单训练样本人脸识别技术综述
阙大顺，赵华波
武汉理工大学信息工程学院，武汉（430063）
E-mail：zhaohuabo1983@https://www.doczj.com/doc/af9674617.html,
摘要：近年来，随着人脸识别技术的不断向前发展，人脸识别领域出现了一个新的研究问题——单样本人脸识别问题。单样本人脸识别技术，顾名思义，就是在每类（人）只有一个训练样本的情况下对未知测试样本进行识别的技术。本文对近年来国内外出现的单样本人脸识别技术和方法进行了分类，分析了各种方法的优缺点，还分析了单样本人脸识别技术所面临的挑战，最后对未来单样本人脸识别技术的发展方向进行了展望。
关键词：人脸识别；单训练样本；特征提取
0 引言
人脸识别(Face Recognition)是指基于已知的人脸样本库,利用图像处理和模式识别技术从静态或动态场景中,识别一个或多个人脸。随着人脸识别技术在安全验证系统、医学、档案管理系统、人机交互系统、公安工作、视频会议和图像检索等领域的广泛应用，已经成为计算机视觉和模式识别领域的一个研究热点。目前有许多人脸识别方法，当有充分数量的有代表性的训练样本时，能取得较好的识别效果。人脸识别方法大致可分为两类：一类是基于人脸图像的几何特征的方法，主要根据人脸的诸如眼、鼻、嘴和脸庞等局部特征及其关系来识别；另一类是基于模板的方法，利用人脸图像的全局特征来识别。本质上是通过对人脸图像进行某种数学变换，实现人脸空间降维和代数特征提取。
单训练样本人脸识别，是指从给定的每人仅存储一幅已知身份的图像的数据库中识别出姿态、光照等因素不可预测的图像中人的身份[1]。人脸识别技术在身份证和海关护照验证以及公安执法等应用中，因为训练集中每个人都只有一幅人脸样本图像，所以目前大多数识别方法都无法获得好的识别效果，识别率会大幅下降，有些方法甚至无法应用。针对这种单样本人脸识别问题，许多研究人员提出了各种各样有效的识别算法。在这些算法中，比较有代表性的方法有本征脸法(PCA)[3]、线性判别分析（LDA）[4]、隐马尔可夫模型(HMM)[5]、支持向量机(SVM)[6]、贝叶斯算法[7]、局部特征分析法(LFA)[8]、特征线方法(FLM)[9]及进化追踪(EP)[10]。但在一些特殊的场合，比如护照验证、身份证验证等等，每类（人）只能得到一幅图像，只能用这些有限的图像去训练人脸识别系统，这就给上述识别效果比较好的方法带来了很大的麻烦。比如线性判别分析法(LDA)，在单样本情况下，由于类内散布矩阵不存在，所以这种方法就无能为力了；同样，在单样本情况下，由于类内分布不能被估计出来，基于概率的方法也就变成了本征脸方法。尽管有些方法，比如主成分分析法（PCA），能够直接用于这种情况，但识别率很低，识别效果不理想，如文献[11]报道,在ORL人脸库上直接使用主成分分析法(PCA)得到的平均识别率只有69.5%。
由于单样本人脸识别问题给人脸识别带来了巨大的挑战及其本身具有的重要意义，近年来它已演变成人脸识别问题的一个子研究领域，而且研究人员已经提出了很多方法,比如样本增强法、样本扩张法、通用学习框架法。本文对这些方法进行了分析，并展望了其未来的发展方向，希望能让读者对单样本人脸识别技术有一个总体的了解。
1单样本人脸识别方法简介
Brunelli 和Poggio[12]认为，人脸识别技术可以分为两大类：基于几何特征(Geometric Feature-based)的方法和基于模版匹配(Template Matching-based)的方法。本节系统地分析了各种单样本人脸识别方法，并将它们分为基于统计特征、基于几何特征和基于连接机制的方法。
1.1基于统计特征的方法
统计特征也称代数特征，由图像本身的灰度分布决定，描述了图像的内部信息。该方法将人脸看作是一个二维的灰度变化的模板，从整体上捕捉和描述人脸特征。近年来，很多基于统计特征的人脸识别方法被用于或改进后被用来解决单样本问题，再根据训练集中每类的样本是否被扩张，该方法又可细分为改进的统计识别法和样本扩张法。
1.1.1 改进传统的统计识别方法
这类方法改进了传统的经典的统计识别方法，使其适合单样本问题。
PCA是一种非监督学习方法，可直接用于单样本人脸识别，但其识别率很低，很多研究者对它进行扩张使其识别率提高。D.Q. Zhang，S.C. Chen[31]等人提出一种称为二维核主分量分析(2D-KPCA)的方法用于单样本人脸识别，2D-KPCA建立在2D图像矩阵的基础上，能够有效利用图像内部的空间结构信息，在FERET人脸库上试验，取得了最高达89.5%的识别率。X.D. Xie和K.M. am[32]提出了一种双非线性映射核主分量分析法(DKPCA)，它首先使用Gabor小波提取人脸面部特征，然后设计一个非线性变换Ψ来强调人脸中如眼睛、鼻子、嘴等具有高统计概率和空间重要性的面部特征，用Ψ处理后的特征具有很高的鉴别能力，面部特征的重要程度随其空间重要程度而调整，最后对用Ψ处理后的特征使用非线性映射KPCA来识别人脸，这种方法对光照、表情及视觉变换具有很强的鲁棒性，在单样本情况下，在Yale、AR、ORL和YaleB人脸库上分别取得了94.7%、98.8%、82.8%和98.8%的识别率。
隐马尔可夫模型(Hidden Markov Model)用于人脸识别得到的识别率很高，而且使系统的扩展性较好，所以也有研究人员把它用于单样本人脸识别。隐马尔可夫模型被Nefian和Hayes 首先引入到人脸识别领域。它是用于描述信号统计特性的一组统计模型。HMM用马尔可夫链来模拟信号统计特性的变化，而这种变化又是间接通过观察序列来描述的，因此马尔可夫过程是一个双重的随机过程。在HMM中结点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征，对同一特征，不同形态表现出这一特征的概率不同。
H.S. Le和H.B. Li[37][38]把一维离散隐马尔可夫模型(1D-DHMM)用于单样本人脸识别，他们首先用Haar小波进行降维，然后把降维后的图像分割成相互重叠的垂直条块，又把每个垂直条块分割成相互重叠的方块，得到观测向量，为每个垂直条块构建一个子HMM人脸模型，识别结果由这些所有的子HMM共同决定。不同的是，在这种方法中，所有的人脸图像共享一个HMM，而不是为每个人建立一个HMM，在AR和CMU PIE人脸库上试验，表明该方法受表情、光照和姿态变化的影响不大，但对同时存在这些变化的识别效果如何则未讨论。
在单样本条件下，由于类间散布矩阵为零，所以LDA算法就不可用，但研究人员提出了很多新颖的想法，使得LDA算法可以用于这种情况。S.C. Chen[33]等人把每张人脸图像分割成大小相等的子图像，每张图像的所有子图像看作是一类的多幅图像，这样每类的类间散布矩阵就不再为零，使用LDA法完成识别。Yan Wei Pang[34]等人首先把每类单个样本进行聚类，形成多个聚类，用每个聚类的类间散布矩阵(聚类类间散布矩阵)代替每类的为零的类间散布矩阵，使LDA算法变得可用。J. Huang，P.C. Yuen[35]等人把人脸分成五个局部特征
块，即左右眼睛、左右嘴和鼻子，把每个局部特征块往上下左右四个方向移动一个像素的位置得到五个局部特征束，对每个局部特征束使用LDA 算法，为每个局部特征束构建一个分类器，最后的分类结果又由这五个分类器共同决定。
人脸具有一个很重要、很特殊的特征：人脸是具有相似的几何形状和结构的相似物体，因此，尽管存在表情、光照、姿态变化等因素，人脸图像的差异还是彼此相似的[39]。实际上人脸具有相似的类内差异[40]，因此人脸图像的类内差异可以从有多幅图像的其他人的人脸图像中估计出来。根据这个思想，J. Wang 、K.N. Plataniotis 等人[41][42]提出了称为通用学习框架(Generic Learning Framework)（图1）的方法用于单样本人脸识别，该方法需要三个人脸库，即每类（人）只有一个样本的训练样本库(Gallery)、未知身份的测试样本库(Probe)和通用人脸库(Generic Database)。其中通用人脸库可以通过多种途径获得，库中每人有多幅人脸图像，库中的图像与训练样本库和测试样本库中的人脸图像不重叠。通用人脸库用于训
图 1 通用学习框架
练以得到投影特征子空间，训练样本和未知的测试样本都投影到这个特征子空间，采用距离度量，训练样本库中与未知测试样本在投影特征子空间中距离最近的样本的身份就是未知测试样本的身份。考虑到随着通用人脸库容量的增加,人脸模式的分布变得更加复杂易导致识别性能的降低,文[41][42]又把通用人脸库分割成若干个小的子通用库,为每个子库构建一个最近邻分类器,采用多分类器组合的方法来完成识别。在通用学习框架下,文[43][44]改进了Fisher 准则，为单样本人脸识别问题提出了一种选择特征子空间(本征脸)的方法,改进的
Fisher 准则为:()()
m m Var A J Var A =inter:Gallery intra:Generic ,其中m A 是对通用人脸库使用PCA 得到的特征向量(本征脸),int :()er Gallery m Var A 是训练样本库的类间差异,分母本应该是训练样本库的类内差异,在单样本条件下由于其不存在,但可以从通用人脸库估计出来,因此可用通用人脸库的类内差
异int :()ra Generic m Var A 来替代。
由于训练样本库大小的原因,分子只用训练样本库的类间差异将导致很大的估计方差,为此进一步修正了准则：int :int :int :()(1)()()
