在檢測到人臉并定位面部關(guān)鍵特征點(diǎn)之后，主要的人臉區(qū)域就可以被裁剪出來,，經(jīng)過預(yù)處理之后,，饋入后端的識別算法,。識別算法要完成人臉特征的提取,，并與庫存的已知人臉進(jìn)行比對，完成最終的分類,。

背景

    傳統(tǒng)的個(gè)人身份驗(yàn)證手段如口令,、證件、IC 卡等方式,，由于與身份人的可分離性,，致 使偽造、盜用,、破譯等現(xiàn)象時(shí)有發(fā)生,，已經(jīng)不能滿足現(xiàn)代社會經(jīng)濟(jì)活動(dòng)和社會安全防范的需要。生物特征識別包括指紋,、掌紋,、語音、人臉,、虹膜、步態(tài),、掌靜脈等,。生物特征識別技術(shù)先投入廣泛應(yīng)用的是指紋、掌紋掃描識別技術(shù),，但是卻常常因?yàn)槭艿狡つw紋理及干燥程度等條件制約出現(xiàn)誤判,，引發(fā)不必要的麻煩，已遠(yuǎn)遠(yuǎn)不能滿足人們的需求,。隨著科學(xué)技術(shù)的不斷發(fā)展,，以及社會對于身份識別越來越高的要求，生物特征識別技術(shù)逐漸呈多樣化發(fā)展,，例如虹膜識別,、聲音識別、筆跡識別,、簽名識別,、人臉識別等各項(xiàng)生物特征識別技術(shù)。

    作為模式識別和圖像處理領(lǐng)域成功的應(yīng)用之一,，人臉識別在過去 20 年里一直都是研究熱點(diǎn),。相比之下，人臉識別的普遍性,、可采集性與被采集者的可接受性較高,，這就具有 了方便友好、易于接受,、不易偽造等一系列優(yōu)點(diǎn),。機(jī)器自動(dòng)人臉識別研究開始于 1966 年 PRI 的 Bledsoe 的工作,。1990 年日本研制的人像識別機(jī)，可在 1s 內(nèi)中從 3 500 人中識別到 你要找的人,。1993 年,，美國國防部高級研究項(xiàng)目署(Advanced Research Projects Agency)和 美國陸軍研究實(shí)驗(yàn)室(Army Research Laboratory)成立了 Feret(Face RecognitionTechnology) 項(xiàng)目組，建立了 Feret 人臉數(shù)據(jù)庫,，用于評價(jià)人臉識別算法的性能,。2007 年，上海市質(zhì)量 技術(shù)監(jiān)督局公布了城市軌道交通和旅館商務(wù)辦公樓兩項(xiàng)安全防范系統(tǒng)地方標(biāo)準(zhǔn),，為 2010 年 上海世博會應(yīng)用人臉識別技術(shù)提供技術(shù)規(guī)范,。2008 年人臉識別應(yīng)用于奧運(yùn)會的安防。人臉 識別技術(shù)已經(jīng)開始走入普通生活,。國內(nèi)外人臉識別技術(shù)還在進(jìn)一步發(fā)展和完善之中,，市場機(jī)會處于起步階段，可廣泛應(yīng)用于安全,、考勤,、網(wǎng)絡(luò)安全、銀行,、海關(guān)邊檢,、物業(yè)管理、 智能身份證,、門禁,、計(jì)算機(jī)登錄系統(tǒng)、國家安全,、公共安全,、軍事安全等領(lǐng)域。

簡介

    人臉識別(Facial Recognition),，就是通過視頻采集設(shè)備獲取用戶的面部圖像,，再利用核心的算法對其臉部的五官位置、臉型和角度進(jìn)行計(jì)算分析,，進(jìn)而和自身數(shù)據(jù)庫里已有的范本進(jìn)行比對,，后判斷出用戶的真實(shí)身份。人臉識別技術(shù)基于局部特征區(qū)域的單訓(xùn)練樣本人臉識別方法,。第一步,，需要對局部區(qū)域進(jìn)行定義;第二步，人臉局部區(qū)域特征的提取,，依據(jù)經(jīng)過樣本訓(xùn)練后得到的變換矩陣將人臉圖像向量映射為人臉特征向量;第三步,，局部特征選擇(可選);后一步是進(jìn)行分類。分類器多采用組合分類器的形式，每個(gè)局部特征 對應(yīng)一個(gè)分類器,，后可用投票或線性加權(quán)等方式得到終識別結(jié)果,。 人臉識別綜合運(yùn)用了數(shù)字圖像/視頻處理、模式識別,、計(jì)算機(jī)視覺等多種技術(shù),，核心技 術(shù)是人臉識別算法。目前人臉識別的算法有 4 種:基于人臉特征點(diǎn)的識別算法,、基于整幅 人臉圖像的識別算法,、基于模板的識別算法、利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別的算法,。

