人脸识别系统

Zhengya Xu, Hong Ren Wu, Xinghuo Yu, Fellow, IEEE, Kathryn Horadam, and Bin Qiu, Senior Member, IEEE

摘要：本文提出了一个基于人脸特征的快速的人脸识别方法。这是一种基于目标形状的自动参考控制技术和特征提取技术，提出了通过测量出脸部两边的平面差，根据提取的特征集合中将每组2D图像组合成具有3D特征的面部模板。不同于脸部整体的识别算法的是，基于人脸特征的算法是相对稳定的，面部表情、照明状态以及姿势的变化都会导致面部特征向量的变化。提出的技术的性能分析理论均由概率统计做基础。所提出的方法使用了人脸识别数据库的几个样品，以实现可观的人脸识别功能。

关键词：人脸特征向量；人脸识别；人脸表征；外形特征向量。

一、引言

人脸是最具社会可接受性和非侵入性的影像测量的生物特征之一。其需求少也没有在监视的课题中出现。但是，人脸自动识别是一个非常具有挑战性的任务，因为与其他生物特征相比面部特征的差异是相当细微的（例，指纹识别）【1】。此外，由于面部表情、照明状态、人的姿势和面部化妆的变化都为人脸识别的准确性增加难度。在文献中，静止图像的人脸识别算法分为三类，即全面的、基于特征向量的和混合匹配算法【2】。整体识别算法例如Eigenfaces 算法【3】和Fisherfaces算法【4】，从整个脸部提取特征。整体匹配算法的一个限制便是它需要更全面，需要根据正常的姿态，照明以及比例【5】。而这些因素的变化都可能会影响从面提取的全局特征，导致最终识别的不准确。通常的解决办法是通过手动识别面孔来进行，这使得整个过程变得半自动化【6】。人工纠正是不完善的识别系统，因为它通常变现在几个特殊的控制点上，人工识别也为每个控制点提供足够的精度。用具有里程碑意义的自动识别算法来更换这个最终会劣化识别结果的手动过程【6】。此外，全球性特点也敏感于面部表情和遮挡的变化。基于特征的匹配算法提取局部特征或区域特征，如眼睛和鼻子，然后使用这些特征执行匹配或运作自己的本地统计数据进行识别。此类别的一个例子是基于区域的3D匹配算法【7】，其中分别相匹配的眼睛、额头和鼻子的3D点云区域和融合结果在目标水平。另一个例子是使用本地样本提升人脸识别准确度【8】，哪从面部图像在不同匹配的矩形区域、比例和方向【9】。混合匹配方法使用面部全局和局部功能组合识别【10】。

3D和多模式人脸识别调查由等人给出【11】，Bowyer认为3D人脸识别必须克服其2D潜在吻合的局限性。多模式的2D和3D人脸识别技术提供了比那些由单独个体方式获得更准确的结果【11】。混合运算方法或分类可以提高人脸识别的准确度被认可。例如Gokberk等人【12】。报道曾表彰通过结合多个三位面部特征的识别算法。许多三维面部识别方法基于迭代最近点（ICP）算法[13]或它的变体[7]。

ICP为基础的方法的一个主要优点是，它避免了面部表情[7]和把手构成的变化由匹配2.5-D扫描完成人脸模型[14]。然而，比较方案的主要缺点是它是一个迭代算法，因此，在计算上很昂贵。此外，为了加快匹配过程ICP算法不提取任何规则的特征级融合和索引的脸部特征的可能性。除非另一个分类器或方式进行索引或之前的排斥不可能面临来自画廊【6】，基于ICP算法必须进行强力匹配，从而使识别费时，不适合生产生活使用。另一个缺点是，它需要ICP好的初始近似值。

在本文中，一个快形状特征矢量为基础的人脸识别方法（SFV-FR的简称），提出了以支持实时应用，如实时的现场脸识别系统。新办法旨在避免任何强力匹配算法等。不同于整体人脸识别算法，变化的表达式下如照明、姿势、遮挡和化妆的条件下，基于特征的算法是相对稳健的【7】。2D和3D的组合算法提供了更为准确的结果，形成了一个共同的2-D和3-D sfv-fr方法。