er Generic m er Gallery m ra Generic m Var A Var A J Var A ηη+?=,其中int :()er Generic m Var A 为通用人脸库的类间差异,01η≤≤,η为调整因子,用来调整因int :()er Generic m Var A 过大而造成的大的识别偏差和
因int :()er Gallery m Var A 过大而造成的大的估计方差。文[45]所用准则与文[44]相同，只不过使用KPCA 求取通用人脸库的特征向量。在FERET 人脸库上测试，这些基于通用学习框架的方法都取得了比较好的识别性能。
在样本数目有限的条件下如何充分利用样本提供的信息,使那些对于识别比较重要的特征更加突显出来,同时对那些次要的、无用的、甚至会对识别造成干扰的信息进行抑制,近年来不少研究人员运用图像增强法来达到这个目的。J.X. Wu 、Z.H. Zhou 等人[46]提出一种投影结合的主分量分析法(2
()PC A ),先计算原图像的水平和垂直积分投影,再利用水平和垂直积分投影得到投影图,最后把投影图通过一定的规则结合到原图像中形成增强的图像,对增强的图像应用PCA 算法。随后他们改进了2()PC A 得到的2()E PC A [47],2()E PC A 中原图像不仅结合了它的一阶投影图还结合了它的二阶投影图。在FERET 人脸库上试验, 2()PC A 的平均识别率比PCA 提高了3%-5%, 而2()E PC A 又比2()PC A 提高了1.6%。但这两种方法对姿态和表情变化及部分遮挡的情况识别率则不理想。在此基础上文[48-50]利用原图像的奇异值分解(Singular Value Decomposition)的重构图增强原图像,而文[51]用原图像的小波分解的重构图增强原图像。
1.1.2样本扩张法
样本扩张法利用各种技术从原样本图像中合成多个虚拟图像，扩张每类的训练样本数目，使单样本人脸识别问题变成一般的人脸识别问题。
D. Beymer 和T. poggio[18]提出了一种用线性物体类(Linear Object Classes)合成物体不同姿态的视图的方法，核心是认为一个物体可由若干个原型物体的加权和来表示，如果对该物体施加线性变换，变换结果同样可以由原型物体线性变换的加权和来表示，而且在这个过程中各个原型物体的权重不变。具体如下：把每类的真实人脸视图称为标准姿态(视角为A 下的姿态)，想要得到的虚拟视图称为变换视图(视角为B 下的姿态)，人脸图像用形状向量 (Shape Vector) 和纹理向量 (Texture Vector) 表示，把一幅人脸图像(视角A)分离成形状向量
y 和纹理向量t ，根据线性物体类的思想有11
,N N j pj j pj j j y y t t αβ====∑∑，则有
,,11,N N
r j pj r r j pj r j j y y t t αβ====∑∑，其中pj y 和pj t 为第j 个原型人脸(视角A)的形状向量和纹理
向量， ,pj r y 和,pj r t 为第j 个原型人脸(视角B)的形状向量和纹理向量，r y 和r t 分别为y 和t 在视角B 下的虚拟形状向量和虚拟纹理向量， j α和j β分别为第j 个原型人脸形状向量和纹理向量的权值，这里的原型人脸为其它事先选好的N 个人的人脸图像。因此可知，对新来的
人脸图像，一旦其j α和j β被确定就可以利用,pj r y 和,pj r t 计算出r y 和r t ，
从而重建出该人脸图像在其它视角的图像(图2)。该技术最大的一个优点是仅仅需要一幅人脸图像就可以合成该人其它姿态的图像。Thomas Vetter[19][20]及Tomaso Poggio[21]也利用线性物体类的思想合成“旋转”了的(姿态变换)虚拟人脸图。在国内，温津伟[22]等人利用线性物体类技术创建虚拟样本，扩充样本数量，然后用PCA 降维并提取人脸图像的特征，对提取的特征用BEM 算法学习该类样本的概率密度分布参数，构建贝叶斯混合网络分类器来识别人脸；而朱长仁和王润生[23]提出了一种用特征点集表示人脸，然后用基于二元高次多项式函数最小二乘方
法对人脸各姿态之间的特征点集坐标进行拟和，形成全局的变形域，然后用单视图通过变形映射生成多姿态人脸图像。
图 2 应用线性物体类重建虚拟纹理. 唯一的一幅真实图像(正中间)被分解成原型纹理的线性组合,然后利
用这些线性系效合成虚拟纹理
C.Sanderson和S.Bengio[28]利用人脸的前视图模型是怎样与人脸的非前视图模型关联起来的先验知识，使用最大似然线性回归(Maximum Likelihood Linear Regression)及标准多因数线性回归(Standard Multi-variate Linear Regression)两种不同的算法生成姿态变化了的虚拟图像。在FERET人脸库上试验，使用PCA提取特征，基于标准多因数线性回归的方法得到的识别效果好于基于最大似然线性回归的方法，而使用离散余弦变换(DCT)提取特征，识别效果则相反。
张[11][24]等人提出利用镜像变换和几何变换生成多幅姿态与原样本不同的虚拟样本，原样本和虚拟样本一起用于训练，使用二维主分量分析法(2DPCA)提取特征，增加7和11个虚拟样本后，在ORL人脸库上试验，得到的平均识别率分别为74.94%和75.28%，比不增加得到的识别率要高。S. Shan，B. Cao [25]等人使用适当的几何变换（比如图像平移、旋转及尺度变化等）和适当的灰度变化（比如模拟不同方向上的光照及人造噪声等）来生成虚拟样本，用FDA提取特征，在Bern人脸库上试验，得到的识别效果比不增加时高。D. Q. Zhang，S. C. Chen [26]等人用奇异值分解扰动(Singular Value Decomposition Perturbation)及C. Lu，W.Q.Liu[27]等人采用奇异值分解(SVD)的方法得到多个原样本图像的重建图像，达到扩充训练样本的目的。这两种方法的缺点是只能生成和原样本图像姿态一样的虚拟样本。
总之，通过扩张训练样本的方法为我们解决单样本人脸识别问题提供了一种思路，但是正如Martinez [30]指出，这种方法的缺点是这些生成的虚拟人脸图像和原人脸图像高度相关，并不是真正独立的人脸图像。
1.2基于几何特征的方法
人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。这种方法首先检测出嘴巴、鼻子、眉毛、眼睛等脸部主要部件的位置和大小，然后利用这些部件的总体几何分布关系以及相互之间的参数比例来识别人脸。在这种基于几何特征的识别中，识别总归为特征矢量之间的匹配，基于欧氏距离的判决是最常用的识别方法。
几何特征匹配法首先从一幅人脸图像确定一组几何特征，比如眼睛、鼻子、嘴、脸型轮廓，人脸整体结构可以用一个表示这些特征的位置和大小的向量来描述。
最早利用几何特征研究自动人脸识别的是Kanade[13]，他的系统在一个有20个人的每人两张图像(一张用于训练,一张用于识别)的人脸库上试验，取得了最高为75%的识别率。Goldsteind等人和Kaya及Kobayashi[14]认为手工抽取人脸面部特征会得到更令人满意的效果。Brunelli 和Poggio[12]构建了一个人脸识别系统，它能够自动地抽取35个几何特征，形成35维的向量来表示人脸，使用贝叶斯分类器来完成相似性匹配，在一个47人的人脸库上的识别率为90%。Cox等人[15]提出了一种混合距离技术，人脸图像用手工抽取的30个距离来表示，在一个有685人的人脸库上取得了95%的识别率。 Manjunath[16]等人用Gabor 小波分解来检测人脸特征，并抽取35-45个特征，用特征点组成拓扑图，取得了86%的识别率。最近https://www.doczj.com/doc/af9674617.html,m, Hong Yan[17]提出了一种局部特征和整脸特征相结合的方法，使用了头部模型，整个识别过程分两个阶段：第一阶段，先定位出面部的15个特征点，即人脸边界6个、眼角4个、嘴角2个、鼻子1个、眉毛2个，再利用几何测量估计出输入图像头部偏转的角度，根据这个角度调整图像特征点的位置使偏转的图像变成直立的不偏转的正面图像，最后使用点匹配的方法比较输入图像的特征点集与数据库(训练样本)的特征点集的相似程度，与数据库中特征点集相似的人脸图像将留下用于下一个阶段的识别；第二阶段，为每幅图像建立眼睛眉毛窗口、鼻子窗口、嘴窗口，最后用相关度量不同窗口下图像的相似程度。这种方法由于考虑了头的偏转角度及充分利用了人脸的局部特征和全局特征，所以识别率很高，且对姿态、光照变化的图像不敏感，但对部分遮挡、表情变化则不那么有效。
基于几何特征的识别方法具有如下优点：(1)对每幅图像只需存储一个特征矢量，存储量小；(2)对光照变化不太敏感。这种方法同样存在如下问题：(1)从图像中抽取稳定的特征比较困难，特别是特征受到遮挡时；(2)对强烈的表情变化和姿态变化的鲁棒性较差；(3)只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，更适合于粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。
1.3 基于连接机制的识别方法
弹性图匹配法[55]是一种基于动态链接结构(Dynamic Link Architecture,DLA)的方法。弹性图匹配法在二维空间中为人脸建立属性拓扑图，图中边表示人脸各器官之间的拓扑结构，它对人脸变形有一定的容忍度，每个顶点表示一个特征向量，用来记录人脸在该顶点附近的特征信息，然后利用弹性匹配将库中人脸和待识别人脸的弹性图进行匹配，找到匹配程度最高的一个人脸图像。弹性图匹配法优点是对光照、位移、旋转及尺度变化都不敏感，是一种优于特征脸法的人脸识别方法。缺点是对每个存储的人脸需计算其模型图，计算和存储量大。
