人脸识别技术的应用背景及研究现状.docx

《人脸识别技术的应用背景及研究现状.docx》由会员分享，可在线阅读，更多相关《人脸识别技术的应用背景及研究现状.docx（6页珍藏版）》请在优知文库上搜索。

1、人脸识别技术的应用背景及探讨现状1.人脸识别技术的应用随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了H动身份验证的最志向依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。及其他识别方法相比，人脸识别由于具有十脆，友好，便利的特点，运用者无任何心理障碍，易于为用户所接受,从而得到了广泛的探讨及应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了

2、人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中快速查找确认，大大提高了刑侦破案的精确性和效率。（2）证件验证在很多场合（如海口,机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，运用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。（3）视频监控在很多银行，公司，公共场所等处都设有24小时的视频监控。当有异样状况或有生疏人闯入时，须要实时跟踪，监控，识别和报警等。这须要对采集

3、到的图像进行详细分析，且要用到人脸的检测，跟踪和识别技术。（4）人口限制入口限制的范围很广，既包括了在楼宇，住宅等入口处的平安检查，也包括了在进入计算机系统或情报系统前的身份验证。（5）表情分析依据人脸图像中的面部改变特征，识别和分析人的情感状态，如兴奋，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。2 .人脸识别技术在国外的探讨现状当前很多国家绽开了有关人脸识别的探讨，主要有美国，欧洲国家，日本等,闻名的探讨机构有美国M1.T的Media1.ab,I1.ab,CMUft9Human-ComputerInterfaceInstitute,

4、MicrosoftResearch,英国的DePartmentofEngineeringinUniversityofCambridge等。综合有关文献，目前的方法主要集中在以下几个方面：（1）模板匹配主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本及参考模板之间的某种度量，以是否大于阈值来推断测试样本是否人脸。这种方法比较简洁，在早期的系统中采纳得比较多。但是由于人脸特征的改变很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上及固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼

5、睛，鼻子和嘴唇等。另一种方法是系统闩动生成自适应的曲线或曲面，以构成变形人脸模板。检测方法是：将模板及测试图像进行弹性匹配，并加入惩处机制，利用某种能量函数表示匹配程度。(2)示例学习示例学习的基本思想是从某一概念的已给正例和反例的集台中归纳产生出接受全部正例同时排斥全部反例的该概念的一般规则。将人脸样本和非人脸样本送入学习机中，产生出判别规则，从而用于作为推断输入的测试图像是否属于人脸的主要判别依据。为了获得较高的精度，学习过程须要大量的样本，另外样本数据本身是高维矢量，因此，探讨通用而有效的学习算法的关键是精确的区分性和数据维数的降低。将多个表示人脸模式的线性空间进行组合，是示例学习的另一

6、条途径。采纳了Kohonen自组织映射网络对人脸样本和非人脸样本进行聚类，对每一类样本进行FiSher线性判别，得到每一类的判别平面,从而构成图像子空间，并运用高斯模型描述每个子空间，估计出类条件概率密度。这样，对于测试图像，计算其属于各个子空间的概率，分类决策为概率最大的类是它所属的类，从而推断测试图像是否为人脸。(3)神经网络从本质上讲，神经网络也是一种基于样本的学习方法。将神经网络用于人脸检测取得了很大的进展。MIT的学者首先对人脸样本集和人脸样本集聚类，以测试样本及人脸样本集和非人脸样本集的子类之间的距离作为分类的度量，利用多层感知器(M1.P)网络作为分类器。CMU的探讨人员干脆以图

7、像作为神经网络的输入，设计了一个具有独特结构的适用于人脸特征的神经网络分类器，并通过前馈神经网络对检测结果优化。Raphae1.FeraUd等利用多个神经网络：多层感知器(M1.P)和约束产生式模型(CGM,ConstrainedGenerativeMode1.),实现了一个可应用于WEB中人脸图像检索的快速而精确的人脸检测方法。Shang-Hung1.in等训练了三个基于概率决策的神经网络(PDBNN,Probabi1.isticDecisionBasedNeura1.Network),用于人脸检测，眼睛定位和人脸识别，实现了一个完整的人脸识别系统。(4)基于隐马尔可夫模型的方法马尔可夫模型

