论文部分内容阅读
摘 要：人脸识别技术在各行各业都有着广泛的应用，人脸识别是指通过对个人的面部轮廓比较和分析识别人的技术。人脸识别技术包括有人脸特征提取、人脸检测识别和人脸验证等方面，将待识别的图像与数据库的储备图像进行匹配，从而识别人的身份，本文对一些主要的人脸识别技术进行介绍并探究其发展。
关键词：人脸识别 面部轮廓 特征提取 匹配
引言
人脸识别技术具有非常多的优势：不需要人工操作，是一种非接触的识别技术；快速、简便、准确；性价比高、方便使用、鲁棒性好。人脸识别技术具有巨大的应用价值，比如应用在刑事侦破案件、出入口和出入境控制、档案管理系统和智能支付领域等。人脸识别的主要技术包含三个方面：人脸检测、人脸跟踪和人脸匹配。现有人脸识别系统主要用于安全监控等场合，通常是小规模封闭的系统，其也可以用于人機交互、跟踪监控、身份识别等领域。用于人脸识别的方法有很多，基于特征脸的人脸识别方法、几何特征的人脸识别方法、神经网络的人脸识别方法、弹性图匹配的人脸识别方法和线段Hausdorff距离的人脸识别方法等。
1 人脸识别的发展历程
学者们意识到人脸识别的重要性是在20世纪60年代末，人脸识别的发展历程可以归为三个阶段：第一阶段是在60年代末到70年代初，学者Bladsoe首先建立出了人脸识别系统，他以人脸特征点的比率、间距等参数作为提出的特征点；第二阶段是在90年代初，随着计算机科学与技术的迅速发展，人脸识别的研究向整体识别和部件分析相结合的方向发展；第三阶段是90年代末期，人脸识别技术被应用于商业市场。
人脸识别技术从提出到现在已有50多年历史了，人脸识别技术越来越成熟，各种新的算法不断涌现，可谓硕果累累。但是，每种算法实现的环境都不一样，要求也不一样。人脸识别的主要技术包含三个方面：人脸检测、人脸跟踪和人脸匹配，这三个方面的完美结合仍然是学者们有待发展和研究的方向，以期可以服务更多领域、解决更多难题。
2 人脸识别系统
人脸识别系统研究的内容包括人脸检测、人脸表征、人脸识别、面部表情和生理分类这五个方面。
人脸检测这部分主要就是在不同情形中找出人脸所在坐标和人脸占有的面积区域，这种方法遇到的问题就是需要考虑光照强度、图像噪点、脸部大小、情绪、图片质量等对人脸检测的影响。人脸表征是提取人的面部特征，确定检测的人脸和数据库中已存在的人脸描述方式，通过几何特征、代数特征或机器学习理论等方法进行提取。人脸识别就是将人的面部特征与人脸特征库进行匹配发出结果，核心是匹配的算法。面部表情就是需要分析其情绪代表的含义。最后生理分类是需要通过分析得出人的性别、年龄、种族等信息。
3 人脸识别方法分类
3.1 以几何特征为基础的研究
Bledsoe是最1早以几何特征为基础进行研究的学者，这种研究识别出人脸图像的面部特征点，通过测量的欧氏距离得出人面部特征矢量，找出匹配的人脸。这种方法的基本原理非常容易理解，只需要找出人面部的特征矢量就可以实现匹配，不占内存，对光照的敏感度也较低。这种方法的缺陷是提出稳定的特征矢量比较难，同时识别率也比较低。
3.2 以代数特点为依据的研究
这种方法是基于代数特征图像的像素变换投影空间，采用基本图像对人脸图像进行线性编码，最典型的理论工具就是主成分分析法。将主成分分析法引入人脸识别领域，通过对数据进行分析，使用线性编码来进行人脸识别过程的匹配。这种方法的优点就是降低了特征空间维数的样本。
3.3 以机器学习理论为原理的研究
以机器学习理论为原理的人脸识别研究是通过使用统计分析和机器学习技术来获取信息的。获得的信息存在于确定的分布之中，并通过算法、模型和判别函数来进行人脸图像的识别，这种分类器涵盖了SVM、Hidden Markov等多种综合开发系统技术。
4 结论
目前人脸识别技术还有很多的发展空间，未来人脸识别技术将有望解决更多现实中的问题，为更多的领域提供实际性的帮助。人脸识别技术在很多方面还有诸多疑问未能得到解决，如在复杂条件下人脸的检测和关键点定位问题、光照变化问题、面部遮挡问题等。未来的发展方向可能是优化组合、人脸检测与人脸识别技术的结合应用等。一个完善自动人脸识别系统是人脸检测技术与人脸识别技术的完美结合。目前，还不能实现100%的人脸识别，人脸检测与识别技术将不断发展更多新思路新方法，有望取得突破性的进展。
参考文献：
[1] 王宏漫，等.支持向量机在人脸识别中的应用[J].计算机工程与应用，2013，11：100-102.
[2] 肖冰，等. 人脸识别综述[J]. 计算机学报，2016，8（8）.
[3] 薛冰，郭晓松，蒲鹏程.人脸识别技术综述[J]. 四川兵工学报，2010，31（7）：119-121.
[4] 宋帅杨. 人脸识别在Android平台下的研究与实现[D]. 昆明：昆明理工大学，2014.