神经网络方法的优点是避免了复杂的特征提取工作；以并行方式处理信息，如用硬件实
现，能显著提高速度；保存了图像的材质信息和形状信息；避免了较为复杂的特征提取工作,所以有研究人员用它来解决单样本人脸识别问题。X.Y . Tan,S.C.Chen 等人[52]首先把样本图像分割成若干个大小相等的子图像,每个子图像表示人脸特定区域的信息,这样人脸就用多个低维的局部特征向量而不仅仅是一个高维向量来表示,然后把这些局部向量送入核自组织映射(Kernel-SOM)神经网络进行训练,并为训练图像同一个位置的每个子图像建立了一个软K 邻近分类器,最后的识别结果由这些分类器共同决定。考虑到人脸局部区域重要性不同,随后他们提出了加权的自组织映射网络(W-SOM)[53],根据每个子图像的重要度加权其所对应的软最近邻分类器的输出结果,一幅人脸图像的识别由它的子图像的最近邻分类器的输出结果加权后共同决定。最后,他们又进一步修正了SOM 网络,提出了多元自组织映射网络融合(Multiple SOM Fusion)[54]的网络,构建了一个融合2()E PC A [47]、单一SOM 、类依赖多元SOM 和横向多元SOM 技术的人脸识别系统，使用软K 近邻集成决策方法来识别未知人脸。在FERET 人脸库上试验,这三种方法对正面人脸图像的识别率在88.5%-90.5%之间,但对姿态变化、表情变化及光照变化较大的人脸图像的识别则未做报道。
认知心理学研究表明[56][57]：与灰度图像相比，人脸能够更快更准确地识别线图(line drawings)。近年来利用线图来识别人脸的技术发展很快，Takacs[58]提出了一种边缘图（Edge Map ）的方法，该方法利用人脸的边缘曲线所组成的边缘图来表示人脸，在此基础上使用像素间的豪斯道夫距离（Hausdorff Distance ）模板匹配技术来进行人脸识别。Y . Gao[59]等人扩展了边缘图并提出了线边缘图（Line Edge Map ）的方法，该方法使用线边缘图表示人脸，并为LEM 定义了一种新的称为线段豪斯道夫距离（Line Segment Hausdorff Distance ）的度量来度量两个人脸图像LEM 图之间的相似程度。这两种方法对光照变化具有非常好的鲁棒性，但对姿态变化却很敏感。最近B. Park ，K. M. Lee [60] 等人提出了一种基于线特征的人脸识别算法，这种方法用人脸属性关系图模型 (Face-ARG Model) (见图3) 来表示人脸，所有的几何量及结构信息都被编码在一个属性关系图（Attributed Relational Graph ）结构里面。人脸属性关系图模型把人脸用一个三元组描述，即，Face －ARG ：:(,,)Face ARG G V R F ?=，其中V 是图中节点的集合，R 是节点间二元关系向量的集合，F 是节点的关系向量空间集合。识别时，测试人脸图像T G 与数据库中的参考人脸图像M G 挨个匹配，与T G 相似程度最高的M G 的身份就是T G 的身份。这种方法对表情变化、光照变化、部分遮挡具有很强的鲁棒性，但对严重的姿态变化却不那么有效。
图3 人脸－属性关系图模型
1.4其他方法
A.M.Martinez[61]用光流场来检测训练样本和测试样本对应像素值之间的变化,给光流较小的像素赋予较大的权值，光流较大的像素赋予较小的权值，最后用欧式距离度量两幅图像的相似程度,识别图像的身份。这种方法对解决表情变化的情况比较有效,但对姿态变化、光照变化、部分遮挡识别效果不好。Cheng Du、Guangda Su、Xinggang Lin[62]提出了一种姿态复原的方法来解决姿态变化问题,他们利用头部几何对称及头部先验知识把偏转的人脸图像变换成接近正面的人脸图像,试验表明,变换姿态后的识别率比变换前提高很多。
H.E.Komleh, V.Chandran等人[63]利用分形图像编码技术对输入图像提取特征,并对提取的特征使用PCA降维,利用均方误差作为距离度量来度量两幅图像的相似程度,该方法适合表情变化的场合。R.Singh，M.Vatsaand等人[64]首先利用二维Gabor小波变换提取人脸纹理特征,再用这些纹理特征组建二元人脸模板用于人脸匹配,单样本情况下在FERET人脸库上试验取得了89.14%的高识别率。Martinez[65]提出一种局部概率的方法从单样本识别部分遮挡、表情变化的人脸图像，该方法首先将人脸分成六个椭圆形状的局部小区域，人脸图像同一位置的小区域组成一个人脸子空间，每个子空间变换成一个特征空间，其中分布使用高斯混合模型来估计。识别阶段，测试图像也分成六个小区域并分别投影到上面的特征空间，使用概率的方法来度量两幅图像的相似程度。在有2600幅人脸图像的库上实验，当有1/6的人脸被遮挡时，识别率仍然没有多大降低。廖等人[66]根据人脸各个局部特征对识别的贡献不同，选择了几个最能表达人脸信息的局部特征或区域——左上半边脸、整脸、左眉毛+左眼睛、两只眼睛、鼻子，并根据Adaboost算法思想为每类局部特征构建一个分类器，然后将这些分类器加权组合成一个强分类器，提出了组合特征识别算法。最后用多投票法和组合特征法在250人组成的FERET人脸库上测试方法的性能，最高识别率分别为89.8%，91.1%。
2单训练样本人脸识别面临的挑战
单样本人脸识别是一个跨学科富挑战性的前沿课题，但目前单样本人脸识别还只是研究课题，尚不是实用化领域的活跃课题。单样本人脸识别难度较大，主要难在光照的不同、姿态的变化、表情的变化都会使人脸图像发生相应的变化，这给人脸正确认知带来很大的困难。首先，光照变化会改变人脸图像灰度的相对分布，所以由光照引起的人脸图像变化甚至比因个体差异引起的变化还要大。其次，人脸姿态的变化导致人脸成像出现变形，同一人脸不同姿态的人脸图像之间相关性随着姿态变化的增加迅速减少，这给不同姿态的人脸图像匹配带来困难，亦即如何利用某一姿态的人脸图像对其他姿态的人脸进行识别，这是一个极其困难的问题。最后，在进行人脸识别时，表情是一个不容忽略的问题，表情的变化直接影响着人脸识别的结果。人脸是复杂的三维形体，表情丰富且表情变化细微而复杂，很难用数学语言具体描述，人脸又有很强的相似性，其间的差别非常微妙，这也是人脸识别面临的一个问题。
3总结与展望
单样本人脸识别是一个很重要同时也是很有挑战性的问题，近年来，由于其在理论和实践中的应用，引起了越来越多的研究人员的关注。本文中，我们对目前的研究成果进行了概括。首先，给出单样本人脸识别问题的定义，指出现存的很多人脸识别方法并不能简单的应用于单样本问题，从而解释了研究单样本问题的必要性；接着本文又对近年来涌现的各种解决单样本问题的方法进行分类：基于几何特征、统计特征和连接机制的识别方法，详细分析
了各种算法并总结了它们的优缺点，以便读者对这个问题的研究进展有个总体的了解；最后文章还指出单样本人脸识别面临的挑战。尽管单样本人脸识别面临着很多挑战，但它仍然有很大的发展空间。
1）人脸的局部和整体信息的相互结合为识别问题提供了一个思路。局部和整体信息的相互结合能有效地描述人脸的特征，可以获得准确的人脸描述和区别信息，避免完全不相似的人脸图像被认为是相似的。
2）三维人脸识别技术也为单样本问题提供了一线新的曙光。三维信息能够更精确地描述人的脸部特征，提取的某些特征具有刚体变换不变性，并且不易受化妆和光照的影响。利用三维曲面的配准算法能很好地克服姿态变化，通过三维模型合成的面部动作在一定程度上克服了表情变化，因此，基于三维信息的人脸识别是一种较鲁棒的识别途径，能够有效地克服基于二维图像进行识别遇到的困难。例，Shimshoni等人[68]从单幅人脸图像重建人脸三维表面形状来进行识别；Mario Castelan与Hancock[69]提出从一幅正面人脸图像获取图像的高度信息以为最终的识别提供更多更精确的信息。Lei Zhang，Sen Wang等人[70][71]提出了一种三维球形调和函数基形变模型(SHBMM)，在解决光照和姿态变化上取得了很好的效果。
3）多模态生物特征识别技术为问题的解决提供了一个新的方向。由于人类具有多种生物特征，比如指纹、声纹、虹膜、静脉等，而且没有任何一个单一的生物特征识别系统足够精确和可靠，某些特征之间具有很强的互补性，可以融合多种特征进行识别。多生物特征融合来进行身份鉴别有很多优点：（1）准确性；（2）可靠性；（3）适用性，每种生物特征都存在应用的局限性，因此可以把人脸和其他生物特征结合起来以提高识别效果。文[67]就结合人脸和掌纹特征来识别人的身份，只使用人脸特征或掌纹特征识别率分别为52.57%,62.72%，将二者结合后识别率为90.73%，识别率大大提高。
4）先验知识也为单样本人脸识别问题开辟了一条道路。在机器学习领域，近年来先验知识被广泛研究和利用。近期的研究表明，在单样本数字签名识别中使用先验知识可以达到比多样本训练更好的识别效果。文[39]-[43]就把先验知识用于单训练样本人脸识别问题，而且取得了比较好的识别性能。
5）模式识别、计算机学习和计算机视觉等人脸识别相关学科的发展为单样本人脸识别问题的最终解决提供了方法。
总之，虽然单样本人脸识别问题目前还没有很好的解决方法，但是，这并不意味着问题不能被最终解决。近期的研究表明，虽然只有一个样本，但其中已经包含了足够多的可以被用来识别的信息。随着众多研究者的不懈努力，单样本人脸识别问题将加速得到解决。
参考文献
[1] Face Recognition from a Single Image per Person：A Survey
[2] ZHAO W，CHELLAPPA R，ROSENFELD A，PHILLIPS P J．Face Recognition: A Literature Survey.
