发布时间 : 星期一 文章人脸识别技术研究（毕业论文） - 图文更新完毕开始阅读
自动化及智能管理。当前普遍使用的另一类证件是用符号或者条形码标记的，比如信用卡。这类卡的安全性比较低，可能遗失、被窃取，使用场合(比如自动提款机)的安全性也比较差。如果在这类卡上加上人脸的特征信息，则会大大改善其安全性能。 3.入口控制。需要入口控制的范围很广，它可以是重要人物居住的住所、保存重要信息的单位，只要人类觉得安全性比较重要的地点都可以进行入口控制，比较常用的检查手段是核查证件。人员出入频繁时，保安人员再三检查证件是很麻烦的，而且证件安全性也不高。在一些保密要求非常严格的部门，除了证件外，已经使用了生物特征识别手段，如指纹识别、掌纹识别、虹膜识别和语音识别等。人脸识别与这些技术相比，具有直接、方便和友好的特点。当前计算机系统的安全管理也备受重视，通常使用由字符和数字组成的口令(Password)进行使用者的身份验证，但口令可能被遗忘，或被破解，如果将人脸作为口令，则既方便又安全。
4.视频监控。在银行、公司、公共场所等处设有24小时的视频监控，如何对视频图像进行筛选分析，就需要用到人脸检测、跟踪和识别技术。
除了以上应用外，人脸识别技术还可以用于视频会议、机器人的智能化研究等方面。尤其从美国9.11事件后，人的身份识别问题更是提升到了国家安全的角度，如何利用人脸信息迅速确定一个人的身份成了各个国家重点研究的技术。
1.1.2人脸识别技术的难点
虽然人类可以毫不困难地根据人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别，仍存在许多困难。人脸模式的差异性使得人脸识别成为一个非常困难的问题，表现在以下方面:
1.人脸表情复杂，人脸具有多样的变化能力，人的脸上分布着五十多块面部肌肉，这些肌肉的运动导致不同面部表情的出现，会造成人脸特征的显著改变；
2.人脸随年龄而改变，随着年龄的增长，皱纹的出现和面部肌肉的松弛使得人脸的结构和纹理都将发生改变；
3.人脸有易变化的附加物，例如改变发型，蓄留胡须或者佩戴帽子和眼镜等饰物； 4.人脸特征遮掩，人脸全部、部分遮掩将会造成错误识别；
5.人脸图像的畸变，由于光照、视角、摄取角度不同，可能会造成图像的灰度畸变、角度旋转等，降低了图像质量，增大了识别难度。
所以很难从有限张人脸图像中提取出反映人脸内在的、本质的特征。另外人脸识别还涉及模式识别、图像处理、计算机视觉、生理学和心理学等学科领域。这诸多因素使得人脸识别至今仍是一个有待深入研究，极富挑战性的课题。同时一个成功的、具有商用价值的快速的人脸识别系统将会给社会带来极大的影响。
1.2人脸识别技术的发展与现状
人脸识别的研究可以追溯到20世纪60年代末，最早的研究见于文献
3
[1]
。Bledsoe
以人脸特征点的间距、比率等参数为特征，建成了一个半自动的人脸识别系统。人脸识别的发展大致经过了三个阶段，其中伴随发展了多样的人脸识别技术。
1.2.1人脸识别技术发展的三个阶段
第一阶段一非自动识别阶段:主要研究如何提取人脸识别所需的特征。通过简单的语句描述人脸数据库成为待识别人脸设计逼真的摹写来提高面部识别率。这是需要手工干预的阶段。此阶段以Bertillon、Allen和Parke为代表。在Bertillon系统中，用了一个简单的语句与数据库中的某一张脸相联系，同时与指纹识别相结合，提供了一个较强的识别系统。为了提高面部识别率，Allen为待识别人脸设计了一种有效逼真的摹写[2]，Parke则用计算机实现了这一想法[3]，并且产生了较高质量的人脸灰度图模型。在此阶段，识别过程全部依赖于操作人员，所以不是一种自动识别的系统。
