特征提取在人脸识别中的应用.pdf

特征提取在人脸识别中的应用

刘磊，2014080008

一、 人脸识别研究现状

人脸识别的研究早已展开,Calton等早在1888年和1910年就分别在Nature杂志上发表过两篇关于利用人脸特征进行身份识别的文章,提出检测人脸特征或是关键点的方法。自动人脸识别的研究论文最早出现在1965年Chan和Bledsoe在Panoramic Research Inc上发表的技术报告中至今已有四十多年的历史。学者们一般将AFR的研究历史按照研究内容、技术方法等划分为以下三个阶段。

第一阶段(1964—1990年)。这一阶段人脸识别刚刚起步,还只是被作为一个一般性的模式识别问题进行研究,所釆用的方法主要是比较人脸的几何结构。总体而言,这一阶段可以看做是人脸识别研究的初级阶段,代表性的成果没有很多,也没有得到实际应用。

第二阶段(1991一1997年)。尽管第二阶段的时间比较短暂,但却是人脸识别研究的发展高峰期,不仅涌现出大量重量级研究成果,而且出现了若干商业化运作的人脸识别系统。这一阶段的人脸识别技术发展非常之快,所提出的算法在较理想图像采集条件下的中小规模正面人脸数据库上可以达到令人满意的性能。

第三阶段(1998—现在)。20世纪90年代以来,对人脸识别方法的研究变得非常热门,吸引了大量的研究人员和基金支持。由于主流的人脸识别技术对于光照、姿态等非理想采集条件,以及用户不配合造成的人脸变化等条件下的鲁棒性比较差。目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。

二、人脸识别系统

人脸识别系统是提取人脸的相关特征信息,并根据这些特征信息进行身份识别的生物识别技术,它利用计算机对人脸静态图像或动态视频流进行分析,提取出对识别有用的信息,从而进行身份认证,它是人类用来进行身份确认最直接、最自然、最友好的生物特征识别方法,而且与其他身份识别方法相比,人脸识别具有采集过程的非侵犯性、釆集的便捷性等优点,特别是使用者不会产生任何心理障碍,通过对人脸表情与姿态进行分析,还能获得其他识别系统难以获得的一些信息。

三、人脸识别的描述分类

1、人脸检测

人脸检测方法可以分为两大类:一类是基于知识的人脸检测方法;另一类是基于统计学习的人脸检测方法。基于知识的人脸检测方法是根据已有的先验知识,首先抽取几何形状、灰度、纹理等特征并形成一定的规则,然后检验这些规则是否符合人脸已有的先验知识。而基于统计的方法主要从大量数据中获得统计特征来进行检测。

2、人脸表征

人脸表征就是釆取某种表示方法来表征检测出的人脸和数据库中的已知人脸。通常的表示方法包括几何特征(如欧氏距离,曲率,角度等),代数特征(如矩阵特征矢量等),固定特征模板,特征脸等。

3、人脸识别

人脸识别就是将待识别的人脸与数据库中的已知人脸进行匹配比较,对待识别人身份进行确认判断的过程,其过程主要包括选择适当的人脸表征方式与匹配策略。常用的方法有代数特征方法、人工神经网络方法小波变换方法等。

4、表情分析

表情分析就是对待识别人脸的表情(快乐、悲伤、恐惧、惊奇等)信息进行分析,并对其进行分类。在计算机图形学(尤其是计算机动画)领域,人脸肌肉(解剖学)表情模型也得到了广泛的研究。

5、生理分类

生理分类就是对待识别人脸的生理特征进行分析,得出其性另IJ、年龄、种族、职业等的相关信息。显然,这需要大量的先验知识并且由于多种因素的影响,通常都是非常困难的。四、人脸识别中的特征抽取方法

由于原始人脸图像的维数通常都比较高,其计算量大、存储量大、数据可视性差、包含多种噪声,难以直接进行识别和处理,因此有效地特征抽取是人脸识别中的关键问题之一。特征抽取是指将样本从高维观测空间通过线性或非线性映射投影到一个低维子空间,从而找出隐藏在高维观测数据中有意义的低维结构,使数据在低维子空间中的分布更加紧凑。如何抽取原始数据样本的有效特征以达到最佳的模式识别效果,是一个非常关键的问题。就鉴别分析而言,特征抽取的作用在于:(1)避免维数灾难,提高泛化能力和运算速度,减少算法的复杂度;(2)提取最为简捷有效的鉴别特征,使得不同类别之间能够相互区分,更有利于分类器的设计; (3)可以有效地压缩数据,以节省存储空间;(4)在一定程度上减少噪声对原始数据的影响。

现在常用的人脸特征抽取方法,概括起来一般分为以下两种类型:一种是基于知识的特征抽取方法;一种是基于统计学习的特征抽取方法。其中基于统计学习抽取的特征又称为代数特

征,由于代数特征的简便性和识别精度高的特性,目前已成为人脸特征抽取的主流方法。基于代数特征抽取的方法又可以分为两类,分别是线性特征抽取方法和非线性特征抽取方法。五、人脸识别应用前景

目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。