人臉識(shí)別方法綜述

摘 要:對(duì)一系列人臉識(shí)別方法進(jìn)行了綜合性描述。首先介紹了人臉識(shí)別的概念及其發(fā)展歷史，指出了人臉識(shí)別所面臨的主要困難;隨后對(duì)人臉識(shí)別技術(shù)方法發(fā)展過(guò)程中一些經(jīng)典的流行的方法進(jìn)行了比較詳細(xì)的闡述。最后介紹了人臉識(shí)別技術(shù)在國(guó)內(nèi)外的應(yīng)用狀況。

關(guān)鍵詞:人臉識(shí)別; 主分量分析; 奇異值分解; 彈性圖匹配; 非線(xiàn)性建模; 隱馬爾可夫模型; 圖像重建與圖像融合

中圖分類(lèi)號(hào):TP301文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1001-3695(2009)09-3205-05

doi:10.3969/j.issn.1001-3695.2009.09.002

Survey of face recognition

WU Jin-yi， ZHOU De-long

(College of Computer Science Technology， Zhejiang University of Technology， Hangzhou 310023， China)

Abstract:This paper gave researchers about an overview of face recognitions methods. Firstly， it introduced the concept and deve-lopment of face recognition， and also talked about its main difficulties. Then studied a number of classic and popular methods appeared in the course of face recognition development process. Lastly， discussed the situations of applications of face recognition home and abroad.

Key words:face recognition; principle component analysis; singular value decomposition(SVD); elastic graph matching; non-linear modal; hidden Markov model(HMM); image rebuilt and image fusion

人臉識(shí)別是將靜態(tài)圖像或視頻圖像中檢測(cè)出的人臉圖像與數(shù)據(jù)庫(kù)中的人臉圖像進(jìn)行對(duì)比，從中找出與之匹配的人臉的過(guò)程，以達(dá)到身份識(shí)別與鑒定的目的，它是同屬于生物特征識(shí)別領(lǐng)域和人工智能領(lǐng)域的一個(gè)課題。人臉識(shí)別是圖像分析與理解的一種最成功的應(yīng)用，因其在商業(yè)、安全、身份認(rèn)證、法律執(zhí)行等眾多方面的廣泛應(yīng)用，以及對(duì)人臉識(shí)別可行性技術(shù)的三十多年研究，使其越來(lái)越得到重視，并逐漸成為一個(gè)充滿(mǎn)活力的研究領(lǐng)域[1]。

人臉感知對(duì)于人類(lèi)來(lái)說(shuō)是一項(xiàng)常規(guī)任務(wù)，但是建立一種相似的計(jì)算機(jī)系統(tǒng)是一項(xiàng)一直在進(jìn)行中的研究。人們關(guān)于人臉識(shí)別的研究至少可以追溯至20世紀(jì)50年代[1];到現(xiàn)在，人們對(duì)于基于計(jì)算機(jī)的人臉識(shí)別方法的研究已經(jīng)取得了豐碩的成果，但這些方法仍然受到實(shí)際應(yīng)用環(huán)境的限制。這些限制一方面主要來(lái)自于人臉面部表情、姿態(tài)、位置、頭部尺寸的變化和遮蓋物的影響，另一方面來(lái)自于人臉圖像的光照、背景等大幅度的變化?？偟膩?lái)說(shuō)，要找到一種真正高識(shí)別率、高魯棒性、低復(fù)雜性的人臉識(shí)別方法非常困難，需經(jīng)過(guò)長(zhǎng)時(shí)間的研究和實(shí)踐。

1 人臉識(shí)別方法的研究與分析

1.1 人臉識(shí)別方法的分類(lèi)

人臉識(shí)別技術(shù)基本上可以歸結(jié)為以下三類(lèi)[2]:

a)基于幾何特征的方法。該方法是最早、傳統(tǒng)的人臉檢測(cè)和識(shí)別的方法。在基于該方法的人臉識(shí)別系統(tǒng)中，通常需要檢測(cè)出重要面部特征的形狀、相對(duì)位置以及這些特征之間的距離等相關(guān)參數(shù)，以構(gòu)成一個(gè)可以代表人臉的特征向量，其特征分量通常包括兩點(diǎn)間的歐式距離、曲率和角度等。在使用幾何特征時(shí)最重要的一件事就是對(duì)圖像進(jìn)行適當(dāng)?shù)臉?biāo)準(zhǔn)化[3]。

b)基于模板的方法。這類(lèi)技術(shù)的核心在于利用整幅圖像的灰度級(jí)模板。與基于幾何特征的方法一樣，圖像首先需要進(jìn)行標(biāo)準(zhǔn)化。最簡(jiǎn)單的模板匹配就是把一幅圖像看做是強(qiáng)度值的二維排列，然后利用合適的尺度(典型的如歐幾里德距離)與單獨(dú)的代表整臉的模板進(jìn)行對(duì)比匹配[3]?；谀０宓姆椒梢苑譃榛谙嚓P(guān)的方法、特征臉?lè)椒?、線(xiàn)性判別分析方法、神經(jīng)網(wǎng)絡(luò)方法、動(dòng)態(tài)連接匹配方法等。

c)基于模型的方法。該方法[2]利用數(shù)學(xué)模型將具有不同人臉尺度和人臉?lè)较虻牟煌四槍?shí)例的信息合并，故相對(duì)基于模板的方法來(lái)說(shuō)，該方法對(duì)于自然的人臉變形和光照條件具有更大的彈性?；谀Ｐ偷姆椒ɡ媚Ｐ蛥?shù)來(lái)進(jìn)行人臉識(shí)別，其典型方法是基于隱馬爾可夫模型的方法。

