人臉識別技術大總結

1、xx年X月X日精品范文-人臉識別技術大總結_工作總結（文章一）：人臉識別技術的主要研究方法（1）、緒論人臉識別是通過分析臉部器官的唯一形狀和位置來進行身份鑒別。人臉識別是一種重要的生物特征識別技術，應用非常廣泛。與其它身份識別方法相比，人臉識別具有直接、友好和方便等特點，因而，人臉識別問題的研究不僅有重要的應用價值，而且在模式識別中具有重要的理論意義，目前人臉識別已成為當前模式識別和人工智能領域的研究熱點。本章將簡單介紹幾種人臉識別技術的研究方法。關鍵詞：人臉識別（2）、人臉識別技術的主要研究方法目前在國內和國外研究人臉識別的方法有很多，常用的方法有：基于幾何特征的人臉識別方法、基于代數(shù)特征的

2、人臉識別方法、基于連接機制的人臉識別方法以及基于三維數(shù)據(jù)的人臉識別方法。人臉識別流程圖如圖21所示：圖21人臉識別流程圖（3）、基于幾何特征的人臉識別方法基于特征的方法是一種自下而上的人臉檢測方法，由于人眼可以將人臉在不此研究人員認為有一個潛在的假設：人臉或人臉的部件可能具有在各種條件下都不會改變的特征或屬性，如形狀、膚色、紋理、邊緣信息等?；谔卣鞯姆椒ǖ哪繕司褪菍ふ疑鲜鲞@些不變特征，并利用這些特征來定位入臉。這類方法在特定的環(huán)境下非常有效且檢測速度較高，對人臉姿態(tài)、表情、旋轉都不敏感。但是由于人臉部件的提取通常都借助于邊緣算子，因此，這類方法對圖像質量要求較高，對光照和背景等有較高的要求，

3、因為光照、噪音、陰影都極有可能破壞人臉部件的邊緣，從而影響算法的有效性。模板匹配算法首先需要人TN作標準模板(固定模板)或將模板先行參數(shù)化(可變模板)，思想?yún)R報專題然后在檢測人臉時，計算輸入圖像與模板之間的相關值，這個相關值通常都是獨立計算臉部輪廓、眼睛、鼻子和嘴各自的匹配程度后得出的綜合描述，最后再根據(jù)相關值和預先設定的閾值來確定圖像中是否存在人臉?；诳勺兡０宓娜四槞z測算法比固定模板算法檢測效果要好很多，但是它仍不能有效地處理人臉尺度、姿態(tài)和形狀等方面的變化?；谕庥^形狀的方法并不對輸入圖像進行復雜的預處理，也不需要人工的對人臉特征進行分析或是抽取模板，而是通過使用特定的方法(如主成分分析

4、方法(PCA)、支持向量機(SVM)、神經(jīng)網(wǎng)絡方法(ANN)等)對大量的人臉和非人臉樣本組成的訓練集(一般為了保證訓練得到的檢測器精度，非人臉樣本集的容量要為人臉樣本集的兩倍以上)進行學習，再將學習而成的模板或者說分類器用于人臉檢測。因此，這也是j種自下而上的方法。這種方法的優(yōu)點是利用強大的機器學習算法快速穩(wěn)定地實現(xiàn)了很好的檢測結果，并且該方法在復雜背景下，多姿態(tài)的人臉圖像中也能得到有效的檢測結果。但是這種方法通常需要遍歷整個圖片才能得到檢測結果，并且在訓練過程中需要大量的人臉與非人臉樣本，以及較長的訓練時間。近幾年來，針對該方法的人臉檢測研究相對比較活躍。（4）、基于代數(shù)特征的人臉識別方法在

5、基于代數(shù)特征的人臉識別中，每一幅人臉圖像被看成是以像素點灰度為元素的矩陣，用反映某些性質的數(shù)據(jù)特征來表示人臉的特征。設人臉圖像 ),( y x I 為二維 N M 灰度圖像，同樣可以看成是 N M n = 維列向量，可視為 N M 維空間中的一個點。但這樣的一個空間中，并不是空間中的每一部分都包含有價值的信息，故一般情況下，需要通過某種變換，將如此巨大的空間中的這些點映射到一個維數(shù)較低的空間中去。然后利用對圖像投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。在基于代數(shù)特征的人臉識別方法中，主成分分析法（PCA）和Fisher 線性判別分析（LDA）是研究最多的方法。本章簡要介紹

6、介紹了PCA。完整的PCA(PrincipalponentAnalysis)人臉識別的應用包括四個步驟：人臉圖像預處理；讀入人臉庫，訓練形成特征子空間；把訓練圖像和測試圖像投影的上一步驟中得到的子空間上；選擇一定的距離函數(shù)進行識別。詳細描述如下：（4）、1讀入人臉庫一歸一化人臉庫后，將庫中的每個人選擇一定數(shù)量的圖像構成訓練集，設歸一化后的圖像是nn，按列相連就構成n2維矢量，可視為n2維空間中的一個點，可以通過K-L變換用一個低維子空間描述這個圖像。（4）、2計算KL變換的生成矩陣訓練樣本集的總體散布矩陣為產(chǎn)生矩陣，即或者寫成:式中xi為第i個訓練樣本的圖像向量，|l為訓練樣本的均值向量，M為

