人臉識別綜述

李欣源

【摘 要】本文綜述了各種算法在人臉識別中的應用，以及人臉識別技術應用的展望。

【關鍵詞】人臉識別；檢測；應用前景

一、引言

近幾年，智能手機行業開始越來越多的采用人臉識別作為手機安全防護的方式，人臉識別技術開始逐漸出現在人們的日常生活中。不管是“從圖中找到人臉的位置”，或是“識別出這個人臉對應的身份”，亦或是其他，大家都會把這些不同的人臉技術統稱為“人臉識別技術”。

人臉識別和有著廣泛應用的指紋識別、虹膜識別同樣，屬于生物特征識別技術，是應用生物體本身的生物特征來區分生物體個體的計算機技術。自1965年由陳（Chan）和布萊索（Bledsoe）發表的關于人臉識別的技術報告開始，人臉識別的研究至今已持續了五十余年，也一直是一項熱門的計算機技術研究領域。人工智能、機器學習、機器識別、模型理論、視頻圖像處理等多種專業技術都在人臉識別上有所體現，而是否具備頂尖的核心算法、并令識別結果有實用化的識別率和識別速度是人臉識別成功的關鍵。

二、研究和分析

（一）人臉檢測

人臉檢測（Face Detection）是一種在任意數字圖像中找到人臉的位置和大小的計算機技術。它可以檢測出人的面部特征，同時忽略周遭環境和身體等其他任何東西。[1]

大多數算法將人臉檢測實現為一個兩類模式分類任務。這即是說會用特征值來轉換圖像的指定位置，然后一個預先訓練好的分類器將決定該部分是或不是人臉。

目前的一個相對優秀的人臉檢測算法是Viola-Jones的級聯分類器算法[2]。這種算法使用基于Haar特征的級聯分類器策略，能夠有效并快速的找到不同狀態和尺寸的人臉圖像。在OpenCV上有一個該算法的實現。

（二）人臉配準

人臉配準（Face Alignment）是一種圖像預處理方法，是定位出人臉上五官關鍵點坐標的一項技術。定義的關鍵點數目是預先設定好的固定數值，因不同人工的定義而不同，常見的有68點，90點等。

由TF Cootes提出的一種參數化表觀模型算法Active Appearance Models （AAMs）[3]是目前廣泛應用的一種人臉配準算法，它利用主成分分析對可變性目標的形狀和紋理進行統一建模，并使用二范數最小化策略對未知目標進行匹配。

當前效果的較好的一些人臉配準技術，基本通過http：//www.dataguru.cn/article-9664-1.html union_site=innerlink深度學習框架實現，這些方法都是基于人臉檢測的坐標框，按某種事先設定規則將人臉區域扣取出來，縮放的固定尺寸，然后進行關鍵點位置的計算。因此，若不計入圖像縮放過程的耗時，人臉配準算法是可以計算量固定的過程。

（三）人臉特征提取

人臉特征提取（Face Feature Extraction）是將人臉圖像轉化為固定長度的數值串的過程。該數值串即是“人臉特征（Face Feature）”，能夠表征對應的人臉特點。

如何提取魯棒的人臉特征仍然是一個難題。早期的研究[4]中提出了Eigenface方法。該方法應用主成分分析（PCA）對人臉的外表變化用特征臉將人臉特征降維識別。此后研究[5]以此為基礎提出了Fisherface方法，使用線性判別分析（LDA），在應用PCA對特征向量進行降維的基礎上，使特征的類內差異減小的同時增大類間差異。

后來，研究者發現PCA與LDA這些基于全局特征的方法對于表情、遮擋、光照等變化很敏感，于是基于局部特征的人臉算法逐漸成為新的熱點。局部二值模式（LBP）算法是一種典型的基于局部特征的識別算法。Ahonen T提出的基于LBP編碼分塊直方圖識別框架就是如此。隨后出現的局部三值模式（LTP）、方向梯度直方圖（HOG）、尺度不變特征轉換（SIFT）等人臉特征算法都是基于局部特征的人臉識別算法。

（四）人臉對比

人臉比對（Face Compare）”是衡量兩個人臉之間相似度的算法。人臉比對算法的輸入是兩個人臉特征（由人臉特征提取算法獲得），輸出是兩個特征之間的相似度。

在應用中該算法會先對檢測到的人臉區域與現有的人臉庫中的人臉進行目標搜索和比對，然后通過返回的相似度的值確定最優的匹配對象，其中人臉特征的描述決定了人臉比對的效率和性能。

三、應用和發展趨勢

人臉識別技術已經發展得越來越成熟，在日常生活中也得到了廣泛的應用。

比如數碼相機的人臉自動對焦和笑臉快門技術，它根據人的頭部的部位進行判定，首先確定頭部，然后判斷眼睛和嘴巴等頭部特征，通過特征庫的比對，確認是人面部，完成面部捕捉。然后以人臉為焦點進行自動對焦，可以大大的提升拍出照片的清晰度。笑臉快門技術就是在人臉識別的基礎上，完成面部捕捉，接著判斷嘴的上彎程度和眼的下彎程度，以此來判斷是否在笑。

在各種智能化技術普及的現在，我們也可以用智能電視上集成的攝像頭來檢測走過來的人臉，通過計算該用戶的性別和年齡范圍來針對性的播放廣告；或是識別用戶的面部朝向，當用戶并沒有面向屏幕時，可以自動降低屏幕的亮度，在用戶重新面向屏幕時再回升亮度，以此來實現能源的節約。

【參考文獻】

[1]Tomaz F， Candeias T， Shahbazkia H. Improved Automatic Skin Detection in Color Images[C]// International Conference on Digital Image Computing： Techniques and Applications， Dicta 2003， 10-12 December 2003， Macquarie University， Sydney， Australia. DBLP， 2003：419-428.

[2]Viola P， Jones M J. Robust Real-Time Face Detection[J]. International Journal of Computer Vision， 2004， 57（2）：137-154.

[3]Edwards G J， Taylor C J， Cootes T F. Face recognition using the active appearance model.[C]// 1998：135-164.

[4]Pentland A， Moghaddam B， Starner T. View-based and modular eigenspaces for face recognition[C]//Computer Vision and Pattern Recognition， 1994. Proceedings CVPR'94.， 1994 IEEE Computer Society Conference on. IEEE， 1994： 84-91.

[5]Belhumeur P N， Hespanha J P， Kriegman D J. Eigenfaces vs. fisherfaces： Recognition using class specific linear projection[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 1997， 19（7）： 711-720.