5.29人脸识别技术基础知识

1、5.29人脸识别技术基础知识人 脸识别(FaceRecogniti on, FR)是一种基于人的脸 部特征信息进行身份识别的一种生物识别技术。用 摄像机或摄像头采集含有人脸的图像或视频流，并 自动在图像中检测和跟踪人脸，进而对检测到的人 脸进行脸部识别的一系列相关技术，通常也叫做人 像识别、面部识别。人脸识别系统的研究始于20世纪60年代，80年代 后随着计算机技术和光学成像技术的发展得到提 高，而真正进入初级的应用阶段则在90年后期； 近几年随着以深度学习为主的人工智能技术进步， 人脸识别技术得到了迅猛的发展。火脸识别系统 集成了人工智能、机器识别、机器学习、模型理论、 专家系统、视频图像处

2、理等多种专业技术，是综合 性比较强的系统工程技术。人脸识别流程人脸识别系统通常包括几个过程：人脸图像采集及检测、关键点提取、人脸规整(图像处理)、人脸特征提取和人脸识别比对人脸图像采集。不同的人脸图像都能通过摄像镜头 采集下来，比如静态图像、动态图像、不同的位置、 不同表情等方面都可以得到很好的采集。当用户在 采集设备的拍摄范围内时，采集设备会自动搜索并 拍摄用户的人脸图像。人脸检测。人脸检测在实际中主要用于人脸识别的 预处理，即在图像中准确标定出人脸的位置和大 小。关键点提取（特征提取）。人脸识别系统可使用的特 征通常分为视觉特征、像素统计特征、人脸图像变 换系数特征、人脸图像代数特征等。人

3、脸特征提取 就是针对人脸的某些特征进行的。人脸特征提取， 也称人脸表征，它是对人脸进行特征建模的过程。 人脸特征提取的方法归纳起来分为两大类：一种是 基于知识的表征方法；另外一种是基于代数特征或 统计学习的表征方法。人脸规整（预处理）。对于人脸的图像预处理是基于 人脸检测结果，对图像进行处理并最终服务于特征 提取的过程。系统获取的原始图像由于受到各种条 件的限制和随机干扰，往往不能直接使用，必须在 图像处理的早期阶段对它进行灰度校正、噪声过滤 等图像预处理。对于人脸图像而言，其预处理过程 主要包括人脸图像的光线补偿、灰度变换、直方图 均衡化、归一化、几何校正、滤波以及锐化等。人脸识别比对（匹配

4、与识别）。提取的人脸图像的特 征数据与数据库中存储的特征模板进行搜索匹配， 通过设定一个阈值，当相似度超过这一阈值，则把 匹配得到的结果输出。人脸识别就是将待识别的人 脸特征与已得到的人脸特征模板进行比较，根据相 似程度对人脸的身份信息进行判断。可分为1:1、 1: N、属性识别。其中1:1是将2张人脸对应的特征 值向量进行比对，1:N是将1张人脸照片的特征值 向量和另外N张人脸对应的特征值向量进行比对， 输出相似度高或者相似度排名前X的人脸。人脸特征分析算法人脸识别技术中被广泛采用的区域特征分析算法 它融合了计算机图像处理技术与生物统计学原理 于一体，利用计算机图像处理技术从视频中提取人 像

5、特征点，利用生物统计学的原理进行分析建立数 学模型，即人脸特征模板。利用已建成的人脸特征模 板与被测者的人的面像进行特征分析，根据分析的 结果来给出一个相似值。通过这个值即可确定是否 为同一人。人脸识别的方法很多，主要的人脸识别方法有：（1）几何特征的人脸识别方法：几何特征可以是眼、 鼻、嘴等的形状和它们之间的几何关系（如相互之间 的距离）。这 些算法识别速度快，需要的内存小，但 识别率较低。基于特征脸（PCA）的人脸识别方法：特征脸方法 是基于KL变换的人脸识别方法，KL变换是图像压 缩的一种正交变换。高维的图像空间经过K L变换 后得到一组新的正交基，保留其中重要的正交基， 由这些基可以张

