下载文档原格式
人脸识别综述1引言人脸识别技术的研究始于20世纪50年代，当时的研究人员主要涉及的是社会心理学领域；最早AFR （Auto Face Recognition）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。
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。
尤其是1990年以来，人脸识别更得到了长足的发展。
几乎所有知名的理工科大学和主要IT产业公司都有研究组在从事相关研究。
人脸识别研究的发展叮分为以下三个阶段：第一阶段（1964年~1990年）。
这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征（Geometric feature based）的方法。
第二阶段（1991年~1997年）。
这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的Visionics （现为Identix）的Facelt系统。
美国麻省理工学院（MIT）媒体实验室的特克（Turk）和潘特（Pentland）提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。
第三阶段（1998竿现在）。
FERET' 96人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。
因此，光照、姿态、表情、遮挡问题逐渐成为研究热点。
人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。
国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用，人脸识别技术的研究对模式识别，人工智能，计算机视觉，图像处理等领域的发展有巨大的推动作用。
人脸识别问题可以定义成：输入（查询）场景中的静止图像或者视频，使用人脸数据库识别或验证场景中的一个人或者多个人。
人脸识别综述1 引言人脸识别技术的研究始于20世纪50年代，当时的研究人员主要涉及的是社会心理学领域；最早AFR（Auto Face Recognition)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。
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。
尤其是 1990 年以来，人脸识别更得到了长足的发展。
几乎所有知名的理工科大学和主要IT产业公司都有研究组在从事相关研究。
人脸识别研究的发展可分为以下三个阶段：第一阶段（1964 年～1990年）。
这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometric feature based)的方法。
第二阶段（1991 年～1997年）。
这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期,可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的 FERET 人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的 Visionics(现为Identix）的 FaceIt 系统。
美国麻省理工学院（MIT)媒体实验室的特克（Turk）和潘特（Pentland）提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。
第三阶段（1998 年～现在)。
FERET’96 人脸识别算法评估表明:主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。
因此，光照、姿态、表情、遮挡问题逐渐成为研究热点。