1.2 常用人臉識(shí)別方法的研究與分析

1.2.1 基于主元分析的人臉識(shí)別方法

主元分析法(PCA)是基于KL正交變換(Karhunen-Loeve transform)的一種方法，采用PCA的目的主要在于對(duì)人臉圖像空間進(jìn)行降維并取得能夠代表人臉的特征向量。PCA方法最早由Sirovitch和Kirby[4，5]引入人臉識(shí)別領(lǐng)域。20世紀(jì)90年代初，由Turk和Pentland[6，7]提出的特征臉(Eigenfaces)方法是該類(lèi)別中最具代表性的方法，并成為應(yīng)用于人臉識(shí)別問(wèn)題的最流行的算法之一。特征臉?lè)椒ㄅc經(jīng)典的模板匹配算法一起成為測(cè)試人臉識(shí)別系統(tǒng)性能的基準(zhǔn)算法。Turk等人通過(guò)實(shí)驗(yàn)指出，特征臉?lè)椒ㄔ诠庹兆兓碌恼_識(shí)別率為96%，在人臉朝向變化下的正確識(shí)別率為85%，而在圖像尺寸變化下的正確識(shí)別率為64%。特征臉?lè)椒m然在一定程度上有良好的應(yīng)用，但是其對(duì)于輸入的人臉圖像的歸一化要求較高，而且其系統(tǒng)性能容易受到光照和姿態(tài)變化的影響。因此在特征臉技術(shù)基礎(chǔ)上，研究者提出了各種各樣的改進(jìn)版本或擴(kuò)展方法。

Belhumeur等人[8]提出了Fisherfaces方法。Fisherfaces由Fisher線(xiàn)性判別式(Fisher’s linear discriminant， FLD)思想派生而來(lái)，同時(shí)考慮類(lèi)間離散度和類(lèi)內(nèi)離散度，使這兩者的比率達(dá)到最大。Belhumeur的實(shí)驗(yàn)證明，F(xiàn)isherfaces的性能優(yōu)于Eigenfaces。但即便如此，F(xiàn)isherfaces還是存在兩個(gè)明顯的問(wèn)題，即小樣本問(wèn)題(樣本數(shù)目小于樣本維數(shù))，以及多數(shù)實(shí)際問(wèn)題屬于非線(xiàn)性可分，傳統(tǒng)的Fisher線(xiàn)性分析在這些問(wèn)題上不能取得良好的結(jié)果。因此，一系列Fisherfaces的改進(jìn)方法被提出。Mika等人[9]提出了KFDA方法，將核技術(shù)引入Fisher判別分析中;Baudat等人[10]提出了利用核的廣義的判別分析法;Lu等人[11]提出了KDDA方法。近期，厲小潤(rùn)等人[12]提出了一種改進(jìn)的核直接Fisher描述分析方法;Yu等人[13]的直接LDA方法也是為了解決這兩個(gè)問(wèn)題而提出的;周大可等人[14]基于此法并引入加權(quán)函數(shù)提出了一種改進(jìn)的線(xiàn)性判別分析方法。

Bartlett等人[15]提出，傳統(tǒng)的PCA方法只依靠像素間的二階關(guān)系來(lái)尋找人臉基礎(chǔ)圖像，而重要的信息卻可能包含在像素間的高階關(guān)系中，人們自然就希望可以利用這些高階統(tǒng)計(jì)信息尋找到更好的基礎(chǔ)圖像，因此他們提出了一種廣義的PCA方法，即獨(dú)立成分分析法(independent component analysis， ICA)用于人臉特征提取。之后，學(xué)者們一般將PCA與ICA結(jié)合來(lái)進(jìn)行人臉圖像的特征提取。

如今，人工神經(jīng)網(wǎng)絡(luò)因其重要的實(shí)用價(jià)值而滲透在各個(gè)學(xué)科領(lǐng)域，近年來(lái)也被廣泛應(yīng)用于人臉識(shí)別當(dāng)中。將PCA理論與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法也成為人臉識(shí)別領(lǐng)域中的熱門(mén)方法。其中，BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)是兩種應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)。

1.2.2 基于奇異值分解的人臉識(shí)別方法

洪子泉和楊靜宇[16，17]首次提出了基于奇異值分解(SVD)的人臉識(shí)別方法，建立了基于Sammon最佳判別平面的Bayes分類(lèi)模型。他們指出奇異值的三個(gè)特性使之能作為一種特征在圖像識(shí)別中得到應(yīng)用:a)圖像的奇異值具有良好的穩(wěn)定性;b)圖像的奇異值反映了圖像的一種代數(shù)本質(zhì)，這種本質(zhì)不是直觀的，而是一種內(nèi)在屬性;c)圖像的奇異值具備代數(shù)和幾何上的不變性。同時(shí)，在文獻(xiàn)[15]中也證明了SV特征向量的五個(gè)特性，即穩(wěn)定性、轉(zhuǎn)置不變性、旋轉(zhuǎn)不變性、位移不變性和鏡像變換不變性。為得到較高的識(shí)別率，通常將SVD與其他識(shí)別算法組合進(jìn)行人臉識(shí)別。