7、訓練樣本的總數(shù)。為了求n2n2維矩陣的特征值和正交歸一化的特征向量，要直接計算的話，計算量太大，由此引入奇異值分解定理來解決維數(shù)過高的問題。（4）、3利用奇異值分解(AVD)定理計算圖像的特征值和特征向量設A是一個秩為r的行nr維矩陣，則存在兩個正交矩陣和對角陣：其中凡!其中為矩陣的非零特征值，（4）、4 把訓練圖像和測試圖像投影到特征空間每一副人臉圖像向特征臉子空間投影，得到一組坐標系數(shù)，就對應于子空間中的一個點。同樣，子空間中的任一點也對應于副圖像。這組系數(shù)便可作為人臉識別的依據(jù)，也就是這張人臉圖像的特征臉特征。也就是說任何一幅人臉圖像都可以表示為這組特征臉的線性組合，各個加權系數(shù)就是KL

8、變換的展開系數(shù)，可以作為圖像的識別特征，表明了該圖像在子空間的位置，也就是向量則這兩個正交矩陣和對角矩陣滿足下式：可用于人臉檢測，如果它大于某個閾值，可以認為f是人臉圖像，否則就認為不是。這樣原來的人臉圖象識別問題就轉化為依據(jù)子空間的訓練樣本點進行分類的問題。（5）、基于連接機制的人臉識別方法基于連接機制的識別方法的代表性有神經(jīng)網(wǎng)絡和彈性匹配法。神經(jīng)網(wǎng)絡(ANN)在人工智能領域近年來是一個研究熱門，基于神經(jīng)網(wǎng)絡技術來進行人臉特征提取和特征識別是一個積極的研究方向。神經(jīng)網(wǎng)絡通過大量簡單神經(jīng)元互聯(lián)來構成復雜系統(tǒng)，在人臉識別中取得了較好的效果，特別是正面人臉圖像。常用的神經(jīng)網(wǎng)絡有：BP網(wǎng)絡、卷積網(wǎng)絡

9、、徑向基函數(shù)網(wǎng)絡、自組織網(wǎng)絡以及模糊神經(jīng)網(wǎng)絡等n。BP網(wǎng)絡的運算量較小耗時也短，它的自適應功能使系統(tǒng)的魯棒性增強。神經(jīng)網(wǎng)絡用于人臉識別，相比較其他方法，其可以獲得識別規(guī)則的隱性表達，缺點是訓練時間長、運算量大、收斂速度慢且容易陷入局部極小點等。Gutta等人結合RBF與樹型分類器的混合分類器模型來進行人臉識別乜螂1。Lin等人采用虛擬樣本進行強化和反強化學習，采用模塊化的網(wǎng)絡結構網(wǎng)絡的學習加快，實現(xiàn)了基于概率決策的神經(jīng)網(wǎng)絡方法獲得了較理想結果，。此種方法能較好的應用于人臉檢測和識別的各步驟中。彈性匹配法采用屬性拓撲圖代表人臉，拓撲圖的每個頂點包含一個特征向量，以此來記錄人臉在該頂點位置周圍的特

10、征信息引。拓撲圖的頂點是采用小波變換特征，對光線、角度和尺寸都具有一定的適應性，且能適應表情和視角的變化，其在理論上改進了特征臉算法的一些缺點。（6）、基于三維數(shù)據(jù)的人臉識別方法一個完整的人臉識別系統(tǒng)包括人臉面部數(shù)據(jù)的獲取、數(shù)據(jù)分析處理和最終結果輸出三個部分。圖2-1 顯示了三維人臉識別的基本步驟：（1）、通過三維數(shù)據(jù)采集設備獲得人臉面部的三維形狀信息；（2）、對獲取的三維數(shù)據(jù)進行平滑去噪和提取面部區(qū)域等預處理；（3）、從三維數(shù)據(jù)中提取人臉面部特征，通過與人臉庫中的數(shù)據(jù)進行比對；（4）、用分類器做分類判別，輸出最后決策結果?；谌S數(shù)據(jù)的方法的代表性是基于模型合成的方法和基于曲率的方法?；谀?/p>

11、型合成的方法，它的基本思想為：輸入人臉圖像的二維的，用某種技術恢復(或部分恢復)人臉的三維信息，再重新合成指定條件下的人臉圖像。典型代表是3D可變形模型和基于形狀恢復的3D增強人臉識別算法。3D可變形模型首先通過200個高精度的3D人臉模型構建一個可變形的3D人臉模型，用這個模型來對給定的人臉圖像擬合，獲得一組特定的參數(shù)，再合成任何姿態(tài)和光照的人臉圖像n卜捌?；谛螤罨謴偷?D增強人臉識別算法是利用通用的3D人臉模型合成新的人臉圖像，合成過程改變了一定的姿態(tài)與光源情況。曲率是最基本的表達曲面信息的局部特征，因而最早用來處理3D人臉識別問題的是人臉曲面的曲率。Lee禾lJ用平均曲率和高斯曲率值，將人臉深度圖中凸的區(qū)域分割出來。（7）、本章小結上面研究的各種識別方法都獲得了一定的成功，但各有優(yōu)缺點：(1)基于幾何特征的識別方法很簡單，但目前還沒有形成特征提取的統(tǒng)一標準，較難從圖像中抽取穩(wěn)定的特征，尤其是特征受到遮擋或有較大表情變化時，其對姿態(tài)變化的魯棒性也較差。(2)基于代數(shù)特征的識別方法通過各種變換方法來提取主分量，代數(shù)特征向量是具有一定穩(wěn)定性的，基于該方法的識別系統(tǒng)對不同的角度和表情都有一定的魯棒性。(3)基于連接機制的識別方法其優(yōu)點是保存了圖像中的材質信息，且特征提取不復雜。但受到原始圖像數(shù)據(jù)量龐