基于圖像的人臉檢測及特征點提取綜述

張 敏 喬夢萱 劉 亭 張海艷

(北京城市學院，中國 北京100000)

0 引言

從美國9.11事件之后,人身份確定問題就不僅是在為了電子商務、家庭安全等服務了,而是提升到了國家安全的角度,如何利用人體的生物特征迅速確定一個人的身份成為各個國家重點研究的技術之一。在上個世紀，生物識別技術已經有了一定的發展,其中應用最廣泛的便是指紋識別技術,在全球生物識別市場上指紋識別占了53%份額,這表明指紋識別技術已趨于成熟,但人臉識別技術的研究目前還處于起步階段。人臉的檢測與特征點提取是人臉識別技術不可分的部分,一個完整的人臉識別系統將是這兩部分的有機結合。下文將對這兩種技術做一些簡單介紹及方法的論述。

1 人臉檢測

1.1 人臉檢測來源

最初人臉檢測問題來源于人臉識別（FaceRecognition）。對于人臉識別的研究可以追溯到上個世紀六、七十年代，現如今經過幾十年的曲折發展已日趨成熟。

人臉檢測是自動人臉識別系統的一個關鍵環節，人臉檢測中通常假設人臉位置一直或者容易獲得，因此人臉檢測問題并未受到廣泛重視。隨著電子商務等應用的蓬勃發展，人臉識別成為最有潛力的生物身份驗證手段，在這種應用背景下，要求人臉識別系統能夠對一般圖象具有一定的識別能力。

1.2 人臉檢測的定義

人臉檢測指對于任意一副給定的圖像，采用一定的策略對其進行搜索以確定其中是否含有人臉，如果是則返回臉的位置、大小和姿態。

1.3 人臉檢測的難點

人臉是一類具有相當復雜的細節變化的自然結構目標，這類目標的挑戰在于：由于外貌、表情、膚色等不同，人臉具有模式的可變性；一般情況下的人臉，可能存在眼鏡或胡須等附屬物；作為三維物體的人臉影像受由光照產生的陰影的影響。除此之外還有光照的影響，圖象的成像條件等都對人臉的檢測造成了不小的難度。

1.4 人臉檢測的常用方法

目前常見的檢測技術大致可分為3大類：

1）基于特征的方法

2）模板匹配法

3）基于統計的方法

具體方法有以下幾種：

（1）參考模板法：首先設計一個或數個標準人臉的模板，再計算測試采集的樣品與標準模板之間的匹配程度，并通過閾值來判斷是否存在人臉。

（2）人臉規則法：人臉具有一定的結構分布特征，人臉規則的方法即提取這些特征生成相應的規則以判斷測試樣品是否包含人臉。

（3）特征子臉法：這種方法是將所有人臉集合視為一個人臉子空間，并基于檢測樣品與其在子空間的投影之間的距離判斷是否存在人臉。

1.5 人臉檢測的應用

每個人都有一張臉，是一個人最為重要的外貌特征。這種技術目前最熱門的應用領域有三個方面：

（1）身份認證與安全防護。在世界上，在許多安全級別要求較高的區域，例如金融機構、機關辦公大樓，都需要對人員進行大量的基于身份認證的門禁管理。除此之外，手機、筆記本電腦等個人電子用品，在開機和使用中也經常要用到身份驗證的功能。

（2）圖像搜索。目前，Google的圖像搜索其實還只是文字搜索。基于人臉圖像識別技術的搜索引擎將會具有廣泛的發展前景。

1.6 人臉檢測的現狀

目前，國外對人臉檢測問題的研究很多，比較著名的有MIT，CMU等；國內的清華大學、北京工業大學、中科院計算所和自動化所等都有人員從事人臉檢測相關的研究。國際上發表的有關論文也大幅度增長，如IEEE的FG、ICIPCVPR等重要國際會議上每年都有大量關于人臉檢測的論文，占有關人臉研究論文的1/3之多。由此可以看到世界對人臉檢測技術的重視程度。

2 特征點提取

2.1 特征點提取的定義

特征提取是計算機視覺和圖像處理中的一個概念。它是指使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。特征提取的結果是將圖像上的點分為不同的子集，這些子集通常屬于孤立的點、連續的曲線或者連續的區域。

特征點提取是人臉識別中最基本的問題之一。特征點提取不但從原始模式信息中提取出最有利于模式分類的特征，還能極大地降低模式樣本的維數。所以對于人臉識別來說，有效的特征點提取時解決問題的關鍵之一。由下圖，我們不難得出這樣一個結論：特征提取在一個實際的人臉識別系統中也是至關重要的。