第二阶段一人机交互阶段:这一阶段虽然实现了一定的自动化，但还需要操作员的某些先验知识，仍然不是一个完全自动的识别系统。此阶段的代表性工作有:Goldstion、Harmon和Lesk等人用几何特征参数来表示人脸正面图像[4]。他们采用21维特征矢量表示人脸面部特征，并设计了基于这一表示法的识别系统。Kaya和Kobayashi则采用了统计识别的方法，用欧氏距离来表示人脸特征[5]，例如嘴和鼻子之间的距离，嘴唇的高度，两眼之间的距离等。更进一步的，T.Kanad设计了快速且有一定知识引导的半自动回溯识别系统[6]，创造性的运用积分投影法从单幅图像上计算出一组脸部特征参数，再利用模式分类技术与标准人脸相匹配。Kanad的系统实现了快速、实时的处理，是一个很大的进步。总的来说，上述方法都需要利用操作员的某些先验知识，始终摆脱不了人的干预。
第三阶段一自动识别阶段:这一阶段真正实现了机器自动识别，产生了众多人脸识别方法，出现了多种机器全自动识别系统。近十余年来，随着高速度、高性能计算机的发展，人脸识别方法有了较大的突破，提出了多种机器全自动识别系统[7]。近年来，人脸识别技术研究也非常活跃，除了基于K一L变换的特征脸方法与奇异值特征为代表的代数特征方法取得了发展外[8][9]，人工神经网络[10][11]、隐马尔可夫模型·小波变换等也在人脸识别研究中得到了广泛的应用[12][13]，而且出现了不少人脸识别的新方法[14][15][16]。本文将在1.3节介绍人脸识别的主要内容与方法。
1.2.2国内外发展现状
目前，国外对人脸识别问题的研究比较多，其中比较著名的有MTI、CMU、Cornell和Rockfeller等，MPEG标准组织也已经建立了专门的人脸识别草案小组。国际上发表的相关论文数量也大幅度增长，EIEE的著名国际会议，如EIEE International Conference on Automatic Face and Gesture Recognition、 International Conference on Image Processing、Conference on Computer Vision and Pattern Recognition等，每年都有大量关于人脸识别的论文。截至2005年3月，EIEE/IEE全文数据库中收
4
录的关于“face”的文章8916篇，其中有关“face recognition”的3280篇，约占36.8%，并且每年的文献呈急剧上升趋势。同样在工程索引El中，至2005年3月，共有81657篇有关“face”的文献，数目是惊人的，并且2000年后快速增长。国内对人脸识别领域的研究起步较国外晚，但近十年来呈现飞速发展，据中国期刊网统计，1996年至2005年3月，有关“人脸”的文献1467篇，其中人脸识别领域的文章494篇，并且再近几年获得快速增长，也预示人脸识别领域得到快速发展。目前国内大部分高校有人从事人脸识别相关的研究，其中技术比较先进的有中科院自动化所、清华大学、浙江大学等。
1.3人脸识别的研究内容与主要方法
自动人脸识别技术(AFR)就是利用计算机技术，根据数据库的人脸图像，分析提取
出有效的识别信息，用来“辨认”身份的技术。人脸识别技术的研究始于六十年代末七十年代初，其研究领域涉及图像处理、计算机视觉、模式识别、计算机智能等领域，是伴随着现代化计算机技术、数据库技术发展起来的综合交叉学科。
1.3.1人脸识别的研究内容
人脸识别的研究范围广义上来讲大致包括以下五个方面的内容。
1.人脸定位和检测(Face Detection):即从在动态的场景与复杂的背景中检测出人脸的存在并且确定其位置，最后分离出来。这一任务主要受到光照、噪声、面部倾斜以及各种各样遮挡的影响。
2.人脸表征(Face Representation)(也称人脸特征提取):即采用某种表示方法表示检测出人脸与数据库中的己知人脸。通常的表示方法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征向量)、固定特征模板等。
