人臉識別技術綜述及分析

摘 要 人臉識別是計算機視覺研究中的主要方向，其中包括人臉檢測識別、人臉驗證等，人臉識別是將待識別的圖像與數據庫中已存儲的圖像進行匹配驗證的過程，從而進行身份的識別和認定，本文將主要歸納并介紹一些常用的人臉識別技術以及目前存在的問題難點。

【關鍵詞】人臉 檢測與識別

1 引言

隨著計算機技術迅速發展，需要一種能夠將人與其信息建立一一對應的安保認證技術，建立完整的映射網絡體系，確保每個人人身、財產、隱私等各個方面的安全，與指紋、基因等其他人體生物特征識別系統相比，人臉識別更加友好，不需要得到人的參與配合，能夠不打擾正常生活情況下解決問題，同時對表情、姿態等分析可獲得更多的有用信息。因此，人臉識別技術得到廣泛的研究與應用，可用于公安系統、駕駛核對系統、監控系統、銀行信用卡驗證等多個方面。

2 綜述

人臉識別需要有人臉檢測和人臉識別兩部分。人臉檢測是對于輸入的圖像數據， 通過相應的算法以確定圖像中是否含有人臉。

人臉識別將給定圖像中的人臉部分與已有數據庫中的進行匹配和比較，利用已知的人臉身份數據庫來鑒別認定被測圖像中人臉的身份。如圖1所示。

3 人臉檢測的方法

3.1 知識檢測法

利用經典臉部的構成，例如人臉的局部特征、空間位置以及幾何關系來判斷圖像中是否包含人臉。

3.2 模板匹配法

存儲大量的標準人臉圖像樣本作為模板，分別表示和描述人臉特征，再在待檢測圖像上根據計算輸入圖像和存儲的模式間的相似性進行匹配檢測。

3.3 統計檢測法

通過單個或大量的圖像數據獲得統計特征（如自相關、概率分布特征等），得到一組模型參數來檢測人臉。

3.4 特征不變法

抽取一些不變的特征來定位人臉，通過邊緣檢測方法獲取如紋理、膚色以及一些組合特征，將這些特征構造出統計模型來計算出人臉的存在概率。

3.5 外觀信息法

從不同表情外觀的圖像中進行訓練并計算出平均圖，將平均圖對待檢測圖像進行粗粒度的匹配檢測，再用特定姿勢表情圖對該區域進行精確檢測。

4 人臉識別方法

4.1 幾何特征法

用一個幾何特征矢量表示人臉，然后設計相關分類器，其中選取的幾何特征需要具有唯一性，能夠體現出反應不同人臉間的差別，同時也要有彈性，避免光線等因素的影響。

4.2 子空間分析法

將從圖像中獲取的較多高維特征經過空間變換等技術，壓縮成較低維的子空間進行識別。表達性特征提取法和鑒別性特征提取法都是常規的線性子空間方法。

4.3 統計特征法

把獲取到的人臉圖像看作多維空間中的一點，然后通過在特定的空間建立決策邊界的方法，讓不同類的樣本最大可能的分開。

4.4 模板匹配法

首先把灰度圖像或者經過一些特定變換的圖像作為模板存儲在數據庫中，再將待識別圖像經過相同變換并歸一化處理，得到與數據庫中光照、取向等條件完全相同的圖像，進而計算出它們的匹配度。

4.5 神經網絡法

通過建立一種模仿生物神經網絡行為特征的分布式并行信息處理模型，從而利用相關的容錯、學習、計算、自適應等規則，學會各類的非線性輸入及輸出關系，再進行有序的訓練，讓這些關系可以適應于輸入圖像。

4.6 隱馬爾可夫模型法

將識別的對象包含人臉各個器官的數值特征及各個器官聯系特征信息。

5 人臉識別方法存在的主要問題和對策

5.1 存在問題

（1）由外界的環境、設備、光照等因素導致的采集圖像中包含較多噪聲現象，會極大降低識別的準確性。

（2）對于人臉多姿態識別問題依然存在著泛化能力較弱、速度不高、結果穩定性較差等問題。

（3）對于人臉表情的變化，也會影響圖像數據的采集和提取結果。

（4）人的老化，會導致與原有圖像識別的準確度下降。

（5）如果有飾物及其他部位等遮擋了人臉的局部區域，會導致無法獲取全部信息，從而造成信號數據缺失和識別困難。

（6）面部化妝和整容技術的成熟和使用，給人臉帶來更大的可變性。

（7）目前沒有有效的針對膚色分割識別的方法，存在性能不穩定、適應性較差等問題。

5.2 解決方案及研究前景

通過建立3D和形變模型可以較好的解決人臉多姿態問題，因為3D模型可以通過變換轉化成任意姿態的圖像。采用圖像或視頻序列的方式，也可以有效處理表情、姿態等現有變化問題。

熵圖像是處理光照變化的有效。然而目前對于光照子空間的方法研究較多，對如何消除光照的影響， 從而恢復出均勻光照的圖像的研究仍然較少。

采用同一個體和不同個體的圖像進行彈性變形的概率模型方法可獲得對表情變化較好的識別效果。對表情變化魯棒的分形編碼也是一個全新的有效嘗試。

對于人老化問題，可以建立模擬年齡變化的模型，從而轉化人不同時期的圖像。

針對存在遮擋的識別問題，如何精確地分割出圖像的可見部分并與樣本對應區域進行匹配是研究的重點。

參考文獻

[1]Sun Y，Wang X，Tang X.Deep Learning Face Representation from Predicting 10，000 Classes[C].Computer Vision and Pattern Recognition. IEEE， 2014：1891-1898.

[2]Moghaddam B，Jebara T，Pentland A. Bayesian face recognition[J].Pattern Recognition，2000，33（11）：1771-1782.

[3]Chen D，Cao X，Wang L，et al. Bayesian Face Revisited：A Joint Formulation[M].Computer Vision–ECCV 2012.Springer Berlin Heidelberg， 2012：566-579.

作者簡介

黨永成（1994-），男，山東省人。東南大學碩士。研究方向為大數據與圖計算。

作者單位

東南大學計算機科學與技術系 江蘇省南京市 211189