电子信息科学与技术前沿报告-

电子信息科学与技术前沿报告

姓名:其美多吉

学号:2904201024

专业:电子信息科学与技术

人脸识别技术

(1).人脸自动识别是一种重要的生物特征识别技术，应用非常广泛。人脸识别具有直接、友好和方便等特点。目前的人脸识别主要集中于二维图像之中，要试图建立一个鲁棒性好的系统仍然是比较困难的。一般基于以下几个方法来研究：第一，对面部的眼,鼻，嘴的外观特性分析。第二，对脸部划分为标准脸谱类型，再进行局部分析。第三，针对人脸的各个部位温度的不同，散发出的红外光谱的差别来判断。第四，在复杂环境中，区别于不同灯光，距离，角度能够准确检测出人脸。在我国的第二代公民身份证中不仅存储了文字信息，还存储了个人的面部照片, 以后还有可能将更多的个人信息如指纹，血型等输入其中。这其中也包括面部识别问题，不仅有文字信息的匹配，还有图片的验证。同时很多的照相机也加入了人脸识别功能。这里用到的人脸就是人脸检测技术。相机自动寻找图像中的人脸，并自动调节图片的构图情况。让相机的所有的对焦和测光都基于人的脸部进行，针对人脸状况调节。可以让普通的用户体会到专业的摄影师的水准。

例如富士公司出品的AVIC完善了脸部识别技术的功能。索尼出品的独特的微笑快门(smile shutter)技术，自动判断刹那的脸部微笑，记录愉快的瞬间。人脸识别技术已经走进了人们的生活，并能更好的服务于社会和全球。现在已经有很多相关的人脸技术的产品，但目前的系统对于采集到的图像还有一定限制。最好的方法就是用三维信息准确描述人脸特征，再次提取出刚体特性能够避免光照和化妆的影响。但其也面临着一些问题，如计算方法不成熟，海量存储的困难，所以

这还是一个需要更多创新成分的课题。

(2).文系统组成:根据FERET的FRVT2000报道，最新的一种应用形式是watch list task[7]．综合了确认和辨认两种技术。对未知身份的人图像输入库中，首先从库中利用算法检索出与之相似的为数很少的几个照片集合，判断最高相似度的阈值，则在这个小的子集合中再进行一次身份验证，最后确认某人的身份。

①.首先需要对图像入库处理。存储时可以有序或无序的存入个人信息。进行批量的人脸照片的预处理和特征提取。其中预处理包括图片的去噪，运动图像的模糊度复原，直方图均衡，同态滤波，边缘检测。随后按照提取特征后图像的扫描顺序将特征值存储起来。如果条件允许的话可以备注图片，姓名，性别，身高，体重，年龄，职业，身份证号，电话，地址等等。

②.使用库中的存储的特征值进行运算，可以使用多种聚类算法进行聚类。本文运用模拟退火K均值聚类算法，和遗传算法对其进行聚类。

③.输入一张待检测图片，同样的要进行预处理。随后进行图像的人脸检索，检索到再定位，定位以后再进行剪裁。进行特征提取之后，计算它与所有的聚类中心的相似度。按照制定规则判别属于的类别。显示最相近的一类之后，就可以很容易的判别出结果。

(3). 人脸检测:人脸检测也可以看做是人脸表征和人脸识别的基础和前提。为了确保整个过程的准确性和完整性，需要做到人脸的正确定位和准确的检测。这样一来人脸特征就能被更好的表述和提取，人脸识别的精度就可以得到保证。这一步的工作做得准确的话，就可以

大大提升系统本身的适应性和鲁棒性。

从模式识别领域看，人脸检测和人脸识别是作为两个对立的问题而彼此存在的。人脸检测要先寻找人脸的共同属性，而人脸识别是在于发现不同的人脸之间的差异性。可以将人脸检测问题视为是一个只有两个类的分类问题，即将图像分为所谓的脸和非脸。人脸检测是从测试集中识别一个具有很大的类内可变性的对象类。其目的是通过对大量的训练样本的学习，去减少脸的类内可变性，从而增加脸与非脸的类间可变形。但是相对而言，人脸检测的实现是一个比较困难的事情。现实中，它受很多因素的影响。例如光照，噪声，姿态，背景甚至遮挡物的影响。所以，检测工作不但要设法克服这些外在因素带来的干扰，予以准确的定位和检测；同时还要对外在因素带来的不利影响设法矫正，尽可能的保证检测过程的基准一致或者大体一致

(4).模板匹配方法简介:图像的匹配可以是整幅图像之间的匹配，但比较常用的是用一幅较小的图像与一幅较大的图像中的一部分相匹配。其目的很明显的是：一方面确定前图是否在后图中存在，另一方面是确定匹配图像的相应位置。

图像匹配中最常用的方法就是模版匹配问题。在模版匹配过程中，如果要检测的是某种目标，就需要对目标物基本形状有一个先验知识，来确定合适的模版。一般的，若没有先验知识时，模版取为正方形。匹配中要完成的工作是将模版在图上平移和覆盖计算相关值，相关值最大就表明此处为匹配最佳位置。对于设定的阈值，若计算出的相关值大于它时，就可以认定图像中存在模版要寻找的图像。如果需要减

少模版匹配的计算量，就要尽可能多的收集先验知识，另外还可以充分利用模板匹配过程中，会出现相邻域的可能性，适当的减少重合部分的特点来减少计算量。

在人脸检测中，经验证明最常用的和最有效的方法是利用模板进行匹配。利用人脸模版与测试图像进行匹配，以检测出人脸。通过这种方法可以定位脸部的各个器官位置。

(5).检测方法:这里的检测方法具体的就是模式相似性测度的算法

选择。比较常用的计算方法有欧氏距离，马氏距离算法，夹角余弦距离，Tanimoto测度，基于类中心的欧氏距离法，二值化夹角余弦等等。这些算法中，不失一般性的都是先设定一个目标函数，计算各向量

之间的相似性。一些文章中常用的方法是通过相关函数的计算找寻小图以及其在搜索图中的坐标位置.本章主要完成数据库的图像聚类，分别运用了动态聚类算法中的K均值算法，模拟K均值退火算法，遗传聚类算法对图像进行聚类。同时对检测图像进行相似度比对，最

终确定类别。可以得出单纯的使用K均值算法花费的时间较短，但是聚类的能力比较差，而对于模拟K均值退火算法，遗传聚类算法其聚类能力较强，相对花费的时间会长一些。

(6).总结与展望:生物识别技术较之于传统的识别技术，有着极大的研究价值和市场需求。人脸识别技术作为其中一个重要分支，在识别领域也扮演着日趋重要的角色。本文考虑集合特征值进行初步的聚类，最后再进行待识别图像与各个子集的比对。较之和整个数据库的检.