人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题.国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用,人脸识别技术的研究对模式识别，人工智能，计算机视觉，图像处理等领域的发展有巨大的推动作用。
基于深度学习的人脸识别技术综述人脸识别技术是21世纪以来迅速应用于安全检测、人机交互等领域的一种重要技术之一。
基于深度学习的人脸识别技术是人脸识别技术的发展方向，其对于该领域做出了重要贡献。
本文将对基于深度学习的人脸识别技术进行综述，并指出未来发展的方向。
一、基于深度学习的人脸识别技术现状目前基于深度学习的人脸识别技术已经得到广泛的应用。
该技术使用深度神经网络进行人脸特征提取，并且建立起了一种分布式人脸特征表示框架，通过训练数据的特征表示和样本间的相似度计算完成人脸识别任务。
1. 单张人脸识别基于卷积神经网络的方法是目前应用最广的一种人脸识别方法。
通过采用卷积神经网络对人脸进行训练，使之能够学习出人脸的特征，从而实现人脸识别功能。
2. 多人脸识别对于人脸识别领域的多人脸识别问题，传统的基于深度学习的人脸识别方法存在以下问题：1）人脸特征的提取难度较大；2）训练数据不足；3）模型拟合能力不强。
因此，近年来关于多人脸识别问题的研究越来越受到关注。
3. 人脸图像生成人脸图像生成是指通过神经网络生成与原始图像相似的人脸图像。
通过训练神经网络来学习人脸图像的生成模式，从而在未知数据上生成新的人脸图像。
二、基于深度学习的人脸识别技术的研究进展及未来方向1. 人脸识别的应用目前基于深度学习的人脸识别技术已经被应用于各个领域，如人机交互、安全检测、证件验证等。
在未来，该技术将更加广泛地应用于各种应用场景中。
2. 人脸识别的精度提升在目前的基于深度学习的人脸识别技术中，还存在着一些识别精度上的问题。
未来的研究重点将会放在如何提高人脸识别的准确率上，从而使之能够更准确地应用于各种场景。
3. 人脸识别的模型加速在基于深度学习的人脸识别技术中，模型的复杂度往往很高，因此训练和执行的速度也很慢。
为了实现实时人脸识别技术，未来研究将会加大对于人脸识别模型的优化研究，从而提高其速度。
三、结论人脸识别技术是21世纪以来发展较为迅速的一种重要技术。
人脸识别文献综述
人脸识别技术的文献综述可以从以下几个方面展开：
1.人脸识别技术的发展历程：介绍人脸识别技术的起源、发展历程以及各个阶段的技术特
点和应用领域。
2.人脸识别的基本原理：阐述人脸识别的基本原理，包括人脸检测、特征提取和匹配识别
等关键技术。
3.人脸识别的应用领域：介绍人脸识别技术在各个领域的应用情况，如安全、金融、交通、
教育等。
4.人脸识别的技术挑战和解决方案：分析人脸识别技术面临的技术挑战，如光照、角度、
面部朝向、面部表情等，并介绍各种解决方案和技术进展。
5.人脸识别的未来展望：预测人脸识别技术的发展趋势和未来发展方向，包括深度学习、
多模态融合、隐私保护等方面的技术发展。
6.在撰写人脸识别技术的文献综述时，需要全面收集和阅读相关文献，包括学术论文、专
利、技术报告等，并对各种文献进行分类和整理。
同时，需要对各种技术和方法进行比较和分析，总结出它们的优缺点和应用场景。
最后，需要结合自己的理解和见解，对人脸识别技术的未来发展进行预测和展望。
需要注意的是，人脸识别技术是一个跨学科的领域，涉及到计算机视觉、机器学习、模式识别等多个学科。
因此，在撰写文献综述时需要有一定的专业背景和技术基础，以便更好地理解和分析相关文献。
人脸识别技术的综述与分析人脸识别技术是一种基于计算机视觉和模式识别的技术，通过对人脸图片或视频进行分析和比对，实现身份识别、人脸检索和行为跟踪等功能。
近年来，随着计算机性能的提升和人工智能技术的不断发展，人脸识别技术得到了广泛的应用和研究。
一、技术发展历程人脸识别技术的发展可以分为三个阶段：传统算法、深度学习算法和端到端深度学习算法。
传统算法比较早期的人脸识别技术，主要采用几何、统计等方法对人脸特征进行提取和匹配。
这类算法主要应用于人脸检测和识别方面，但受限于特征的多样性和不足，其效果和鲁棒性和欠佳。
深度学习算法采用深层神经网络对人脸进行特征提取和学习，可以有效地提高人脸识别的准确率和鲁棒性。