本文的组织如下：第二节/介绍了该方法的sfv-fr 原理，其中包括一个新的人脸特征提取的切角技术和独特的面部特征向量的人脸表示；证明比例，平移，旋转不变性所提取的面部特征；与理论由概率的sfv-fr系统性能分析与统计方法。第三节得出结果，第四节结论。

基于图形矢量的精准人脸识别系统

二、sfv-fr方法的原理

人脸表达

人脸表达是人脸识别系统中的一个重要组成部

分有效的人脸模型是有效的不变的，取向和位置对于人脸识别的成功与否是至关重要的。大多数上述的审查国家的最先进的算法是一般的算法。就一个特定的实时系统而言他们有着数据的缺陷，包括昂贵的计算成本。为了缓解这一问题，一种新颖的方法适合于实时面部识别应用，提出了论文。首先，一坐标系（或基线和基准点）是（或者）设置，以限定的面部特征来表示一脸进一步人脸识别。通常，为了构建2-D或3-D的面部数据集和比较面，所有的面捕集/扫描和匹配需要精确对准在一个共同的坐标系。而不是使用暴力破解的搜索或类似的面比对，如先前讨论的，基于形状的自动跟踪参考（坐标）系统被引入用于SFV-FR，通过自动化过程它可以正常进行。

由于基于形状的五官都比较稳健的规模化，噪声，光，和姿势的变化，形状特征用于在建议的人脸表示主要特征。SFV-FR的方法多数特征的基础上，坐标由基准点制成，绝不能在可变形份的面部;因此，他们将能够容忍（或避免从显著）患的变化，由于面部表情。的SFV-FR方法使用多个2-D基于视图三维脸代表性，因为它不是一个简单的任务，基于当前的和广泛使用的技术，以获得3-D的脸用于实时视频监控系统的站点信息。因此，有必要建立坐标（或引用）的正面和侧面上。基准点（或控制点），用于建立坐标都必须是普遍的，从图像中不易察觉，抗噪能力和光变，和宽容，在一定程度上，要变化面部表情和姿态，以便产生可靠的特点（即特征向量）进行比较的注册观察/检测到的面部。

图1（a）协调和参考点（基线），用于前表面。（b）协调和参考点（基线），用于一个侧面。1

）为前脸参考：为了建立参考为一个正面，需

要下列步骤。首先，在检测到脸部的中心轮廓。第二，中央正面的线是基于该配置文件的位置。第三，它假设的平均值的控制点的位置面部模型被训练集已知的;因此，初始预测关于测试控制点的位置可以是经过简单的中线对齐进行。第四，从搜索基于平均面部的控制点来找到特定的给

定的脸要点他们的外形特征。一坐标建立基于检测到的特定的控制对于进一步的特征向量提取

和比较点之间的模板，测试图像。前两个控制点是对应于眼睛的内角的各点。坐标基线是直线，连接两个控制点。这条线的长度被定义为基准一个前表面的长度〔见图图1（a）〕。

2）参考侧面人脸：建立的方法，对于一个侧面的引用介绍如下：首先，将侧在检测到脸部的轮廓。的鼻子的直线定面部被选择为一个基线。（如果它不存在，则第一曲线转弯点，并在该点的切线将选定作为基线）。二，直线被发现是垂直于第一基线和切线与概要文件鼻子的[见图图

1（b）]作为第二基准线。距离点是交叉处的第一基底的点之间和第二基线和点是交叉点在第二

基线和上面的嘴的轮廓被选择作为基准长度为

代表的侧面功能[见图图1（b）]。另外，该第二交叉点被用于查找的侧面的主要基线。该基地线是一条直线，从该点和切线与起始的侧面[鼻轮廓看到图1中的黄线。图1（b）]。根据这一线，鼻尖，其余控制点，和参考点可以发现（如在第III节详细说明）。

这些控制点是普遍建立（selfextract）参考点建立一个坐标（参照图1），用于注册和检测到的图像之间的特征（矢量）比较。参考点（控制点），很容易被发现通过从边缘的突出的几何特征和

面部的轮廓，无需人工操作。控制点也是稳健噪声和光线的变化，和亮度变化，面部表情变化和姿态改变。