[3] M. TURK, A. PENTLAND. “Face Recognition Using Eigenfaces”. In IEEE CVPR, pp. 586-591, 1991.
[4] JIAN HUANG, PONG C YUEN, WEN-SHENG CHEN and J H https://www.doczj.com/doc/af9674617.html,ponent-based LDA Method for Face Recognition with One Training https://www.doczj.com/doc/af9674617.html,puter society ,2003.
[5] F.S. SAMARIA. Face Recognition Using Hidden Markov Models. PhD thesis, University of Cambridge, 1994.
[6] PHILLIPLS, P. J.Support vector machines applied to face fecognition. Adv. Neural Inform. Process. Syst. 11(03) (1998) 809.
[7] MOGHADDAM, B., JEBARA, T., PENTLAND, A. Bayesian face recognition. Pattern Recognition, 33(11) (2000) 1771-1782.
[8] P.S. PENEV. “Local Feature Analysis: a General Statistical Theory For Object Representation”. In Network: Computation in Neural Systems, vol. 7, pp. 477-500, 1996.
[9] LI, S. Z. AND LU, J. Face recognition using the nearest feature line method. IEEE Trans. Neural Network.10(2)
(1999) 439-443.
[10] LIU, C., WECHSLER H.Evolutionary pursuit and its application to face recognition. IEEE Trans. Pattern Analysis and Machine Intelligence, 22 (6) (2000) 570¨C582.
[11] 张生亮 陈伏兵 杨静字. 对单训练样本的人脸识别问题的研究.
[12] BRUNELLI R ，POGGIO T ．Face Recognition ：Features Versus Templates. IEEE Trans on Pattern Analysis and Machine Intelligence, 2002，24(1)：34—58.
[13] T. KANADE. Picture Processing by Computer Complex andRecognition of Human Faces. technical report, Dept. InformationScience, Kyoto Univ., 1973.
[14] A.J. GOLDSTEIN, L.D. HARMON, and A.B. LESK. Identification ofHuman Faces. Proc. IEEE, vol. 59, p. 748, 1971.
[15] I.J. COX, J. GHOSN and P.N. YIANIOS. Feature-Based FaceRecognition Using Mixture-Distance. Computer Vision and PatternRecognition, 1996.
[16] B.S. MANJUNATH, R. CHELLAPPA and C. VON DER MALSBURG. A Feature Based Approach to Face Recognition. Proc. IEEE CS https://www.doczj.com/doc/af9674617.html,puter Vision and Pattern Recognition, pp. 373-378, 1992.
[17] https://www.doczj.com/doc/af9674617.html,M, HONG YAN. An Analytic-to-Holistic Approach for Face Recognition Based on a Single Frontal View.
[18] D.BEYMER, T.POGGIO. Face Recognition from One Example View.
[19] THOMAS VETTER. Learning novel views to a single face image
[20] THOMAS VETTER. Synthesis of novel views from a single face image.
[21] THOMAS VETTER, TOMASO POGGIO. Linear Object Classes and Image Synthesis From a Single Example Image
[22] 温津伟,罗四维,赵嘉莉,黄华. 通过创建虚拟样本的小样本人脸识别统计学习方法.
[23] 朱长仁,王润生.基于单视图的多姿态人脸图像生成技术研究.
[24] 张生亮.单视图多姿态人脸识别研究.
[25] S. SHAN. Extend Fisherfaces for Face Recognition from a Single Example Image per Person.
[26] D.Q. ZHANG .. A New Face Recognition Method based on SVD Perturbation for Single Example Image per Person.
[27] C. LU, W.Q. LIU, et al. Face Recognition with Only One Training Sample.
[28] C. SANDERSON, S. BENGIO. Extrapolating Single View Face Models for Multi-View Recognition.
[29] ZHAO JIALI, WENJINWEI. Face Recognition: a Facial Action Reconstruction and ICA Representation Approach.
[30] MARTINEZ, A.M. Recognizing imprecisely localized, partially occluded, and expression variant faces from a single sample per class. IEEE Trans. Pattern Analysis and Machine Intelligence 25(6) (2002) 748-763.
[31] D.Q. ZHANG, S.C. CHEN, et al. Recognizing Face or Object from a Single Image: Linear vs. Kernel Methods on 2D Patterns
[32] X.D. XIE, K.M. LAM. Gabor-Based Kernel PCA With Doubly Nonlinear Mapping for Face Recognition With a Single Face Image.
[33] S.C. CHEN, et al. Making FLDA Applicable to Face Recognition with One Sample per Person.
[34] YAN WEI PANG, et al. Cluster-based LDA for Single Sample Problem in Face Recognition.
[35] J. HUANG, P.C. YUEN, et al. Component-based LDA Method for Face Recognition with One Training Sample.
[36] PALO ALTO, BLEDSOE W W. Man-machine facial recognition [R], CA: Panoramic Res In.1966.
[37] H.S. LE, H.B. LI. Face Identification System using Single Hidden Markov Model and Single Sample Image per Person.
[38] H.S. LE, H.B. LI. Face Identification from One Single Sample Face Image.
[39] PIN LIAO, LI SHEN. Unified Probabilistic Models for Face Recognition from a Single Example Image per Person.
[40] X.G. WANG, X. TANG. Unified Subspace Analysis for Face Recognition.
[41] J. WANG, K.N. PLATANIOTIS, et al. On solving the face recognition problem with one training sample per subject.
[42] J. WANG, J.W. LU, K.N. PLATANIOTIS, et al. Face Recognition-Combine Generic and Specific Solutions.
[43] J. WANG, Y.T. GU, K.N.P LATANIOTIS, et al. Select Eigenfaces for Face Recognition with One Training Sample per Subject.
[44] J. WANG, K.N.PLATANIOTIS, et al. Selecting discriminant eigenfaces for face recognition.
[45] J. WANG, K.N.PLATANIOTIS, et al. Selecting Kernel Eigenfaces for Face Recognition with One Training Sample per Subject.
[46] J.X. WU, Z.H. ZHOU. Face Recognition with One Training Image per Person
[47] S.C. CHEN, D.Q. ZHANG, Z.H. ZHOU. Enhanced 2
()PC A for Face Recognition with One Training Image per Person.
[48] 何家忠,杜明辉. 单样本条件下基于图像增强和Fourier 频谱的人脸识别.
[49] 何家忠,杜明辉. 单样本人脸识别中一种新的图像增强方法.
[50] JIAZHONG HE, MINGHUI DU. Face Recognition Based on Projection Map and SVD Method for One Training Image per Person.
[51] 何家忠,杜明辉. 基于小波的训练样本增强的单样本人脸识别.
[52] X.Y . TAN, S.C. CHEN, et al. Robust Face Recognition from a Single Training Image per Person with
Kernel-Based SOM-Face.
[53] 谭晓阳,刘俊,张福炎. 基于“SOM脸”的选择性单训练样本人脸识别.
[54] X.Y. TAN, J.LIU,S.C. CHEN. Recognition from a Single Sample per Person with Multiple SOM Fusion.
[55] L.WISKOTT, J.M.FELLOUS. Face Recognition by Elastic Bunch Graph Matching.
[56] I. BIEDERMAN AND J. GU. Surface versus Edge-Based Determinants of Visual Recognition. Cognitive Psychology, vol. 20, pp. 38-64, 1988.
[57] V. BRUCE et al. The Importance of Mass in Line Drawings of Faces. Applied Cognitive Psychology, vol. 6, pp. 619-628, 1992.
[58] B. TAKACS. Comparing Face Images Using the Modified Hausdorff Distance. Pattern Recognition, vol. 31, pp. 1873-1881, 1998.
[59] Y. GAO, M. K. LEUNG. Face Recognition Using Line Edge Map.
[60] B. PARK, K. M. LEE. Face Recognition Using Face-ARG Matching.
[61] A.M. MARTINEZ. Recognizing Expression Variant Faces From a Single Image per Person.
[62] CHENG DU, GUANGDA SU, XINGGANG LIN. Face Recognition Across Different Poses Using a single 2D Model View.
[63] H.E.KOMLEH, V.CHANDRAN, S.SRIDHARAN. Robustness to Expression Variations in Fractal-based Face recognition.
[64] R. SINGH, M. VATSAAND A. NOORE. Textural feature based face recognition for single raining images.
[65] ALEIX M. MARTINEZ. Recognizing imprecisely localized, partially occluded, and expression variant faces from a single sample per class. IEEE Trans. Pattern Analysis and Machine Intelligence 25(6) (2002) 748-763.
[66] 廖红文,冯国灿. 复用特征组合的单幅人脸图像识别.
[67] Y.F. YAO, X.Y. JING, H.S. WONG. Face and palmprint feature level fusion for single sample biometrics recognition.
[68] I. SHIMSHONI, Y. MOSES, M. LINDENBAUM. Shape Reconstruction of 3D Bilaterally Symmetric Surfaces. Int. J. Comput. Vision 2 (2003) 1–15.
[69] MARIO CASTELAN, E.R. HANCOCK. Acquiring height data from a single image of a face using local shape indicators.
[70] LEI ZHANG, SEN WANG, DIMITRIS SAMARAS.Face Synthesis and Recognition from a Single Image under Arbitrary Unknown Lighting using a Spherical Harmonic Basis Morphable Model.
[71] LEI ZHANG, DIMITRIS SAMARAS. Face Recognition from a Single Training Image under Arbitrary Unknown Lighting Using Spherical Harmonics.