[5] AHONEN T，HADID A，PIETIKAINEN M.Face description with local binary patterns： Application to face recognition [J] IEEE Trans. Pattern Anal，2006，28（5） ： 2037-2041.
关键词：人脸识别 面部轮廓 特征提取 匹配
引言
人脸识别技术具有非常多的优势：不需要人工操作，是一种非接触的识别技术；快速、简便、准确；性价比高、方便使用、鲁棒性好。人脸识别技术具有巨大的应用价值，比如应用在刑事侦破案件、出入口和出入境控制、档案管理系统和智能支付领域等。人脸识别的主要技术包含三个方面：人脸检测、人脸跟踪和人脸匹配。现有人脸识别系统主要用于安全监控等场合，通常是小规模封闭的系统，其也可以用于人機交互、跟踪监控、身份识别等领域。用于人脸识别的方法有很多，基于特征脸的人脸识别方法、几何特征的人脸识别方法、神经网络的人脸识别方法、弹性图匹配的人脸识别方法和线段Hausdorff距离的人脸识别方法等。
1 人脸识别的发展历程
学者们意识到人脸识别的重要性是在20世纪60年代末，人脸识别的发展历程可以归为三个阶段：第一阶段是在60年代末到70年代初，学者Bladsoe首先建立出了人脸识别系统，他以人脸特征点的比率、间距等参数作为提出的特征点；第二阶段是在90年代初，随着计算机科学与技术的迅速发展，人脸识别的研究向整体识别和部件分析相结合的方向发展；第三阶段是90年代末期，人脸识别技术被应用于商业市场。
人脸识别技术从提出到现在已有50多年历史了，人脸识别技术越来越成熟，各种新的算法不断涌现，可谓硕果累累。但是，每种算法实现的环境都不一样，要求也不一样。人脸识别的主要技术包含三个方面：人脸检测、人脸跟踪和人脸匹配，这三个方面的完美结合仍然是学者们有待发展和研究的方向，以期可以服务更多领域、解决更多难题。
2 人脸识别系统
人脸识别系统研究的内容包括人脸检测、人脸表征、人脸识别、面部表情和生理分类这五个方面。
人脸检测这部分主要就是在不同情形中找出人脸所在坐标和人脸占有的面积区域，这种方法遇到的问题就是需要考虑光照强度、图像噪点、脸部大小、情绪、图片质量等对人脸检测的影响。人脸表征是提取人的面部特征，确定检测的人脸和数据库中已存在的人脸描述方式，通过几何特征、代数特征或机器学习理论等方法进行提取。人脸识别就是将人的面部特征与人脸特征库进行匹配发出结果，核心是匹配的算法。面部表情就是需要分析其情绪代表的含义。最后生理分类是需要通过分析得出人的性别、年龄、种族等信息。
3 人脸识别方法分类
3.1 以几何特征为基础的研究
Bledsoe是最1早以几何特征为基础进行研究的学者，这种研究识别出人脸图像的面部特征点，通过测量的欧氏距离得出人面部特征矢量，找出匹配的人脸。这种方法的基本原理非常容易理解，只需要找出人面部的特征矢量就可以实现匹配，不占内存，对光照的敏感度也较低。这种方法的缺陷是提出稳定的特征矢量比较难，同时识别率也比较低。
3.2 以代数特点为依据的研究
这种方法是基于代数特征图像的像素变换投影空间，采用基本图像对人脸图像进行线性编码，最典型的理论工具就是主成分分析法。将主成分分析法引入人脸识别领域，通过对数据进行分析，使用线性编码来进行人脸识别过程的匹配。这种方法的优点就是降低了特征空间维数的样本。
3.3 以机器学习理论为原理的研究
以机器学习理论为原理的人脸识别研究是通过使用统计分析和机器学习技术来获取信息的。获得的信息存在于确定的分布之中，并通过算法、模型和判别函数来进行人脸图像的识别，这种分类器涵盖了SVM、Hidden Markov等多种综合开发系统技术。
4 结论
目前人脸识别技术还有很多的发展空间，未来人脸识别技术将有望解决更多现实中的问题，为更多的领域提供实际性的帮助。人脸识别技术在很多方面还有诸多疑问未能得到解决，如在复杂条件下人脸的检测和关键点定位问题、光照变化问题、面部遮挡问题等。未来的发展方向可能是优化组合、人脸检测与人脸识别技术的结合应用等。一个完善自动人脸识别系统是人脸检测技术与人脸识别技术的完美结合。目前，还不能实现100%的人脸识别，人脸检测与识别技术将不断发展更多新思路新方法，有望取得突破性的进展。
参考文献：
[1] 王宏漫，等.支持向量机在人脸识别中的应用[J].计算机工程与应用，2013，11：100-102.
[2] 肖冰，等. 人脸识别综述[J]. 计算机学报，2016，8（8）.
[3] 薛冰，郭晓松，蒲鹏程.人脸识别技术综述[J]. 四川兵工学报，2010，31（7）：119-121.
[4] 宋帅杨. 人脸识别在Android平台下的研究与实现[D]. 昆明：昆明理工大学，2014.
[5] AHONEN T，HADID A，PIETIKAINEN M.Face description with local binary patterns： Application to face recognition [J] IEEE Trans. Pattern Anal，2006，28（5） ： 2037-2041.