人脸识别的研究进展

1引言

人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它被广泛应用于娱乐，智能卡，信息安全，法律实施和监控等社会各方面。一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。人脸识别和其它生物特征识别技术如：指纹识别，掌纹识别等相比，具有方便，快捷，易以接受等特点[1]。

计算机人脸识别的研究始于60年代末，最早Bledsoe 以人脸特征点间的距离、比率等参数为特征建立了第一个半自动人脸识别系统[1]。近几十年人脸识别研究逐渐发展，涌现出了大量新的技术和方法。虽然人脸识别技术已经取得了很多突破性进展，但是计算机和人类的人脸识别能力相比，依然还存在很多问题，目前最好的商用人脸识别系统在实际使用中仍然有很多需要完善的地方。2人脸识别系统的框架

一般来说，一个完整的人脸识别系统主要包括下面几个步骤：

(1)人脸检测(Face detection)：对输入图像进行分析，

判断图像中是否存在人脸，如果存在人脸，则标定出人脸的位置和大小的过程。

(2)人脸对齐(Face alignment)：通过对人脸图像进行缩

放，旋转，切割等操作，使所有人脸图像依照某种标准规范化的过程。

(3)人脸预处理(Face preprocessing)：通过对人脸图像进

行处理，降低图像中光照变化，噪音干扰等情况对人脸识别带来的影响。

(4)人脸表示(Face representation)：提取人脸中可以用

于描述人脸模式的特征并使用这些特征来表示人脸的过程。

人脸识别的研究进展

钱志明1，徐丹2

1. 楚雄师范学院, 云南省楚雄市 675000

E-mail: qzhiming@

2. 云南大学计算机系, 昆明 650091

E-mail: danxu@

摘要: 随着人工智能和计算机视觉技术的发展，人脸识别已成为模式识别领域的一个热门研究课题。本文对近年来人脸识别的研究状况进行了综述，分析了人脸识别存在的问题，系统地对目前主流人脸识别方法进行了分类和介绍，针对人脸识别中的一些局部表示方法做了分析和测试，并对未来人脸识别的发展方向进行了展望。

关键词: 人脸识别，人脸表示，局部特征

Research Advances in Face Recognition

Zhiming Qian1, Dan Xu2

1.Chuxiong Normal University, Chuxiong Yunnan 675000, China

E-mail: qzhiming@

2. Department of Computer Engineering, Yunnan University, Kunming 650091, China

E-mail: danxu@

Abstract: With the development of artificial intelligence and computer vision, face recognition has become a hot topic of pattern recognition. This paper presents a survey on the state-of-art face recognition research, systematically classifying and introducing face recognition methods. Furthermore, this paper analysis and tests some recent algorithms, which are used to extract the local facial features. In addition, several major issues for further research in the area of face recognition are also pointed out at the end of this paper. Key Words: face recognition, face representation, local feature

(5) 人脸分类(Face classification)：对待识别人脸图像的

特征表示，通过对比人脸数据库中已有的人脸特征表示，判断测试图像属于哪一类的过程。 图1显示了人脸识别的一般过程。

图 1: 人脸识别过程示意图

3 人脸识别的现状

从人脸识别的大量文献中可以发现，在人脸识别系统各个模块中，研究的最多的是人脸表示这一块，以至于给人一种假象，人脸识别技术主要内容就是人脸表示，但是实际情况并非如此，人脸识别系统中各个模块有密切的联系，并且每个模块都能对人脸识别系统的最终效果产生巨大的影响。

