人臉識別綜述(模式識別論文)(編輯修改稿)

　

【文章內(nèi)容簡介】 大小；后者是指對圖像進行光照補償?shù)忍幚恚钥朔庹兆兓挠绊憽Ｌ崛〕龃R別的人臉特征之后，即可進行特征匹配。這個過程是一對多或一對一的匹配過程，前者是確定輸入圖像為圖像庫中的哪一個人，后者是驗證輸入圖像的人的身份是否屬實。以上兩個環(huán)節(jié)的獨立性很強。在許多特定場合下人臉的檢測與定位相對比較容易，因此，特征提取與人臉識別環(huán)節(jié)得到了更廣泛和深入的研究。 人臉特征提取人臉特征提取是人臉識別中的核心步驟，直接影響識別精度。由于人臉是多維彈性體，易受表情、光照等因素影響，提取特征的困難較大。特征提取的任務(wù)就是針對這些干擾因素，提取出具有穩(wěn)定性、有效性的信息用于識別。人臉特征是識別的重要依據(jù)之一。檢測定位過程中也會用到人臉特征。其中統(tǒng)計特征和灰度特征是在人臉定位和特征提取過程中常用到的兩類特征：a) 統(tǒng)計特征統(tǒng)計特征即用統(tǒng)計的方法對目標對象的膚色、光照變化等因素建模。基于膚色特征的識別方法簡單且能夠快速定位人臉[1]。人臉膚色不依賴于細節(jié)特征且和大多背景色相區(qū)別。但膚色的確定對光照和圖像采集設(shè)備特性較敏感。不同的光照下臉部色彩復(fù)雜。這給統(tǒng)一建模造成了一定難度。該方法通常作為其他統(tǒng)計模型的輔助方法使用，適于粗定位或?qū)\行時間有較高要求的應(yīng)用。文獻[1]使用人臉灰度圖像的水平和垂直方向的像素灰度均值來描述人臉特征。通過分別對灰度圖像各行和各列中的像素灰度值進行求和，獲得水平方向與垂直方向的灰度均值輪廓，以此來描述人臉特征。b) 灰度特征灰度特征包括輪廓特征、灰度分布特征(直方圖特征、鑲嵌圖特征等)、結(jié)構(gòu)特征、模板特征等。由于人臉五官位置相對固定，灰度分布呈一定規(guī)律性，因此，可利用灰度特征來進行人臉識別。通常采用統(tǒng)計的方法或特征空間變換的方法進行灰度特征的提取，如利用KL變換得到的特征臉，利用小波變換得到的小波特征等[2][3][4]。文獻[2]使用傅立葉變換得到人臉圖片的頻域信息，通過選取適當?shù)恼谏w模板，提取其中的頻譜信息來描述人臉的特征。實驗證明該方法對光照和表情/姿態(tài)的變化有一定的容忍力。 文獻[4]使用小波變換的方法在小波域通過多分辨率分析克服光照和面部表情對人臉識別的影響，獲得了較好的識別效果。 人臉特征提取常用方法近年來對人臉特征提取的研究主要集中在三個方面：1. 幾何特征點的提取；2. 變換域中的特征提取；3. 利用變形模板進行特征提取。特征提取方法歸納起來分為兩類：基于局部特征的提取方法和基于整體特征的提取方法。基于局部特征的人臉面部表情識別是利用每個人的面部特征(眉毛、眼睛、鼻子、嘴巴和面部輪廓等)的位置、大小及其相互位置的不同進行特征提取，達到人臉面部表情識別的目的。基于人臉整體特征的提取是從整個人臉圖像出發(fā)，通過加強反映整體特征來實現(xiàn)人臉面部表情識別。對比兩種方法，基于局部特征的方法很大程度上減少了輸入的數(shù)據(jù)，但是用有限的特征點來代表人臉圖像，一些重要的表情識別和分類信息就會丟失。基于人臉整體特征提取在計算量和計算時間上都多于局部特征提取，而且系統(tǒng)設(shè)計也相對復(fù)雜。此外，還可以通過多種方法綜合利用來進行特征提取。 模板匹配方法模板匹配方法是模式識別的傳統(tǒng)方法，其思想是：庫中存儲著已知人臉的若干模板。識別的時候，將經(jīng)過預(yù)處理的輸入圖像與庫中的所有模板采用歸一化相關(guān)度量進行匹配識別，來達到分類的目的，完成人臉的識別。由于這種方法要求兩幅圖像上的目標要有相同的尺度、取向和光照條件，所以預(yù)處理要做尺度歸一化和灰度歸一化的工作。上述為靜態(tài)模板匹配，但是它存在著對不同表情的人臉魯棒性差的缺點，針對這一情況，人們提出了彈性模板匹配。彈性模板匹配是根據(jù)待檢測人臉特征的形狀信息（通常利用小波特征）。定義一個參數(shù)描述的形狀模型，該模型的參數(shù)反映了對應(yīng)特征形狀的可變部分，如位置、大小、角度等，它們最終通過模型與圖像的邊緣、峰、谷和灰度分布特性的動態(tài)地交互適應(yīng)來得以修正。