8、是一个离散时序有限状态自动机，隐马尔可夫模型(HMM)是指这一马尔可夫模型的内部状态外界不行见，外界只能看到各个时刻的输出值。对于人脸模式来说，我们可以把它分成前额，眼睛，鼻子，嘴巴和下巴这样一个序列。人脸模式就可以通过对这些区域的有序的识别来检测，这正好是隐马尔可夫模型箍洁做到的。Samaria等人提出了运用HMM模型进行人脸检测的算法，他们运用人脸区域的结构信息作为隐马尔可夫模型的状态迁移条件。除此以外，基于AdaBooSt的人脸识别算法，基于彩色信息的方法，基于形态分析的方法，以及多模态信息融合的方法，国外都进行了大量的探讨及试验。3 .人脸识别技术在国内的探讨现状国内关于人脸FI动识别

9、的探讨始于二十世纪80年头，主要的探讨单位有清华高校，哈尔滨工业高校，中科院计算所，中科院自动化所，复旦高校，北京科技高校等，并都取得了肯定的成果。国内的探讨工作主要是集中在三大类方法的探讨：基于几何特征的人脸正面H动识别方法、基于代数特征的人脸正面F1.动识别方法和基于连接机制的人脸正面自动识别方法。周激流实现了具有反馈机制的人脸正而识别系统，运用积分投影法提取面部特征的关键点并用于识别，获得了比较满足的效果。他同时也尝试了“稳定视点”特征提取方法，即为使识别系统中包含3D信息，他对人脸侧而剪影识别做了肯定的探讨，并实现了正，侧面相互参照的识别系统。彭辉、张长水等对“特征脸”的方法做了进一步

10、的发展，提出采纳类间散他矩阵作为产生矩阵，进一步降低了产生矩阵的维数，在保持识别率的状况下，大大降低了运算量。程永清，庄永明等对同类图像的平均灰度图进行SVD分解得到特征脸空间，每一幅图像在特征脸空间上的投影作为其代数特征，然后利用层次判别进行分类。张辉，周洪祥，何振亚采纳对称主元分析神经网络，用去冗余和权值正交相结合的方法对人脸进行特征提取和识别。该方法所用特征数据量小，特征提取运算量也较小，比较好地实现了大量人脸样本的存储和人脸的快速识别。北京科技高校的王志良教授主要探讨人工心理，建立了以数学公式为基础的心理学模型。4 .当前人脸识别技术所存在的主要问题尽管人脸识别技术有着广袤的应用前景，

11、但是无论是在识别率，还是在防伪性上，都及指纹，视网膜等有着较大的走距，归根结底，影响人脸识别效果的缘由主要有以下的几个方面：1）人脸图像的获得过程中的不确定性（如光的方向，以及光的强度等）。2）人脸模式的多样性（如胡须，眼镜，发型等）.3）人脸理性变形的不确定性（如表情等）。4）所涉及的领域学问的综合性（如心理学，医学，模式识别，图像处理，数学等）。正因为在人脸识别的过程中存在上述的各种各样的问题，因此在实际的检测和识别过程中，当这些因素叠加到一起的时候，状况就变得更加困难。基于几何特征的识别方法，其存在的主要问题在于，没有形成一个统一的，优秀的特征提取标准。在描述人脸的时候，受到表情，光照，

12、姿态的影响比较大，无法精确地描述人脸特征。尽管如此，基于几何特征的方法在处理人脸表情分析时，仍旧是一个最有效的依据。同时，目前已经提出了很多改进的特征提取的算法，使得人脸几何特征的提取越来越趋于合理，这里面最具代表性的方法就是结合3D人脸信息的特征点提取技术。基于代数特征的识别方法是目前在实际应用中运用得最多的一类方法，其主要缘由是由于代数特征矢量（即人脸图像在特征空间的投影结果）对角度，表情等因素都具有肯定的稳定性。但对于光照而言，好像效果并不太明显。这种代数的特征识别方法，无法应用于人脸的表情识别。从某种意义上来说，人脸识别的各种方法，事实上就是在找寻一种人脸的描述方式，但是要找到一种能够不受各种因素影响的描述方式特别地困难，无论是最早运用的几何描述方式以及后来比较常用的代数描述方式，都不行避开地存在各种干扰。我们只能是在以后的探讨中，渐渐去完善人脸的描述方式，使之更加有效，更加精确。