人脸识别综述

人脸识别综述摘要:首先介绍了人脸识别的发展历程及基本分类；随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了比较详细的阐述。

最后介绍了人脸识别的应用及发展现状，总结了人脸识别所面临的困难。

关键词:人脸识别1引言人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份，性别，种族，年龄，表情等等。

随着计算机技术的飞速发展，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。

其中包括人脸检测，人脸识别，人脸表情识别等各类识别问题。

对于人脸识别问题的研究已有几十年的时间，在理论研究和实际开发方面都取得了一定的进展，并且目前已有一些电子产品配备了人脸识别系统。

但是，对于人脸性别和种族识别的研究却比较少，但研究这个问题的意义和实际价值却是不可忽视的。

在实际公共场所的安检系统中，大多数情况下都是将多种模式识别系统结合在一起，以尽量提高检测识别的准确度，性别识别系统也是其中不可缺少的一部分。

对它的研究不仅有助于提供更多个性化的人机交互方式，还可以应用于各种监控系统、电子产品的用户身份鉴别和信息采集系统。

从理论意义上来说，也丰富了原有的人脸识别方法，使得人脸识别系统不但可以识别出被识别者是谁，还能自动给出其性别和种族，从而提高人脸识别的准确率和图像检索效率。

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识别信息,最终判别人脸对象的身份。

人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来,它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比,人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。

因此,人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。

2人脸识别的发展历程及方法分类关于人脸识别的研究最早始于心理学家们在20世纪50年代的工作，而真正从工程应用的角度来研究它则开始于20世纪60年代。

最早的研究者是Bledsoe,他建立了一个半自动的人脸识别系统,主要是以人脸特征点的间距、比率等参数为特征。

早期的人脸识别方法有两大特点:①大多数识别方法是基于部件的,它们利用人脸的几何特征进行识别,提取的信息是人脸主要器官特征信息及其之间的几何关系。

这类方法比较简单,但是很容易丢失人脸的有用信息,从而在视角、表情等变化的情况下识别能力差。

鉴于这种情况,后来出现了性能较优的模板匹配方法,即根据图像库中的人脸模板与待识别人脸模板在灰度上的相似程度来实现人脸识别,这类方法在一定时期内占据主流。

②人脸识别研究主要是在较强约束条件下的人脸图像识别。

假设图像背景单一或无背景,人脸位置已知或很容易获得,因此对现实场景产生的图像处理效果不佳。

90年代中期以来,人脸识别方法向着整体识别和部件分析相结合的趋势发展。

研究人员开始逐渐认识到人脸识别算法必须能够充分地利用人脸的各种特征信息,融合人脸的形状拓扑结构特征、局部灰度特征和全局灰度分布特征等多种特征。

因此,出现了很多新的算法,这些算法是将原先单一的算法结合起来,共同完成人脸的识别。

灰度和形状分离的可变形模型方法[8]就是其中之一。

90年代后期,一些商业性的人脸识别系统开始逐渐进入市场,人脸识别技术成为当今国际安全防范最重要的手段之一。

但是,这些技术和系统离实用化还有一定的距离,性能和准确率有待提高。

1991年Turk和Pentland首次提出著名的“特征脸”（Eigenface）方法，利用主成分分析（Principal Component Analysis,PCA）取得了不错的识别效果；Belhumer在他的论文中，成功地将Fisher判别准则应用到了人脸分类当中，提出了Fisherface方法；从此基于子空间和统计特征的人脸识别技术成了一种主流的技术，这种基于线性子空间的技术主要包括主成分分析、线形判别分析（Linear Discriminant Analysis,LDA）等方法。

总体来说，这一阶段的基于机器学习方法的人脸识别技术得到了迅速的发展，在一些识别系统里面获得了不错的识别效果。

最近几年，人脸识别的研究有了新的发展，基于机器学习的理论，研究者提出了许多新颖的方法，其中包括遗传算法（Genetic Algorithm，GA）、AdaBoost、贝叶斯分类器、支持向量机（Support Vector Machine,SVM）等方法。

2000年以后,人脸识别方法的性能虽然有了一定的提高,但仍与人们的要求还有一定的差距,现有方法对光照、年龄、表情、姿态、距离等条件的变化比较敏感,当某些条件发生变化时,识别效果很不理想。

目前,人脸识别技术仍只能用于某些对识别准确率要求不高的场合。

人脸识别从不同的角度有不同的分类方法，本文基于人脸识别的发展过程将其分为基于几何特征、基于代数特征和基于机器学习[1]三类人脸识别方法。

3人脸识别的几种主要方法3.1基于几何特征的人脸识别方法基于几何特征的方法是最早、最传统的方法。

它是基于部件的方法,通常需要与其他算法结合才能有比较好的效果。

这种方法首先将人脸用一个几何特征矢量表示,进而用模式识别中的层次聚类思想设计分类器达到识别目的。

识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征矢量之间的匹配，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。

Brunelli等用改进的积分投影法提取出欧几里德距离表征的35维人脸特征矢量用于模式分类。

人脸器官的关键点非别对应于不同的图像灰度积分用于模式分类。

基于几何特征的识别方法具有的优点:①符合人类识别人脸的机理,易于理解;②对每幅图像只需存储一个特征矢量,存储量小;③对光照变化不太敏感。

但同时存在如下问题:①没有形成统一的特征提取标准，从图像中抽取稳定的特征比较困难,特别是当特征受到遮挡时；②对较大的表情变化和姿态变化的鲁棒性较差;③一般几何特征只描述了部件的基本形状与结构关系,忽略了局部细微特征,造成部分信息丢失。

