Wuhan University Of Technology 图像处理与分析课程论文
学院: 信息工程学院
专业: 通信与信息系统
学号：
课题：人脸识别方法综述
指导老师: 黄朝兵
2012年 6 月
目录
内容摘要 (3)
关键词 (3)
Abstract (3)
Keywords (4)
1 绪论 (5)
1.2 引言 (5)
1.1生物特征识别技术概述 (6)
1.1.1生物特征识别技术简介 (6)
1.2.2 生物特征识别技术的发展以应用背景 (6)
1.3 人脸识别 (8)
1.3.1 人脸识别的研究内容 (9)
1.3.2 人脸检测 (10)
1.3.3人脸识别 (12)
2人脸识别技术概述 (15)
2.1 人脸识别技术分类 (15)
2.2 人脸识别常用方法 (17)
2.2.1 特征脸方法 (17)
2.2.2弹性图匹配方法 (18)
2.2..3基于 Fisher 线性判别准则的人脸识别方法 (18)
2.2.4基于神经网络的人脸识别方法 (19)
2.2.5基于支持向量机的人脸识别方法 (19)
2.2.6基于贝叶斯的人脸识别方法 (20)
2.3人脸识别技术评测指标 (21)
3 人脸特征提取技术 (24)
4 总结与展望 (25)
参考文献 (27)
内容摘要：人脸识别是指利用计算机分析人脸图像，进而从中提取出有效的识别信息，用来辨认身份的一门技术。人脸识别技术的研究已经成为人工智能与模式识别领域的热点。人脸识别技术主要有三个步骤：人脸检测、特征提取和人脸识别。人脸识别技术的应用非常广泛，包括智能门禁系统、计算机安全领域、智能监控系统、机器视觉系统、医学诊断系统以及三维动画等领域。作为一个有着广泛应用背景的研究领域，人脸识别技术吸引了大批国内外研究学者的参与，许多知名的研究机构也将其列为重要研究方向，并已取得了很多成果。理想状态下的人脸识别技术已经非常成熟，但是要开发出真正鲁棒、大规模、快速的人脸识别系统还需要解决大量的问题。
收集和分析了大量近年来国内外关于人脸检测与人脸识别的学术论文及研究报告，对计算机人脸识别技术的若干理论问题进行了综述。
关键词：人脸识别，人脸检测，特征提取，贝叶斯
Abstract：Face recognition is a technology using computer to analyze the human face image and extract the features for recognizing the identity of the target. The research in face recognition has been to a hot spot of the category of artificial intelligence and pattern recognition. Face recognition has three steps: face detection, feature extraction and recognition. The face recognition can be applied to: intelligent entrance guard system, computer security, machine vision, medical diagnostic system and 3-D animation etc. As a research domain with wide applications, face recognition absorbs lots of researchers. Some famous research institutes also list it as important research direction and achieve great accomplishments. Although the face recognition is mature under the ideally situation, many problems need to be solved to develop a robust, large-scale and speedy face recognition system.
Personal identification system based on Biometrics, because of using the proper living creature characteristic of human body, is the totally
brand-new technique different from traditional method. Because it has the better safety, dependable with the usefulness, more and more people thoughtful of, and the beginning enter our social each realm, greet the modern year's challenge.
Learned essays, research papers the domestic and international in recent years concerning person's face detection and recognition, some theories problem to computer identify technique to person's face is analyzed.
Keywords：face detection, face recognition，feature extraction，Bayesian
1 绪论
1.2 引言
早在古埃及时人们就开始通过人体生物特征的测量（如人脸、人手等）来鉴别人的身份，在刑侦领域，人们也早已使用最有效的人体生物特征之一，指纹，来确定罪犯。随着计算机技术的出现，人们开始凭借计算机的强大功能来研究和实现自动的身份鉴别系统。进入20 世纪80 年代，计算机技术日新月异，于是基于计算机技术的自动人体生物识别技术的研究和产品研发也方兴未艾、如火如荼了。近年来，在美国、欧洲、香港等许多国家和地区的大学都成立了以人体生物识别技术（Biometrics）为主要研究方向的实验室或研究中心，同时许多公司也相继先后开发出许多产品，并不断地推向市场，逐步形成一个新兴的、很有希望的产业。在我国，已经涌现出很多专门机构广泛开展人体生物识别技术方面的研究工作，有许多研究人员投身到这一新兴研究领域，开展用于身份鉴别的人脸识别、话者识别、联机签名识别、指纹识别等多项研究工作，并取得了一定的成果。