杜干等人[18]認(rèn)為傳統(tǒng)的基于SVD的方法只是利用全局信息，若將人臉?lè)殖刹煌瑓^(qū)域，利用人臉的局部信息能夠更好地描述人臉特征，從而提高識(shí)別率。高全學(xué)等人[19]通過(guò)深入分析奇異值指出，圖像奇異值是圖像在特定基空間分解得到的，這個(gè)基空間是由圖像本身決定的。他們的研究還指出不同人臉圖像對(duì)應(yīng)的奇異值向量所在的基空間不一致、奇異值向量與人臉圖像之間并不存在一一對(duì)應(yīng)關(guān)系以及奇異值向量具有不可分割性，此三者導(dǎo)致了基于SVD人臉識(shí)別算法識(shí)別率低;最后他們提出了類(lèi)估計(jì)基空間識(shí)別算法。

1.2.3 基于幾何結(jié)構(gòu)特征與灰度特征融合的人臉識(shí)別方法

近年來(lái)，基于幾何結(jié)構(gòu)特征與灰度特征融合的算法日趨完善。Cootes[20]提出的主動(dòng)外觀模型(active appearance model，AAM)將幾何特征統(tǒng)計(jì)分析與灰度分布統(tǒng)計(jì)分析相結(jié)合，既可以用于圖像合成又可以用于圖像分析的特征提取和匹配，已經(jīng)吸引了越來(lái)越多的注意。彈性圖匹配技術(shù)是由Wiskott等人[21]提出的，它基于幾何特征與對(duì)灰度分布信息進(jìn)行小波紋理分析相結(jié)合的識(shí)別算法。該算法較好地利用了人臉的結(jié)構(gòu)和灰度分布信息，且還具有自動(dòng)精確定位面部特征點(diǎn)的功能，因而具有良好的識(shí)別效果;缺點(diǎn)是計(jì)算量大，實(shí)現(xiàn)復(fù)雜。Wurtz[22]分離了人臉圖像的背景信息，提出了多層次的金字塔結(jié)構(gòu)屬性圖，利用在該金字塔結(jié)構(gòu)中從上至下、從粗糙到精確的匹配來(lái)建立圖像與原型圖之間的映射。在匹配過(guò)程中保留良好的對(duì)應(yīng)點(diǎn)，丟棄相似性極小的節(jié)點(diǎn)。該方法總能產(chǎn)生與給定圖像極其相似的原型圖，并對(duì)圖像的背景變化、小幅變形和轉(zhuǎn)換有一定的魯棒性。孫大瑞等人[23]提出了一種局部特征與整個(gè)人臉相結(jié)合的方法，首先利用Gabor小波變換對(duì)幾個(gè)區(qū)域特征分別提取特征矢量，然后進(jìn)行彈性變形，得到各個(gè)特征匹配度量的加權(quán)和作為分類(lèi)標(biāo)準(zhǔn)。張海旸等人[24]基于當(dāng)今流行的網(wǎng)格技術(shù)提出了一種自適應(yīng)的彈性圖人臉匹配方法，他們將人臉?lè)殖啥鄠€(gè)子區(qū)域，用不同密集度的彈性圖劃分和不同的變形粒度實(shí)現(xiàn)彈性變形，采用了確定性的退火算法找到彈性變形的最佳匹配。該方法在較大的人臉數(shù)據(jù)庫(kù)和非約束環(huán)境中，識(shí)別速度和識(shí)別率均有提高。

1.2.4 非線(xiàn)性建模人臉識(shí)別方法

1998年Scholkopf等人[25]提出了核主成分分析，利用積分算子核函數(shù)來(lái)分析觀測(cè)空間數(shù)據(jù)集的結(jié)構(gòu);2000年Tenebaum等人[26]提出了等度規(guī)映射(isometric mapping， ISOMAP)，認(rèn)為當(dāng)數(shù)據(jù)集具有嵌入歐式空間的內(nèi)在流形結(jié)構(gòu)時(shí)，可以通過(guò)保距映射來(lái)獲得觀測(cè)空間數(shù)據(jù)集在低維結(jié)構(gòu)的對(duì)應(yīng)描述;同年，Roweis等人[27]提出了局部線(xiàn)性嵌套(locally linear embedding， LLE)算法，其主要思想是如果存在一組具有嵌套流形的數(shù)據(jù)集，則在嵌套空間與內(nèi)在低維空間局部領(lǐng)域間的數(shù)據(jù)點(diǎn)的序應(yīng)該是保持的;2001年Belkin等人[28]基于譜圖理論提出了拉普拉斯特征映射(Laplacian eigenmap)，與LLE算法類(lèi)似，它也是基于局部保序思想來(lái)獲得高維觀測(cè)空間與低維結(jié)構(gòu)在局部意義下的對(duì)應(yīng)。之后，對(duì)于以上述非線(xiàn)性方法為基礎(chǔ)的人臉建模方法研究在逐步深入。