A Survey for Face Recognition with a Single Training
Sample per Person
Zhao Huabo，Que Dashun
Wuhan university of technology, electronic and information engineering，Wuhan (430063)
Abstract
Recently, along with the development of the technology of face recognition, a new research problem——face recognition with a single sample per person. Face recognition with a single sample per person, as the name suggests, is to identify an unknown testing sample under the circumstance that every subject in the training sample set has only a single sample. This paper categorized the techniques and methods emerging both domestically and abroad in recent years for face recognition with a single sample, analyzed the strengths and shortcomings of every method, also analyzed the challenges it faces, at last predicted the future direction for face recognition with a single sample.
Keywords：Face Recognition，a Single Training Sample，Feature Extraction
作者简介：
阙大顺（1963-），男（汉族），湖北武汉人，副教授，硕士生导师，主要研究方向为现代信息传输与处理；
赵华波（1983-），女（汉族），湖北十堰人，硕士研究生，主要研究方向为信号与信息处理。
人脸识别研究综述 摘要：论文首先介绍了人脸识别技术概念与发展历史，解释人脸识别技术的过程与优缺点；随后对近几年人脸识别技术的研究情况与一些经典的方法进行详细的阐述，最后提出人脸识别技术在生活中的应用与展望。 关键词：人脸识别研究现状应用与展望 一、概念 人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流。首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 二、发展历史 人脸识别的研究历史比较悠久。高尔顿(Galton)早在1888 年和1910 年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。但当时还不可能涉及到人脸的自动识别问题。最早的AFR1的研究论文见于1965 年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。 三、过程与优缺点 人脸的识别过程： (1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。 (2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。 (3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库
计算机光盘软件与应用 2012年第5期 Computer CD Software and Applications 工程技术 — 49 — 人脸识别技术概述 杨万振 （东北大学，沈阳 110819） 摘要：作为多学科领域的具有挑战性的难题，人脸识别技术覆盖了模式识别、神经网络、生理学、计算机视觉、 心理学、数字图像处理、数学等诸多学科的内容。 关键词：人脸识别；算法 中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599(2012)05-0049-01 一、引言 人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。国内外的人脸识别的方法多种多样，并且不断有新的研究成果出现。但是，由于人脸识别问题巨大的复杂性，要建立一个能够完全自动完成人脸识别任务的计算机系统难度是相当大的，这不仅涉及到数字图像处理，而且还涉及到计算机视觉，人工智能和计算机网络及通讯等的多个学科领域的广泛知识。目前生物识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域等[1,2]。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域：1.公安、司法和刑侦。2.自助服务。3、.企业、住宅安全和管理。4.电子护照及身份证。5.信息安全。综上所述，人脸识别技术对于打击各类犯罪活动、维护国家安全和社会稳定等具有十分重大的意义。随着各种技术手段的综合应用和科学技术的发展， 相信人脸识别技术会不断向前发展，应用更加广泛。 二、人脸识别系统的基本框架 人脸识别过程包括两个主要环节：一是人脸的检测和定位，即从输入图像中找到人脸及其位置，并将人脸从中分割出来；二是对标准化的人脸图像进行特征提取与识别。 人脸识别系统基本框架图 如图所示，人脸识别系统各部分的功能和作用： （一）图像获取：用图像获取设备（数码相机、扫描仪、摄像机）获取图像，也可以在人脸图像库中获取图像，然后使用相应程序将图像转换成可处理的格式。 （二）检测定位：人脸检测是指在输入图像中确定所有人脸的大小、姿态和位置的过程。近年来，由于生物特征识别的发展和人际交互方式的发展，人脸检测定位的发展很迅速，但是其难点是容易受到亮度变化、人的头部姿势及图像背景等因素的影响。 （三）人脸图像预处理：对获取的图像进行适当的处理，使其具有的特征能在图像中表现的明显。该模块主要由灰度变化、光线补偿、对比度增强、高斯平滑处理、直方图均衡和图像二值化处理等子模块构成。 （四）特征提取部分：将预处理后得到的正规人脸图像按照相应的算法提取出用来识别的特征向量，将原始的人脸空间中的数据映射到特征空间中去。通常把原始人脸空间叫测量空间，把用以进行分类识别的空间叫特征空间，较高维数的测量空间的模 式表示可以经过变换变为在较低维数的特征空间中模式的表示。 （五）分类器设计：部分分类器的设计是在后台完成的，就是所谓训练过程，该过程结束后可生成分类器用于分类识别。模式识别问题事实上可以看做是一个分类问题，即把待识别的对象归于某一类之中。在人脸识别问题上就是把不同输入的人脸图像归于某个人这一类。其基本的做法就是在样本训练集的基础上确定某种判决规则，然后使按这种判决规则对待识别的对象进行分 类所引起的损失最小或造成的错误识别率最小。 （六）分类决策：就是运用已经设计好的分类器进行分类识别，得出最后的识别结果，并给出相应的判断。 三、人脸识别的常用方法 1.主分量分析法 2.线性判别分析法 3.独立分量分析法 4.隐马尔可夫模型法 5.弹性束图匹配法 四、人脸识别的技术优势 虽然目前人脸识别系统不是很成熟，但与虹膜识别、指纹 识别等其它生物特征识别技术相比，人脸识别的技术优势主要有以下几点： （一）非接触式操作，适用于隐蔽监控。由于人脸识别系统不需要接触，可以秘密开展，因此特别适用于网上抓逃、隐蔽监控等应用。这是虹膜、指纹等其他生物特征识别技术所不具备。 （二）无侵犯性，容易被接受。人脸识别系统一般为远距离 采集数据，减小了对用户造成生理上伤害几率，用户容易接受。 （三）图像采集设备成本低。目前，USBCCD/CMOS 摄像头非常低廉的价格，已成为计算机的标准配置，极大地扩展了人脸识别实用范围；此外，数码摄像机、数码相机和照片扫描仪等图像 采集设备在普通家庭的日益普及进一步增加了其可用性。 （四）更符合人类的识别习惯，可交互性强。人脸识别更 符合人识别人的习惯，故若与用户交互配合可以大大提高系统 的可靠性和可用性；但是指纹、虹膜识别却不具备如此优点。 （五）识别精确度较高、速度快。与其它生物识别技术相比，人脸识别的精度处于较高的水平，拒识率、误识率较低。 五、人脸识别研究的难点 人脸识别通常是通过对采集得到的人脸图像的分析计算来确定其身份的。人脸是具有复杂结构的三位可变形生物体，影响人脸识别效果的因素主要有以下几个： 姿态：人脸图像的变化，例如在三维人脸到二维人脸的成像过程中，由于相关的照相机-脸姿（正面的、45度、侧面、颠倒的）导致的不同，而一些脸部特征如眼睛或鼻子可能部分地或全部被遮挡。 组件的影响：面部的特征如胡须和眼镜等可能存在也可能不存在，这些组件包括形状、颜色和大小。 面部表情：人脸为可变形物体，人脸表情的变化直接影响人脸图像的模式。 图像的方向：照相机光轴的旋转不同可直接引起人脸图像的变化。 图像的条件：当图像产生时，一些因素如光(光谱、光源分布和强度)和照相机的特性(传感器的响应、透镜)影响人脸的外观。 参考文献： [1]Yin L.Basu A.Generating realistic facial expressions with wrinkles for model-based coding [J]．Computer Vision and Image Understanding,2001,84(2):201-240 [2]李云峰,杨益,田俊香.人脸识别的研究进展与发展方向[J].科技资讯,2008(5):23-32
摘要 人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向。虽然人脸识别的研究已有很长的历史，各种人脸识别的技术也很多，但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响，目前还没有一种人脸识别技术是公认快速有效的．本文主要讨论了人脸识别技术的一些常用方法，对现有的人脸检测与定位、人脸特征提取、人脸识别的方法进行分析和讨论，最后对人脸识别未来的发展和应用做了展望。 关键字：人脸识别，特征定位，特征提取
ABSTRACT Nowadays the face recognition technology (FRT) is a hot issue in the field of pattern recognition and artificial intelligence．Although this research already has a long history and many different recognition methods are proposed，there is still no effective method with low cost an d high precision．Human face is a complex pattern an d is easily affected by the expression，complexion and clothes．In this paper，some general research are discussed，including methods of face detection and location，features abstraction，and face recognition．Then we analyze and forecast the face recognition’s application and its prospects． Keywords: Face Recognition Technology, Face location，Features abstraction
