人臉識別綜述

湖南省長沙市長郡中學(xué) 夏志強

人臉識別綜述

湖南省長沙市長郡中學(xué) 夏志強

人臉識別技術(shù)是圖像工程領(lǐng)域的重點研究對象，并具有巨大的應(yīng)用價值，如刑事偵破，智能支付等領(lǐng)域。本文將對人臉識別技術(shù)做一個綜述，首先介紹人臉識別技術(shù)的背景，接下來闡述概念和主要識別技術(shù)，最后根據(jù)當(dāng)前技術(shù)現(xiàn)狀進行分析展望并其發(fā)展趨勢。

人臉識別；特征提取；機器學(xué)習(xí)

1 引言

人臉識別是圖像理解和分析最重要的應(yīng)用之一，也是人們在開發(fā)自身生物特征過程中的又一次偉大的嘗試。所謂人臉識別，就是利用計算機分析人臉視頻或者圖像，并從中提取出有效的個人識別信息，最終判別出來人臉對象的身份。其應(yīng)用已經(jīng)融入到了生活中的方方面面，諸如視覺監(jiān)控，自動身份驗證，銀行安全，門禁安全等領(lǐng)域。

隨著人們對圖像識別領(lǐng)域的研究，一些學(xué)者逐漸意識到人臉識別的巨大應(yīng)用前景并投身于該領(lǐng)域的研究，人臉識別的發(fā)展歷程大致可分為三個階段：

(1)第一階段

20世紀(jì)60年代末至20世紀(jì)70年代初，人臉識別研究才處于起步階段。在這方面，最早的科研人員是Bledsoe，他以人臉特征點的比率、間距等參數(shù)為特征，建立出來一個半自動的人臉識別系統(tǒng)。

(2)第二階段

90年代初，隨著計算機軟硬件性能和信息技術(shù)的不斷地提高，基于整體的識別方法已成為研究重點。例如特征臉方法和彈性圖匹配方法。而到了20世紀(jì)90年代中期，人臉識別的研究方法分別向整體識別和部件分析相結(jié)合的方向發(fā)展。如彈性匹配的方法、灰度和形狀分離的可變形模型方法等。

(3)第三階段

在90年代末，人臉識別技術(shù)開始被應(yīng)用于商業(yè)市場，成為了世界范圍內(nèi)研究的熱點。由于技術(shù)不夠成熟，因此缺點也很明顯。在市場需求不斷變化的今天，雖然我國人臉識別方法的性能有了一定的提高，但與人們的要求還是有一些差距，仍將不斷發(fā)展。

2 人臉識別技術(shù)

人臉識別，是基于人的臉部特征信息而對個人身份識別的一種識別技術(shù)。用攝像機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的具體位置，進而對檢測到的人臉進行處理，通常也叫做面部識別、人像識別。下面將對人臉識別的方法做一個歸納總結(jié)。

2.1 基于先驗知識

基于知識的人臉檢測，主要是通過人們的先驗知識來對待測物體建立若干規(guī)則，從而將人臉檢測問題轉(zhuǎn)化成假設(shè)-驗證問題。

模板匹配的方法大致分為：臉輪廓特征匹配，器官特征匹配和顏色、紋理特征匹配。

臉輪廓特征匹配：Crow等提出了根據(jù)人臉的橢圓形特征進行檢測[1]，定位得到人臉的位置。接下來通過變形模板（deformable template）將人臉分為3部分：頭頂輪廓、右側(cè)輪廓和左側(cè)輪廓。通過先對邊緣提取曲線特征，然后再利用函數(shù)的形式去估計人臉檢測的結(jié)果。1996年DR.Govindaraju等人為了優(yōu)化該方法而設(shè)計了4段輪廓分類法，后來其他學(xué)者又通過Hough變換來提高精準(zhǔn)度[2]。

器官特征匹配：人臉都具有相似的分步特征，主要是對稱性。人臉的特征按照固定的規(guī)則排列在人臉上，可以通過這些信息，進行人臉檢測。Yang和Huang等人提出了鑲嵌圖的方法[2]，即馬賽克圖的方法進行人臉檢測。經(jīng)典的鑲嵌圖法是要創(chuàng)建一張三層的人臉檢測系統(tǒng)，第一層針對4*4的馬賽克圖尋找可能候選區(qū)域，第二層針對8*8的馬賽克圖像尋找可能候選區(qū)域，并對第一層的候選區(qū)域做進一步檢測，提出假設(shè)。第三層按照同樣的方法來對人臉的器官做進一步驗證，并確定具體的位置。

