关于人脸识别的研究综述——潘亮亮

关于人脸识别技术的最新进展综述

潘亮亮1

(中国科学院深圳先进技术研究院，广东深圳)

摘要：人脸识别是人类最常用的身份辨识手段，也是生物特征识别研究最活跃的领域之一。在这篇综述报告中，我调查了近几年来关于人脸识别技术的最新进展。首先我会介绍基于几何特征的3D人脸检测和识别技术，重点会介绍基于鼻补丁和表达曲线的识别算法。接着会介绍深度学习技术在人脸识别方面的贡献。最后，我希望能够从当前的研究现状中找到灵感，提出更鲁棒的识别算法。

关键词：人脸识别；人脸检测

A Survey of Recent Advances in face recognition technology

ll.pan1

(1.Shenzhen Institutes of Advanced Technology，Chinese Academy of Sciences，Shenzhen，Guangdong，China) Abstract：Face recognition is the most common means of human identity identification,and it is also one of the most active areas of biological feature recognition research.In this review report,I surveyed the recent advances in face recognition technology.First,I will introduceface detection and recognition technology based on3D geometric features.And i will focused introduce recognition algorithm based on the nasal patches and curve for expression.Next i will introduce the contribution of deep learning on face recognition technology.Finally,I wish to find inspiration from the current status of research,proposes a more robust recognition algorithm.

Key words：face recognition;face detection

1.简介：

最早的人脸识别的研究始于19世纪末，而现

代的研究始于20世纪60年代，20世纪90年代以

来，随着高性能计算机的出现，人脸识别方法有了

重大突破成为研究热点，进入了真正的机器自动识

别阶段。人脸识别是利用人脸部的稳定特征进行身

份识别的，它是一种无侵害性的、方便、友好的生

物特征识别方式，所以很可能会成为最容易被人们接受的生物特征识别手段。

人脸检测与识别技术包括三个阶段：人脸的检测定位、人脸的特征提取、人脸的识别；人脸的特征提取与人脸识别关系较密切，很多场合认为它们属于同一个阶段。识别流程图1.：

目前的人脸识别方法主要有三种：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的识别方法。虽然它们都曾取得了一定的成功，但是仍各有其缺点。近年来，除了以奇异值特征为代表的代数特征方法以及基于K-L变

图1：人脸识别流图

换的特征脸方法取得了新进展外，小波变换、神经网络、支持向量机等方法均在人脸识别研究中取得了很广泛的应用。目前，基于人脸三维几何特征的方法得到了广泛的使用，是目前人脸识别方向上一个非常受欢迎的方向。

1.1基于几何特征和代数特征的人脸识别方法

基于几何特征的人脸识别方法主要利用人脸上一些不易改变的特征或者属性，如，形状、文理以

及边缘特征等，来检测人脸，它的优点是对人脸的表情、姿态、旋转等有不错的鲁棒性，但是它的缺点在于很难提取稳定的特征，对检测的样本图片的质量要求高，受光照、噪声等影响严重。主要有模板匹配算法以及基于外观形状的算法。基于代数特征的人脸识别方法主要是将人脸图像转化为以像素为单位的灰度矩阵，利用灰度矩阵的特征来进行人脸的检测和识别。在前几年，主成分分析（PCA），Fisher线性判别（LDA），特征脸（Eigenfaces），拉普拉斯脸（Laplacianfaces）等基于几何特征的人脸识别方法得到了广泛的研究和使用。尤其是PCA 方法，PCA方法用于人脸识别的应用主要分为四个步骤：1）人脸图像的预处理；2）读入人脸库并训练特征子空间；3）投影训练图像和测试图像到同一个子空间；4）设定一定大小的阈值，进行判别。但近几年的人脸识别研究很少在这方面单独研究，大部分是和几何特征融合在一起进行研究。它的优点是具有一定的稳定性，对不同亮度和表情有一定的鲁棒性。最早的基于特征的尝试之一是Kanade等人[1]，他用简单的图像处理方法提取16个面部参数—即距离，面积和角度的比率，以及使用简单的欧式距离匹配，在每人2张图片20个不同的人的数据库上实现了75%的准确率的性能。大部分的人脸识别的应用都是在一些复杂的场景，尤其受到光照因素的影响。解决这个问题传统的方法可以大致分为三类：基于外观，基于归一化，和基于特征的方法。在直接的基于外观的方法中，训练的样本是从不同的照明条件下收集并直接用于学习的各种照明变化的全局模型，但它需要大量的训练图像和一个富有表现力的特征集，否则它必须包括一个良好的预处理，以减少照明变化。基于归一化的方法寻求图像缩小到更“规范”的形式，照明变化被抑制。直方图均衡化就是这种方法中最简单的一种。这种方法是相当有效的，但他们的处理空间不均匀变化的能力仍然有限。第三种方法直接从给定的图像集提取光照不敏感的特性。这些功能集包括从几何特征到图像衍生特征，例如边缘图，LBP，Gabor小波和局部自相关滤波器。虽然这些特征在原始灰度值有很大的改进，但对发生在现实世界的人脸图像的复杂光照变化还是相当有限的。综合的框架，V Karthikeyan等人在2014年提出了结合以上三种优势的结构[9]——合成归一化梯度结构(integral normalized gradient)。整个过程可以被看作是一个图像的流水线。首先输入图像，使用Retinex或者SQI 方法对原图像做平滑滤波。同时对原始图像做x,y 方向的梯度处理。然后将平滑后的图像与梯度化的图像分别归一化N={Nx,Ny}，将两幅归一化的图像进行重构，将重构的结果和原始图像进行融合。得到最终用于识别的图像。该系统在不能光照的条件下伟伟图像的识别率达到了88.1%，且只有0.1%错误识别率。但是这个模型的预处理过程过于繁琐。近几年的一些研究文献中基于外观形状的方法大多是利用脸部轮廓的3D模型测作检测，主要是利用基于曲率的几何特征进行匹配。最早的应用不变函数用于三维面部识别技术是十多年前，那时候，人们开始从微分几何中引入一些几何属性，例如主曲率，高斯曲率等。Song等人的工作[2]检测出人脸的三个区域眼睛，鼻子和嘴的特征，然后通过计算这些区域的几何特征——欧式距离，面积，角度和体积，利用这些几何特征来进行人脸的识别匹配，但是这种方法预处理过程太繁琐。Zaeri等人[3]研究了一种新的三维人脸图像采集和捕获系统,一个用于三维人脸图像特征特性及特征提取的试验台，被证明了它的有效性。但是它的识别率仍然有待提高。因为纹理特征在识别对象和场景时能够确定感兴趣对象的均匀性，亮度，密度，粗细，平滑性，规律性等等。Yousra Ben Jemma等人09年层发表[5]提出通过利于Gabor系数得到的几何距离和纹理特征相结合的方法能够产生非常好的识别效果。于是，A Suruliandi等于在13年，又提出了一种结合几何特征和纹理特征的心方法[4]，并且在JAFFE和ESSEX数据集上的实验结果表明，纹理描述局部二元模式能够实现将所有所考虑的问题达到更好的识别精度。VD Kaushik等人在[7]中提出了一种新的从3D人脸提取特征几何建模的方法。它描述了一个新的自动姿态和表情不变特征提取算法来提取眉毛，鼻子和三维人脸数据的嘴唇特征。该方法既不使用强度信息也不使用纹理来提取特征，因此，该算法对缩放，旋转，姿势和照明的改变都不敏感。Y Lei 等人提出的基于PCA几何特征和二维人脸识别的