在现代社会中，对人体身份鉴别的需求可以说无处不在，并且与日俱增。例如某人是否有权进入安全区域（安全系统），是否有权进行特定交易，某人是否是我国的居民等。银行每天都有人存钱取款，解决储户的身份认证就显得极为重要。随着因特网的广泛普及应用的深入，电子商务已是人们耳熟能详的、并且已经逐步走入人们生活的一件新鲜事。但在电子商务中最关键的一个问题就是必须解决人的身份确认问题。改革开放以来，深圳海关每天出入关的人可谓成千上万，对进出关的人员的身份确认，而且是自动确认的需求是显而易见的事情。在我们的显示生活中，象这种要求对个人身份进行确认的地方，又岂止千处万处。
此外，9.11 事件以后，国际恐怖主义形势的日益严峻，世界各国政府都对如何使诸如政府机构、军事设施、金融系统以及海关、机场等重要区域免受恐怖分子的袭击问题给予了高度重视。为了确保国家及社会的稳定，就需要找到一种更加可靠有效的身份识别技术来满足安全检查的需要。
再者，网络已深入到社会生活的各个领域，如电子商务、电子政务以及包含很多重要的机密信息的军事、商务网等。网络的飞速发展越来越依赖于网络安全
性的高低。因此，作为网络安全的一个重要方面，身份识别技术成为广大研究者们关注的热点问题，受到了越来越多的重视。生物特征识别作为一种高新的身份识别技术，由于其独特的属性，正在悄然担负起身份鉴别这一重要的使命。1.1生物特征识别技术概述
1.1.1生物特征识别技术简介
所谓生物特征识别技术是指通过计算机利用人体所固有的生物特征来进行个人身份鉴定的一种方法。这里所说的生物特征包括生理特征和行为特征两大类。生理特征是与生俱来的，是先天的，如：指纹、人像、虹膜、掌纹、DNA 等；而行为特征则是由生活习惯形成，是后天养成的，如：声音、笔迹、步态等一般来说，各种生物特征识别技术其工作原理基本都是相同的，可以通过图1-1 来说明：
图1-1 生物特征识别原理
与传统的身份鉴别方法相比，基于生物特征识别技术的身份识别与认证具有以下的优势：
1.与生物体具有共存性，不易忘记和遗失；
2.具有便利性，携带方便，不易损坏；
3.防伪性能好，不易被伪造和盗用。
1.2.2 生物特征识别技术的发展以应用背景
由于人体的生物特征具有唯一性、特异性、不可复制性、高稳定性等特点，使得该技术逐渐得到了人们的接受，也越来越受到人们的关注。很多国家的大学和研究机构以及商业公司投入了研究力量，并在20 世纪末有了较快速的发展。除了传统的图像处理（ICIP）、计算机视觉（ICCV）、模式识别（ICPR,CVPR）等国际知名会议，近年又出现了有关生物特征识别技术的专业学术会议，如：AFGR（AutomaticFace and Gesture Recognition ）、AVBPA （Audio and Video-Based Person Authentication ），ICBA （International Conference on Biometric Authentication）等。
生物特征识别属于模式识别问题，并且还涉及到信号处理、机器视觉、统计分析、进化计算、生理学、心理学以及认知科学等多个领域。因此，生物特征识别技术的研究和应用具有十分重要的意义。
在美国、欧洲、中国香港等许多国家和地区的大学都成立了以人体生物识别技
术为主要研究方向的实验室或研究中心。在我国，哈尔滨工业大学成立了第一个人体生物识别技术研究中心，已经开展了用于身份鉴别的人脸识别、话者识别、联机签名识别、指纹识别等多项研究工作，并取得了一定的成果。另外，中科院自动化所国家模式识别实验室也已广泛开展人体生物识别技术方面的研究工作，清华大学、北京大学等高校及其他研究机构都有许多人员投身到这一新兴研究领域。1998年9 月24 日，在美国华盛顿成立了全球生物识别工业联盟，它标志着生物识别技术最终从研究阶段转向实用生物识别技术的应用前景十分广阔。
随着生物识别技术的快速发展，其应用也越来越广泛，主要包括以下几个方面：对机密信息的存取控制、国防安全、执法、福利发放、银行及信用卡方面的应用、疾病诊断方面的应用、户口和身份证管理等。
就目前来说，生物特征识别主要用于以下两个方面：一是验证，目的是把当事人的身份与正在发生的行为联系在一起，确认行为的合法性，通常验证“是不是他?”的一对一比对问题，主要用于安全系统；二是识别，目的是对系统的输入图像与存储在数据库中的大量参考图像进行比对，来确定输入图像即目标的身份，故称为识别“是谁?”的一对多的比对问题，主要用于检测系统。
综上所述，生物特征识别技术不但在学术上具有极大的研究价值，而且在日常生活中具有极广泛的社会需求和应用领域。生物特征识别技术以其巨大的优点，为我们提供了一个无需钥匙而完全安全的世界前景，显示出了强大的生命力。近几年，其研究成果和应用产品的数量直线上升，在来自各方面需求的积极推动下，生物特征识别技术正在不断地推陈出新、蓬勃发展。生物特征识别技术作为安全级别更高的新兴技术，在不远的将来必将逐步取代传统的基于物件或者口令的身份识别方法，在自动身份识别的安全领域中占据主导地位，从而推动各领域的技术革新。
1.3 人脸识别
人脸是人类视觉中最为普遍地模式，人脸所反映的视觉信息在人与人的交流、交往中有着重要的作用和意义。计算机人脸识别技术试图使计算机具有人的识别能力，由于其广泛的应用领域，人脸识别技术在近三十年里得到了广泛的关注和研究。依托于图像理解、模式识别、计算机视觉和神经网络等技术，人脸识别技术在一定应用范围内获得了成功，并且正在被推向应用领域。
与其他生物识别技术，诸如指纹识别，掌形识别，眼虹膜识别和声音识别相比
较，人脸识别具有以下两点独一无二的特性：
1）适合要求隐蔽实行的场合。其它生物识别方法一般需要人的某些自愿动作，如按指纹、签字等，而人脸识别对此要求甚低，使它更易于使用，
特别适合要求隐蔽实行的场合，如罪犯侦缉等；
2）当记录一个企图登录的人的生物记录时，只有人脸能更直观，更方便的核查该人的身份。例如，管理员仅凭双眼无法判断所登录的用户指纹是
否确实与相同ID 号用户所登记的指纹一致，但却可以比对面像。人脸
作为一种高普遍性、可以非接触式采集的重要生物特征，可以用以进行
身份鉴别。
人脸识别技术可以被应用在多种不同的安全领域：证件（如：驾驶执照、护照）中的身份认证；楼宇进出的安全控制；重要场所中的安全检测和监控；智能卡中的身份认证。人脸识别技术在信息安全领域也有着巨大的潜在应用价值。随着网络技术日益走进人们的日常生活，越来越多的用户可以访问互联网，越来越多的信息被置入互联网。而由于网络信息访问的便捷性，网络的安全控制成为一个日益迫切的重要问题。利用人脸识别技术，可以进行计算机的登录控制，可以进行应用程序安全使用、数据库安全访问和文件加密，可以实现局域网和广域网的安全控制，可以保护电子商务的安全性。人脸识别技术可以用于创建友好自然的人机交互方式，是智能计算机领域研究的重要内容之一。一个可以识别使用者脸像的智能计算机，可以按照其特点为该使用者提供工作环境，从而使人与计算机之间的交互如同人与人