1.2.5 基于隱馬爾可夫模型的人臉識(shí)別方法

基于隱馬爾可夫模型的人臉識(shí)別方法是基于模型的人臉識(shí)別方法的典型代表。隱馬爾可夫模型(HMM)的基本理論形成于20世紀(jì)60年代末期和70年代初期。Samaria等人[29]最早建立了關(guān)于人臉的隱馬爾可夫模型，他認(rèn)為人臉圖像從上至下包含額頭、眼睛、鼻子、嘴巴和下巴五個(gè)顯著特征區(qū)域，隱含五個(gè)狀態(tài)。他將圖像用一個(gè)矩形窗從上到下分成若干塊，將窗口內(nèi)的像素點(diǎn)排成列向量，用每個(gè)區(qū)塊的像素值作為觀察序列來(lái)進(jìn)行人臉識(shí)別。該方法需要占用較大的存儲(chǔ)空間并且有較高的計(jì)算復(fù)雜性。利用像素值作為觀察序列有兩個(gè)弊端[30]:a)像素值作為特征不夠健壯，同時(shí)其對(duì)圖像噪聲、光照強(qiáng)度改變等非常敏感;b)高維的觀察序列導(dǎo)致了訓(xùn)練和識(shí)別系統(tǒng)的高計(jì)算復(fù)雜性，增加了識(shí)別時(shí)間。

Nefian等人[30]提出了一種基于二維離散余弦變換(2-dimensional disperse cosine transform，2D-DCT)特征向量提取的新方法。該方法將人臉圖像分成若干個(gè)有交疊的模塊，從每個(gè)模塊中提取一組2D-DCT系數(shù)作為HMM的觀察序列。與Sama-ria的方法相比，他的方法在一定程度上降低了計(jì)算的復(fù)雜性并占用較小的存儲(chǔ)空間。

劉小軍等人[31]吸收了Samaria和Nefian的思想，借鑒Nefian的模塊分區(qū)方法，將各模塊利用奇異值分解提取特征向量作為觀察序列。因?yàn)槠娈愔迪蛄康囊恍┝己锰匦?，使得該方法取得了較高的識(shí)別率。

1.2.6 基于圖像重建和圖像融合的人臉識(shí)別方法

為避免光照和姿態(tài)大幅度變化對(duì)人臉識(shí)別的影響，許多研究者提出了基于圖像重建和圖像融合的人臉識(shí)別方法。

由于人臉圖像是三維人臉在二維平面上的投影，多姿態(tài)導(dǎo)致的人臉圖像變化與三維人臉的旋轉(zhuǎn)和變形存在嚴(yán)格的對(duì)應(yīng)關(guān)系，三維人臉識(shí)別是解決多姿態(tài)問(wèn)題的有效手段[32]。三維人臉識(shí)別技術(shù)也可以分為兩種[33]:a)進(jìn)行純?nèi)S之間的對(duì)比，即通過(guò)對(duì)人臉的多角度拍攝，系統(tǒng)生成人臉的三維模型，然后將該模型與數(shù)據(jù)庫(kù)中的三維模型進(jìn)行比較;b)根據(jù)獲得的二維人臉圖像，算出人臉的姿態(tài)偏轉(zhuǎn)角度，將數(shù)據(jù)庫(kù)中的三維模型按同樣的角度偏轉(zhuǎn)后投影至二維平面上得到二維圖像，再將它與原來(lái)的二維人臉圖像進(jìn)行匹配。

圖像融合有三個(gè)層次，即像素級(jí)融合、特征級(jí)融合以及決策級(jí)融合。像素級(jí)融合一般采用小波變換的方法，特征級(jí)的融合可以基于PCA、LDA等傳統(tǒng)的特征提取方法[34]。文獻(xiàn)[34]提出了將紅外圖像與可見(jiàn)光圖像進(jìn)行融合的方法:在小波領(lǐng)域進(jìn)行基于圖像的融合，在特征空間領(lǐng)域進(jìn)行基于特征的融合，兩種情況下均采用遺傳算法來(lái)尋找最優(yōu)策略。

1.3 小結(jié)

人臉圖像由于姿態(tài)、光照、年齡等因素的變化而具有“一人千面”的特點(diǎn)，人臉識(shí)別技術(shù)在適應(yīng)性上面臨著嚴(yán)峻的挑戰(zhàn)[35]。由于不同的識(shí)別系統(tǒng)適用于不同的實(shí)際環(huán)境，同時(shí)通用的識(shí)別系統(tǒng)通常無(wú)法滿(mǎn)足某種特殊的需要，許多研究者將不同的分類(lèi)方法組合起來(lái)形成一種新的分類(lèi)方法，希望達(dá)到令人滿(mǎn)意的總體識(shí)別率[32]。