顏色、紋理特征匹配：人臉的膚色也是較為顯著的特征之一。而且顏色的特征不因人臉的表情動作，角度等因素的影響而產(chǎn)生較大的變化。人類的膚色相對集中，大都分布在較窄的頻帶上，這樣就更加方便統(tǒng)計分析。可以通過建立膚色表的方法，對人的膚色建模來進行人臉檢測。由于人臉在圖像中都是以像素的形式呈現(xiàn)出來的，通過將像素聚類來的到人臉的大致范圍。這種算法實現(xiàn)簡單，但是受光照影響比較大。

2.2 基于統(tǒng)計學(xué)

針對人臉識別算法的研究已經(jīng)很多年，除了有基于模板的方法，還有基于統(tǒng)計學(xué)的方法。目前基于統(tǒng)計學(xué)算法可分為幾類：基于幾何特征的人臉識別、基于子空間分析的人臉識別和基于神經(jīng)網(wǎng)絡(luò)的人臉識別等。根據(jù)特征的方法識別人臉的過程，首先要根據(jù)特征來訓(xùn)練出一個學(xué)習(xí)機（Model），然后在識別的過程中利用待測圖片的特征和學(xué)習(xí)機進行匹配，來得到測試結(jié)果。具體執(zhí)行過程如圖1所示。

圖1 執(zhí)行過程圖

2.2.1 幾何特征法

這類識別方法是首先將人臉用一個幾何特征矢量來表示，進而采用模式識別中的層次聚類的思想設(shè)計對應(yīng)的分類器對人臉進行識別。這種基于幾何特征的識別技術(shù)中，識別主要目的就是特征矢量之間的匹配，主要采用基于歐氏距離的判決。最早的基于幾何特征的人臉識別方法是側(cè)影識別，主要是在人臉側(cè)面輪廓線上提取特征點上入手。一般將人臉側(cè)影簡化為輪廓曲線，從中抽取基準(zhǔn)點，用這些點之間的幾何特征來進行人臉識別。由于現(xiàn)在的證件照片多為正面人臉，所以對側(cè)面人臉識別的研究己不多見。正面人臉識別中，最關(guān)鍵的一步是合適的歸一化，使識別過程不依賴圖像中人臉位置的旋轉(zhuǎn)和尺度變化。

2.2.2 子空間法

子空間方法的基本思路是降維，即將高維的人臉圖像特征通過空間變換（線性或非線性）壓縮到一個低維的子空間進行識別。

該方法的主要是思路是：最初的子空間可以被看作使一組基本向量（正交歸一），所以統(tǒng)計正交展開的方法得到了實際應(yīng)用。并且，利用重構(gòu)權(quán)向量作為識別用的特征向量，并提出基于“特征臉”的識別技術(shù)。從提取特征的角度分析，主要分為兩類：1.表達性特征提取方法；2.鑒別性特征提取方法。在基于線性子空間的人臉識別中，實際上是把人臉圖像中存在的表情、姿態(tài)及光照等復(fù)雜的變化進行了線性簡化，但不可能得到人臉充分的描述。

2.2.3 神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)是動力學(xué)模型，能模仿生物神經(jīng)網(wǎng)絡(luò)行為特征的分布式并行信息處理算法結(jié)構(gòu)。利用神經(jīng)網(wǎng)絡(luò)技術(shù)處理人臉識別問題，主要是通過每個神經(jīng)元對應(yīng)圖像中的一個像素[1]。

最早將人工神經(jīng)網(wǎng)絡(luò)用于人臉識別的是Kohonen，創(chuàng)建了一個系統(tǒng)：當(dāng)輸入圖像含有大量噪聲的時候，也能正確的識別出人臉。因為圖像的維數(shù)比較高，所以直接使用圖像向量進行訓(xùn)練變得特別困難。因此，對于輸入圖像一般不進行直接訓(xùn)練學(xué)習(xí)，而是對原圖像先作降維處理。對此，Coterl和Fleming等人提出了一個解決方案[2]，引入了一個自聯(lián)想模型，采用兩層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)處理：第1層神經(jīng)網(wǎng)絡(luò)用來降維，主要是池化層；第2層再分類。但遺憾的是，實驗表明這種類型的神經(jīng)網(wǎng)絡(luò)識別效果并不比“特征臉[3]”方法出色。為了發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性學(xué)習(xí)能力，將大量神經(jīng)網(wǎng)絡(luò)都被應(yīng)用于人臉識別領(lǐng)域研究。比如，采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)[4]的方法進行人臉識別，因為CNN集成了相鄰像素之間的相關(guān)性信息，所以對圖像進行旋轉(zhuǎn)、平移和局部變形的操作具有不變性，可以得到比較好的識別效果。但是，人工神經(jīng)網(wǎng)絡(luò)也會遇到諸多問題，如當(dāng)輸入的訓(xùn)練樣本集較大時，會出現(xiàn)過擬合現(xiàn)象，當(dāng)輸入樣本維數(shù)過高會導(dǎo)致算法收斂緩慢而出現(xiàn)過學(xué)習(xí)的問題。此外神經(jīng)網(wǎng)絡(luò)在訓(xùn)練最優(yōu)參數(shù)時，必須要有多樣本輸入，因此對單樣本人臉識別問題是無能為力的。