目前来看，对于人脸识别的各个模块，人脸检测是最成熟的，且该技术已经投入到各类应用中，如比较常见的数码相机中的人脸定位和跟踪，人脸检测的主流技术有Adaboost 方法[2]，该方法具有检测速度快，检测率高等特点，在人脸检测中得到了广泛应用。人脸检测作为一个已经工程化的模块，目前的发展方向是把人脸检测和人脸表示相结合，提高人脸识别的效率，另外，使用新的算子或者轮廓进行人脸检测也是研究方向之一。人脸对齐一直是人脸识别系统中的一个难题，虽然不断有新论文出现，但是效果依然不是十分理想，相对于人脸识别的其它模块而言，人脸对齐可以称为一个瓶颈，制约着人脸识别技术的发展，导致这种情况的原因在于：不同的人脸有着不同的形状结构，要使用一种数学模型能够匹配所有人脸轮廓难度较大，目前效果相对较好的人脸对齐方法主要是可变型模板技术。人脸预处理是一个与数字图像分析和处理技术相关的模块，虽然在某些人脸识别系统中，人脸预处理模块没有得到体现，但是作为一个实用的人脸识别系统而言，由于环境的可变性和其它一系列影响因素，人脸预处理是不可或缺的，目前有很多技术已经能够很好的克服光照等变化的影响，但是在消除这些干扰的同时，人脸纹理结构也会受到不同程度的影响，如何对二者进行平衡和优化是研究的重点。人脸表示是人脸识别系统中的核心模块，同时也是人脸识别中新方法出现最多的一个模块，在各类方法的不断创新和完善中，人脸表示取得了非常好的成绩，相对其它模块来说，人脸表示对人脸识别的影响已经很小，也就是说，如果人脸对齐和预处理模块不能实现突破的话，无论采取何种人脸表示方法，人脸识别

的效果都不会有太大的提高。人脸分类模块和人脸表示模块密切相关，一般来说，采用不同的人脸表示方法，就对应不同的人脸分类方法，人脸分类有两种方式，一种是在人脸表示的基础上直接使用模式识别中的一些经典分类方法进行分类，另一种是先对人脸表示的数据进行降维，特征过滤等操作，然后再进行分类。

4 人脸表示的新方法

对于人脸识别的各个模块，我们重点介绍人脸表示这一部分，人脸表示是目前人脸识别领域影响最大，也是人脸识别最核心的一个部分。

人脸表示主要分为全局表示与局部表示两个方面[3]

，全局表示主要从人脸图像的整体出发，考虑的是人脸模式的整体属性，例如利用人脸的全局结构，人脸的整体轮廓等进行分析和表示。局部表示主要从人脸图像的局部特征信息出发，考虑人脸图像的眼睛，鼻子，嘴巴等特征，或是考虑人脸局部块图像的特性。 4.1 全局表示

在经典PCA(Principal Component Analysis)和LDA(Linear Discriminant Analysis)等方法的影响下[4][5]

，人脸表示中出现了大量以PCA 和LDA 为基础的改进方法，比如KPCA(Kernel Principal Component Analysis)，MFA(Marginal Fisher Analysis)[6][7]等，这里我们介绍当前比较有代表性的几种方法。 4.1.1 局部保持投影

2005年, He 等人提出了局部保持投影LPP(Locality Preserving Projections) [8]，LPP 是一种基于表观的人脸识别方法，基于该方法得到的子空间被称为拉普拉斯脸(Laplacianface)。拉普拉斯脸是对人脸流形上的Laplace Beltrami 算子的特征函数的最优线性近似。不同于PCA 和LDA ，LPP 找到一个嵌入来保持局部信息,从而得到一个最好的探测到人脸流形结构的人脸子空间。理论分析表明, PCA, LDA 和LPP 可以由不同的图模型产生。 同PCA 和LDA 相比, LPP 通过保留局部结构可以编码低维空间中更多具有判别性的信息, 这些信息要比全局结构更适合于分类。作为流形学习方法在识别问题中的尝试，LPP 对人脸识别的发展做出了一定的贡献，不过我们也应该看到，虽然LPP 在一些试验中得到了非常好的效果，但是这并不能说明LPP 的性能绝对超过LDA 等方法。

4.1.2 非监督辨别投影

在LPP 的基础上, Yang 等人提出了非监督辨别投影UDP(Unsupervised Discriminant Projection )[9]，UDP 可看作是基于多流形学习框架的一种近似, 它通过寻找一种最大化非局部散度同时最小化局部散度的投影。相对LPP 而言，UDP 同时考虑了局部和非局部散度。这种特点使得UDP 更直观，在某些情况下，UDP 要比只考虑局