2 人臉識(shí)別技術(shù)在國(guó)內(nèi)外的應(yīng)用及發(fā)展?fàn)顩r

2.1 人臉識(shí)別技術(shù)在國(guó)外的應(yīng)用及發(fā)展

基于人臉識(shí)別技術(shù)在軍事安全等領(lǐng)域重要性的考慮，1993年美國(guó)國(guó)防部資助啟動(dòng)了具有深遠(yuǎn)影響的FERET(face recognition technology)項(xiàng)目[36]。其目的是要揭示人臉識(shí)別研究的最新進(jìn)展和最高學(xué)術(shù)水平，同時(shí)發(fā)現(xiàn)現(xiàn)有人臉識(shí)別技術(shù)所面臨的主要問(wèn)題，為以后的研究提供方向性指南。第一次FERET測(cè)試指出了三個(gè)主要的研究方向，即大人臉庫(kù)識(shí)別、多時(shí)間跨度人臉圖像的識(shí)別和姿態(tài)變化的校正。第二次FERET測(cè)試主要目標(biāo)是對(duì)第一次測(cè)試后提出的待研究問(wèn)題的進(jìn)展情況進(jìn)行評(píng)估并在較大的人臉圖像數(shù)據(jù)庫(kù)(817人)上對(duì)算法性能進(jìn)行評(píng)估。第三次FERET測(cè)試得出了三條主要結(jié)論:a)人臉識(shí)別技術(shù)已經(jīng)取得了實(shí)質(zhì)性的進(jìn)步，其代表是MIT媒體實(shí)驗(yàn)室以及眾多的其他研究小組開(kāi)發(fā)的人臉識(shí)別算法性能的改善;b)參加評(píng)估的七個(gè)算法中的六個(gè)算法性能表現(xiàn)可以歸為同一檔次，除了MIT算法，其他算法之間沒(méi)有明顯的性能差異;c)算法性能依賴(lài)于訓(xùn)練和測(cè)試集。FERET測(cè)試對(duì)人臉識(shí)別技術(shù)的進(jìn)步產(chǎn)生了積極的、深遠(yuǎn)的影響，使人臉識(shí)別技術(shù)從初始階段迅速提升到原型系統(tǒng)階段。到2000年，人臉識(shí)別技術(shù)研究已經(jīng)取得了巨大的進(jìn)展，逐漸從實(shí)驗(yàn)室的原型系統(tǒng)階段真正走進(jìn)了實(shí)用的商業(yè)系統(tǒng)階段。為了對(duì)眾多的商用人臉識(shí)別系統(tǒng)進(jìn)行性能評(píng)估并了解人臉識(shí)別技術(shù)的真實(shí)進(jìn)展情況，又組織了FRVT2000和FRVT2002測(cè)試。FRVT2000測(cè)試[37](facial re-cognition vendor test 2000)在FERET測(cè)試的基礎(chǔ)上增加了對(duì)壓縮、距離、表情、光照、存儲(chǔ)媒體、姿態(tài)、分辨率和老化等不同情況的測(cè)試，有五家公司的產(chǎn)品參加了測(cè)試。FRVT 2000顯示在解決跨時(shí)段因素引起算法性能下降方面已取得一定進(jìn)展，指出解決人臉識(shí)別技術(shù)中由于姿態(tài)、光照和距離變化而引起算法性能下降問(wèn)題的研究是將來(lái)的研究重點(diǎn)。FRVT2002測(cè)試[38]由兩大測(cè)試組成，分別用于檢查人臉圖像數(shù)據(jù)庫(kù)規(guī)模對(duì)系統(tǒng)性能的影響并估計(jì)系統(tǒng)性能的可變性;了解參加測(cè)試系統(tǒng)在不同條件下執(zhí)行不同形式人臉圖像識(shí)別任務(wù)(靜態(tài)和視頻)的性能;對(duì)不同圖像類(lèi)別系統(tǒng)性能進(jìn)行測(cè)試，研究在不同時(shí)間跨度、光照變化、姿態(tài)變化等情況下對(duì)系統(tǒng)性能的影響;測(cè)試視頻圖像是否有助于提高人臉識(shí)別系統(tǒng)的性能的初步評(píng)估。參加FRVT2002評(píng)估的公司有十家，測(cè)試得到的主要結(jié)論為:自FRVT2000測(cè)試以來(lái)，室內(nèi)人臉識(shí)別的性能已得到了大幅的提升;人臉識(shí)別性能大致隨著跨越時(shí)段的增加而線(xiàn)性下降;對(duì)正常的室內(nèi)光線(xiàn)變化不敏感;三維可變體模型大大改進(jìn)了識(shí)別非正面人臉的能力;視頻圖像序列和靜態(tài)人臉圖像識(shí)別效果沒(méi)有明顯差別;男人比女人更易識(shí)別;老人比年輕人更易識(shí)別;室外人臉識(shí)別的性能仍需改進(jìn);在識(shí)別和觀察表任務(wù)中，系統(tǒng)性能隨數(shù)據(jù)庫(kù)或觀察表大小呈對(duì)數(shù)線(xiàn)性下降。

FERET項(xiàng)目推動(dòng)了人臉識(shí)別技術(shù)從初始階段提升到原型系統(tǒng)階段，參加FERET測(cè)試的許多算法已成為今日實(shí)用的商業(yè)系統(tǒng)基礎(chǔ);FRVT2000和FRVT2002進(jìn)一步促進(jìn)了人臉識(shí)別技術(shù)從原型系統(tǒng)階段走向?qū)嵱玫纳虡I(yè)系統(tǒng)階段。FERET項(xiàng)目以及隨后的FRVT2000和FRVT2002測(cè)試極大地推動(dòng)了人臉識(shí)別技術(shù)的進(jìn)步。