6、成低维线性空间。如果假设人脸在 这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完 全是基于图像灰度的统计特性的。目前有一些改进 型的特征脸方法。(3)神经网络的人脸识别方法：神经网络的输入可以 是降低分辨率的人脸图像、局部区域的自相关函 数、局部纹理的二阶矩等。这类方法同样需要较多 的样本进行训练，而在许多应用中，样本数量是很 有限的。(4)弹性图匹配的人脸识别方法：弹性图匹配法在二 维的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

7、来记 录人脸在该顶点位置附近的信息。该方法结合了灰 度特性和几何因素，在比对时可以允许图像存在弹 性形变，在克服表情变化对识别的影响方面收到了 较好的效果，同时对于单个人也不再需要多个样本 进行训练。（5）线段Hausdorff距离（L H D）的人脸识别方法：心 理学的研究表明，人类在识别轮廓图（比如漫画）的 速度和准确度上丝毫不比识别灰度图差。LHD是基 于从人脸灰度图像中提取出来的线段图的，它定义 的是两个线段集之间的距离，与众不同的是，LHD 并不建立不同线段集之间线段的对应关系，因 此它更能适应线段图之间的微小变化。实验结果表 明，L H D在不同光照条件下和不同姿态情况下都有 非常

8、出色的表现，但是它在大表情的情况下识别效 果不好。（6）支持向量机（SVM）的人脸识别方法：支持向量机 是统计模式识别领域的一个新的热点，它试图使得 学习机在经验风险和泛化能力上达到一种妥协，从 而提高学习机的性能。支持向量机主要解决的是一 个2分类问题，它的基本思想是试图把一个低维的 线性不可分的问题转化成一个高维的线性可分的 问题。通常的实验结果表明SV M有较好的识别率， 但是它需要大量的训练样本（每类300个），这在实 际应用中往往是不现实的。而且支持向量机训练时 间长，方法实现复杂，该函数的取法没有统一的理论。重要关键技术基于大数据的深度学习在人脸识别原理一节中提到了一些特征提取和分

9、 类算法，可以理解为是一种浅层的学习模型。浅层 学习可以在一定规模的数据集下可以发挥较强的 表达能力，但当数据量不断增大时，这些模型就会 处于欠拟合的状态。通俗点说就是数据量太大，模 型不够复杂，覆盖不了所有数据。所以说，深度学 习是近年来特别热门的研究课题。基于大数据的深度学习，将是人脸识别技术的主要 趋势之一。深度学习，往往含有更深的层次结构。 越是低层，特征越简单，越是高层，特征越抽象， 但越接近所要表达的意图。举个例子，从字到词， 再到句，到语义，是层层深化的过程，这就是一个 典型的深层结构。回到图像分析的范畴，对于一个 图片来说，低级的特征是像素，也就是。到255的 矩阵。通过像素，

10、无法理解图片里的目标是什么，但我们可以从像素中找到了边缘特征，然后用边缘 特征组合成不同的部件，最后形成了不同种类的目 标物，这个才是我们所想要实现的。利用深度学习提取出的人脸特征，相比传统技术， 更 能表示人脸之间的相关性，辅之有效的分类方 法，能够显著提高算法识别率。深度学习非常依赖 大数据，这也是为什么这项技术在近几年取得突破 的原因。更多更丰富的样本数据加入到训练模型 中，意味着算法模型将更通用，更贴近现实世界模 型。另一方面，深度学习的理论性还需要加强，模 型还需要优化。这一点，相信在众多学术界和工业 界同仁的努力下，深度学习将取得更大的成功。届 时人脸识别应用，或许能如现在的车牌识别技术一 样，深入到我们的生活中。3D人脸识别技术3D人脸识别技术是人脸识别重要发展发现。目前大部分的人脸识别应用的范畴限定在2D图像上。人脸实质上是一个立体模型，而2D人脸识别容易受 本身有一个缺陷，无法很好地表示深度信息。如果 说深度学习是从人的认知角度来理解人脸识别，那 么3D技术就是从现实模型来反映人脸识别。到姿态、光照、表情等因素影响是因为2D图像目前关于3D人脸识别方向的算法研究并没有2D人 脸识别技术那么丰富和深入，许多因素限制了这项 技术的发展。首先，3D人脸识别往往需要特定的采 集设备，如3D摄像机或双目摄像机。目前