2.3 隱形馬爾科夫模型

在人臉識別中，應(yīng)該包括人臉各個器官聯(lián)系特征信息及各個器官的數(shù)值特征。隱馬爾可夫模型(HMM)提供方法解決這些問題，按照這種模型，觀測到的特征被看成是另一組不可觀測“狀態(tài)”產(chǎn)生的一系列實現(xiàn)[5]。將不同人用不同的HMM參數(shù)來表征，對于同一個人表情和姿態(tài)變化產(chǎn)生的多個觀測序列，可以利用同一個HMM模型來表示。

隱馬爾科夫過程是雙重的隨機過程：—個可觀測過程稱為“觀測序列”；另一個潛在的過程稱為“狀態(tài)”過程。基于HMM方法的人臉識別系統(tǒng)能夠允許人臉有表情變化和大幅度的頭部轉(zhuǎn)動過程，具有較高的識別率。但提取特征和訓(xùn)練模型參數(shù)時卻需要較大的運算量，因此很少應(yīng)用。

2.4 基于3D人臉識別

當(dāng)前，主要針對二維圖像或二維視頻序列進行人臉識別[6]。雖然利用二維圖像識別技術(shù)在其他領(lǐng)域已經(jīng)有很多的應(yīng)用，并取得了很好的成果，但是由于人臉是塑變體的原因，僅利用圖像識別技術(shù)識別人臉存在困難。另外，基于圖像的人臉識別技術(shù)還受到背景、環(huán)境光線、視角等條件影響，識別精度很難提高。

為克服基于二維圖像的人臉識別技術(shù)的不足，部分學(xué)者已經(jīng)開展對三維人臉識別技術(shù)進行研究。DR.Bronstein等人提出了3D人臉識別方法(支持面部表情有關(guān)的變形)，主要是把3D人臉數(shù)據(jù)轉(zhuǎn)換成“特征形式”，使它成為模型的形狀變化的不變量。

3 現(xiàn)狀與展望

在人臉圖像處理過程中,必須將高維測量空間中的信息轉(zhuǎn)換為低維特征空間中的特征向量,這也是近幾年來人臉識別技術(shù)發(fā)展的另一特點之一。與其他身份識別中所需信息相比，人臉信息(如人臉圖像)更能以最自然、最直接的方式獲取,特別是在非接觸環(huán)境和不驚動被檢測人的情況下，因此計算機人臉識別技術(shù)已成為最活躍的研究領(lǐng)域之一。隨著真三維獲取技術(shù)的發(fā)展，人臉識別技術(shù)有望取得突破性的進展并得到廣泛的應(yīng)用。

目前人臉識別技術(shù)的發(fā)展還有很大空間,現(xiàn)有的技術(shù)不足以解決識別問題。未來的發(fā)展方向可能是多種識別方法的綜合，優(yōu)化組合、運用人臉整體與局部，匹配方法相結(jié)合等。一個完善自動人臉識別系統(tǒng)是人臉檢測技術(shù)與人臉識別技術(shù)的完美結(jié)合。目前，還不能實現(xiàn)100%的人臉識別，但是社會各方面巨大的需求，人臉檢測與識別技術(shù)仍將不斷發(fā)展，新方法、新思路將會不斷涌現(xiàn)，必將推動人臉檢測與識別技術(shù)進一步產(chǎn)業(yè)化。

[1]肖冰,等.人臉識別綜述[J].計算機學(xué)報,2016,8(8).

[2]梁路宏,艾海舟.人臉檢測研究綜述[J].計算機學(xué)報,2002(5):449-458.

[3]艾海舟,梁路宏.基于多模板匹配的單人臉檢測[J].軟件學(xué)報,2001,12(12).

[4]何海峰,等.灰度圖像中基于像素分布特征的人臉定位計算機工程,2011.2,28(6).

[5]王宏漫,等.支持向量機在人臉識別中的應(yīng)用[J].計算機工程與應(yīng)用,2013,11:100-102.

[6]Hellappa R,et al.Human and Machine Recognition of Faces:A Survey[J].Proceedings of the IEEE,2015,83(5):705-740.