图像处理与模式识别 ------人脸表情识别介绍摘要：人脸表情是我们进行交往和表达情绪的一种重要手段，不经过特殊训练，人类对其面部表情往往很难掩饰，所以，通过对人脸表情进行分析，可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分，也是模式识别、图像处理领域的一个重要研究课题，近几年来，受到了越来越多的科研人员的关注。 本文综述了国内外近年来人脸表情识别技术的最新发展状况，对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取，做了详细分析和归纳。 关键词：人脸定位；积分投影；人脸表情识别；流形学习；局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic. In this paper,we present the latest development of this area,and give a detailed analysisand summary for facial
人脸识别研究 代上 （河南大学环境与规划学院河南开封 475004） 摘要：现今世界经济发展迅速，而面对繁杂的社会安全问题却显得有些捉襟见肘，人脸识别技术能够因通过面部特征信息识别身份而受到广泛关注。人脸识别通常使用采集含有人脸图像或视频流的设备，将收集到的人脸信息进行脸部检测,进而与数据库中已有信息进行对比确定被识别对象的身份,已经广泛的应用于公共安全、教育等多个方面，且在以后的社会发展中具有很大的应用前景。本文主要对人脸识别的发展历程、主要识别方法予以总结概括，并对其应用范围与发展趋势进行分析。 关键词：人脸识别；方法；应用；发展 1引言 人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。该项技术目前应用到社会的各个领域，例如个人家庭自动门的安全系统、犯罪人的身份识别系统、银行自动取款的服务系统等。 人脸识别系统给人带了很多方便，应用能力很强，但是人脸识别仍然有很多阻碍其发展的困难之处。主要表现在：在收集图像中目标自身的影响；在系统收集图像的过程中容易受到各种外界因素以及系统收集图像之后由于其它因素造成的面部损伤所带来的影响；随着时间的变迁，人的面部逐步发生变化的影响。这些都对人脸识别技术的发展造成了一定的困难，也使得该项技术面临着多种挑战性。 2 人脸识别研究的发展历史与研究现状 2.1发展历史 很早在19世纪80年代就有关于通过人脸对人类的身份进行辨别的论文发表，但是由于技术水平与设备的限制，人脸识别技术并没有受到重视。直到20世纪60年代末，Blcdsoc[1]提出了人脸识别研究的雏形，人脸识别技术才被人们接受。 在人脸识别研究的早期阶段，人们主要研究的是人脸识别的各种方法，但是在实际应用方面却没有得到实质性的进展。 进入20世纪90年代末的时候，人脸识别技术进入了一个快速发展阶段，在这个时期各种新的人脸识别方法相继出现，并创建了人脸图像数据库，对人脸识别的发展起到了巨大的促进作用。在实际应用方面也取得了很大的进展，运用人脸识别技术的产品逐渐进入了社会市场。 进入21世纪以后，人脸识别技术已经逐步发展成熟，但是由于非理想条件如（光照、天气、姿态）的影响，对人脸识别技术的要求也更高。为了解决这些不利因素所造成的影响，研究者们一直努力寻找更加趋于完美的方法，从而减少这些因素所带来的不利影响。 2.2研究现状 近几年来，人脸识别技术已经从以前的认知阶段发展到了实际应用阶段。但是由于每个人的面部都会因为各种不同的原因发生改变，这给人脸识别带来了不小的影响。如光照不同
单样本人脸识别综述 南京杭空航天大学 ELSEVIER 摘要 当前人脸识别技术主要挑战之一在于样本收集的困难性。很少的样本意味着在收集样本时付出更少的劳动，在存储和处理它们是付出更少的代价。不幸的是，许多现有的人脸识别技术很大程度上依赖于训练样本集的规模和代表性，如果系统中仅有一个训练样本，则将会导致严重的性能下降甚至无法工作。这种情况称之为“单样本”问题，即给出每人一幅人脸的存储数据库，目标是仅根据单幅人脸图像在不同的姿态、光照等条件下从数据库中识别人脸图像的身份。由于训练集非常有限，这样的任务队当前大多数算法而言都是非常具有挑战性的。现有许多技术正试图解决该问题，本文的目的是对这些算法进行分类和评估，对较为突出的算法进行了描述和批判的分析。并讨论了诸如数据采集、小样本规模的影响、系统评估等一些相关问题，同时提出了一些未来研究中具有前景的方向。 关键词：人脸识别；单训练样本 1 引言 作为少数几个同时具有高精度和低干涉的生物特征方法，人脸识别技术在信息安全、法律事实和监控、智能车、访问控制等方面具有大量的潜在应用。因此，在过去20年中人脸识别技术已经受到了来自学术和工业方面的极大关注。近来，一些作者已经从不同方面调查和评估了现有的人脸识别技术。例如，Samal et al. [4] and Valentin et al. [5]分别对基于特征和基于神经网络的技术进行了调研。Yang等[6]评述了人脸识别技术，Pantic and Rothkrantz[7]对自动面部表达分析进行了调研，Daugman [3]指出了涉及人脸识别系统有效性的几个关键问题，而最近的综述应该是Zhao et al. [1],他对许多最新的技术进行了评论。 人脸识别的目的是从人脸图像的数据库中的静态图像或视频图像中识别或验证一个或多个人。许多研究工作集中在怎样提高识别系统的精度，然而，大部分研究工作似乎忽视了一个可能来源于人脸数据库的潜在问题，即可能由于样本采集的困难或由于系统存储空间的限制，数据库中可能对每一个人只存储了一副样本图像。在这种条件下，诸如特征脸（Eigenface）和Fisher人脸识别技术等传统方法将导致严重的性能下降甚至无法工作（详见第2节）。这个问题称之为单样本问题，即即给出每人一幅人脸的存储数据库，目标是仅根据单幅人脸图像在不同的姿态、光照等条件下从数据库中识别人脸图像的身份。由于其挑战性和现实应用的重要性，这个问题很快成为了人脸识别技术近年来的一个研究热点，许多专用技术被开发来解决该问题，例如合成虚拟样本，局部化单一训练图像，概率匹配和神经网络方法。 本文最主要的贡献是给出这些从单一人脸图像进行人脸识别的特定方法一个综合的、评论性的综述。我们相信这些工作是对参考文献[1–7]的一个有用的补充，这些文献中所考察的大多数技术没有考虑单样本问题。实际上，通过对这个问题更多的关注和技术的详细研究，我们希望这篇综述能够对这些技术的基本原则、相互联系、优缺点以及设计优化提供更多深刻的理解。对一些相关问题，如数据收集、小样本空间的影响以及系统评估等也进行了讨论。 接下来我们首先试图建立有关什么是单样本问题以及为什么、何时应道考虑这个问题的一个公共背景。特别的，我们也讨论了该问题所不需要考虑的方面。在第三节我们继续回顾有关该问题的前沿技术。借此，我们希望能够借鉴一些有用的经验来帮助我们更有效地解决这个问题。在第四节中，我们讨论了有关性能评估的几个问题。最后，在第五节中我们通过讨论几个具有前景的研究方向对单样本问题进行了总结。
本科生毕业论文（设计） 题目人脸识别技术综述 学院计算机学院 专业计算机科学与技术 学生姓名陶健 学号 0643041077 年级 2006 指导教师周欣 教务处制表 二Ο年月日
人脸识别技术综述 计算机科学与技术 学生陶健老师周欣 [摘要]随着社会信息化，网络化得不断发展，个人身份趋于数字化，隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。人脸识别，一种应用比较广泛的生物识别方法，在基于人脸固有的生物特征信息，利用模式识别和图行图像处理技术来对个人身份进行鉴定，在国家安全，计算机交互，家庭娱乐等其他很多领域发挥着举足轻重的作用，能提高办事效率，防止社会犯罪等，有着重大的经济和社会意义。 本文主要研究了人脸识别在图像检测识别方面的一些常用的方法。由于图像处理的好坏直接影响着定位和识别的准确率，因此本文对图像的一些识别算法做了着重的介绍，例如基于二维Gabor小波矩阵表征人脸的识别算法，基于模型匹配人脸识别算法等。此外，本文还提及了一般人脸识别系统的设计，并着重介绍了图像预处理环节的光线补偿，图像灰度化等技术，使图像预处理模块在图像处理过程中能取到良好的作用，提高图像识别和定位的准确率。 [主题词]：人脸识别；特征提取；图像预处理；光线补偿
Face Recognition Overview Computer Science Student：TAO Jian Adviser: ZHOU Xin [Abstract] With the information society, network was growing, personal identity tends to digital, hidden, how to accurately identify, to ensure that information security is more and more attention. Face recognition, an application of biometric identification methods more widely, based on biometric facial information inherent in the use of pattern recognition and image processing techniques to map line of personal identity ,play a great role in the national security, computer interaction, family entertainment and many other areas. Face recognition can improve efficiency, prevent social crime, of course it has significant economic and social significance. This paper studies aspects of face recognition in image detection and some common methods of identification. As the image processing directly impact on the accuracy of location and identification, so some of image recognition algorithm will be focused presentation, such as Gabor wavelet-based two-dimensional matrix representation of face recognition algorithms, model-based matching face recognition algorithm. In addition, the article also mentioned a general recognition system design, and highlights the image preprocessing part of the light compensation, gray image techniques, the image preprocessing module in the image processing to get to the good , and improve image recognition and positioning accuracy. [Key Words] Face recognition; feature extraction; image preprocessing; light compensation