圖1

2.2 特征點提取的難點

對于人臉識別中特征點提取技術來說，還存在各種不同的難點，主要因為人臉是一類具有相當復雜的細節變化的自然結構目標，對此類目標的挑戰在于：人臉由于外貌、表情、膚色等的不同，所以人臉具有模式可變性；眼鏡、頭發、飾物和其他外部物體等引起面部圖像的部分遮擋；復雜背景對人臉目標的干擾等都對特征點提取造成不同程度的影響。

2.3 特征點提取的常用方法

目前提取特征的方法分為兩大類:基于整體特征的提取方法和基于局部特征的提取方法。這兩類方法均在人臉識別研究領域取得了一定的成功,但同時各有其優缺點。前者不但保留了人臉部件間的拓撲關系,還能保留了各局部特征本身的信息,已成為特征提取方法的主流,然而面對較復雜的環境時,后者要好于前者。近年來的趨勢是將人臉的整體特征和局部特征結合起來進行人臉識別。

2.3.1 基于局部特征的提取方法

該類方法有利用幾何特征的提取方法和模板匹配法。模板匹配法是用一個包括人臉器官的模板來對各器官進行提取。當物體結構事先知道但大小、位置和中心不確定時,可變形模板法是一種有效的定位方法。

2.3.2 基于整體特征的提取方法

該類方法考慮了模式的整體屬性,將人臉圖像灰度分布作為一個特征模式來提取特征。由于對人臉整體特征的提取無需精確獲取人臉各器官局部信息,可以充分考慮到圖像本身具有的灰度信息,因此器官變化對人臉特征的影響不大,能夠獲得較好的識別效果。

除以上介紹的常用方法外，還有以下幾種方法，在這里簡單進行介紹：

1）基于幾何特征的方法

思想：

提取人臉面部具有代表性的部位的相對位置和相對大小作為特征，再輔以人臉輪廓的形狀信息作為特征。

特點：

容易受光照、面部表情、遮擋等因素的影響，穩定性不高。

2）模板匹配方法

思想：

在人臉識別中，把數據庫的人臉圖像看作己知的模板，再根據待識別圖像和己知模板間相關性的大小進行分類。

特點：

模板匹配方法的計算量較大，而且除了光照、表情以外，還可能受到圖像的平移旋轉和放縮的嚴重影響模板匹配中互相關的計算。

2.4 特征點提取的現狀

在實際問題中圖像可能受到噪聲、背景的干擾，也有可能發生平移、尺度、視角、光照等變化，如何選擇合理的特征，使得這些特征不僅具有良好的表征性能，還能在上述因素變化下保持相對不變，以上直接決定了基于特征點的圖像匹配效果。以計算機視覺的不變理論為基礎，對圖像特征的不變性研究是目前圖像處理的重要環節。

圖像特征的不變性研究目前已取得了大量的研究成果。這些研究主要集中于以下幾方面：（1）不變特征的選取，例如圖像的點、線、輪廓，像素點的強度等。（2）不變性獲取的途徑，例如通過特征變換、小波理論、神經網絡、編碼技術、等。（3）不變特征的描述，例如SIFT描述子、PCA-SIFT描述子、不變矩描述子、微顏色描述子、鏈碼描述子等。

近年來，不變特征已引起國內外研究者和研究機構的廣泛關注。在相關領域中，最具有代表性的是加拿大BritishColumbia大學智能計算實驗室，該實驗室開展了局部仿射不變特征提取方面的工作，其研究成果已應用于目標識別、全景圖拼接、虛擬現實、機器人自主導航等領域。

3 總結及展望

現如今人臉自動識別技術已取得了巨大的成就，隨著科技的發展，在實際應用中仍然面臨困難，不僅要達到準確、快速的檢測并分割出人臉部分，還要有效的變化補償、特征描述、準確的分類的效果，所以我們要注重和提高以下幾個方面：

（1）人臉局部和整體信息的相互結合能有效地描述人臉特征，基于混合模型的方法值得再進一步深入研究，以便準確描述復雜的人臉模式。

（2）多特征融合和多分類器融合的方法也是改善識別性能的一個手段。

（3）人臉為非剛體性，由于人臉之間的相似性以及各種變化因素的影響，準確的實現人臉識別仍較困難。為了使自動人臉識別技術具有實時性的要求，在必要時還需研究人臉與指紋、虹膜、語音等識別技術的融合方法。

（4）3D形變模型可以處理多種變化因素，具有很好的發展前景。目前三維人臉識別算法的選取還處于探索階段，需要在原有傳統識別算法的基礎上進行改進和創新。

總之，人臉識別是一個極富挑戰性的課題，僅僅采用一種現有方法難以取得良好的識別效果，如何與其它技術相結合；如何提高識別率和識別速度、減少計算量、提高魯棒性；如何采用嵌入式及硬件實現；如何實用化都是未來值得研究的課題。