空間投影到一條直線上，形成一維特征空間，再利用類的成員信息形成一組特征向量，以訓練樣本的類內散布矩陣與類間散布矩陣為基礎構造最優投影空間，線性判別分析只在樣本數較多之時，優于主分量分析。

4.2.3 獨立成分分析

獨立分量分析不僅考慮了待識別信息的低階統計信息，還考慮了高階信息，通過基于信號的高階統計特性的分析方法，使分解出的各種信號相互獨立。基本思想是利用線性變換，找到一組相互獨立的基，并以此描述樣本數據。

4.3 神經網絡方法

人工神經網絡[6]是在生物神經網絡的基礎上發展起來的，Gutt等提出了混合神經網絡、Law rence等通過一個多級的SOM實現樣本的聚類，將卷積神經網絡CNN用于人臉識別。通常情況下，選取人臉圖像區域或包含人臉的整幅圖像作為神經網絡的輸入數據，特征提取的維數由隱層節點個數決定，輸出層節點的個數為待識別人臉的類數。神經網絡方法的缺點是輸入節點龐大，結構復雜難以訓練。目前的神經網絡方法進行人臉識別效果還沒有取得良好的效果。

4.4 彈性匹配方法

在多數基于人臉整體圖像特征的識別方法中，人臉的姿態、表情因素的變化都對分類識別有很大的影響，原因在于沒有考慮到人臉圖像的局部變形。彈性圖匹配方法允許局部特征有一定程度的變形，很大程度上消除了干擾，提高了識別算法的魯棒性。

該方法采用屬性拓補圖表述人臉模式，屬性拓補圖的每個頂點均包含一特征矢量，它記錄了人臉在該頂點位置的分布信息，該拓補圖可以使用如小波特征、統計特征等描述局部信息。

從二維稀疏網格到實際人臉圖像的映射數目很大，如此匹配所需時間極長，通常用嚴格硬匹配找出匹配的最佳位置。然后在此基礎上，隨機選取各頂點附近做匹配，可節省大量計算時間。

5 總結與未來展望

人臉自動識別技術經過多年研究，已經取得了巨大的成就，但是在實際應用中依然存在很多困難，要做到快速、準確的檢測識別，還需要進行多方面研究。要構建一個穩健的人臉識別系統，以下是有待于解決的幾個主要問題。

（1）準確的人臉檢測是提高人臉識別的重要前提。

（1）多特征融合和多分類器融合是改善識別性的一個手段。

（3）局部與整體信息的相互結合能有效地描述人臉的特征，如何更好地提取和組合局部與整體的特征值得深入研究。

參考文獻

[1]張翠平. 人臉識別技術綜述[J].中國圖象圖形學報，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]何東風.人臉識別技術綜述[J].微機發展，2003.12（12）.75-78.

[5]董琳.人臉識別技術的研究現狀與展望[J].安防科技，2011（10）22-25.

[6]邵虹.基于BP神經網絡的人臉圖像識別方法的研究[J].沈陽工業大學學報，2002，24（6）：1832-1837.