近年来，深度学习算法在人脸识别方面取得了显著的进展，如FaceNet、DeepID、DeepFace和VGGFace等算法。
端到端深度学习算法将人脸识别过程从特征提取到匹配都交给深度神经网络处理，大大简化了流程和提高了效率。
目前，基于卷积神经网络的端到端人脸识别算法已成为主流，并在多种场景下实现了高效的人脸检测和识别。
二、技术原理与应用场景人脸识别技术的基本原理是通过对人脸图像进行分析和比对，从中提取出人脸的特征向量，并将其与数据库中已有的特征向量进行比对，来匹配出以前存在的人脸图像。
人脸识别技术可以应用于身份认证、门禁管理、智能安防、人脸支付等多种场景。
1.身份认证人脸识别技术可以通过对个人脸特征进行比对，验证身份的真实性。
在银行、机场、政府部门等各类场所中，可以通过人脸识别技术来确定个人身份，提高身份认证的准确性和效率。
2.门禁管理通过安装人脸识别设备，可以实现非接触式身份验证。
在进出人员相对固定的场所，如企事业单位、小区、学校等，可以使用人脸识别技术来管理和控制门禁，增强安全性和便利性。
3.智能安防结合人脸识别技术和视频监控设备，可以实现智能安防功能。
在银行、商场、车站等安保领域中，可以通过人脸识别技术来对可疑人员进行识别和报警，并及时采取相应的措施。
人脸识别过程一般要经过图像预处理、特征提取、匹配识别三个步骤,其中特征提取和匹配识别尤为重要。
特征提取的主要工作是从人脸图像中提取一组反应人脸特征的向量表征人脸样本,这个过程常与特征降维重合;匹配识别则是对待识别的图像进行识别分类,这一过程通过选择适当的匹配策略将输入到分类器的图像数据与数据库中的数据进行匹配,进而判断个体身份人脸携带了许多信息,是由眼睛、鼻子、嘴、和下巴等部位组成的,但因个体差异使这些器官的形状和大小及分布因人而异;在人脸图像中, 再加上光照、姿态、表情等因素的变化,使得人脸图像的识别过程变得异常复杂人脸识别的优点——无直接接触性、自然容易接受及非侵犯性等(1)有很好的隐蔽性,不一定需要用户的配合就能釆集到所需画面,在安全监控、疑犯追踪和监控等领域展现了很好的适用性,这是其它的生物特征识别所不能取代的。
(2)它的采集方式友好,是一种非接触式采集,容易被用户接受,不会造成反感及抵触。
(3)它操作起来比较简单,不需要高深的专业知识,便于人们使用,是一种快捷的识别方式。
(4)它具有强大的事后追踪能力,相对于指纹、虹膜等识别能力,普通用户就可以做出判断;(5)识别结果显而易见,更符合人类的认知习惯,具备指纹识别等不具备可交互性,适合于改善人机界面;(6)需要的设备简单、成本低、通用,普通的摄像头就可以达到识别要求强调了其局限性,正是这些局限性给研究人员提供了研究思路。
这些局限性一般包括人脸图像的内在因素和外在因素造成的障碍,内在因素如年龄、表情、面部装饰和种族、性别的不同,外在因素有光照、姿态、摄像机的成像参数及釆集数据的规模等叙述了人脸识别的原理及发展历程,详细介绍了各历程中涌现出的代表性的人脸识别方法,从早期的面部剪影曲线的结构特征提取与分析到特征脸方法的提出,从线性子空间判别分析、统计表观模型、统计模式识别方法到非线性建模方法、统计学习理论、基于Boosting的学习技术、基于三维模型的人脸建模与识别方法。
人脸识别技术研究现状综述
摘要：本文基于计算机视觉顶会论文收录情况对当前人脸识别技术研究现状进行了分析，并对当前主流的人脸识别技术分类、研究方法进行了介绍。当前基于2D人脸数据的人脸识别方面，技术已较为成熟，形成了一套基于深度学习的人脸识别方法。在颠覆性技术出现前，人脸识别研究热点主要集中在基于训练数据的优化、基于损失函数的优化，以及多模型融合三个方向上。相比于基于2D数据的人脸识别，3D人脸识别目前研究重点集中在3D人脸重建上，基于3D人脸数据的特征提取和分类方法还有较大的研究空间。此外，人脸反欺诈也是当前人脸识别技术的研究重点。
关键词：人脸识別;人脸重建;3D 人脸识别因其方便、友好、非接触、非侵犯以及易集成等优势，在不同的生物特征识别方法中有着重要的地位。也正是因为这些优势，使得人脸识别当前被广泛应用于身份认证、智能安防、便捷金融、疑犯追踪等众多领域，同时也引起了学术界和商业界越来越多的关注。
