人脸识别概述及其相关问题研究080303214 08计本2 李志超摘要：概述了人脸识别中的主要流程和主要技术，并且对其目前存在的问题和未来的发展做了一定的分析。
关键词：模式识别，人脸识别一．概述近年来,数字图像技术的应用范围越来越广,运用数字图像处理技术的身份验证则更是由于其在公安(罪犯识别等)、安全验证系统、信用卡验证等方面的巨大应用前景而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。
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,相比于指纹、视网膜、虹膜、基因等其它人体生物特征,它具有直接、友好、方便的特点,更易于为用户所接受,因此备受关注。
虽然人类可以轻松识别出不同人的脸部特征,但机器对人脸的自动识别涉及到模式识别、数字图像处理、生理和心理学等多方面的课题。
人脸识别系统应该能够处理脸部图像的变化,但是同一张脸,在不同的视角,不同的描述方法下,图像的差别很大,人脸的自动识别因此也是极具挑战性的工作。
二．人脸识别过程及其技术人脸识别问题是指:对输入的人脸图像或者视频,首先判断其中是否存在人脸,如果存在人脸,则进一步的给出每个人脸的位置、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含的身份特征,并将其与已知人脸库中的人脸进行对比,从而识别每个人脸的身份。
人脸识别的过程可以分为以下三个部分:1)人脸检测:判断输入图像中是否存在人脸,如果有,给出每个人脸的位置,大小;2)面部特征定位:对找到的每个人脸,检测其主要器官的位置和形状等信息;3)人脸比对:根据面部特征定位的结果,与库中人脸对比,判断该人脸的身份信息。
完整的人脸识别系统至少包括两个主要环节。
首先在输入图像中找到人脸的位置,将人脸从背景中分割出来;其次,将分割后的人脸图像进行特征提取和识别。
如下图1所示:2.1人脸的检测和定位2.1.1人脸的色彩特性研究发现，虽然不同种族的肤色差异较大，但在色彩空间中的分布相对集中，因此可以充分利用皮肤的色彩特点进行脸部肤色和五官的分割.这种肤色的分布服从高斯分布N(m,C)，其中：均值(Mean):m=E{x}，x=(r b)T，协方差(Covariance):C=E{(x–m)(x–m)T}.由高斯分布可得到图像中任一像素的值为肤色的概率Likelihood[3]，如下式所示.2.1.2彩色图转化为灰度图根据(1)可将原彩色图转化为灰度图.灰度图中的像素值表示该像素为肤色的概率.灰度图中肤色区域和非肤色区域存在着明显的差异，肤色区域要亮一些.2.1.3灰度图转化为二值图肤色区域和非肤色区域存在着明显的差异，因此可以用阈值法去除非肤色区域.由于固定阈值法不适用于色彩差异较大的各种人脸图像，因此采用自适应阈值选取法来获取最优阈值.自适应阈值选取法的原理如下：随着阈值的逐步减小，观察分割出的区域数目的增加情况.虽然这种增加速度有逐渐减缓的趋势，但当阈值取到一个很小值以至于部分非肤色区域被保留下来时，分割出的区域数目会产生一个跳变，此时的阈值即为最优阈值.用该阈值对灰度图做二值化处理，即:其中，gi(x,y)为灰度图中的像素值，T为自适应阈值选取的最优阈值.经过上述处理后，得到一幅二值图.2.1.4判断保留下的各个区域是否是人脸区域首先计算该区域的欧拉数Ｅ＝Ｃ－Ｈ，其中Ｃ为区域连通数，Ｈ为洞的数目，对于人脸而言，Ｅ应大于１.然后根据欧拉数E判断区域中是否存在洞，若是，则根据下列公式计算矩、质心和倾角.再利用人脸的几何特性进一步判断：计算区域的长、宽，若长宽比过大则丢弃；将标准人脸模板和区域重合，计算十字相关性.若关联性大于一个即定值，则该区域为人脸.2.2人脸特征提取2.2.1利用小波多分辨特性对人脸做降维表达对人脸图像做一阶小波分解,再对高频图做积分投影.图像积分投影定义如下：给定N×M大小的图像I(x,y)，分别定义水平函数量H(y)和垂直投影函数V(x)，图像区域为Ψ(x1＜x＜x2，y1＜y＜y2＝：2.2.2确定人脸带区在垂直细节图作积分投影，得到积分投影函数V(x)，寻找V(x)的两个极值点，它们就是人脸的左右边界.这两个点的位置确定了一个垂直带区，命名为“人脸外接带区”.人脸左右边界部分的小波系数较大，所以具有较大的值.利用两个峰值，可以确定人脸的垂直带区.2.2.3特征基线确定在人脸外接带区范围内，对水平细节图作水平积分投影，得到H(y).在眼睛、鼻子、嘴的位置附近，小波系数的值比较大，寻找H(y)中极值点，它们分别对应眼睛、鼻子和嘴的基线.对水平细节图中基线的区域分别进行垂直积分投影、检测结果、确定基线.眼睛基线附近应得到两个突起的峰值，鼻子和嘴应在两眼的峰值中间有一个长的峰值.最后，定义人脸的外接矩形.由于头发、胡须和衣服等在多数方向上具有较高的小波系数，所以无法准确定位人脸上下基线.根据人脸的形状，一般确定人脸的长宽比大约为1.5：1，将人脸的上下基线定义为与鼻子的基线等距.2.2.4基于特征基线提取特征眼：在眼睛基线附近做边沿检测，对检测结果做水平投影，确定眼睛的范围.做垂直投影，对区域中的黑点进行区域膨胀.取黑点的均值作为瞳孔的位置.鼻子：设两眼瞳距为1，在双眼下方(0.7,1)范围内寻找颜色较深的区域即鼻孔.两鼻孔的1/2处的亮度最高点即为鼻尖.嘴：寻找满足下列条件并位于脸的下方的区域即唇色.嘴到两眼中心的距离为(1.0,1.3).用类似眼睛的方法找到左右嘴角和嘴的中心.2.3人脸对比国内人脸对比技术已取得了一定的成果.BP神经网络是应用较为广泛的一种特征提取和对比方法.例如，可将标准化后人脸图像各点的灰度值作为特征提取网络的输入，其隐层输出作为识别网络的输入.识别网络的期望输出为赋予每个人的标识号.每人多张照片参加训练，根据训练人数的多少，可适当增减输出层结点数.该方法的优点是识别速度快、识别率高、自适应性强，但训练和收敛速度慢，容易陷入局部极小.另一种有效方法是将本征脸、协同算法和自联想神经网络等单一分类器结合起来，形成了多分类器结合的方法进行人脸对比，并在已有的几种分类器结合方法的基础上，对投票法作一些改进：不同分类器给予不同的“说话权重”，增加“第二候选人”，并根据“第一候选人”与“第二候选人”的可信度差，给“第一候选人”加“附加选票”.实验结果表明，采用多分类器结合方法后的识别率比单一分类器要高，改进后的投票法较其他多分类器结合方法有较好的识别率(可高达95%).三．人脸识别主流技术及其简介主流的人脸识别技术基本上可以归结为3类:基于几何特征的方法,基于模板的方法和基于模型的方法。
