人臉識別技術的研究

曹青媚

內蒙古農業大學職業技術學院，內蒙古包頭 014000

0 引言

人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。

由于人臉和指紋、虹膜等其他部位擁有相同的唯一性，所以我們可以利用其進行身份分辨，相比指紋、虹膜等類型的識別，比較人臉識別具有如下特點：

非強制性：用戶不需要專門配合人臉采集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有“強制性”；

非接觸性：用戶不需要和設備直接接觸就能得到所需信息；

同時性：現實環境的多人臉進行及時區分，評判；

除此之外，還符合視覺特性：“以貌識人”的特性，以及操作簡單、結果直觀、隱蔽性好等優點。

1 人臉識別的發展

近十幾年，我們使用可見光圖像來辨別人臉，并把基于這種方式的識別技術看成是傳統方式，是常用的方法。它最大的問題在于當周圍光線有改動時，人臉的分辨成功幾率會直線下降，極其不穩定。這種使用在現實中是不利于推廣應用的。現在出現了三維圖像人臉識別和熱成像人臉識別技術來彌補上述的不足。但這兩種技術剛開始進行，識別效果并沒有太大的提高。

迅速發展起來的一種解決方案是基于主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這幾年該方法完善的很快，使人臉識別技術民用的腳步越來越近。

2 人臉識別的技術流程

人臉識別系統主要包括四個組成部分，分別為：人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。

2.1 人臉圖像采集及檢測

人臉圖像采集：不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的采集。當用戶在采集設備的拍攝范圍內時，采集設備會自動搜索并拍攝用戶的相關部位。

人臉檢測：人臉檢測在實際中主要用于人臉識別的預處理，即在圖像中準確標定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結構特征及Haar 特征等。人臉檢測就是把這其中有用的信息挑出來，并利用這些特征實現人臉檢測。

主流的人臉檢測方法基于以上特征采用Adaboost 學習算法，Adaboost 算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。

人臉檢測過程中使用Adaboost 算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。

2.2 人臉圖像預處理

人臉圖像預處理：對于人臉的圖像預處理是基于人臉檢測結果，對圖像進行處理并最終服務于特征提取的過程。系統獲取的原始圖像由于受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預處理。對于人臉圖像而言，其預處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。

2.3 人臉圖像特征提取

人臉圖像特征提取：人臉識別系統可使用的特征通常分為視覺特征、像素統計特征、人臉圖像變換系數特征、人臉圖像代數特征等。人臉特征提取就是針對人臉的某些特征進行的。人臉特征提取，也稱人臉表征，它是對人臉進行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類：一種是基于知識的表征方法；另外一種是基于代數特征或統計學習的表征方法。

基于知識的表征方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數據，其特征分量通常包括特征點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。基于知識的人臉表征主要包括基于幾何特征的方法和模板匹配法。

2.4 人臉圖像匹配與識別

人臉圖像匹配與識別：提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。

3 人臉識別的現狀

人臉識別的優勢在于其自然性和不被被測個體察覺的特點。

所謂自然性，是指該識別方式同人類（甚至其他生物）進行個體識別時所利用的生物特征相同。例如人臉識別，人類也是通過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物并不通過此類生物特征區別個體。

不被察覺的特點對于一種識別方法也很重要。我們希望在使用這項技術時不讓適用者感覺到不安，最好能夠讓使用者感覺不到它的存在而自然行動。不像指紋、虹膜這些生物特征需要告知使用者，并且要求配合來得到所需的數據，人臉識別可以在不被察覺的情況下實施調查。這是由于人臉識別可以利用可見光獲取人臉圖像信息。

人臉識別被認為是生物特征識別領域甚至人工智能領域最困難的研究課題之一。影響人臉識別準確度的因素都有以下兩點。

1）人臉識別的基本算法是計算面部輪廓，五官的特征點，然后根據這些點連接的結構來識別人臉，比如兩眼之間的距離，兩耳到鼻尖的距離，眼窩的深度等等吧，大概是這樣。但是因為人臉圖像不一定都是正面證件照那樣的，所以光照，拍攝角度對圖像的影響很大，如何在各種光照和視角環境中準確地獲得人臉的特征，是其中一個難點。

2）人臉識別的難點是匹配，本質上來講人臉識別是一個分類任務：學習一組帶標簽(身份)的人臉圖像，然后對未加標簽的人臉圖像和標簽進行配對(圖像--＞身份)，怎么構造"高效" "準確" 的算法來進行有督導學習也是一個難點。

4 結論

本文針對近年在圖像界興起的人臉識別技術做了發展作了一個總體的梳理，包括人臉識別的概念、特征、技術發展和優劣勢。可以看出人臉識別應用剛起步，還有很長的路要走。

[1]人臉識別中光照處理方法的分析.劉篤晉，孫淑霞，李思明.計算機系統應用，2011(1).

[2]譚曉衡，張建慧.基于LLR算法的多姿態人臉識別.計算機應用研究，2011，1(28).

[3]趙冬娟，梁久禎.融合2DPCA和模糊2DLDA的人臉識別.計算機應用，2011，2(31).