1 人脸识别分类 1.1 接应用方式分类 人脸识别按照应用方式，分为1：1、1：N、M：N。 1：1人脸识别一般称为FaceVerification（人脸验证;人脸确认;人脸校验），属于二分类问题.应用场景主要有互联网买机票、车票，医院挂号，政府惠民工程项目，以及各种证券开户、电信开户、互联网金融开户等等。
1：N人脸识别一般称为Faceldentification（人脸识别），属于多分类问题。跟1：1的A/B两张照片比对最大的区别是一次识别需要与集合所有样本进行比对，数据总量越大计算速度越慢，而总和超过20万，就会出现多个相似结果（20万人这个大数会导致有不少人长相相似），需要人工辅助定位。一般用于疑犯追逃、失踪人口搜寻等领域，以助于减少人工工作量，提高工作效率。
M：N人脸识别实际上是基于1：N的算法，对输入图像中所有人脸与人脸数据底库进行1：N匹配。
1.2 按素材使用分类 人脸识别按照素材使用，分为2D人脸识别、3D人脸识别。 2D人脸识别一般指利用人脸图像的RGB信息进行素材，进行人脸检测、特征提取和信息比对。
人脸亲子关系验证研究综述人类作为社交性动物，从出生起就与亲人建立起了一种特殊的关系，其中最为特殊而重要的便是亲子关系。
人脸亲子关系验证研究意指通过分析个体面部特征来验证其与父母的亲子关系。
这一领域的研究对于识别亲子关系、维护家庭稳定、遗传疾病探测等方面都具有重要意义。
本文将对人脸亲子关系验证研究的历史、原理、技术方法以及应用等进行综述。
1. 历史回顾人脸亲子关系验证的概念最早由英国统计学家弗朗西斯·高尔顿提出，并在20世纪中期引起了学术界的广泛关注。
早期的研究主要依赖于人工判断，即通过直观观察和判断来验证亲子关系。
然而，这种人工判断容易受主观因素的影响，结果不够准确可靠。
2. 原理解析随着科技的进步，基于人脸亲子关系验证的研究逐渐转向基于生物特征的方式进行。
人脸是个体最为显著的生物特征之一，其特征独特性和遗传性为亲子关系验证提供了理论基础。
研究人员发现，亲子关系间的共同遗传基因会影响个体面部特征的形成，因此通过对面部特征的比对和分析，可以推测亲子关系的概率。
3. 技术方法目前，人脸亲子关系验证主要采用了两种技术方法：基于图像特征的方法和基于基因信息的方法。
基于图像特征的方法主要依靠计算机视觉和图像处理技术，通过对人脸图像进行建模和比对，来验证亲子关系。
这些方法主要包括人脸识别、人脸比对和人脸重建等技术。
其中，人脸识别通过提取人脸图像中的特征点和纹理信息，并与数据库中的亲缘关系图像进行比对，来判断亲子关系的概率。
人脸比对则通过对两个个体面部特征的相似度进行比对来验证亲子关系。
而人脸重建则是通过重建个体的三维面部模型，来分析个体面部特征的差异性。
基于基因信息的方法则是通过分析个体面部特征的遗传基因，来验证亲子关系。
这些方法主要包括基因测序、DNA分析和SNP标记等技术。
通过对个体的DNA序列进行比对和分析，可以推断出亲子关系的程度。
4. 应用前景人脸亲子关系验证研究具有很高的应用价值。
首先，亲子关系验证可以帮助确定合法的亲子关系，从而维护家庭的稳定和社会的公平。
人脸识别过程一般要经过图像预处理、特征提取、匹配识别三个步骤, 其中特征提取和匹配识别尤为重要。特征提取的主要工作是从人脸图像中提取一组 反应人脸特征的向量表征人脸样本,这个过程常与特征降维重合;匹配识别则是对 待识别的图像进行识别分类,这一过程通过选择适当的匹配策略将输入到分类器的 图像数据与数据库中的数据进行匹配,进而判断个体身份
人脸携带了许多信息,是由眼睛、鼻子、嘴、和下巴等部 位组成的,但因个体差异使这些器官的形状和大小及分布因人而异;在人脸图像中, 再加上光照、姿态、表情等因素的变化,使得人脸图像的识别过程变得异常复杂
人脸识别的优点 ——无直接接触性、自然容易接受及非侵犯性等 (1)有很好的隐蔽性,不一定需要用户的配合就能釆集到所需画面,在安全