其典型的算法主要有活动轮廓模型和可变形模板模型等。

3.2基于代数特征的方法基于代数特征的方法通常是将图像空间的像素点变换到一个投影空间。

用一定数量的基本图像对人脸进行线性编码。

此方法的目地就是寻找一种空间域到变换域之间的最优表示[1]。

基于代数特征的方法主要有奇异值分解方法、特征脸方法、独立分量分析和线性判别法。

3.3基于机器学习的方法在基于几何特征的方法中，人脸的特征是预先定义好的；而在基于机器学习的方法中，人脸的特征和类别利用统计分析和机器学习的技术从样本中学习来的。

学习所得的人脸特征和类别存在于由各种算法所保证的分布规律、模型和判别函数中，并被用于人脸的检测和识别。

基于学习的分类器是现今比较流行的技术，有很多研究者在从事该研究，主要包括人工神经网络，支持向量机，隐马尔可夫模型（Hidden Markow Model,HMM），贝叶斯决策和AdaBoost算法等技术；4人脸识别的主要方法4.1基于奇异值分解（SVD）的人脸识别方法奇异值特征是一种反映图像本质属性的代数特征。

在某种程度上,奇异值特征具有代数和几何上的双重稳定性,还具有比例不变性、旋转不变性等重要性质,因此将人脸图像矩阵进行奇异值分解可以很好地提取出图像的代数特征,然后进行匹配识别。

奇异值分解方法是在奇异值分解的基础上,产生多种人脸识别的方法。

例如基于图像集似然度的人脸识别[30],首先用图像集中每个图像的奇异值向量构造出一个新的矩阵———图像集特征矩阵,计算待检测人脸集的特征矩阵与已知的各类人脸集的特征矩阵的似然度,最终判断待检测人脸属于哪一类。

洪子泉和杨静宇[16]提出的基于奇异值分解(SVD)的人脸识别方法,建立了基于Sammon最佳判别平面的Bayes分类模型。

杜干等人[17]认为传统的基于SVD的方法只是利用全局信息,若将人脸分成不同区域,利用人脸的局部信息能够更好地描述人脸特征,从而提高识别率。

高全学等人[18]通过深入分析奇异值指出,图像奇异值是图像在特定基空间分解得到的,这个基空间是由图像本身决定的。

他们的研究还指出不同人脸图像对应的奇异值向量所在的基空间不一致、奇异值向量与人脸图像之间并不存在一一对应关系以及奇异值向量具有不可分割性,此三者导致了基于SVD人脸识别算法识别率低;最后他们提出了类估计基空间识别算法。

王宏勇[31]等利用奇异值提取人脸的全局特征和6个关键部分的局部特征进行加权融合得出特征融合矩阵有效解决了SVD识别率不高和LDA小样本空间问题。

由于奇异值向量包含的人脸图像的有效信息少,不足以进行有效的人脸识别，孙静静等[32]基于奇异值向量的人脸识别方法, 提出了一种新的基于奇异值分解的“秩一矩阵”的人脸识别方法，该方法在识别率、稳健性等方面的性能好,取得了很好的识别效果。

4.2特征脸方法特征脸方法，也即主元分析法(PCA)。

它实质上是K-L展开的递推实现,K-L 变换是数字图像压缩中的一种最优正交变换,通过K-L变换,可以把图像在高维空间表示转换到低维空间表示,而由低维空间恢复的图像和原图像具有最小的均方误差,从而可以以图像在低维空间的变换系数作为人脸图像的描述特征。

K-L 变换用于人脸识别的前提是人脸图像处于低维空间,并且不同人脸是线性可分的。

通常情况下,K-L变换的变换矩阵由训练样本类间散布矩阵的特征矢量生成,由类间散布矩阵得到的特征矢量类似于人脸,故将其称为特征脸。

将变换矩阵的特征矢量按特征值的大小进行排列,人脸图像排在前面的特征矢量上的投影具有较大的能量,称为主分量;在排在后面的特征矢量上的投影具有较小的能量,称为次分量。

当舍弃部分次分量时,称为主元素分析法(PCA)。

K-L变换从压缩角度看是最优的,但从分类角度来看却不是最优的。

虽然它考虑了人脸图像的所有差异(从压缩角度),但没有考虑这些差异是类内差异(如光照变化,表情变化或几何变化)还是类间差异(从分类角度)。

PCA方法最早由Sirovitch和Kirby[4、5]引入人脸识别领域。

20世纪90年代初,由Turk和Pentland[6、7]提出的特征脸(Eigenfaces)方法是该类别中最具代表性的方法,并成为应用于人脸识别问题的最流行的算法之一。

特征脸方法与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法。

Belhumeur等人[8]提出了Fisherfaces方法。

Fisherfaces由Fisher线性判别式(Fisher’s lineardiscriminant, FLD)思想派生而来,同时考虑类间离散度和类内离散度,使这两者的比率达到最大。

Belhumeur的实验证明,Fisherfaces 的性能优于Eigen-faces。