3.人脸识别(Face Identification):即将待识别的人脸与数据库中已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表征方式与匹配策略。
4.表情姿态分析(Expression/Gesture Analysis):即对待识别人脸的表情或姿态信息进行分析，并对其加以归类。
5.生理分类(Physical Classification):即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，或者从几幅相关的图像推导出希望得到的人脸图像，如从父母图像推导出孩子的脸部图像和基于年龄增长的人脸图像估算等。
人脸识别的研究内容，从生物特征技术的应用前景来分类，包括以下两个方面:人脸验证与人脸识别。
1.人脸验证(Face Verification/Authentication):即是回答“是不是某人?(Am I whom I claim I am?)”的问题。它是给定一幅待识别人脸图像，判别它是否是“某人”的问题，属于“一对一”的两类模式分类问题，主要用于安全系统的身份验证。
2.人脸识别(Face Identification/Recognition):即是回答“是谁?(Who am I?)”的问题。它是给定一幅待识别人脸图像，在已有的人脸数据库中，判别它的身份的问题。
5
它是个“一对多”的多类模式分类问题，通常所说的人脸识别即指此类问题，这也是本文的主要研究内容。
1.3.2人脸识别的视觉机理
近几年的研究表明[17]，人类视觉数据处理是多层次的过程，其中最低层的视觉过程(视网膜功能)起到信息转储作用，即将大量图像数据转换为较为抽象的信息，这一任务由视网膜中的两类细胞完成:低层次的细胞对空间的响应与小波变换作用类似，高层次的细胞则依据低层次细胞的响应，而作出具体的线、面乃至物体模式的响应。这表明在视觉处理过程中，神经元并不是随便的、不可靠的把视觉图像的光照强度投射到感觉中枢，它们可以检测模式单元，区分物体的深度，排除无关的变化因素，并组成一个令人感兴趣的层次结构。人脸识别不仅有着以上普通视觉过程的特点，而且具有以下独特之处[18-22][23]。
1.人脸识别是大脑中一个特有的过程。针对人脸识别，大脑中存在一个专门的处理过程；
2.在人脸感知与识别过程中，局部特征与整体特征均起作用。若存在明显的局部特征，整体特征将不起作用；
3.不同的局部特征作用对识别的贡献也不同。在正面人脸图像中，头发、人脸轮廓、眼睛以及嘴巴对识别和记忆有着重要影响，鼻子的作用则不是很重要。但在侧面人脸识别中，鼻子对特征点的匹配很有作用。通常来讲人脸的上部比下部对识别作用更大些； 4.不同空间频率上信息的作用不同。低频信息代表了整体的描述，高频信息包含了局部的细节。对于性别的判断，仅利用低频信息就足够了，对于身份识别没有高频信息就无法完成；
5.光照对视觉有影响。有实验表明，从人脸底部打光会导致识别困难；
6.动态信息比静态信息更利于识别。研究还发现，对熟悉的人脸，人类的识别能力在动态场景中要高于静态场景；
7.十岁以下的儿童识别人脸较多的采用显著特征，而较少的使用整体分析； 8.不同的种族。性别的人脸识别的难易程度不同，这可能因为不同类型的人脸图像具有不同的特征；
9.面部表情的分析与人脸识别并行处理。通过对脑部受损的病人研究表明，表情的分析与识别虽有联系，但总体来说是分开处理的。
人脸识别是一种复杂的信息处理任务，它的研究涉及计算机技术、心理学和神经生理学。视觉机理、心理学和神经生理学的研究结果无疑将非常有益于人脸识别技术的发展，这些结论对于设计有效的识别方法起到了一定启发作用。但除少数文献外[24]，机器识别人脸的研究还是独立于心理学和神经生理学的研究的。
1.3.3人脸识别系统的组成
6