2.2 人臉識(shí)別技術(shù)在我國(guó)的應(yīng)用及發(fā)展

自20世紀(jì)90年代以來(lái)，在國(guó)家自然科學(xué)基金“863”計(jì)劃等的資助下，國(guó)內(nèi)許多研究機(jī)構(gòu)在人臉識(shí)別領(lǐng)域進(jìn)行了卓有成效的研究。特別是最近兩年來(lái)，在廣大研究人員的努力下呈現(xiàn)了跨越式發(fā)展現(xiàn)象，包括人臉識(shí)別在內(nèi)的生物特征識(shí)別技術(shù)成為了產(chǎn)、學(xué)、官各方面廣泛關(guān)注的熱點(diǎn)。由國(guó)家自然科學(xué)基金委員會(huì)、中國(guó)自動(dòng)化學(xué)會(huì)和中國(guó)圖像圖形學(xué)學(xué)會(huì)主辦的第五屆中國(guó)生物識(shí)別學(xué)術(shù)會(huì)議上，首次舉行了指紋、人臉、虹膜的競(jìng)賽，給國(guó)內(nèi)廣大科研機(jī)構(gòu)、高校、公司的研究和開(kāi)發(fā)人員提供了演示生物特征識(shí)別技術(shù)的最新成果和應(yīng)用軟件的機(jī)會(huì)。在人臉識(shí)別領(lǐng)域，我國(guó)的主要研究小組和人員包括:在中國(guó)科學(xué)院各個(gè)研究機(jī)構(gòu)中，高文、陳熙林教授[39~42]領(lǐng)導(dǎo)的研究組在人臉檢測(cè)、識(shí)別與建立大規(guī)模人臉數(shù)據(jù)庫(kù)、系統(tǒng)的性能評(píng)估以及算法的實(shí)用化研究方面取得了一系列成果;譚鐵牛、王蘊(yùn)紅、王陽(yáng)生研究員[43~45]所帶的小組在人臉特征和其他特征融合領(lǐng)域進(jìn)行了深入的研究并連續(xù)組織了五屆身份鑒別新技術(shù)學(xué)術(shù)會(huì)議;王守覺(jué)院士[46]的仿生模式識(shí)別在人臉識(shí)別中的應(yīng)用也頗有特色;在我國(guó)高校中，清華大學(xué)徐光佑[47，48]、張長(zhǎng)水教授等[49，50]各自所帶的課題組在非線(xiàn)性多姿態(tài)人臉識(shí)別方面進(jìn)行了深入的研究;南京大學(xué)周志華教授[51，52]帶領(lǐng)的課題組在單人臉識(shí)別方面取得了比較突出的成果;南京理工大學(xué)楊靜宇教授[53，54]領(lǐng)導(dǎo)的課題組在基于代數(shù)特征的人臉識(shí)別方向進(jìn)行了長(zhǎng)期研究，并提出了許多新的算法;上海交通大學(xué)施鵬飛教授[55]的課題組在彈性圖匹配領(lǐng)域進(jìn)行了有意義的嘗試;中山大學(xué)的賴(lài)劍煌等人[56]提出了頻譜臉識(shí)別。此外，國(guó)內(nèi)還有許多大學(xué)和研究機(jī)構(gòu)都在積極從事人臉識(shí)別領(lǐng)域的研究工作。

近年來(lái)第二代身份證的成功使用，為我國(guó)人臉識(shí)別的應(yīng)用奠定了重要基礎(chǔ)。北京奧運(yùn)會(huì)的開(kāi)閉幕式典禮也成功應(yīng)用了人臉識(shí)別技術(shù)，標(biāo)志著我國(guó)人臉識(shí)別技術(shù)應(yīng)用的進(jìn)步。隨著應(yīng)用的不斷深入，我國(guó)的人臉識(shí)別技術(shù)及其產(chǎn)業(yè)呈現(xiàn)出“三化兩合”的趨勢(shì)[57]?！叭保粗髁骰?、芯片化、標(biāo)準(zhǔn)化;“兩合”，即與其他生物特征的多生物特征融合與RFID的聯(lián)合。

3 結(jié)束語(yǔ)

縱觀多年來(lái)國(guó)內(nèi)外人臉識(shí)別技術(shù)的研究進(jìn)程可以看出，自動(dòng)人臉識(shí)別方法的研究取得了很大的進(jìn)展，現(xiàn)在從EI上檢索到的相關(guān)文獻(xiàn)已數(shù)不勝數(shù)，出現(xiàn)了專(zhuān)門(mén)的國(guó)際學(xué)術(shù)會(huì)議，包括PAMI在內(nèi)的重要國(guó)際期刊也有專(zhuān)刊對(duì)其進(jìn)展進(jìn)行介紹。人臉識(shí)別已成為計(jì)算機(jī)視覺(jué)、人工智能等領(lǐng)域的研究熱點(diǎn)。

參考文獻(xiàn):

[1]ZHAO W， CHELLAPPA R， PUILLIPS P J， et al. Face recognition: a literature survey[J]. ACM Computing Surveys， 2003， 35(4): 399-458.

[2]NEFIAN A V. A hidden Markov model-based approach for face detection and recognition[D]. Atlanta: Georgia Institute of Technology， 1999.

[3]BRUNELLI R， POGGIO T. Face recognition: features versus templates[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 1993， 15(10): 1042-1052.

[4]SIROVITCH L， KIRBY M. Low-dimensional procedure for the chara-cterization of human face[J]. Journal of the Optical Society of America， 1987， 4(3):519-524.

[5]KIRBY M， SIROVITCH L. Application of Karhunen-Loeve procedure for the characterization of human faces[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 1990， 12(1): 103-108.