    作為人臉識別的第一步,，人臉檢測所進(jìn)行的工作是將人臉從圖像背景中檢測出來，由于受圖像背景,、亮度變化以及人的頭部姿勢等因素影響使人臉檢測成為一項(xiàng)復(fù)雜研究內(nèi)容,。檢測定位:檢測是判別一幅圖像中是否存在人臉，定位則是給出人臉在圖像中的位置,。定位后得到的臉部圖像信息是測量空間的模式,，要進(jìn)行識別工作，首先要將測量空間中的數(shù)據(jù)映射到特征空間中,。采用主分量分析方法,，原理是將一高維向量，通過一個(gè)特殊的特征向量矩陣,，投影到一個(gè)低維的向量空間中，表征為一個(gè)低維向量,，并且僅僅損失一些次要信息,。通過對經(jīng)過檢測和定位過的人臉圖像進(jìn)行特征提取操作可以達(dá)到降低圖像維數(shù)，從而可以減小識別計(jì)算量,，提高識別精度的作用,。人臉識別系統(tǒng)采用基于特征臉的主 成分分析法(PCA)，根據(jù)一組人臉訓(xùn)練樣本構(gòu)造主元子空間,，檢測時(shí),，將測試圖像投影到 主元空間上，得到一組投影系數(shù),，再和各已知的人臉圖像模式比較,，從而得到檢測結(jié)果。

原理

    人臉識別算法的原理:系統(tǒng)輸入一般是一張或者一系列含有未確定身份的人臉圖像,，以及人臉數(shù)據(jù)庫中的若干已知身份的人臉圖象或者相應(yīng)的編碼,，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。

分類

折疊二維

    人臉識別法主要集中在二維圖像方面,，二維人臉識別主要利用分布在人臉上從低到高80個(gè)節(jié)點(diǎn)或標(biāo)點(diǎn),，通過測量眼睛、顴骨,、下巴等之間的間距來進(jìn)行身份認(rèn)證,。人臉識別算法主要有:

1.基于模板匹配的方法:模板分為二維模板和三維模板，核心思想:利用人的臉部特征規(guī)律建立一個(gè)立體可調(diào)的模型框架,在定位出人的臉部位置后用模型框架定位和調(diào)整人的臉部特征部位,解決人臉識別過程中的觀察角度,、遮擋和表情變化等因素影響,。

2.基于奇異值特征方法:人臉圖像矩陣的奇異值特征反映了圖像的本質(zhì)屬性，可以利用它來進(jìn)行分類識別,。

3.子空間分析法:因其具有描述性強(qiáng),、計(jì)算代價(jià)小、易實(shí)現(xiàn)及可分性好等特點(diǎn),，被廣泛地應(yīng)用于人臉特征提取,，成為了當(dāng)前人臉識別的主流方法之一。

4.局部保持投影(Locality Preserving Projections,，LPP)是一種新的子空間分析方法,，它是非線性方法Laplacian Eigen map的線性近似，既解決了PCA等傳統(tǒng)線性方法難以保持原始數(shù)據(jù)非線性流形的缺點(diǎn),，又解決了非線性方法難以獲得新樣本點(diǎn)低維投影的缺點(diǎn),。

5.主成分分析(PCA)

   PCA模式識別領(lǐng)域一種重要的方法，已被廣泛地應(yīng)用于人臉識別算法中,，基于PCA人臉識別系統(tǒng)在應(yīng)用中面臨著一個(gè)重要障礙:增量學(xué)習(xí)問題,。增量PCA算法由新增樣本重構(gòu)最為重要 PCS，但該方法隨著樣本的增加,， 需要不斷舍棄一些不重要PC,，以維持子空間維數(shù)不變， 因而該方法精度稍差,。

6.其他方法:彈性匹配方法,、特征臉法(基于KL變換)、人工神經(jīng)網(wǎng)絡(luò)法,、支持向量機(jī)法,、基于積分圖像特征法(adaboost學(xué)習(xí))、基于概率模型法,。

折疊三維

    二維人臉識別方法的最大不足是在面臨姿態(tài),、光照條件不同、表情變化以及臉部化妝等方面較為脆弱,，識別的準(zhǔn)確度受到很大限制,，而這些都是人臉在自然狀態(tài)下會隨時(shí)表現(xiàn)出來的。三維人臉識別可以極大的提高識別精度，真正的三維人臉識別是利用深度圖像進(jìn)行研究,，自90年代初期開始,，已經(jīng)有了一定的進(jìn)展。三維人臉識別方法有:

1.基于圖像特征的方法:采取了從3D結(jié)構(gòu)中分離出姿態(tài)的算法,。首先匹配人臉整體的尺寸輪廓和三維空間方向;然后,，在保持姿態(tài)固定的情況下，去作臉部不同特征點(diǎn)(這些特征點(diǎn)是人工的鑒別出來)的局部匹配,。

2.基于模型可變參數(shù)的方法:使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結(jié)合,，去恢復(fù)頭部姿態(tài)和3D人臉。隨著模型形變的關(guān)聯(lián)關(guān)系的改變不斷更新姿態(tài)參數(shù),，重復(fù)此過程直到最小化尺度達(dá)到要求,。基于模型可變參數(shù)的方法與基于圖像特征的方法的最大區(qū)別在于:后者在人臉姿態(tài)每變化一次后,，需要重新搜索特征點(diǎn)的坐標(biāo),，而前者只需調(diào)整3D變形模型的參數(shù)。