监控、疑犯追踪和监控等领域展现了很好的适用性,这是其它的生物特征识别所不 能取代的。 (2)它的采集方式友好,是一种非接触式采集,容易被用户接受,不会造成 反感及抵触。 (3)它操作起来比较简单,不需要高深的专业知识,便于人们使用,是一种 快捷的识别方式。 (4)它具有强大的事后追踪能力,相对于指纹、虹膜等识别能力,普通用户 就可以做出判断; (5)识别结果显而易见,更符合人类的认知习惯,具备指纹识别等不具备可 交互性,适合于改善人机界面; (6)需要的设备简单、成本低、通用,普通的摄像头就可以达到识别要求 强调了其局限性,正是这 些局限性给研究人员提供了研究思路。这些局限性一般包括人脸图像的内在因素和 外在因素造成的障碍,内在因素如年龄、表情、面部装饰和种族、性别的不同,外 在因素有光照、姿态、摄像机的成像参数及釆集数据的规模等
叙述了人脸识别的原理及发展历程,详细介绍了各历程中涌现出的 代表性的人脸识别方法,从早期的面部剪影曲线的结构特征提取与分析到特征脸方 法的提出,从线性子空间判别分析、统计表观模型、统计模式识别方法到非线性建 模方法、统计学习理论、基于Boosting的学习技术、基于三维模型的人脸建模与识 别方法。与此同时,许多人脸识别商业系统也付诸实施,并体现了良好的识别性能。 这一章还介绍了常用人脸图像库的特性,如ORL人脸库、YALE人脸库、MIT人脸 库、FERET人脸库等,图像的采集对象和条件都有所不同。 人脸识别是生物识别技术的一种,生物识别技术(Biometric Recognition),简
单地讲,就是利用生物个体的生理/行为特征来进行自动识别个体的生物技术。生物 特征识别系统本质上是一个模式识别系统,该系统通过从生物个体获得的各种数据 提取特征,然后对比数据库里模板中的特征集,完成对个体的辨识。生物识别技术 利用了图像处理、模式识别和计算机视觉等技术来处理生物的生理和行为特征。个 体生理特征是个体自身固有的一些特征,它们是客观存在的并且不会随主观意愿主 动地去进行改变,比如个体自身的基因、耳廓、脸部特征、指纹、掌纹、虹膜、视 网膜、手部和面部静脉血管、体味以及面部热谱等;个体行为特征是与个体的行为 习惯有关的,在多数情况下是因人而异的,比如击键动力、签名、声音和步态等特 征。因此我们常将生物识别划分为基于生理特征和基于行为特征的生物识别两类 比如一个办公室白领一天的工作生活中可能遇到的人脸识别应用有:上班打卡 用到的人脸识别考勤机,取代了传统的指纹考勤或刷卡考勤;打开计算机办公时, 通过连接到计算机的摄像头来解锁计算机;处理邮箱邮件时,通过人脸识别取代传 统的密码服务;幵车在路上,路边的监控摄像头可以拍摄到驾驶员的面部进行分析, 提醒是否疲劳驾驶 目前市场上涌现了多种人脸识别考勤产品,比如汉王的人脸通
第二章人脸识别技术和相关研究 自动人脸识别研究始于二十世纪60年代,至今己有四十年的发
展历程,大致可以分为三个阶段: 第一阶段是人脸识别的初级阶段。从上个世纪60年代起,一些学者从工程研 究的角度进行了人脸识别的研究,这一阶段的人脸识别工作主要是在单调背景下进 行的,主要研究的是面部剪影曲线的结构特征提取与分析,所产生的重要成果和实 际应用不是很多。 第二阶段是人脸识别的高潮期,从1991年至1997年期间诞生了很多极具代表 性的人脸识别算法。二维人脸图像线性子空间判别分析、统计表观模型、统计模式 识别方法成为这一阶段内的主流技术,这些技术同时也带来了人脸识别商业系统 的发展。 ①Turk和Pentland最早提出的“特征脸”方法,现在已与归一化的协相关量成
为目前人脸识别的性能测试的基准算法。 ②Brunelli和Poggio提出的基于模版匹配的方法为基于表观的线性子空间重建 和基于统计模式识别技术奠定了基础,在性能上要优于基于特征的人脸识别方法。 ③Belhuneur等人提出的Fisherface算法首先采用主成分分析方法对图像空间进 行映射,实现降维处理,然后运用线性鉴别分析对降维后的数据进行投影以期同时 获得尽可能大的类间离散度和类内离散度。 ④Moghaddam率先提出了基于双子空间对人脸图像进行识别的方法,对两幅人 脸图像进行作差,通过这个差值来计算两个类别的类条件概率密度,然后通过Bayes 决策来进行分类识别。 ⑤弹性图匹配技术(Elastic Graph Matching, EGM)来源于动态链接结构算法。 它用一个拓扑图来表征人脸,上面每一个“顶点”都对应了人脸图像在网格节点的局部特性,包含了该关键点附近的人脸信息。弹性图匹配既通过整个属性图的拓扑