[6]TURK M， PENTLAND A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience， 1991， 3(1): 71-86.

[7]TURK M， PENTLAND A. Face recognition using eigenfaces[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition. 1991: 586-590.

[8]BELHUMEUR P N， HESPANHA J P， KRIEGMAN D J. Eigenfaces vs. Fisherface: rocognition using class specific linear projection[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 1997，19(7): 711-720.

[9]MIKA S， RATSCH G， WESTON J， et al. Fisher discriminant analysis with kernels[C]//Proc of IEEE International Workshop on Neural Networks for Signal Processing. 1999: 41-48.

[10]GAUDAT G， ANOUAR F. Generalized discriminate analysis using a kernel approach [J]. Neural Computation， 2000， 12(10): 2385-2404.

[11]LU Ju-wei， PLATANIOTIS K N， VENETSANOPOULOS A N. Face recognition using kernel direct discriminant analysis algorithms [J]. IEEE Trans on Neural Networks， 2003， 14(1): 117-126.

[12]厲小潤(rùn)，趙光宙，趙遼英.改進(jìn)的核直接Fisher描述分析與人臉識(shí)別[J].浙江大學(xué)學(xué)報(bào):工學(xué)版， 2008，42(4): 583-589.

[13]YU Hua， YANG Jie. A direct LDA algorithm for high-dimensional data with application to face recognition [J]. Pattern Recognition， 2001， 34(10): 2067-2070.

[14]周大可，楊新，彭寧嵩.改進(jìn)的線(xiàn)性判別分析算法及其在人臉識(shí)別中的應(yīng)用[J].上海交通大學(xué)學(xué)報(bào)，2005，39(4): 527-530.

[15]BARTLELL M S， MOVELLAN J R， SEJNOWSKI T J. Face recognition by independent component analysis [J]. IEEE Trans on Neural Networks， 2002， 13(6): 1450-1464.

[16]洪子泉，楊靜宇.用于圖像識(shí)別的圖像代數(shù)特征抽取[J].自動(dòng)化學(xué)報(bào)，1992，18(2): 233-238.

[17]洪子泉，楊靜宇.基于奇異值特征和統(tǒng)計(jì)模型的人像識(shí)別算法[J].計(jì)算機(jī)研究與發(fā)展， 1994，31(3): 60-65.

[18]杜干，朱雯君.基于局部奇異值分解和模糊決策的人臉識(shí)別方法[J].中國(guó)圖象圖形學(xué)報(bào)， 2006，11(10): 1456-1459.

[19]高全學(xué)，梁彥，潘泉，等.SVD用于人臉識(shí)別存在的問(wèn)題及解決方法[J].中國(guó)圖象圖形學(xué)報(bào)， 2006，11(12): 1784-1791.

[20]COOTES T F， EDWARDS G J， TAYLOR C J. Active appearance models: active appearance models [J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2001， 23(6): 681-685.

[21]WISKOTT L， FELLOUS J M， KRUGER N， et al. Face recognition by elastic bunch graph matching [J]. IEEE Trans on Pattern Ana-lysis and Machine Intelligence， 1997， 19(7): 775-779.

[22]WURTZ R P. Object recognition robust under translations， deformations， and changes in background [J].IEEE Trans on Pattern Analysis and Machine Intelligence， 1997， 19(7): 769-775.

[23]孫大瑞，吳樂(lè)南.基于特征的彈性圖匹配人臉識(shí)別算法[J].應(yīng)用科學(xué)學(xué)報(bào)，2002，20(4): 377-381.

[24]張海旸，馬華東.基于網(wǎng)格的自適應(yīng)彈性圖人臉匹配方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)報(bào)， 2008，20(2): 253-258.

[25]SCHOLKOPF B， SMOLA A， MULLER R. Nonlinear component analysis as a kernel eigenvalue problem [J]. Neural Computation， 1998， 10(5):1229-1319.

[26]TENENBAUM J B， SILVA V D， LANGFORD J C. A global geome-tric framework for nonlinear dimensionality reduction[J]. Science， 2000， 290(5500):2319-2323.

[27]ROWEIS S T， SAUL L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science， 2000， 290(5500):2323-2326.

[28]BELKIN M， NIYOGI P. Laplacian Eigenmaps for dimensionality reduction and data representation [J]. Neural Computation， 2001，151(6):1373-1396.

[29]SAMARIA F， YOUNG S. HMM based architecture for face identification[J]. Image and Computer Vision， 1994， 12(8): 537-543.

[30]NEFIAN A V， MONSON H H. Hidden Markov models for face recognition[C]//Proc of IEEE International Conference on Acoustics， Speech and Signal Processing. 1998:141-145.

[31]劉小軍，王東峰，張麗飛，等.一種基于奇異值分解和隱馬爾可夫模型的人臉識(shí)別方法[J].計(jì)算機(jī)學(xué)報(bào)，2003，26(3):340-344.

[32]李耀東，崔霞，肖柏華，等.自動(dòng)人臉識(shí)別技術(shù)綜述[J].計(jì)算機(jī)科學(xué)，2002，29(12):1-11.

[33]鄒志煌，孫鑫，程武山.人臉識(shí)別技術(shù)產(chǎn)品的發(fā)展概況[J].視頻應(yīng)用與工程，2008，32(3): 91-93.