難點(diǎn)

    人臉識別算法研究已久,，在背景簡單的情形下,，大部分算法都能很好的處理。但是,，人臉識別的應(yīng)用范圍頗廣,，僅是簡單圖像測試，是遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)實(shí)需求的,。所以人臉識別算法還是存在很多的難點(diǎn),。

光照

    光照問題是機(jī)器視覺中的老問題，在人臉識別中的表現(xiàn)尤為明顯,，算法未能達(dá)到完美使用的程度,。

姿態(tài)

    與光照問題類似，姿態(tài)問題也是人臉識別研究中需要解決的一個(gè)技術(shù)難點(diǎn),。針對姿態(tài)的研究相對比較少，多數(shù)的人臉識別算法主要是針對正面,，或接近正面的人臉圖像,，當(dāng)發(fā)生俯仰或者左右側(cè)而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降,。

遮擋

    對于非配合情況下的人臉圖像采集,，遮擋問題是一個(gè)非常嚴(yán)重的問題，特別是在監(jiān)控環(huán)境下,，往往被監(jiān)控對象都會帶著眼鏡﹑帽子等飾物,，使得被采集出來的人臉圖像有可能不完整，從而影響了后面的特征提取與識別，甚至?xí)?dǎo)致人臉識別算法的失效,。

年齡變化

    隨著年齡的變化,，面部外觀也在變化，特別是對于青少年,，這種變化更加的明顯,。對于不同的年齡段，人臉識別算法的識別率也不同,。

圖像質(zhì)量

    人臉圖像的來源可能多種多樣,，由于采集設(shè)備的不同，得到的人臉圖像質(zhì)量也不同,，特別是對于那些低分辨率﹑噪聲大﹑質(zhì)量差的人臉圖像如何進(jìn)行有效的人臉識別是個(gè)需要關(guān)注的問題,。同樣的，對于高分辨圖像,，對人臉識別算法的影響也需要進(jìn)一步研究,。

樣本缺乏

    基于統(tǒng)計(jì)學(xué)習(xí)的人臉識別算法是人臉識別領(lǐng)域中的主流算法，但是統(tǒng)計(jì)學(xué)習(xí)方法需要大量的培訓(xùn),。由于人臉圖像在高維空間中的分布是一個(gè)不規(guī)則的流行分布,，能得到的樣本只是對人臉圖像空間中的一個(gè)極小部分的采樣，如何解決小樣本下的統(tǒng)計(jì)學(xué)習(xí)問題有待進(jìn)一步的研究,。

海量數(shù)據(jù)

    傳統(tǒng)人臉識別算法如PCA,、LDA等在小規(guī)模數(shù)據(jù)中可以很容易進(jìn)行訓(xùn)練學(xué)習(xí)。但是對于海量數(shù)據(jù),，這些方法其訓(xùn)練過程難以進(jìn)行,，甚至有可能崩潰。

大規(guī)模人臉識別

    隨著人臉數(shù)據(jù)庫規(guī)模的增長,，人臉?biāo)惴ǖ男阅軐⒊尸F(xiàn)下降,。

應(yīng)用領(lǐng)域

監(jiān)控布控

    實(shí)時(shí)實(shí)現(xiàn)多路攝像機(jī)對數(shù)十萬布控對象的現(xiàn)場識別和報(bào)警提示，廣泛用于機(jī)場,、火車站,、銀行等場所，實(shí)現(xiàn)對特定人群的布控,。

公安照片搜索系統(tǒng)

    公安系統(tǒng)面臨的一個(gè)難題是無法充分利用手頭上現(xiàn)成的(身份證,、暫住證等)數(shù)以百萬計(jì)的照片資源，在查案過程中拿到一張照片卻無法有效的定位其身份,，人工的逐張進(jìn)行照片對比幾乎是不可能完成的工作,，只能花費(fèi)大量的警力和時(shí)間進(jìn)行排查。采用人臉識別算法實(shí)現(xiàn)快速人臉檢索查找,，充分體現(xiàn)科技強(qiáng)警的威力,。

門禁出入

    人臉識別算法的另一主流應(yīng)用方向,，其優(yōu)勢在于非接觸操作而且直觀方便便于事后查驗(yàn)。

身份識別

    應(yīng)用有考場考生身份識別系統(tǒng),，公安局罪犯積分系統(tǒng)等,。

發(fā)展趨勢

    二維與三維人臉識別相結(jié)合，多種模式的識別使用,，可以有效地提高人臉識別精確度;二維識別算法逐步應(yīng)用于三維人臉識別;人臉識別算法要能克服:姿勢,、表情的變化，佩戴眼睛,、珠寶和其它一些因素及光線等因素影響;識別算法應(yīng)該需要更少的計(jì)算量,。