之间的交互一样轻松自如。另外，人脸识别技术还被用在图像库检索技术，在大
型人脸库中检索出与索引人脸相同或相近的脸像。例如：公安部门可以利用人脸识别技术进行罪犯库的管理和查询。
在日常生活中，人们识别周围的人用的最多的是人脸。由于人脸识别的非侵犯性，具有直接、友好、方便的特点，是人们最容易接受的身份鉴别方式。随着网络技术和桌上视频的广泛采用，图像捕捉设备正在成为个人计算机的标准外设，同时电子商务等网络资源的利用对身份验证提出了新的要求，人脸识别成为最有潜力的生物身份验证手段之一。
1.3.1 人脸识别的研究内容
“人脸识别（Face Recognition）”就是用计算机对人脸图像进行特征提取和识别的模式识别技术。在20 世纪70 年代初对人脸识别的研究涉及心理学神经科学。研究内容包括：人脸对人身鉴定的唯一性；人脸全局特征和局部特征在人脸识别中的作用；表情的分析与使用；婴儿是如何识别人脸的等等。其直接目的是要搞清楚人是如何对人脸识别的。70年代中期以后，开展了用数学、物理和技术的方法对人脸自动识别的研究。特别是在1990年以后，研究工作更加广泛和深入开展。这些研究工作涉及模式识别、图像处理、计算机视觉和神经网络等学科领域。
计算机人脸识别的研究内容从广义上讲大概包括一下几个方面的内容：1）人脸检测（Face Detection），就是从各种不同的场景中检测出人脸的存在并确定其位置。这方面的研究主要受光照、噪声、面部倾斜度以及各种各样的遮挡的影响。
2）人脸表征（Face Representation），就是采取某种表示方法表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征（如欧式距离、曲率、角度等）、代数特征（如矩阵特征矢量）、固定特征模版、特征脸、云纹图等。
3）人脸鉴别（Face Identification），就是通常所说的“人脸识别”，将待识别的人脸与数据库中的已知人脸比较，得出相关信息。这个过程是选择适当的人脸表征方式与匹配策略。整个识别系统的构造与人脸的表征方式密切相关。
4）表情姿态分析（Expression Gesture Analysis），就是对待识别人脸的表情或者
姿态信息进行分析，并对其进行分类。
5）生理分类（Physical Classification）：就是对待识别人脸的生理特征进行分析，
得出其年龄、性别等相关信息。
人脸检测，人脸表征，人脸鉴别是我们通常意义上的建立人脸自动识别系统的三个方面，人脸自动识别系统包括两个主要的技术环节，首先是人脸的检测和定位，即从输入图像中找到人脸存在的位置，并将人脸从背景中分割出来（即人脸检测），然后才是对规一化的人脸图像进行特征提取与识别（即人脸表征与人脸鉴别）。相对来说表情姿态分析、生理分类是一个非常困难的研究方向,不过它在计算机图形学（尤其是计算机动画）领域有很广泛的应用前景，因此在最近几年得到了国内外很多从事计算机视觉（Computer Vision）的研究人员的注意。我们研究的重点是在人脸检测，人脸表征，人脸鉴别方面，人脸表征与人脸识别就是通常意义上的人脸识别，下面如果没有特别注明，“人脸识别”就是指人脸表征与人脸鉴别，相对来说应用的范围要广一些。下面就这方面的国内外研究现状作一些综述与分析。
1.3.2 人脸检测
人脸检测与人脸识别作为人脸自动识别系统的两个主要技术环节之一，它们的研究有一定的独立性，这是由于在一些特定的场合人脸检测相对来说要简单一些。但是最近几年随着人们越来越关心各种复杂情况下的人脸自动识别系统，人脸检测与定位得到了较多的重视。
人脸检测的基本思想是用知识或统计的方法对人脸建立模型，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在人脸的区域。人脸检测由于场景，位置，方向的变化以及人脸的姿态（正面，侧面），表情，光线的变化等原因，使得人脸检测具有很强的挑战性。
人脸检测方法大致可以分为四类。1：基于知识的方法，2：基于特征不变性方法，3：基于模版匹配方法4：基于外观的方法。
基于知识的方法，这类方法利用人的知识建立若干规则，从而将人脸检测转化为假设检验问题。Y ang中采用了一种分级的基于知识的人脸检测方法，也就是常说的马赛克方法，它给出了基于人脸区域灰度分布的规则，依据这些规则对图像从粗分辨率到高分辨率进行筛选，以样本满足这些规则的程度作为检测的判
据。这种方法在一组测试图像（60 幅图像）中进行测试能够找到50 幅图像中的人脸，类似的工作。这类方法存在一个问题，就是如何将人所具有的知识转化为规则，如果规则过于严格仔细，会出现由于不能满足所有条件而不能检测到人脸，如果规则过于普遍，那么又会出现错误的检测。同时这种方法无法适应人脸姿态变化。
基于特征不变性的方法，这类方法是基于这样一种假设，人们能够毫不费力的发现不同姿态不同光线下的人或物体，所以他们必然存在在这些变化下的不变的特征。这一类方法主要有采用人脸特征检测，基于皮肤颜色纹理特征检测的，以及基于多个特征综合的检测方法。这类方法的缺点在于这些特征会由于照明，噪声以及遮挡情况被破坏，在这种情况下很多方法都会失效。基于模版匹配方法，这类方法首先人工定义或者参数化的建立一个函数来描述标准人脸模式（通常是正面人脸），然后根据输入的人脸和定义的标准人脸的相关性来进行检测。主要有两类，预定义模版法和可变形模版法。该类方法的好处在于比较容易实现，但是对于比例，姿态，形状变化的自适应不是很好。最近提出了多分辨率模版，多比例模版，子模版等方法来适应比例及形状的变化。基于外观的方法，这类方法主要依赖于统计分析和机器学习理论，对应于模版匹配的预先定义模版的方法，这类方法通过从样本图像学习获得“模版”进行人脸检测。通过将人脸图像视为一个高维向量，从而将人脸检测问题转化为高维空间中分布信号的检测问题。该类方法主要有特征脸（Eigenfaces）方法，这种方法将KL 变换引入了人脸检测，在人脸识别中采用的是主元子空间（特征脸），而人脸检测利用是次元子空间（特征脸空间的补空间），用待检测区域在次元子空间上的投影能量，也即待检测区域到特征脸子空间的距离作为检测统计量，距离越小，表明越象人脸。子空间方法的特点在于简便易行，但由于没有利用反例样本信息，对与人脸类似的物体的辨别能力不足。神经网络方法，人脸检测可以看作是只有人脸样本和非人脸样本两个分类的模式识别问题，通过对人脸样本集和非人脸样本集进行学习可以产生分类器。目前已经提出了多种神经网络结构用于人脸检测。神经网络在人脸检测方面获得了很大的成功，不过由于神经网络中的结点数选择，网络层数选择以及学习速度的调整等不同对神经网络的检测结果有很大的影响，而目前又还没有一个这方面的理论可以进行计算，一般情况下是通过经验来确定神经网络的结构与
