人臉識(shí)別技術(shù)和算法綜述

龐珊珊　熊建設(shè)

摘要：人臉識(shí)別是人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)，是一種基于信息處理的模式識(shí)別。這篇論文簡要介紹了人臉識(shí)別技術(shù)的特點(diǎn)、研究背景和識(shí)別系統(tǒng)的構(gòu)成，重點(diǎn)介紹了幾種在人臉識(shí)別中常用的算法及其評(píng)價(jià)?？偨Y(jié)了現(xiàn)存的研究困難，對(duì)人臉識(shí)別技術(shù)未來的發(fā)展和應(yīng)用做出了展望。

關(guān)鍵字：人臉識(shí)別；特征提??；特征臉；神經(jīng)網(wǎng)絡(luò)

1 引言

生物特征鑒別技術(shù)是利用人體生物特征進(jìn)行身份認(rèn)證的一種技術(shù)，具有安全可靠、特征唯一、不易偽造、不可竊取等優(yōu)點(diǎn)。在不同的生物識(shí)別方法中，人臉識(shí)別有其自身特殊的優(yōu)勢，例如，非侵?jǐn)_性；采集設(shè)備簡單，使用快捷；通過人臉識(shí)別身份符合人類的習(xí)慣，正是由于這些良好的特性，人臉識(shí)別的相關(guān)研究越來越受到人們的重視，并取得了很好的成果。隨著人臉識(shí)別技術(shù)的飛速發(fā)展，它被越來越多的應(yīng)用于海關(guān)監(jiān)控、企業(yè)安全與管理、刑偵等領(lǐng)域。

人臉識(shí)別按照信息的來源可以分為兩類：基于靜態(tài)人臉識(shí)別和基于動(dòng)態(tài)的信息識(shí)別。對(duì)于動(dòng)態(tài)識(shí)別研究的相關(guān)技術(shù)還比較欠缺，本文只對(duì)靜態(tài)人臉識(shí)別的相關(guān)算法進(jìn)行闡述。

靜態(tài)人臉識(shí)別系統(tǒng)主要有三個(gè)步驟：人臉的檢測和定位、人臉的特征提取和人臉識(shí)別，在這些步驟之前還應(yīng)有預(yù)處理這一步，即對(duì)采集到的圖像先進(jìn)行預(yù)處理，以達(dá)到位置校準(zhǔn)和灰度歸一的目的，然后尋找人臉，如果有則確定人臉的位置并提取人臉，然后提取人臉特征，最后根據(jù)提取的特征進(jìn)行識(shí)別。下面對(duì)人臉識(shí)別中的常用算法進(jìn)行介紹。

2 幾種常用的算法

2.1 基于幾何特征的人臉識(shí)別算法

這類識(shí)別方法將人臉用一個(gè)幾何特征矢量來表示，用模式識(shí)別中的層次聚類的思想設(shè)計(jì)分類器達(dá)到識(shí)別目的，常采用的幾何特征有眼睛、鼻子、眉毛、嘴等重要的局部特征，臉型特征及五官在臉上分布的幾何特征。識(shí)別所用的幾何特征是以人臉器官的形狀和幾何關(guān)系為基礎(chǔ)的特征矢量，其分量通常包括人臉指定兩點(diǎn)間的歐式距離、曲率、角度等等。在這種基于幾何特征的識(shí)別中，不同特征的相似性度量主要依賴于特征矢量的匹配情況進(jìn)行判決，例如，基于歐氏距離的判決。

基于幾何特征的識(shí)別方法的優(yōu)點(diǎn)有：符合人類的習(xí)慣，易于理解；對(duì)光照變化不是很敏感，具有一定的抗干擾能力。存在的問題：從圖像中抽取穩(wěn)定的特征比較困難，當(dāng)有遮擋時(shí)會(huì)出現(xiàn)誤提??；當(dāng)面部表情變化很大，或者姿態(tài)變化很大時(shí)，魯棒性較差；幾何特征模型的準(zhǔn)則過于簡單，一般的幾何特征只描述了器官的基本形狀與結(jié)構(gòu)關(guān)系，忽略了細(xì)節(jié)特征，會(huì)使部分信息丟失。