结构保留了人脸图像的全局特性,又能够完成对关键局部特征的提取,而且它设置 了一定的拓扑图弹性形变,从而使得该算法拥有较好的灵活性。 ⑥Atick等人提出的局部特征分析技术(Local Feature Analysis,LFA)首先通 过对人脸进行PCA变换,得到低维的全局特征描述,然后在保留全局结构信息的 基础上提取局部特征,目前这一技术己在商业领域得到成功应用,知名的Facelt系 统就是由此而来。 ⑦主动形状模型(ActiveShape Model,ASM)和主动外观模型(Active Appe? arance Models, AAM)利用统计建模的思想对人脸建模,并为这一方向的发展做出 了巨大贡献。它们首先提取图像的形状和纹理等相关信息,然后对这些信息统计分 析并分别建立相应的模型,最后可将建立的两种模型通过主成分分析加以融合,建 立起最后的统计模型。 这期间一个重要的事件是美国国防部还于一九九三年九月组织了人脸识别工 程(Face Recognition Technology,FERET),随后还资助开展了 FRGC 和 FRVT 测评 项目,建立起了国际权威的人脸识别测试数据库。该项目的几次人脸识别评测极大 “ 地促进了人脸识别算法的改进和应用,而且指导人脸识别研究进入一个新的热点即 对在光照和姿态变化等不理想条件下采集到的图像进行识别 第三阶段是二十世纪九十年代末期至今,研究工作集中于在不理想采集条件 下,比如多光照和多姿态变等,识别对象非主观意愿下旳采集以及在大规模数据库 上的识别测试问题。备受研究者关注的技术趋势包括非线性建模方法、统计学习 理论、基于Boosting的学习技术、基于三维模型的人脸建模与识别等。这一阶段的 代表性技术和方法有以下几种: ①Georghiades等人提出的基于光照锥(Illumination Cones)技术,光照锥方法 简言之就是在极端可变光照下的基于表观的识别方法。 ②支持向量机(Support Vector Machine,SVM)也在人脸识别领域中大放光彩。 SVM擅长对线性不可分的样本数据的处理,SVM是一个两类分类器,而人脸识别 则是一个多类问题,解决这个问题的基本思想是想办法将多类问题化为两类问题, 划分的方法有类内差与类间差法、一对多法和一对一法。 ③在三维人脸识别领域,Blanz和Vetter等人开创性地提出了基于三维变形模 型的方法,该方法除了统计三维人脸模型的形状和纹理特征,还运用图形学模拟方 ④2001年Viola和Jones展示了一个人脸检测系统,该系统是利用简单矩形特 征和AdaBoost算法进行检测人脸的。简单矩形特征可以快速提取,而AdaBoost则 通过迭代大量弱分类器而产生强分类器,系统采用级联技术提高检测速度,这些策 略使该系统展现了良好的优越性。 ⑤Shashua等人于2001年提出了一种基于商(相同对象在不同光照条件下的图 像商)图像的人脸图像识别与绘制技术,该技术针对特定的图像对象结合,根据训 练集中少量的在不同光照条件下的图像进行合成,使其能够输出在各种不同光照条 件下的人脸图像。 ⑥Basri和Jacobs用球面谐波和卷积过程证明由任意远处某个点光源获得的球 面不同位置的朗博反射函数簇可以集合成一个线性的子空间,也就是说一个凸的朗 博表面三维人脸可以用线性子空间在低维表示。这一结论不仅吻合了前面所提出的 统计不同光照下图像进行建模的结果,而且进一步在理论上推进了线性子空间方 法,并为光照可变条件下人脸识别提供了重要思路。 FERET项目之后,许多人脸识别商业应用系统开始出现在n常生活中。美国国 防部的有关部门就此进行了大规模规范性的评测——FRVT,目前已经举办了四次: FRVT2000、FRVT2002、FRVT2006和FRVT2012。这四次测试一方面对人们熟知 的人脸识别应用系统进行了性能比较,例如清华大学丁晓青研究小组的人脸识别在 FRVT2006的评测中普获好评,该系统在大规模数据库上进行测试,并且在不受控 . 光照条件识别性能优于人眼的识别。另一方面这几次测试则总结了每个时期人脸识 别技术发展的现状,指出了目前的人脸识别算法存在的急需解决的若干问题,并为 相关研究提供赞助。FRVT2006测试重点在于高解析度平面静止影像的辨识效果、
