人脸识别方法综述

减小字体 增大字体 作者:吴巾一 周德龙  来源:www.zhonghualunwen.com  发布时间:2009-10-12 14:43:13

  人脸识别是将静态图像或视频图像中检测出的人脸图像与数据库中的人脸图像进行对比,从中找出与之匹配的人脸的过程,以达到身份识别与鉴定的目的,它是同属于生物特征识别领域和人工智能领域的一个课题。人脸识别是图像分析与理解的一种最成功的应用,因其在商业、安全、身份认证、法律执行等众多方面的广泛应用,以及对人脸识别可行性技术的三十多年研究,使其越来越得到重视,并逐渐成为一个充满活力的研究领域[1]。
  人脸感知对于人类来说是一项常规任务,但是建立一种相似的计算机系统是一项一直在进行中的研究。人们关于人脸识别的研究至少可以追溯至20世纪50年代[1];到现在,人们对于基于计算机的人脸识别方法的研究已经取得了丰硕的成果,但这些方法仍然受到实际应用环境的限制。这些限制一方面主要来自于人脸面部表情、姿态、位置、头部尺寸的变化和遮盖物的影响,另一方面来自于人脸图像的光照、背景等大幅度的变化。总的来说,要找到一种真正高识别率、高鲁棒性、低复杂性的人脸识别方法非常困难,需经过长时间的研究和实践。
  
  1 人脸识别方法的研究与分析
  
  1.1 人脸识别方法的分类
  人脸识别技术基本上可以归结为以下三类[2]:
  a)基于几何特征的方法。该方法是最早、传统的人脸检测和识别的方法。在基于该方法的人脸识别系统中,通常需要检测出重要面部特征的形状、相对位置以及这些特征之间的距离等相关参数,以构成一个可以代表人脸的特征向量,其特征分量通常包括两点间的欧式距离、曲率和角度等。在使用几何特征时最重要的一件事就是对图像进行适当的标准化[3]。
  b)基于模板的方法。这类技术的核心在于利用整幅图像的灰度级模板。与基于几何特征的方法一样,图像首先需要进行标准化。最简单的模板匹配就是把一幅图像看做是强度值的二维排列,然后利用合适的尺度(典型的如欧几里德距离)与单独的代表整脸的模板进行对比匹配[3]。基于模板的方法可以分为基于相关的方法、特征脸方法、线性判别分析方法、神经网络方法、动态连接匹配方法等。
  c)基于模型的方法。该方法[2]利用数学模型将具有不同人脸尺度和人脸方向的不同人脸实例的信息合并,故相对基于模板的方法来说,该方法对于自然的人脸变形和光照条件具有更大的弹性。基于模型的方法利用模型参数来进行人脸识别,其典型方法是基于隐马尔可夫模型的方法。
  1.2 常用人脸识别方法的研究与分析
  1.2.1 基于主元分析的人脸识别方法
  主元分析法(PCA)是基于KL正交变换(Karhunen-Loeve transform)的一种方法,采用PCA的目的主要在于对人脸图像空间进行降维并取得能够代表人脸的特征向量。PCA方法最早由Sirovitch和Kirby[4,5]引入人脸识别领域。20世纪90年代初,由Turk和Pentland[6,7]提出的特征脸(Eigenfaces)方法是该类别中最具代表性的方法,并成为应用于人脸识别问题的最流行的算法之一。特征脸方法与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法。Turk等人通过实验指出,特征脸方法在光照变化下的正确识别率为96%,在人脸朝向变化下的正确识别率为85%,而在图像尺寸变化下的正确识别率为64%。特征脸方法虽然在一定程度上有良好的应用,但是其对于输入的人脸图像的归一化要求较高,而且其系统性能容易受到光照和姿态变化的影响。因此在特征脸技术基础上,研究者提出了各种各样的改进版本或扩展方法。
  Belhumeur等人[8]提出了Fisherfaces方法。Fisherfaces由Fisher线性判别式(Fisher’s linear discriminant, FLD)思想派生而来,同时考虑类间离散度和类内离散度,使这两者的比率达到最大。Belhumeur的实验证明,Fisherfaces的性能优于Eigenfaces。但即便如此,Fisherfaces还是存在两个明显的问题,即小样本问题(样本数目小于样本维数),以及多数实际问题属于非线性可分,传统的Fisher线性分析在这些问题上不能取得良好的结果。因此,一系列Fisherfaces的改进方法被提出。Mika等人[9]提出了KFDA方法,将核技术引入Fisher判别分析中;Baudat等人[10]提出了利用核的广义的判别分析法;Lu等人[11]提出了KDDA方法。近期,厉小润等人[12]提出了一种改进的核直接Fisher描述分析方法;Yu等人[13]的直接LDA方法也是为了解决这两个问题而提出的;周大可等人[14]基于此法并引入加权函数提出了一种改进的线性判别分析方法。
  Bartlett等人[15]提出,传统的PCA方法只依靠像素间的二阶关系来寻找人脸基础图像,而重要的信息却可能包含在像素间的高阶关系中,人们自然就希望可以利用这些高阶统计信息寻找到更好的基础图像,因此他们提出了一种广义的PCA方法,即独立成分分析法(independent component analysis, ICA)用于人脸特征提取。之后,学者们一般将PCA与ICA结合来进行人脸图像的特征提取。
     如今,人工神经网络因其重要的实用价值而渗透在各个学科领域,近年来也被广泛应用于人脸识别当中。将PCA理论与神经网络结合的方法也成为人脸识别领域中的热门方法。其中,BP神经网络和RBF神经网络

[1] [2] [3] [4]  下一页

Tags:

作者:吴巾一 周德龙
  • 好的评价 如果您觉得此文章好,就请您
      0%(0)
  • 差的评价 如果您觉得此文章差,就请您
      0%(0)

文章评论评论内容只代表网友观点,与本站立场无关!

   评论摘要(共 0 条,得分 0 分,平均 0 分) 查看完整评论