2.2 基于特征子空間（特征臉）的人臉識(shí)別算法

特征臉方法是人臉識(shí)別技術(shù)中的一種典型方法，又稱為主成分分析法（PCA）。SIROV ICH和KIRBY 首先采用PCA算法來表示人臉。它根據(jù)一組人臉訓(xùn)練樣本構(gòu)造主特征向量空間，即特征子空間（特征臉），這些特征向量是由圖像的生成矩陣的主特征值所對(duì)應(yīng)的特征向量組成，這些主特征向量所占的能量是總能量的90%（一般取這個(gè)數(shù)）以上，其余的小能量向量被剔除。生成矩陣可以是圖像的協(xié)方差矩陣、總類內(nèi)離散度矩陣等等。這個(gè)子空間是降維的，維數(shù)比原數(shù)據(jù)空間要小得多，任何一幅待識(shí)別人臉圖像都可以向此特征空間投影并獲得一組坐標(biāo)系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，從而可以作為人臉識(shí)別的依據(jù)。任何一幅人臉圖像都可以表示為這組特征向量的線性組合，其加權(quán)系數(shù)（圖像向空間投影得到的系數(shù)）稱為該圖像的代數(shù)特征。識(shí)別的時(shí)候，將待識(shí)別的圖像投影到這個(gè)特征子空間，將得到的投影系數(shù)與各個(gè)已知人臉圖像的系數(shù)進(jìn)行比較，通過一定的準(zhǔn)則，例如k-近鄰法，取未知樣本的k個(gè)近鄰，看這k個(gè)近鄰中多數(shù)屬于哪一類，就把待識(shí)別的圖像歸入哪一類。特征臉方法比較簡單易懂，得到了廣泛的使用，但單獨(dú)使用的計(jì)算量較大，所以PCA經(jīng)常與其它方法配合使用，例如小波變換與PCA的結(jié)合 ，使PCA的降維效果得到改善。

2.3 基于模板匹配的人臉識(shí)別算法

模板匹配有靜態(tài)匹配和彈性匹配兩種，首先介紹一下靜態(tài)匹配。靜態(tài)模板匹配方法：設(shè)計(jì)一個(gè)庫，其中存儲(chǔ)了已知人臉的若干模板，這些模板可以是整張人臉的灰度圖像，可以是各生理特征區(qū)域的灰度圖像，還可以是經(jīng)某種變換的人臉圖像。待識(shí)別的圖像經(jīng)過相同的變換后，還要進(jìn)行尺度歸一化和灰度歸一化的處理，得到與庫中的圖像大小、取向和光照條件均相同的圖像。然后計(jì)算待識(shí)別圖像和庫中圖像的匹配度，與哪一類的匹配度最好，就將待識(shí)別圖像判為哪一類。靜態(tài)模板匹配存在的問題：因?yàn)閹焓枪潭ǖ?，如果人臉表情變化較大，或者有新的模式出現(xiàn)，那么這個(gè)模板就不適用了，也就是說靜態(tài)模板匹配方法不靈活。考慮這個(gè)問題，下面提出彈性模板匹配。

彈性模板匹配是根據(jù)待測人臉特征的先驗(yàn)知識(shí)，定義一個(gè)特征參數(shù)模型，這些參數(shù)反映相對(duì)應(yīng)特征形狀的可變部分，為了得到這組參數(shù)，根據(jù)圖像的邊緣、峰值、谷值和強(qiáng)度信息及特征形狀的先驗(yàn)知識(shí)設(shè)計(jì)合適的能量函數(shù)。我們要求的參數(shù)就是使能量函數(shù)取極小值時(shí)的參數(shù)。這種算法的優(yōu)點(diǎn)是顯然的，它比靜態(tài)模板匹配法要靈活，魯棒性要強(qiáng)一些，但是也有缺點(diǎn)：對(duì)參數(shù)的初值依賴度高，容易陷入局部最小；計(jì)算時(shí)間長。

2.4 基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法

人工神經(jīng)網(wǎng)絡(luò)是在生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來的，心理學(xué)家McCulloch和數(shù)學(xué)家Pitts 合作提出了形式神經(jīng)元的數(shù)學(xué)模型，成為人工神經(jīng)網(wǎng)絡(luò)的開端。神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別上比其他類型的方法有其獨(dú)特的優(yōu)勢，它避免了復(fù)雜的特征提取工作，可以通過學(xué)習(xí)獲得其它方法難以得到的關(guān)于人臉識(shí)別的規(guī)律和規(guī)則的隱性表達(dá)。