参数，因此神经网络方法有一定的盲目性。
由于人脸模式的多样性和图像获取过程的不确定性，人脸在图像空间中分布非常复杂，建立人脸在高维图像空间的精确分布模型是一件非常困难是工作。建立一个统计可靠的估计不仅需要大量的正例样本，而且还需要充分多的有效反例样本。目前研究的一个趋势是反例样本的产生和利用问题。这也是最终提高人脸检测正确率的必然道路。根据具体应用的需要，对检测环境进行合理的假设，从而简化问题，提高系统的实用性能也是一条切实可行的途径。知识与统计方法的综合应用是解决实际问题所必须的。
1.3.3人脸识别
人脸识别的输入图像通常有三种情况：正面、侧面、倾斜。由于实际情况的要求，对人脸正面模式的研究最多。人脸识别的本质是一个三维塑性物体二维投影图像的匹配问题，它的困难体现在：1：人脸塑性变形（如表情等）的不确定性；2：人脸模式的多样性（如胡须、发型、眼睛、化妆等）；3：图像获取过程中的不确定性（如光照的强度、光源方向等）。识别人脸主要依据人脸上的特征，也就是说依据那些在不同个体之间存在较大差异而对于同一个人则比较稳定的度量。由于人脸变化复杂，因此特征表述和特征提取都比较困难。在对人脸图像进行特征提取和分类之前一般要作预处理，主要包括几何规一化和灰度规一化。几何规一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小。灰度规一化是指对图像进行光照补偿等处理，光照补偿能够在一定的程度上克服光照变化的影响而提高识别率。人脸特征提取与识别方法大概可以分为以下几类：基于几何特征的识别方法，这类识别法将人脸用几何特征矢量表示，用模式识别中层次聚类的思想设计分类器达到识别目的。这就要求选取的几何特征矢量具有一定的独特性，能够反映不同人脸之间的差别，同时又具有一定的弹性，以消除时间跨度、光照等的影响。几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。Poggio 和Brunelli 用改进的积分投影法取出用欧式距离表征的35 维人脸特征矢量用于模式分类
人脸器官的关键点分别对应于不同的积分投影方式产生出的波峰波谷，根据人脸结构的先验知识，可以得出人脸各器官之间的几何位置关系。该系统获得了
90%以上的识别率。但是Roder 对几何特征提取的精确性进行了实验性的研究，结果不容乐观。可变形模版法可以视为几何特征方法的一种改进，其基本思想是：定义一个参数可调的器官模型（即可变形模板），定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即作为该器官的几何特征，这种方法的思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广；二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择，同时，采用一般几何特征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，造成部分信息的丢失，更适合于作粗分类，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，计算量也很大。
基于代数特征的识别方法，这类识别方法仍然是将人脸用特征矢量表示，只不过用的是代数特征矢量：即人脸图像在由“特征脸（eigenfaces）”张成的降维子空间上的投影，Sirovich 和Kirby首先将K-L 变换用于人脸图像的最优表示。Turk和Pentland进一步提出了“特征脸”方法，该方法以训练样本集的总体散布矩阵为产生矩阵，经K-L 变换后得到相应的一组特征矢量，称为“特征脸”，这样，就产生了一个由“特征脸”矢量张成的子空间，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，试验表明其具有较强的稳定性，可以作为人脸识别的依据。但是系统在进行特征脸方法之前需要作大量预处理工作如规一化等。总之特征脸方法是一种简单、快速、实用的基于变换系数特征的算法，但是由于它在本质上依赖于训练集和测试集图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的局限性。
基于连接机制的识别方法，也就是通常所说的神经网络方法。目前神经网络方法在人脸识别中的研究方兴未艾。这类识别方法将人脸直接用灰度图（二维矩阵）表征，利用了神经网络的学习能力及分类能力，这种方法的优势在于保存了人脸图像中的材质信息及细微的形状信息，同时避免了较为复杂的特征提取工作。而且，由于图像被整体输入，符合格氏塔（Gestalt）心理学中对人类识别能力的解释。与前面谈到的识别方法比较，这类方法具有两个明显的不同，首先信息处理方式是并行而非串行；其次编码存储方式是分布的。Kohonen率先运用自相关记忆（全互联神经网络）存储和重建人脸图像，利用简单的Hebbian 学习
率，人脸图像的自相关记忆将被创建并存储在全互联神经网络的权值中，试验表明，在噪声存在，甚至人脸图像被部分遮挡的情况下，该网络能有效地重建人脸图像，这表明了自相关神经元具有识别能力。Milloward 和O’Toole利用的则是Widrow－Hoff 学习率，同样证明了自相关神经元具有识别能力。Cottrell 等和Fleming采用了不同的网络拓扑结构－非线性前馈神经网络，该网络用BP 算法训练以后用于人脸灰度图像地识别。他们采用的前馈式神经网络具有4096个输出单元。神经元的响应函数为Sigmoid函数，该网络实际上实现了对多幅人脸图像的压缩编码，对人脸识别与生理分类都具有较高的准确率。
神经网络方法在人脸识别上的应用和其他几类方法比较有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。
其他方面，也有人提出了利用光学的并行处理特点来实现实时的人脸识别，等人采用光电混合方式实现了实时的人脸自动识别系统，采用的理论依据是广义互补编码击中击不中变换，光学实现系统是非相干光相关器。基于几何特征的识别法，基于代数特征的识别法和基于连接机制的识别法在最近几年都对“人脸识别”这一研究领域作出了很大的贡献，同时深化了我们对人类复杂视觉机制的了解，取得了一定的成功，但是也各有其优缺点。人脸识别与刚体不同，人脸是塑性变形体，更适合用弹性模型来描述，因此，任何基于刚体的特征抽取方法都很难达到满意的效果，其次，人脸识别被认为是人类视觉中独特的过程，因此对心理学和生理学结合是很有帮助的。可以预见，在人类视觉和非刚体两个方面的研究成果将有助于找到抽取和描述人脸特征的更好解决方案。
2人脸识别技术概述
