關于人臉識別技術研究進展

李坤 樊宇

摘要：人臉識別技術主要經過人臉輪廓對比分析，對人臉進行識別或驗證的一種技術手段。人臉識別技術包括人臉特征提取和分類器設計等，是生物特征識別領域中的重點研究項目。目前人臉識別技術已經開始在我們的生活中應用，也獲得了人們的廣泛關注，這一技術通常以人體面部特征為主要依據，檢測視頻中的人臉及位置、大小、形狀等信息，通過人臉來識別人的身份。本文主要圍繞人臉識別技術展開論述，分析了人臉識別技術的研究進展和研究重點。

關鍵詞：人臉識別技術;技術研究;研究進展

引言

近年來人臉識別技術的研究越來越深入，也獲得了較大的研究進展。人臉識別技術相較于指紋和虹膜識別技術來說更加簡便且直觀，是當下模式識別領域中的重點研究話題。人臉識別技術的研究主要趨向于兩個大方向，其一為根據整體的研究方法考慮模式整體屬性，其二為特征分析法，識別人臉信息并保存拓撲關系等信息。但除此之外，人臉識別技術研究也逐漸趨向于整體識別與特征分析的結合應用。

一、人臉識別技術研究進展

（一）基于幾何特性的人臉識別技術

基于幾何特性的人臉識別技術通常會將人臉通過幾何特征矢量進行換算，采用層次聚類法設計分類器來準確識別人臉。幾何特征矢量便是人臉形狀及幾何關系的特征表現，分量一般包含人臉既定兩點的曲率和角度等信息。對于人臉識別來說，重點在于積分投影形成的波峰和波谷，而基于幾何特性的人臉識別技術則主要通過臉部器官集合位置關系來確定其臉部特征。隨著人臉識別技術的發展，彈性圖匹配法也為幾何特性人臉識別具有了更為有力的支持，彈性圖匹配法通過屬性拓撲圖的方式將人臉特征展現出來，在圖中各個頂點都包括了一種特征矢量，將人臉中各個點位的信息進行記錄，以關鍵點圖作為基礎進行匹配計算，節點通常在眼球或眼角等多信息點。彈性匹配法對于人臉要進行模型圖計算，所以計算量較大，而基于彈性圖動態鏈接模型的技術手段則很好地改善了這一人臉識別技術，識別效率大大提高，同時也解決了識別率的問題。

（二）基于神經網絡的人臉識別技術

基于神經網絡的人臉識別技術是當下廣泛研究的一種技術，主要利用BP神經網絡學習算法。人工神經網絡屬于仿生物神經網絡行為的一種計算模型，結構主要為單元和處理單元。在這一技術應用過程中，需要設計一個神經網絡，之后將人臉圖像的像素構成與神經元進行對應，從而進行人臉識別。這一技術的優勢主要在于人臉特征提取較為簡便，根據學習過程能夠獲取人臉識別規則，并且具有一定的適應能力。同時神經網絡在信息處理方面屬于并行模式，效率較高，但若是神經元較多，那么樣本訓練周期也會相應提高。

（三）模板匹配方法

模板匹配方法的應用通常需要利用計算模板和圖像灰度判斷功能，而且模板匹配方法具有彈性匹配和靜態匹配兩類。靜態匹配方法通過數據庫的構建來收錄人臉模板，并且人臉模板并不要求一定是整體的人臉，局部模板也可以存儲。之后轉換識別目標圖像，將尺度和灰度進行統一處理，再在數據庫中查找條件相似的模板圖像。相比于其他人臉識別技術，靜態模板匹配方法具有一定限制性，庫本身是固定的，靈活性不足。彈性匹配方法與靜態匹配方法相比更具優勢，將需要識別的人臉特征進行檢測和記錄，構建特征參數模型，特征燦星能夠表現出相對形狀的可變部分，這也使得彈性匹配方法更加靈活，但卻在計算周期上相對較長，計算量較大。

二、人臉識別技術的研究重點

（一）三維人臉重構法

三維人臉重構指的是利用人臉圖像或包含人臉信息的視頻中提取信息并建立三維模型，三維人臉模型的構建進一步提高了人臉識別的精確性。根據技術應用方法可以將三維人臉重構法分為靜態圖像重構與視頻序列重構兩種。在對于靜態圖像重構方法的研究過程中，基于單一圖像的建模和支持向量機、三維形變模型的方法都無法提供連續多幀圖像與實踐的相干性，因此便提出了視頻圖像序列重構法。通過視頻重構人臉和靜態圖像重構法最主要的區別在于源圖像，視頻源序列中可以選擇其中一幀圖像來重構人臉，也可以通過兩個視頻幀重構人臉模型，在TPS試配的基礎上實現人臉模型的非線性變換，便能夠得到較為完善的三維人臉模型。

（二）多姿態臉識別技術

許多人臉識別技術都采用了正面人臉識別方式，若人臉傾斜一定角度后則可能會影響識別的效率與準確性。而多姿態的人臉識別則會成為今后人臉識別的發展主流，在識別人臉側面或傾斜一定角度人臉時顯然難度更高，但若是研究成功必然成為一項重大突破。

（三）多數據融合人臉識別技術

目前人臉識別技術也越來越成熟，識別方法非常靈活，并且不同的人臉識別技術優點缺點不同，也都適用于不同的條件之下。在這一背景下，將多種人臉識別技術結合取長補短也是一個可以考慮的方向，算法和技術的綜合應用，彌補各項人臉識別技術存在的不足，形成一套具有綜合性特征且較為完善的識別方法也是一種研究重點，通過融合與創新推助人臉識別技術的發展。

結束語

經過多年的發展，人臉識別技術以及算法也在不斷完善和創新，但不同的算法都有不同的實現環境，適用條件不同，因此技術應用方面仍然存在一定的不足或缺陷需要解決。今后的人臉識別技術也會隨著有關學科的進步而不斷完善不斷創新，在人們的生活中也會得到更加廣泛的應用。

參考文獻

[1]左騰. 人臉識別技術綜述[J]. 軟件導刊，2017，16（02）：182-185.

[2]馬凌宇. 人臉識別技術研究進展分析[J]. 電子測試，2020（05）：127-128+71.

基金項目：2019年海南省自然科學基金青年基金項目《基于邊緣計算的深度學習人臉識別CNN關鍵技術研究》。項目編號：619QN249

作者簡介：李坤（1983.9），女，漢，遼寧北票，碩士，講師，計算機相關