人脸检测及识别技术综述.docx

人脸检测及识别技术综述【摘要】人脸检测与识别技术因为其巨大的应用价值以及市场潜力已经成为图像工程领域研究的热点。目前国内外的文献中涉及到的人脸检测和识别算法有很多种本文对近些年来在期刊和会议上发表的有关人脸检测和识别技术的文章进行了归纳总结概括介绍了一些人脸检测和识别的典型方法分析了这些方法的特点及理论依据。【关键词】人脸检测；人脸定位；特征提取；人脸识别0.引言在现实生活中很多情况下都需要进行身份验证。人脸是人体最重要的外貌特征由于脸部信息可以通过如摄像头等非接触的方式取得所以非常适合作为身份鉴别的依据。与指纹识别、虹膜识别等诸多生物识别技术比较而言人脸识别技术的独特之处还表现这种识别技术具有直接友好方便的特点使用者无任何心理障碍易于为用户所接受。该技术被广泛应用于国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及其他民用安全控制系统等领域当中。此外人脸识别技术的研究还涉及生理学、心理学、人工智能、模式识别、图像处理等多个学科领域因此它具有重要的理论研究价值。1.人脸检测人脸检测问题起源于人脸识别技术。人脸检测从总体上可分为两大类：基于先验知识的人脸检测方法和基于后验学习和训练的人脸检测方法。1.1基于先验知识的人脸检测方法基于先验知识的人脸检测方法自上而下依据人脸面部器官的对称性、灰度差异等先验知识将人脸面部器官之间的关系编码并制定出一系列的准则。当待测图像中的某些区域符合该准则该区域就被检测为人脸。此类方法所使用的特征可以分为灰度特征、形状特征、结构特征、纹理特征和颜色特征。1.1.1灰度特征多个人脸图像的平均就是一个简单的人脸模板同时人脸的眉、眼、嘴、前额、鼻梁、下颌、脸颊等区域的灰度值较高因而人脸具有特定的灰度分布特征。对人脸区域进行水平和垂直方向的灰度投影根据极小值点位置即可得到眼、鼻、嘴等各自所处的区域。因此基于灰度特征建立人脸模板可以检测人脸。1.1.2形状特征从人脸子器官的形状和相互位置关系出发提取人脸特征。人脸轮廓、眉毛轮廓、嘴唇轮廓、鼻侧线等可以近似视为椭圆、弧线、线段组合等简单的几何单元。与灰度特征相比形状特征对光照变化具有一定的鲁棒性。Graf等首先利用带通滤波器选择出一段频率然后根据形态学的知识设定一系列的阈值找出眼睛、嘴巴等区域最后依照以上位置检测出人脸。Leung等提出任意图匹配的方法其主要目的是用准则正确表达出面部特征的几何分布。1.1.3结构特征人脸具有对称性。正面人脸是左右对称的对应的灰度特征和形状特征基本相同。眉毛、眼睛、鼻子和嘴巴等区域是按照一定比例关系组织在一起的。各个器官自上而下排列两眼和嘴中心构成一个三角形。1.1.4纹理特征人脸图像具有一定的纹理特征。灰度共生矩阵或者Gabor小波等频域特征可以表征人脸图像的纹理特性。1.2基于后验学习和训练的人脸检测法这一方法实际上是将人脸检测问题转化为统计模式识别的二分类问题。通过对大量的“人脸”与“非人脸”样本进行训练得到“人脸”与“非人脸”分类器通过判别图像中所有可能区域属于哪类模式的方法实现人脸的检测。此类人脸检测方法主要有基于Adaboost级联分类器的方法基于概率模型的方法基于支持向量机的方法等。2.人脸识别2.1特征脸（Eigenface）方法以主成分（PrincipalComponentAnalysisPCA）分析理论为基础的人脸识别方法称为特征脸方法。PCA是通过K-L变换展开的网络递推实现K-L变换是一种常用的特征提取方法对消除模式特征之间的相关性、突出差异性有最显著的效果。特征脸识别方法就是把含有人脸图像的区域作为一种随机向量继而用K-L变换得到其正交基底。这些基底中特征值较大的基底具与人脸的形状相似所以称之为特征脸。而这些基底的线性组合可以表述和充分接近人脸的图像就可以对人脸进行识别和合成。识别过程是首先得到由特征脸组成的子空间将人脸图像映射到该子空间上进而比较其与标准的人脸图像在特征脸空间中位置的差异。2.2奇异值分解方法奇异值特征是一种代数特征它用于反映图像的本质属性。在某种程度上奇异值特征除了具有比例不变性、旋转不变性等重要性质在某种程度上还具有代数和几何的双重稳定性。利用这一特性可以用奇异值分解对人脸图像矩阵提取出图像的代数特征后进行匹配识别。在奇异值分解的基础上利用奇异值分解方法可以产生多种人脸识别方法。例如基于图像集似然度的人脸识别方法是用人脸图像集中每个人脸图像的奇异值向量构造出一个特征矩阵再用待检测人脸的特征矩阵