人脸识别系统毕业论文 第一节课题背景 一课题的来源 随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。 二人脸识别技术的研究意义 1、富有挑战性的课题 2、面部关键特征定位及人脸2D形状检测技术 3、面部感知系统的重要容 基于视觉通道信息的面部感知系统，包括人脸检测和跟踪、面部特征定位、面部识别、人脸归类（年龄、种族、性别等的判别）、表情识别、唇读等分系统，如图1-1所式，可以看出，继人脸检测和跟追之后，面部特征定位通常是面部感知的一个必备环节, 是后续工作的基础，具有重要的意义。尽管人脸识别不能说是其他面部感知模块的必备功能，但是，可以肯定的是，利用已知的身份信息，结合特定人的先验知识，可以提高表情分析、唇读和语音识别、手势识别乃至手写体识别的可靠性。而计算机对使用者身份确认的最直接的应用就是基于特定使用者的环境设置：如使用者的个性化工作环境，信息的共享和隐私保护等等。
图1-1面部感知系统结构图 第二章系统的需求分析与方案选择 人脸识别系统现在应用于许多领域中，但是人脸识别技术也是一项近年来兴起的， 且不大为人所知的新技术。在我国以及其他国家都有大量的学者正在研究之中，不断的 更新人脸识别技术，以便系统的识别准确率达到新的高度。 第一节可行性分析 在开发该人脸识别软件之前，我们查询了前人所写过的诸多论文以及源程序，在开 发之时，结合了资料中的算法并揉进了自己的一些思想，使程序可以对人脸图片进行简 易识别。 一技术可行性 图像的处理方法很多，我们可以根据需要，有选择地使用各种方法。 在确定脸部区域上，通常使用的方法有肤色提取。肤色提取，则对脸部区域的获取 则比较准确，成功率达到95%以上，并且速度快，减少很多工作。 图像的亮度变化，由于图像的亮度在不同环境的当中，必然受到不同光线的影响， 图像就变得太暗或太亮，我们就要对它的亮度进行调整，主要采取的措施是对图像进行 光线补偿。 高斯平滑：在图像的采集过程中，由于各种因素的影响，图像中往往会出现一些不规 则的随机噪声，如数据在传输、存储时发生的数据丢失和损坏等，这些都会影响图像的质 量，因此需要将图片进行平滑操作以此来消除噪声。 灰度变换：进行灰度处理，我们要保证图像信息尽可能少的丢失。同样在进行灰度 变视频输入 ㈡
收稿日期：２０１５-０４-０３；修回日期：２０１５-０５-２６ 基金项目：国家自然科学基金资助项目（６１４６３０３４） 作者简介：何俊（１９６９-），男，江西东乡人，副教授，硕导，博士，主要研究方向为人机交互技术、模式识别等（ｂｏｘｈｅｊｕｎ＠ｔｏｍ．ｃｏｍ）；何忠文（１９８６-），男，江西九江人，硕士研究生，主要研究方向为人机交互技术、模式识别等；蔡建峰（１９９０-），男，河北人，硕士研究生，主要研究方向为人机交互；房灵芝（１９８８-），女，山东人，硕士研究生，主要研究方向为人机交互． 自发表情识别方法综述* 何 俊，何忠文，蔡建峰，房灵芝 （南昌大学信息工程学院，南昌３３００３１） 摘 要：介绍了目前自发表情识别研究的现状与发展水平，详细阐述了自发表情识别研究的内容和方法，以及自发表情识别研究的关键技术，旨在引起研究者对此新兴研究方向的关注与兴趣，从而积极参与对自发表情识别问题的研究，并推动与此相关问题的进展。关键词：表情识别；自发表情；特征提取 中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ 文章编号：１００１-３６９５（２０１６）０１-００１２-０５ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１-３６９５．２０１６．０１．００３ Ｓｕｒｖｅｙｏｆｓｐｏｎｔａｎｅｏｕｓｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎ ＨｅＪｕｎ，ＨｅＺｈｏｎｇｗｅｎ，ＣａｉＪｉａｎｆｅｎｇ，ＦａｎｇＬｉｎｇｚｈｉ （Ｉｎｆｏｒｍａｔｉｏｎ＆ＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，ＮａｎｃｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ３３００３１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｄｔｈｅａｃｔｕａｌｉｔｙａｎｄｔｈｅｄｅｖｅｌｏｐｉｎｇｌｅｖｅｌｏｆｓｐｏｎｔａｎｅｏｕｓｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｔｔｈｅ ｐｒｅｓｅｎｔｔｉｍｅ，ａｎｄｐａｉｄｐａｒｔｉｃｕｌａｒａｔｔｅｎｔｉｏｎｔｏｔｈｅｋｅｙｔｅｃｈｎｏｌｏｇｙｏｎｔｈｅｒｅｓｅａｒｃｈｏｆｓｐｏｎｔａｎｅｏｕｓｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｉｓｐａｐｅｒａｉｍｅｄｔｏａｒｏｕｓｅｒｅｓｅａｒｃｈｅｒｓ’ａｔｔｅｎｔｉｏｎａｎｄｉｎｔｅｒｅｓｔｓｉｎｔｏｔｈｉｓｎｅｗｆｉｅｌｄ，ｔｏｐａｒｔｉｃｉｐａｔｅｉｎｔｈｅｓｔｕｄｙｏｆｔｈｅｓｐｏｎｔａｎｅ-ｏｕｓｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｐｒｏｂｌｅｍｓａｃｔｉｖｅｌｙ，ａｎｄｔｏａｃｈｉｅｖｅｍｏｒｅｓｕｃｃｅｓｓｅｓｃｏｒｒｅｌａｔｅｄｔｏｔｈｉｓｐｒｏｂｌｅｍ．Ｋｅｙｗｏｒｄｓ：ｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎ；ｓｐｏｎｔａｎｅｏｕｓｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ 表情识别被视为未来情感人机交互的重要技术［１］ ，吸引了国内众多高校和科研机构的参与和研究［２～６］。但目前国内 外研究中比较常用的表情数据库中的人脸表情大都固定为正面，任务仅限于识别Ｅｋｍａ提出的六种基本表情（愤怒、高兴、悲伤、惊讶、厌恶和恐惧）。这不仅与实际表情不相符，而且忽视了真实表情中特有的脸部肌肉形变与头部运动之间的时空相关性。谷歌申请的新一代表情识别专利，挤眉弄眼方可解锁手机；荷兰开发的诺达斯（Ｎｏｌｄｕｓ）面部表情分析系统是世界上第一个商业化开发的面部表情自动分析工具，用户使用该系统能够客观地评估个人的情绪变化，可以跟踪人的表情变化。但二者均要求测试者的头姿基本保持不动，实时连续头姿估计阻碍了其在手机等智能终端领域的应用。因此，面向实际应用的 非正面表情识别研究在国内外日益受到重视［７，８］ 。 近十几年来，开展自发表情识别研究的机构主要有美国的加利福尼亚大学、卡耐基梅隆大学机器人研究所、匹兹堡大学心理学系，伊利诺伊大学、沃森研究中心、贝克曼研究所、伦斯勒理工学院、麻省理工大学媒体实验室、丹佛大学、德克萨斯大学计算机视觉研究中心、新泽西技术学院、芬兰的奥卢大学计算机科学与工程系机器视觉组、荷兰的阿姆斯特丹大学信息学院、澳大利亚的昆士兰科技大学科学与工程学院、加拿大的麦吉尔大学、日本的庆应义塾大学、爱尔兰的爱尔兰国立大学计算机视觉和成像实验室，中国的清华大学和中国科学技术大学等已经有人做了大量工作。目前该领域比较重要的国际会议包括计算机视觉与模式识别会议（ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，ＣＶＰＲ）、模式识别会议 （ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，ＩＣＰＲ）、人脸与姿态自动识别会议（ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｕｔｏｍａｔｉｃＦａｃｅＧｅｓｔｕｒｅＲｅｃｏｇｎｉｔｉｏｎ，ＦＧＲ）。关于非正面表情识别的研究文章 逐年增多，但国内还只是刚开始涉足该领域的研究［９］ ，一些非 正面表情识别中的关键技术尚有待突破。但总的来说，对目前自发表情识别的研究和探索还处于初级阶段，对自发表情识别的研究还需要研究人员共同的努力。本文介绍了常用的自发表情数据库以及自发表情识别关键技术研究进展。 １ 自发表情数据库 １）ＵＳＴＣ-ＮＶＩＥ数据库 ＵＳＴＣ-ＮＶＩＥ（ｎａｔｕｒａｌｖｉｓｉｂｌｅａｎｄｉｎｆｒａｒｅｄｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｓ） 数据库［１０］ 是由中国科学技术大学安徽省计算与通讯软件重点 实验室建立的一个大规模的视频诱发的集自发表情和人为表情的可见光和红外自发表情数据库。其中自发表情库由自发的表情序列和夸张帧组成，人为表情库仅由中性帧和夸张帧组成。该表情数据库包含年龄在１７～３１周岁的２１５名被试者的自发和人为的六种表情。 ２）ＶＡＭ数据库 ＶＡＭ数据库［１１］ 采用的是以参加电视访谈节目（ＴＶｔａｌｋ ｓｈｏｗ）的方式诱发的自发表情数据库，记录了节目中年龄在１６～６９周岁的６位男嘉宾和１４位女嘉宾总共２０位嘉宾的面部表情和语音信息。该数据集由８３４名评估者使用两种方式进行评估：ａ）采用Ｅｋｍａｎ的六种基本表情类别进行标注；ｂ） 第３３卷第１期２０１６年１月 计算机应用研究 ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓＶｏｌ．３３Ｎｏ．１Ｊａｎ．２０１６