人脸识别技术就是以计算机为辅助手段，从静态或动态图像中检测并识别人脸，以人脸为依据进行个人身份识别和认证的一种生物特征识别方法。人脸识别技术的研究和发展已有近40 年的历史，作为模式识别领域的一个综合性前沿学科，其涉及了生物学、生理学、心理学等多个学科的知识，覆盖了模式识别，人工智能，图像处理，计算机视觉等多个领域，在日常生活中有着广泛的应用，因此成为当今社会的研究热点。经过数十年的研究，至今已经形成了比较完善的理论体系，研究方法层出不穷，同时也带动了其他学科领域的发展。
2.1 人脸识别技术分类
人脸识别是利用计算机分析人脸图像，从中提取出有效的识别信息，进而用来辨别身份的一门技术。根据研究模式的不同，人脸识别技术的研究可以分为两个方向：基于整体特征的识别方法和基于局部特征的方法。
基于整体特征的方法考虑模式的整体属性，从整体上对人脸进行特征提取，进而识别人脸。此类方法较多，包括特征脸（Eigenface）法、SVD 分解法、弹性图匹配方法、隐马尔可夫模型方法以及神经网络方法等。基于整体特征的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，但是由于把整个人脸图像作为模式，故光照、视角以及人脸尺寸会对人脸识别有很大的影响，因此如何能够有效地去掉这些干扰尤为关键。基于局部特征的方法是以人脸部件的形状及其相互位置关系为出发点，提取与识别人脸特征。尽管每个人的人脸部件在形状、大小上存在一定的差异，但其相互位置关系及特征点形状等特性方面均有一定的规律，这为人脸特征提取与识别提供了可能。但是，该方法仅是通过部件本身信息来进行识别，同时待识别模式还要受到关键数据抽取效果的影响，因此，研究表明，很多情况下基于整体特征的方法要优于基于局部特征的方法。
而根据表征方式的不同，人脸识别方法又可以分为以下三种：基于几何特征的方法、基于代数统计的方法和基于连接机制的方法。基于几何特征的方法是由Kanade 首先提出的。这类识别方法首先将人脸用一个几何特征矢量表示，用模
式识别中的层次聚类思想设计分类器来对人脸进行识别。人脸由眼睛、鼻子、嘴巴等部件构成，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，可以作为人脸识别的重要特征。但是，由于该方法主要是通过精确的测量人脸特征各个部件之间的相对距离，如图2-1 所示两眼瞳孔中心之间的距离，耳垂与下巴之间距离等组成距离向量，然后根据这些距离向量来进行相关处理，进而完成分类的,其关键就是需要精确定位特征点，这在实际中难度较大。当无法稳健地提取特征点时，这些方法的成功率也将会大大降低。
图2-1 人脸几何特征分布情况
基于代数统计的方法基本思想是从统计的观点，寻找人脸图像样本集协方差矩阵的特征向量，以此近似的表征人脸图像，也就是说，对于一副由N 个像素组成的人脸图像，可以看作是一个N 维矢量，或是一个N 维空间中的一点。这类方法中最典型的就是主成分分析法，该假设人脸图像只占据这个高维图像空间的一个很小的子区域，利用主成分分析原理得到一个人脸图像的优化坐标系统，即对这个人脸子区域的坐标进行降维，使得每个人脸图像可以用很少几个参数来表示，这就大大地降低了人脸识别的计算复杂度。由于代数特征矢量具有一定的稳健性，识别系统对不同的倾斜角度，乃至不同的表情均有一定的鲁棒性，因此基于代数统计的方法在实际中取得了广泛的应用。
基于连接机制的方法，包括一般的神经网络方法和弹性图匹配方法。基于神经网络的方法是最近几年比较活跃的一个研究方向。神经网络应用于人脸识别方面已经取得了一定的成果，其中自适应主分量神经网络算法就是一种比较成熟的人脸特征提取算法。研究人员还应用传统方法和神经网络设计了组合分类器，在
识别效果的准确率、容错性、鲁棒性等方面取得了一定的进展。神经网络方法的优点是能在许多困难的情况下完成识别工作，在人脸识别上，它避免了复杂的特征提取工作，可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。但是其缺点是神经元数目多，训练时间长，识别速度较慢，不能满足实时系统需要。弹性图匹配方法是一种基于动态链接结构的方法。该方法在三维空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表
人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。它对于光照、尺寸、角度具有一定的不变性。另外，弹性图匹配能够容忍表情的变化，并在一定程度上能够容忍视角的变化。但是，这种方法也存在一个明显的缺点：就是需要更大的计算复杂度和存储空间。
2.2 人脸识别常用方法
2.2.1 特征脸方法
基于特征脸（Eigenface）的方法又称主成分分析法，该方法将测试图像投影到主分量子空间上，得到一组投影系数，与各个已知的人脸图像进行比较识别，取得了较好的识别效果。特征脸方法原理简单，易于实现，实质上是一种统计性的模板匹配方法。特征脸方法把人脸作为一个整体来处理，大大降低了识别复杂度。但是，由于忽视了人脸的个性差异，该方法有一定的理论缺陷。研究表明，随着光照条件、人脸角度及人脸相对尺寸的变化，识别率将急剧下降。实验证明，特征脸方法的识别率随训练图像数目的增大而增大，当然，计算复杂程度也相应增加了。
特征脸法其基础是K-L 变换。K-L 变换是图像压缩领域的一种最优正交变换。人们将它用于统计特征提取，从而形成了子空间模式识别的基础。若将K-L 变换用于人脸识别，则需假设人脸处于低维线性空间，且不同人脸具有可分性。由于高维图像空间K-L 变换后可得到一组新的正交基，因此可通过保留部分正交基，以生成低维人脸空间。而低维空间的基则是通过分析人脸训练样本集的统计特性来获得。K-L 变换的生成矩阵可以是训练样本集的总体散布矩阵，也可以是训练样本的类间散布矩阵，即可采用同一人的数张图像的平均来进行训练，这样可在一定程度上消除光线等干扰，且计算量也得到减少，而识别率不会有太
大的下降。
2.2.2弹性图匹配方法
弹性图匹配方法采用网格作为模板，在二维空间中定义了一种对于通常的人脸变形具有一定不变性的距离，同时不要求待识别人脸特征和库中人脸特征维数一定相同。该方法采用属性拓扑图来代表人脸模式。其拓扑图的每一节点均包含一特征向量，它记录了人脸在该顶点位置的分布信息。特征向量有多种选择，最常用的是小波特征。通常情况下，应用不同尺度和不同方向的椭圆形小波提取拓扑图顶点处的人脸特征。较小尺度的小波用来描述局部细节，较大尺度的小波用来描述较大范围内的概貌，不同方向的小波对方向信息敏感。
在弹性图匹配算法中，应用小波变换抽取特征，该特征对于光照变化和表情变化具有一定的不变性。相对于特征脸方法，基于小波特征的弹性匹配方法不仅对几何变化，光照变化和表情变化具有一定的不变性，从理论上克服了特征脸算法的部分缺陷，同时也保留了空间位置信息，因此更适于进行人脸识别。有文献证明，弹性匹配方法在整体识别性能方面要优于特征脸方法。但是，基于小波特征弹性匹配的人脸识别方法也有其内在的缺点。由于小波特征属于低层次特征，不仅计算复杂，而且需要存储大量信息，因此识别时间比较长，实时性不好。2.2..3基于 Fisher 线性判别准则的人脸识别方法
