人脸识别技术的研究与应用.docx

人脸识别技术的研究与应用论文导读：早期的人脸识别主要使用基于人脸结构特征的方法和基于模板匹配的方法。关键词：人脸识别，人脸检测，人脸特征提取由于小波变换在时域和频域都具有良好的局部化特点，人们发现用小波变换来提取人脸特征具有许多优越性[6]。图像经过小波分解后，可降低子带的分辨率，大大减少相应的计算复杂度，并可提供更多的空间和频率局部信息，提高后续识别阶段的精度与速度。近年来，Gabor小波在人脸识别中获得了大量的应用，它能够较好地兼顾信号在时域和频域中的分辨能力，对人脸特征的表述具有很好的作用[7]。论文发表。2.3人脸识别早期的人脸识别主要使用基于人脸结构特征的方法和基于模板匹配的方法。基于人脸结构特征的方法首先检测出脸部主要部件的位置和大小，然后利用它们之间的几何分布关系来识别人脸；基于模板匹配的方法主要利用计算机模板和图像灰度的自相关性来实现识别功能，麻省理工学院的Brunelli和Poggio于上世纪九十年代初对这两种方法的识别性能进行了对比，得出了模板匹配的方法优于基于特征的方法的结论。当前基于统计模式的人脸识别方法的研究，逐渐成为人脸识别技术的主流方向，如特征脸方法（PCA）、Fisher方法、弹性图匹配方法、隐马尔可夫模型方法、神经网络方法和支持向量机等。2.3.1PCA算法美国麻省理工学院（MIT）媒体实验室的Turk和Pentland提出的“特征脸方法”即PCA方法是影响较大的人脸识别方法[8]。论文发表。PCA算法的主要思想是在原始人脸空间中采用K-L变换求得一组正交向量，这组正交向量是原始人脸空间的总体散布矩阵的特征向量并且具有脸的形状，因而称为“特征脸”，它保留了人脸图像中的基本信息。以每个特征脸即每组正交向量来构成新的人脸空间，使所有人脸的均方差最小，以达到降维目的，该算法的优点是识别率较高，识别速度较快。论文发表。2.3.2Fisher方法特征脸方法虽简单有效，但是它没有对类别信息加以利用。一些研究者在其基础上提出了线性鉴别分析（LDA）方法，也就是Fisher识别方法。LDA利用了类别信息，它选择类内散布正交的矢量作为特征脸空间，强调了不同人脸之间的差别，使得类间间距变大；它同时弱化了同一人脸由于外界条件而引起的变化，从而使得类内间距变小，获得了比特征脸更好的识别效果。Belhumeur等提出的Fisher人脸识别方法是Fisher方法的典型代表，该方法首先采用主成分分析（PCA，亦即特征脸）对图像表观特征进行降维[9]，然后采用LDA方法变换降维后的主成分以期获得尽量大的类间间距和尽量小的类内间距。2.3.3弹性图匹配方法弹性图匹配法的基本思想是在二维空间中为人脸建立属性图来描述人脸，对输入的人脸图像或视频，预先定义若干关键特征点，通过某种优化搜索策略来定位，从而得到输入图像的属性图。通过应用弹性图匹配技术将待识别的人脸和库中人脸的弹性图进行匹配，也即计算其与已知人脸属性图的相似度来找出最相似的人脸图像。弹性图匹配方法既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模，对光照、视角及尺度变化都不敏感，它的识别性能要优于特征脸方法，但是由于计算量和存贮量都比较大，识别的速度慢，实际应用还有一定的难度。2.3.4隐马尔可夫模型方法隐马尔可夫模型建立在统计模型基础上，它用马尔可夫链来模拟信号统计特性的变化，因此，用隐马尔可夫模型对人脸进行描述和识别不是孤立地利用各个器官的数值特征，而是把这些特征和一个状态转移模型联系起来。Samaria最早建立了关于人脸的隐马尔可夫模型，隐马尔可夫模型不需要进行复杂的人脸图像特征提取，对姿态和环境的变化具有较好的鲁棒性，识别率高，但Samaria方法的不足是要求大的存储空间，实现的复杂度较高。2.3.5神经网络方法Kohonen最早将神经网络应用于人脸识别工作，可对含噪音较多和部分缺损的图像进行训练，从而获得其他方法难以实现的关于人脸识别规则的隐性表达，这种非线性方法有时比线性方法更有效[10]。神经网络方法避免了复杂的特征提取工作，识别率高，但缺点是由于神经元数目通常很多，因此训练时间很长，速度慢，而且选择图像的不同参数作为输入以及选择不同的神经网络进行训练也会造成训练时间的离散度较大。2.3.6支持向量机方法支持向量机方法的基本思想是把一个低维的线性不可分的问题转化为一个高维的线性可分的问题，也就是首先通过构造最优超平面，使分类误差达到最小，再通过适当的核函数将输入空间变换到一个高维空间，然后在高维空间中求最优分类面[11]。实验结果表明支持向量机有较好的识别率。将支持向量机和奇异值特征分解相结合的相关处理，也能提高识别速度和识别正确率[12]。3结束语最近几十年来人脸识别技术得到了较快的发展，取得了丰硕的研究成果，在某些限定条件下人脸识别技术得到了较