神經(jīng)網(wǎng)絡(luò)是以并行方式處理信息，存儲(chǔ)方式是分布式的，如果能用硬件實(shí)現(xiàn)，那么將能顯著提高速度。神經(jīng)網(wǎng)絡(luò)把模型的統(tǒng)計(jì)特征隱含在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)中，對(duì)于人臉這類復(fù)雜的、難以顯示描述的模型，基于神經(jīng)網(wǎng)絡(luò)的方法具有獨(dú)特優(yōu)勢。神經(jīng)網(wǎng)絡(luò)的魯棒性比較好，但是訓(xùn)練慢，并可能陷入局部最優(yōu)。

2.5 基于隱馬爾科夫模型的人臉識(shí)別算法

隱馬爾科夫模型是一種參數(shù)表示的、用于描述隨機(jī)過程統(tǒng)計(jì)特性的概率模型。最早由Samaria 提出了關(guān)于人臉的隱馬爾科夫模型。隱馬爾科夫過程是一個(gè)雙重的隨機(jī)過程：一個(gè)潛在的過程稱為“狀態(tài)”過程，另一個(gè)可觀測過程稱為“觀測序列”，觀測序列是由隱含的狀態(tài)過程決定的。

用HMM進(jìn)行人臉識(shí)別，既考慮了各器官的不同特征，又考慮了相互關(guān)聯(lián)，該模型的參數(shù)能較好的表征具體的人臉模型。HMM方法的魯棒性較好，對(duì)表情、姿態(tài)變化不太敏感。

以上介紹了5中人臉識(shí)別中的常用算法，除此之外，還有其他的一些算法，比如，基于彈性圖匹配的算法，基于SVM的人臉識(shí)別算法，遺傳算法等等。

3 總結(jié)與展望

以上介紹了幾種常用的人臉識(shí)別算法，從分析中可以看出，每種方法都有其優(yōu)缺點(diǎn)，因此根據(jù)這些方法的特點(diǎn)，將這些方法結(jié)合起來使用，例如Nefian提出了基于2D-DCT的HMM方法。但是由于人臉識(shí)別是一項(xiàng)跨學(xué)科的研究課題，在研究過程中面臨著相當(dāng)程度的難度，由于人臉易受表情、光線和附著物等的影響，在研究過程中有一些的困難，具有一定的挑戰(zhàn)性。前面介紹的算法只是在一定程度上解決了一些問題，應(yīng)用方面還有待進(jìn)一步提高。

盡管如此，人臉識(shí)別技術(shù)在經(jīng)過這么多年的發(fā)展后，取得的成績是不可抹殺的，人們提出了很多新的方法，Paul和Michael J.Jones提出基于haar特征的算法 ，采用級(jí)聯(lián)的boosted分類器進(jìn)行分類，速度較以往的分類器提高了15倍，識(shí)別分類效果很好。

近年來，由于反恐、國土安全和社會(huì)安全的需要，世界上各個(gè)國家都對(duì)安防領(lǐng)域加大了投入。而身份驗(yàn)證是安防的一個(gè)核心領(lǐng)域，在這種大環(huán)境下，生物特征識(shí)別將迎來一個(gè)快速發(fā)展的時(shí)期，從而人臉識(shí)別技術(shù)的應(yīng)用會(huì)得到快速發(fā)展。

參考文獻(xiàn)

[1]尹飛,馮大政.基于PCA算法的人臉識(shí)別[J].計(jì)算機(jī)技術(shù)與發(fā)展,2008,18(10):31-33.

[2]楊紹華.一種基于小波變換和PCA的人臉識(shí)別改進(jìn)方法[J].吉林工程技術(shù)師范學(xué)院學(xué)報(bào),2008,24(9):62-65.

[3]邊肇祺,張學(xué)工.模式識(shí)別[M].北京:清華大學(xué)出版社,2000.

[4]Samaria F.Yong S.HHM based architecture for face identification[J].Image and Computer Vision,1994(12):537-583.

[5]Paul Viola, Michael J.Jones. Pobust Peal-time Object Detection[J].Cambridge Research Laboratory, 2001.

作者簡介：龐珊珊（1984-），女，碩士研究生，研究方向：模式識(shí)別，圖像處理；熊建設(shè)，副教授，研究生導(dǎo)師。