基于线性判别分析的Fisherface 方法是解决小样本问题的一种方法，是R.A.Fisher 在1936 年提出的。在计算机人脸识别这样的应用中，通常获得到数据维数较高，在低维空间中解析或计算行得通的方法，在高维空间中往往行不通。而如果将高维样本投影到一维空间上，那么分类问题将很容易实现。问题是如何根据实际情况找到这个最好的、最易于分类的投影方向。这就是Fisher 线性判别技术所要解决的问题。其实质是将人脸图像表示成一个列向量，通过LDA 变换提取其特征向量。一般先对人脸图像运用PCA 方法进行变换降维，再使用LDA 方法，以避免LDA 方法对高维人脸图像空间计算的不稳定性。
线性鉴别分析(LDA)是一种著名的模式识别方法，通过将样本线性变换到一个新的空间，目标是使样本的类内散布程度达到最小，同时类间散布程度达到最
,其中X 大，即著名的Fisher 准则。线性判别函数的一般表达为g( X)=W T X+W
是d 维,特征向量的样本，W 是权向量，W
是阈值权。此判别函数是 d 维特征
空间中某个X点到超平面的距离。为了得到满足Fisher 准则的最佳映射方向，线性鉴别分析方法需要先从训练样本估计出类内散布矩阵和类间散布矩阵，Fisher 鉴别分析以最大化类间散布程度与类内散布程度的比值为优化目标，称为Fisherfaces 方法。研究证明，Fisher 脸方法对于光照变化鲁棒性要高于特征脸方法。
2.2.4基于神经网络的人脸识别方法
神经网络技术起源于1943 年心理学家McCulloch 和数学家Pitts 合作提出的形式神经元的数学模型。1949 年心理学家D.O.Hebb 提出了神经元的学习准则，为神经网络的学习奠定了基础。50 年代末，Rosenblatt 提出了感知器模型，首次把神经网络的研究付诸于工程实践。到了80 年代，由于传统的基于符号处理的人工智能在解决工程问题中遇到了许多困难，使人们探索更接近人脑的计算模型，从而大大促进了神经网络研究的发展。
由于神经网络技术具有较好的分类和拟合性能，将神经网络技术应用于人脸识别很早就受到科研人员的关注。早期的文献中有很多应用神经网络技术进行人脸识别的文章。通常应用神经网络技术进行人脸识别首先要设计神经网络模型，然后根据已知人脸对神经网络进行训练，从而得到神经网络参数，其目的就是要实现降维分类。一般情况下，需要将人脸图像作为一个一维矢量输入，因此输入节点庞大，神经网络训练时间长。通过对自组织神经网络方法的分析，采用自组织神经网络的P 个节点来表达原始的N 个输入（P 2.2.5基于支持向量机的人脸识别方法 支持向量机(Support V ector Machine，SVM)是20 世纪90 年代中期在统计学习理论和结构风险最小化原则的基础上提出的—种新的学习算法，并以其对VC 维的良好控制获得了优良的推广性能。在线性可分的情况下，建立—个线性超平面使得可分的两类数据到该线性超平面的距离最大。通常称该线性超平面为最优 分类超平面。对于非线性问题，支持向量机首先把模式空间（训练样本所在的空间）映射到更高维的特征空间，并在特征空间中寻找最优超平面（该超平面在原模式空间中实际对应着非线性的分类面）。支持向量机通过核函数把高维空间的运算转化为低维空间的运算，避免了直接在高维空间中的维数灾滥问题。 通过结构风险最小化原则，把最优分类超平面的构造转化为二次优化问题，从而求得全局最优解，这是支持向量机的核心内容。支撑向量机学习过程实质是求解一个正定二次规划问题。虽然在理论上有许多求解二次规划的方法。但是支撑向量机中二次规划的变量维数等于训练样本的个数，从而使其中矩阵元素的个数是训练样本个数的平方。这就造成实际问题的求解规模过大，针对这一问题，1998 年J.C.P1att 提出了所谓的序列最小优化方法(Sequential Minimal Optimization，SMO)。该方法的主要思想是将一个大型的SVM 二次规划问题化为一系列子问题，而且各个子问题都可以解析求解，而不必采用数值方法。目前，SMO 已成为SVM 的最常用的训练算法。如何解决两类的模式识别问题是支持向量机解决多类的分类问题以及函数回归估计、密度估计等问题的基础。支持向量机的重点在于以下两个方面： 一是支持向量和最优超平面（也称为最大间隔超平面）的构造；二是非线性问题的处理。其中支持向量和最优超平面的构造方法可分为线性可分情况和线性不可分两种情况。就目前的研究来看，SVM 在理论上具有突出优势，但其应用研究相对比较滞后。另外，由于训练SVM 需要求解二次规划问题，因此该方法计算复杂度高，当训练样本个数较大时，会得到大量支持向量，使分类器计算量过大。 2.2.6基于贝叶斯的人脸识别方法 通常情况下，人脸图像间的差异可分为类间差异和类内差异，其中类间差异表示为不同人脸间的本质差异，类内差异则属于同一个人脸的各种可能变形，实际上的人脸图像差异为两者之和。通过分析人脸图像之间的差异，如果类内差异大于类间差异，则认为这两幅人脸图像为同一人脸，而如果类内差异小于类间差异，则认为这两幅人脸图像属于不同人脸。基于贝叶斯的人脸识别方法即是通过这样的思想来实现人脸识别的。该方法首先假设类间差异和类内差异都服从正态分布，从而依据人脸训练样本估计出类间差异和类内差异的条件概率密度。对于 人脸识别的非负矩阵分解(NMF)方法文献综述 摘要：人类对整体的感知是基于对部分的感知，NMF（非负矩阵分解，Non-negative matrix factorization）的思想正是源于此。通过对矩阵分解因子加入了非负性约束，使得对高维非负原始数据矩阵的分解结果不存在负值，且具有一定的稀疏性，因而得到了相对低维、纯加性、拥有一定稀疏特性的分解结果。与PCA（主成分分析，principal components analysis）等传统人脸识别方法相比，NMF的基图像就是人脸的各个局部特征，并且通过对经典算法的一系列优化，改进的NMF算法的识别率和鲁棒性较传统方法有着显著优势。此外，NMF在机器学习、语义理解等领域也有着重要应用。 关键词：非负矩阵分解（NMF）稀疏性改进的NMF 语义理解 一、引言 在实际中的许多数据都具有非负性，而现实中对数据的处理又要求数据的低秩性经典的数据处理方法一般不能够确保非负性的要求，如何找到一个非负的低秩矩阵来近似原数据矩阵成为一个关键问题。在这样的背景下，NMF方法应运而生。 