[34]劉瑾，徐可欣，陳小紅，等.采用圖像融合技術(shù)的多模式人臉識(shí)別[J].工程圖學(xué)學(xué)報(bào)，2007，28(6):72-78.

[35]蘇光大.人臉識(shí)別技術(shù)之應(yīng)用問(wèn)題談[J].中國(guó)安防，2008(7):81-83.

[36]PHIPLIPS P J， RAUSS P， DER S. FERET (face recognition technology)recognition algorithm development and test results， ARL-TR-995[R]. [S.l.]:Army Research Laboratory， 1996.

[37]BLACKBURN D M， BONE M， PHIPLIPS PJ. FRVT 2000 evaluation report[R/OL]. (2001-02-16). http://www.frvt.org/DLs/FRVT_2000.pdf .

[38]PHIPLIPS P J， GROTHER P， MICHEAL R J， et al. FRVT 2002 evaluation report[R/OL]. (2003-03). http://www.frvt.org/DLs/FRVT_2002_Evaluation _Report.pdf

[39]CHEN Jie， CHEN Xi-lin， GAO Wen. Resampling for face detection by self-adaptive genetic algorithm[C]//Proc of the 17th International Conference on Pattern Recognition. Washington DC:IEEE Computer Society， 2004:822-825.

[40]SHAN Shi-gang， GAO Wen， CHENG Yi-zheng， et al. Review the strength of Gabor features for recognition from the angle of its robustness to mis- alignment[C]//Proc of the 17th International Conference on Pattern Recognition. Cambridge:IEEE Computer Society， 2004:338-341.

[41]GUI Guo-qin， GAO Wen. Support vector machines for face recognition with two-layer generated virtual data[C]//Proc of the 17th International Conference on Pattern Recognition. Cambridge: IEEE Computer Society， 2004:570-573.

[42]LU Xiao-guang， WANG Yun-hong， JIAN A K. Combining classifiers for face recognition[C]//Proc of IEEE International Conference on Multimedia Expo. 2003:13-16.

[43]FANG Yu-chun， WANG Yun-hong， TAN Tie-niu. Combining color， contour and region for face detection[C]//Proc of the 5th Asian Conference on Computer Vision. 2002:743-748.

[44]WANG Hai-tao. WANG Yang-sheng， WEI Hong. Face representation and reconstruction under different illumination conditions[C]//Proc of International Conference on Information Visualization. Wa-shington DC:IEEE Computer Society，2003:72-78.

[45]方昱春，王蘊(yùn)紅，譚鐵牛. 融合人臉輪廓和區(qū)域信息改進(jìn)人臉檢測(cè)[J].計(jì)算機(jī)學(xué)報(bào)，2004，27(4):482-491.

[46]王守覺(jué). 仿生模式識(shí)別(拓?fù)淠Ｊ阶R(shí)別)——一種模式識(shí)別新模型的理論與應(yīng)用[J].電子學(xué)報(bào)， 2002，30(10):1417-1420.

[47]SONG Gang， AI Hai-zhou， XU Guang-you. Hierarchical direct appearance model for elastic labeled graph localization[C]//Proc of the 3rd International Symposium on Multispectral Image Processing and Pattern Recognition. 2003:127-132.

[48]莊莉，徐光祐，艾海舟，等.視頻中多線(xiàn)索的人臉特征檢測(cè)與跟蹤[J].計(jì)算機(jī)學(xué)報(bào)，2003，26(2):160-167.

[49] ZHANG Chong-shui， WANG Jun， ZHAO Nan-yuan， et al. Reconstruction and analysis of multi-pose face images based on nonlinear dimensionality reduction[J]. Pattern Recognition， 2004，37(2): 325-336.

[50]WANG Jun， ZHANG Hang-shui， KOU Zhong-bao. An analytical mapping for LLE and its applications in multi-pose face synthesis[C]//Proc of the 14th British Machine Vision Conference. 2003.

[51]ZHANG Dao-qian， CHEN Song-can， ZHOU Zhi-hua. A new face recognition method based on SVD perturbation for single example image per person[J]. Applied Mathematics and Computation， 2005， 163(2): 895-907.

[52]WU Jian-xin， ZHOU Zhi-hua. Face recognition with one training image per person[J]. Pattern Recognition， 2002， 23(14):1711-1719.

[53]LIU Ke， CHENG Yong-qing， YANG Jing-yu. A generalized optimal set of discriminant vectors[J]. Pattern Recognition， 1992， 25(7): 731-739.

[54]郭躍飛，楊靜宇. 求解廣義最佳鑒別矢量集的一種迭代算法及人臉識(shí)別[J]. 計(jì)算機(jī)學(xué)報(bào)， 2000，23(11):1189-1195.

[55]馮元戩，施鵬飛. 基于支持向量機(jī)的彩色圖像人臉檢測(cè)方法[J].上海交通大學(xué)學(xué)報(bào)， 2003， 37(6):947-951.

[56]賴(lài)劍煌，阮邦志，馮國(guó)燦. 頻譜臉:一種基于小波變換和Fourier變換的人像識(shí)別新方法[J]. 中國(guó)圖象圖形學(xué)報(bào)，1999，4(10):811-817.

[57]李子青.人臉識(shí)別發(fā)展新趨勢(shì)——“三化兩合”[J].中國(guó)安防，2008(7):76-80.