表情识别技术综述 摘要：表情识别作为一种人机交互的方式，成为研究的热点。基于对表情识别的基本分析，文章重点介绍了面部表情识别的国内外研究情况和面部表情特征的提取方法。 关键词：表情识别；特征提取；表情分类。 前言：进入21世纪，随着计算机技术和人工智能技术及其相关学科的迅猛发展，整个社会的自动化程度不断提高，人们对类似于人和人交流方式的人机交互的需求日益强烈。计算机和机器人如果能够像人类那样具有理解和表达情感的能力，将从根本上改变人与计算机之间的关系，使计算机能够更好地为人类服务。表情识别是情感理解的基础，是计算机理解人们情感的前提，也是人们探索和理解智能的有效途径。如果实现计算机对人脸表情的理解与识别将从根本上改变人与计算机的关系，这将对未来人机交互领域产生重大的意义。 正文：一、面部表情识别的国内外研究情况 面部表情识别技术是近几十年来才逐渐发展起来的，由于面部表情的多样性和复杂性，并且涉及生理学及心理学，表情识别具有较大的难度，因此，与其它生物识别技术如指纹识别、虹膜识别、人脸识别等相比，发展相对较慢，应用还不广泛。但是表情识别对于人机交互却有重要的价值，因此国内外很多研究机构及学者致力于这方面的研究，并己经取得了一定的成果。 进入90年代，对面部表情识别的研究变得非常活跃，吸引了大量的研究人员和基金支持。美国、日本、英国、德国、荷兰、法国等经济发达国家和印度、新加坡都有专门的研究组进行这方面的研究。其中MIT的多媒体实验室的感知计算组、CMu、Ma州大学的计算机视觉实验室、Standford大学、日本城蹊大学、大阪大学、ArR研究所的贡献尤为突出。 国内的清华大学、哈尔滨工业大学、中科院、中国科技大学、南京理工大学、北方交通大学等都有专业人员从事人脸表情识别的研究，并取得了一定的成绩。在1999年的国家自然科学基金中的“和谐人机环境中情感计算理论研究”被列为了重点项目。同时中国科学院自动化所、心理所以及国内众多高校也在这方面取得了一定的进展。2003年，在北京举行了第一届中国情感计算与智能交互学术会议，会议期间集中展示了国内各研究机构近几年来从认知、心理、模式识别、系统集成等多种角度在情感计算领域取得的研究成果，一定程度上弥补了我国这方面的空白。国家“863”计划、“973”项目、国家自然科学基金等也都对人脸表情识别技术的研究提供了项目资助。 二、面部表情特征的提取方法 表情特征提取是表情识别系统中最重要的部分，有效的表情特征提取工作将使识别的性能大大提高，当前的研究工作也大部分是针对表情特征的提取。 目前为止的人脸面部表情特征提取方法大都是从人脸识别的特征提取方法别演变而来，所用到的识别特征主要有:灰度特征、运动特征和频率特征三种阎。灰度特征是从表情图像的灰度值上来处理，利用不同表情有不同灰度值来得到识别的依据。运动特征利用了不同表情情况下人脸的主要表情点的运动信息来进行识别。频域特征主要是利用了表情图像在不同的频率分解下的差别，速度快是其显著特点。在具体的表情识别方法上，分类方向主要有三个:整体识别法和局部识别法、形变提取法和运动提取法、几何特征法和容貌特征法。 整体识别法中，无论是从脸部的变形出发还是从脸部的运动出发，都是将表情人脸作为一个整体来分析，找出各种表情下的图像差别。其中典型的方法有:基于特征脸的主成分分析(prineipalComponentAnalysis，pCA)法、独立分量分析法(Indendent ComPonent Analysis，ICA)、Fisher线性判别法(Fisher’s Linear Discriminants，FLD)、局部特征分析(LoealFeatureAnalysis，LFA)、Fishe诞动法(Fisher^ctions)、隐马尔科夫模型法(HideMarkovModel，HMM)和聚类分析法。
鉴别人的身份是一个非常困难的问题，传统的身份鉴别方法把这个问题转化为鉴别一些标识个人身份的事物，这包括两个方面：①身份标识物品，比如钥匙、证件、ATM 卡等； ②身份标识知识，比如用户名和密码。在一些安全性要求严格的系统中，可以将这两者结合起来，比如ATM 机要求用户同时提供ATM 卡和密码。这些传统的身份鉴别方法存在明显的缺点：个人拥有的物品容易丢失或被伪造，个人的密码容易遗忘或记错。更为严重的是这些系统无法区分真正的拥有者和取得身份标识物的冒充者，一旦他人获得了这些身份标识事物，就可以拥有相同针对这一情况，我们可以采取两种措施加以解决。其一，研究新的适用于非完全正立人脸图像的特征检测方法并对人脸特征的提取作相应的调整,这种解决方法在文献[9]已有所尝试；其二，沿用现有的人脸识别系统，但在人脸图像送识别系统进行特征提取和识别之前（即在人脸检测和定位阶段），先进行人脸位置矫正的工作,这种方法在文献[10]中也已有所研究，并取得了较好的效果。与传统的身份鉴定手段相比，基于人脸生物特征信息的身份鉴定技术具有以下优点：● 用户易接受：简单易用，对用户无特殊要求。● 防伪性能好：不易伪造或被盗。● ―随身携带‖：不用担心遗漏或丢失，随时随地可用。除此之外，人脸识别技术还有主动性好，精确性高，性能/成本比高，自学习功能强等优点。河北工程大学毕业论文鉴于人脸识别技术在个人身份鉴定方面的众多优点，这项技术可以在很多领域得到应用：● 国家安全领域。协助公安，海关等国家安全机构加强对可疑人物、罪犯、恐怖分子的追踪、监控和识别。● 公众安全领域。加强交通管制；确认身份证、护照等证件的真伪；验证各类信用卡的持卡人身份。●计算机交互领域。根据计算机使用者人脸特征确定身份，提供个性化服务。Face Pose Adjustment, Facial Feature Extraction , Human Face Recognition , 人脸识别技术在这些领域的充分利用，对于有效地鉴定个人的身份，防止犯罪和诈骗、提高办公效率、节约资源有着重大的社会和经济意义。本章针对大部分人脸识别系统建模中存在的不足，将人脸位置矫正问题引入思考，并根据人脸图像特点设计实现了一种新的基于眼睛定位的人脸位置矫正算法。（为方便叙述起见，我们称人脸在竖直平面内的倾斜角度为平面旋转角度，而称人脸在水平面内的倾斜角度为深度旋转角度。本文中出现的人脸位置矫正说法都是针对平面旋转角度而言的。）Neural Networks , Gray-scale Static Image , Vertical-complexity of Image 作为人类智能的重要体现和个人身份鉴定的重要手段，人脸识别技术具有广泛的应用前景，已成为一项热门研究课题。人脸识别的关键技术之一就是人脸的检测定位。在一个完整的人脸识别系统中，能否对人脸进行正确的检测定位将对整个人脸识别系统的性能优劣产生极其重要的影响，而影响人脸检测定位的一个重要因素就是人脸在图像中的姿势。实际中，由于受到人的行为习惯，生理特征以及图像采集环境等诸多因素的影响，人脸在采集到的人脸图像中的姿势往往并不是完全正立的，而是在水平和竖直平面内都存在一定的倾斜角度（即深度旋转角度和平面旋转角度）。但是大部分的人脸识别系统都是针对正立的正面人脸图像而设计的，没有考虑到人脸图像可能存在的倾斜问题，致使这些人脸识别系统从人脸倾斜的图像中提取的特征数据在一定程度上失效，并有可能进一步导致人脸识别系统在最终识别结果中产生误判。1.2 国内外人脸识别系统的研究现状现在人脸识别技术已经应用在许多领域中，并起到了举足轻重的作用，人脸识别研究开始于1966 年PRI 的Bledsoe 的工作，经过三十多年的发展，人脸识别技术取得了长足的进步，现在就目前国内外的发展情况来进行展述。河北工程大学毕业论文1.2.1 国外的发展概况见诸文献的机器自动人脸识别研究开始于1966年PRI的Bledsoe的工作，1990 年日本研制的人像识别机，可在1秒钟内中从3500人中识别到你要找的人。1993 年，美国国防部高级研究项目署(Advanced Research Projects Agency)和美国陆军研究实验室(Army Research Laboratory)成立了Feret(Face Recognition Technology) 项目组，建立了feret 人脸数据库，用于评价人脸识别算法的性能。美国陆军实验室也是利用vc++开发，通过软件实现的，并
龙源期刊网 https://www.doczj.com/doc/af9674617.html, 人脸识别技术综述 作者：唐勇 来源：《硅谷》2011年第09期 摘要：人脸识别是模式识别领域中一个具有实际应用价值和广阔应用前景的研究课题。 系统的对主流人脸识别算法进行综述，总结现阶段人脸识别研究的困难，并对未来人脸识别的发展方向进行展望。 关键词：人脸识别；光照补偿；人脸检测 中图分类号： TP316文献标识码：A文章编号：1671－7597（2011）0510029－01 0 引言 在信息技术飞速发展的今天，电子商务、电子银行、网络安全等应用领域急需高效的自动身份认证技术。当前，我国的各种管理系统大部分都使用证件、磁卡、IC卡和密码等传统技 术保障系统安全，在一定程度上无法避免伪造、丢失、窃取或遗忘，存在极大的安全隐患。基于人体生物特征的身份鉴别方法，如指纹识别、虹膜识别、人脸识别等利用生物特征的普遍性、唯一性、永久性、可接受性、防卫性进行身份识别可以避免上述已有的身份鉴别技术缺陷。 1 人脸识别常用算法 随着社会对人脸识别系统的迫切需求人脸识别研究再次成为热门课题。2008年我国在奥 运会的历史上是第一次采用人脸识别这种生物识别系统为之提供安全保障。目前常见的人脸识别基本算法可分为以下几类： 1.1 基于几何特征的人脸识别方法[2]。这类方法是通过人脸面部拓扑结构几何关系的先验知识，利用基于结构的方法在知识的层次上提取人脸面部主要器官特征，将人脸用一组几何特征矢量表示，识别归结为特征矢量之间的匹配。基于几何特征的识别方法具有存储量小、对光照不敏感等优点。但这种方法抽取稳定的特征比较困难，对强烈的表情变化和姿态变化鲁棒性较差，适合用于粗分类。 1.2 基于特征脸的人脸识别方法。特征脸法是人脸识别中常用的一种方法。该方法的主要是从人脸图像的全局特征出发，运用Karhunen Loeve变换理论，在原始人脸空间中求得一组正交向量，并以此构成新的人脸空间，使所有人脸的均方差最小，达到降维的目的。特征脸方法易受角度、光照、表情等干扰导致识别率下降。
基于深度学习的人脸识别技术综述 简介：人脸识别是计算机视觉研究领域的一个热点，同时人脸识别的研究领域非常广泛。因此，本技术综述限定于：一，在LFW数据集上（Labeled Faces in the Wild）获得优秀结果的方法; 二，是采用深度学习的方法。 前言 LFW数据集（Labeled Faces in the Wild）是目前用得最多的人脸图像数据库。该数据库共13，233幅图像，其中5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩色图，少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。该数据集有6中评价标准： 一，Unsupervised； 二，Image-restricted with no outside data； 三，Unrestricted with no outside data； 四，Image-restricted with label-free outside data； 五，Unrestricted with label-free outside data； 六，Unrestricted with labeled outside data。 目前，人工在该数据集上的准确率在0.9427~0.9920。在该数据集的第六种评价标准下（无限制，可以使用外部标注的数据），许多方法已经赶上（超过）人工识别精度，比
如face++,DeepID3，FaceNet等。 图一/表一：人类在LFW数据集上的识别精度
表二：第六种标准下，部分模型的识别准确率（详情参见lfw结果） 续上表