NMF方法思想最早可以追溯到由Paatero和Tapper在1994年提出的正矩阵分解（Positive Matrix Factorization,PMF）[1]；此后1999年，Lee和Seung提出了一个以广义KL散度为优化目标函数的基本NMF模型算法，并将其应用于人脸图像表示[2]；2001年，Lee和Seung通过对基本NMF算法进行深入研究，又提出了两个经典的NMF算法，即基于欧氏距离测度的乘性迭代算法和基于广义KL散度的乘性迭代算法，并给出了收敛性证明[3]，这两种算法称为NMF方法的基准算法，广泛应用于各个领域。 但是在实际应用中，由于经典的基准NMF算法存在收敛速度较慢，未利用统计特征，对光线、遮挡等敏感，以及无法进行增量学习等问题，各种改进的NMF算法被提出。其中包括Lin提出的基于投影梯度（Projected Gradient，PG）的NMF方法[3]，该方法有着很高的分解精度；Berry提出的基于投影非负最小二乘（Projected Non-negative Least Square，PNLS）的NMF方法[5]，通过这种方法得到的基矩阵的稀疏性、正交性叫基准NMF方法都更好；此外还有牛顿类方法[6]和基于有效集[7]的NMF方法等。 二、NMF的基准算法 1.NMF模型 给定一个非负矩阵(即)，和一个正整数，求未知非负矩阵和，使得 用表示逼近误差矩阵。可以用下图表示该过程： 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 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较 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 毕业设计（论文）开题报告 毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2500字以上的文献综述，文后应列出所查阅的文献资料。 基于matlab人脸识别技术的实现 文献综述 一、MATLAB概述 MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。而在本文中主要用到的功能是图像处理功能。 二、BP神经网络概述 人工神经网络（Artificial Neural Net works，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。 人工神经网络发展的主要历程有:20世纪50年代末,Rosenblatt提出的感知器模型和Widrow提出的自适应线性元件,出现了简单的线性分类器;1986年,Rumelhart和Mcllelland 提出了层网络“误差反向传播算法(BP)”,使有导师学习多层感知器网络(ML PN)模式分类器走向实用化,在此基础上又派生出若干前向网络,如径向基函数网络( RBFN)和函数链网络等;1982年,美国加州工学院的物理学家Hopfield提出的一种用于联想记忆和优化计算的反馈网络模型,由于引进了“能量函数” 的概念,使网络走向具体电路有了保证;20世纪70年代,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间,由不同类别聚类的子空间实现模式识别; Kohonen提出的自组织特征映射网络模型等都为神经网络模式识别理论提供了进一步的根据。 构成人工神经网络的三个基本要素是:神经元、络拓扑结构和网络的训练(学习)方法。神经元(节点)的作用是把若干输入加权求和,并对这种加权和进行非线性处理后输出。神经元的选择一般有以下特点:每个神经元都具有多个输入、个输出,具有闭值,采用非线性函数。 1、神经元 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。 人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： 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 文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机 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 人脸自动识别方法综述 周 杰,卢春雨,张长水,李衍达 (清华大学自动化系,北京100084) 摘 要: 人脸自动识别是模式识别、图像处理等学科的一大研究热点,近几年来关于人脸识别的研究取得了很大进展.本文重点对近三、四年来人脸识别的研究进行综述并对各种方法加以评论. 关键词: 人脸自动识别;人脸检测;人脸定位 中图分类号: TP39114 文献标识码: A 文章编号: 0372-2112(2000)04-0102-05 A Su rvey of Automa tic Human Face Recognition ZHOU Jie,LU Chun -yu,ZHANG Chang -shui,LI Yan -da (De partment o f Automation ,Tsinghua Unive rsit y ,Be ijing 100084,China) Abstract: Automatic human face recogni tion is attractive in pattern recogniti on and i mage processing.In this paper we gave a survey of automatic human face recogni tion,mainly ai ming at the latest progress. Key words: automatic hu man face recognition;face detection;face localization 1 引言 随着社会的发展,各个方面对快速有效的自动身份验证的要求日益迫切.由于生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此是身份验证的最理想依据.这其中,利用人脸特征进行身份验证又是最自然直接的手段,相比其它人体生物特征它具有直接、友好、方便的特点,易于为用户所接受[1]. 人脸识别是人类视觉最杰出的能力之一,它的研究涉及模式识别、图像处理、生理学、心理学、认知科学,与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系,因此早在六七十年代即引起了研究者的强烈兴趣.进入九十年代,由于各方面对人脸识别系统的迫切需求,人脸识别的研究重新变得非常热门.目前美国等国有许多研究组在从事人脸识别的研究,这些研究受到军方、警方及大公司的高度重视和资助,美国军方每年还专门组织人脸识别比赛以促进这一领域的发展.在国内,也开始有一些学校从事人脸识别相关的研究.