由于模板變形利用了特征區(qū)域的全局信息，因此可以較好地檢測出相應(yīng)的特征形狀。彈性模板匹配的方法在一定程度上容忍光線等的干擾，對細微的表情不敏感。而且彈性匹配中的人臉模型還考慮了局部人臉細節(jié)，它的可變形匹配方式，一定程度上能容忍人臉從三維到二維投影引起的變形。 幾何特征方法基于幾何特征的人臉識別方法將人臉用一個幾何特征矢量表示，用模式識別中的層次聚類思想設(shè)計分類器來對人臉進行識別。流程大體如下：首先檢測出面部特征點，通過測量這些關(guān)鍵點之間的相對距離，得到描述每個臉的特征矢量，比如眼睛、鼻子和嘴的位置和寬度，眉毛的厚度和彎曲程度等，以及這些特征之間的關(guān)系。比較未知臉和庫中已知臉中的這些特征矢量，來決定最佳匹配。基于幾何特征的識別方法具有如下優(yōu)點：①符合人類識別人臉的機理，易于理解；②對每幅圖像只需存儲一個特征矢量，存儲量小；③對光照變化不太敏感。該方法同樣也有其缺點：①從圖像中抽取穩(wěn)定的特征比較困難，特別是在特征受到遮擋時；②對強烈的表情變化和姿態(tài)變化的魯棒性較差；③一般幾何特征只描述了部件的基本形狀與結(jié)構(gòu)關(guān)系，忽略了局部細微特征，造成部分信息丟失，更適合于粗分類。文獻[3]使用人臉部下巴的輪廓曲線來輔助檢測人臉特征，然后使用Gabor小波變換(GWT)進行人臉識別，獲得了較理想的實驗結(jié)果。 特征臉方法該方法是從主成分分析(PCA)導(dǎo)出的一種人臉識別和描述技術(shù)。其主要思想是，一副由N個象素組成的圖像，可以看作N維矢量，或是N維空間中的一點。假設(shè)人臉圖像只占據(jù)這個高維圖像空間的一個很小的子區(qū)域，因此可以利用PCA來得到一個人臉圖像的優(yōu)化坐標系統(tǒng)。即是對這個人臉子區(qū)域的坐標進行降維，使得每個人臉圖像可以用很少幾個參數(shù)來表示，這就降低了計算復(fù)雜度。特征臉方法在應(yīng)用中是比較成功的。 神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)是利用大量簡單處理單元（神經(jīng)元)互聯(lián)構(gòu)成的復(fù)雜系統(tǒng)來解決識別問題。它在正面人臉識別中取得了較好的效果。常用的神經(jīng)網(wǎng)絡(luò)有BP（反向傳播）網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)運算量相對較小，耗時較短。其自適應(yīng)功能有助于增強系統(tǒng)的魯棒性。神經(jīng)網(wǎng)絡(luò)在人臉識別上有獨到的優(yōu)勢。通過學(xué)習獲得其他方法難以獲得的關(guān)于人臉識別規(guī)律和規(guī)則的隱性表達。但其運算量大、訓(xùn)練時間長、收斂速度慢、容易陷入局部最小。人工神經(jīng)網(wǎng)絡(luò)由于其固有的并行運算機制以及對模式的分布式全局存儲，故可用于模式識別，而且不受模式形變影響。用于人臉識別的神經(jīng)網(wǎng)絡(luò)方法可訓(xùn)練有較強噪聲和部分缺損的圖像，這種非線性方法有時比線性方法更有效。 隱馬爾可夫模型方法利用隱馬爾可夫模型(Hidden Markov Model，HMM)，將人臉圖像按某種順序劃分為若干塊，對各塊進行KL變換，選取前若干變換系數(shù)作為觀測向量訓(xùn)練HMM。HMM有3個主要問題：評估、估計及解碼。我們關(guān)心的是前兩個問題。評估用于解決識別問題，估計用來產(chǎn)生用于識別的各個單元的HMM。Samaria等人首先將一維隱馬爾可夫模型(1DHMM)用于人臉識別，并對不同狀態(tài)數(shù)模型的識別性能進行了詳細比較和分析。根據(jù)人臉由上至下各特征區(qū)具有自然不變的順序。可用1DHMM表示人臉。臉上的特征區(qū)被指定為狀態(tài)，即從上到下為人臉圖像進行一維連續(xù)HMM建模。偽二維隱馬爾可夫模型(P2DHMM)是1DHMM的一種擴展。P2DHMM