近几年来关于人脸识别的研究取得了很大进步,国际上发表有关论文的数量大幅增长,IEEE 的PAM I 汇刊还于1997年7月出版了人脸识别专辑,每年的国际会议上关于人脸识别的专题也屡屡可见.而目前人脸识别综述的文章还是截止到1994年,因此我们认为非常有必要对近几年的研究工作进行一下总结.在本文中我们将对人脸识别方法进行综述,其中主要介绍近三、四年的研究工作,之前的研究工作请参看文[2,3]. 2 人脸自动识别系统 人脸自动识别系统包括两个主要技术环节(如图1所 示):首先是人脸检测和定位,即从输入图像中找到人脸及人脸存在的位置,并将人脸从背景中分割出来,然后才是对归一化的人脸图像进行特征提取与识别 . 图1 人脸自动识别系统构成 这两个环节的研究独立性很强.由于在很多特定情况下人脸检测与定位的工作比较简单,因此/特征提取与识别0环节得到了更为广泛和深入的研究;而近几年来随着人们越来越关心各种复杂情形下的人脸自动识别系统,人脸检测与定位才得到了较多的重视. 评价一个人脸自动识别系统的标准,一个是误识率即将某人错识别为其他人,另一个是虚警率即将其他人识别为这个人.这二者之间是存在矛盾的,所以在实际问题中往往需要进行某种折衷.如,在安全性要求较高的计算机登录系统中,必须要求虚警率要尽可能低,而误识率则可以高一些,这样只是增加合法用户的等录时间,并不会降低计算机系统的安全性.这一点同样适用于特征提取与识别环节,但是对于人脸检测与定位,我们一般则要求误识率要尽可能低,因为这样才可以保证所要识别的人不会在这一步就丢失. 收稿日期:1999-03-15;修订日期:1999-07-06基金项目:自然科学基金(No.69775009)资助课题 第4期2000年4月电 子 学 报ACTA ELECTRONICA SINICA Vol.28 No.4 April 2000 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 指导老师：马丽 学号：700 班级： 075111 姓名：刘建 成绩： 目录 ............................................................ 一、报告内容要点............................................................ 二、《应用主成分分解(PCA)法的图像融合技术》............................................................ 三、《基于类内加权平均值的模块 PCA 算法》............................................................ 四、《PCA-LDA 算法在性别鉴别中的应用》 ............................................................ 五、《一种面向数据学习的快速PCA算法》 ............................................................ 六、《Theory of fractional covariance matrix and its applications in PCA and 2D-PCA》 ............................................................ 七、课程心得体会 ............................................................ 八、参考文献 ............................................................ 一、报告内容要点 ①每篇论文主要使用什么算法实现什么 ②论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么） ③论文中做了什么对比试验，实验结论是什么？可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法？ 二、《应用主成分分解(PCA)法的图像融合技术》 第一篇《应用主成分分解(PCA)法的图像融合技术》，作者主要是实现用PCA可以提取图像数据中主要成分这一特点，从元图像获得协方差矩阵的特征值和特征向量，据此确定图像融合算法中的加权系数和最终融合图像。 作者在图像融合的算法上进行改进，用PCA获得待融合的每幅图像的加权系数Wi。是这样实现的：计算待融合的i幅图像数据矩阵的协方差矩阵，从中获 龙源期刊网 https://www.doczj.com/doc/c012420907.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。 人脸识别技术综述 摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。 关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法; 随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。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[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。 1. 人脸识别技术基本介绍 人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得 出相似程度的相关信息。 计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中出有效的识别信息, 用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术的研究历史 国内关于人脸自动识别的研究始于二十世纪80年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。 人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所NMF综述报告
人脸识别技术综述
人脸识别技术的应用背景及研究现状
人脸识别技术概述
基于matlab人脸识别技术 开题报告
单样本人脸识别综述
人脸识别技术的应用背景及研究现状
人脸识别技术综述 论文
人脸识别文献综述
人脸识别技术综述解读
人脸自动识别方法综述_周杰
基于深度学习的人脸识别技术综述
模式识别文献综述报告
人脸识别技术综述
人脸检测和识别技术的文献综述
相关主题
文本预览