人脸识别方法综述

郑崇微

(1.中北大学，山西 太原 030051;2.太原工业学院，山西 太原 030008)

0 引言

人脸识别技术指将静态图像或视频图像中检测出的人脸图像与数据库中已存的人脸图像进行相互比照，从中找出与之匹配的人脸的过程，以达到身份鉴定与识别的目的，它是同属于生物特征识别领域和人工智能领域的一个课题［1］。

1 人脸自动识别系统

人脸识别:是指利用已有的人脸数据库来鉴定给定的静止或动态图像中的一个或多个人。

人脸自动识别系统包括:人脸检测及定位和特征提取与识别两个主要技术环节，如图1［2］。

图1 人脸自动识别系统

1.1 人脸检测与定位

首先，判断图像中是否存在人脸，若存在，则将其从背景中分离出来，并确定其在图像中的所处位置。

在某些控制拍摄条件的场合，背景相对简单，定位比较容易。而在复杂背景下获得的图像，其中人脸的位置是未知的，此时对人脸的检测与定位将受到以下因素的影响:(1)图像中人脸所处的位置、旋转角度及尺度的变化;(2)化妆和发型会遮盖某些人脸特征;(3)图像中的噪声影响。

1.2 特征提取与人脸识别

主要分为图像预处理、特征提取和人脸识别三部分:

图像预处理:为使获得图像的有效特征信息更精确，一般需要在特征提取前对图像做归一化处理。几何归一化是指依据人脸定位的结果将图像中的人脸尺度、位置调整到同样大小和同一位置;灰度归一化主要是采用光照补偿等处理方法以解决光照的改变对人脸检测的影响。

特征提取:针对不同的识别方法，应采用不同的提取形式。如在基于几何特征的识别方法中，需要提取特征点，然后构造特征矢量;在基于统计的特征脸方法中，则是提取图像相关矩阵的特征矢量来构造特征脸;在模板匹配法中，则提取相关系数作为特征;而在基于神经网络的识别中，一般不需要专门的特征提取过程。

人脸识别:人脸识别在特征提取之后。识别的目的就是将待识别的图像或特征与预先存放在数据库中已知的人脸图像或有关的特征值数据进行匹配。

2 人脸识别方法的研究

2.1 基于几何特征的人脸识别方法

基于几何特征的人脸识别方法，通常需要检测出重要的面部形状特征、及其他们之间的相对位置，以及这些特征之间的距离等相关参数，得到描述每个脸的特征矢量。用这些特征矢量和库中已知脸中的特征矢量比较，寻找最佳匹配。Roder［3］对几何特征提取的精确性进行了实验性的研究，其结果并不满意。

Yuille［4］等提出基于弹性模板的人脸检测方法。用弹性模板进行人脸检测时，将可调模板在待测图像中移动，并动态地调整其参数，计算能量函数。其优点是因为使用了可调弹性模板，所以能够检测大小不同、偏转角度不同的人脸。其缺点是弹性模板的轮廓必须在检测前根据待测人脸的形状来设计，否则会影响收敛的结果;进行全局搜索时，计算时间过长。

基于几何特征的识别算法对获得图像的质量要求很高，要求特征点的定位要非常准确，假如人脸有一定的转向或有装饰物则会影响识别率。所以这种方法，现在常是作为其他识别方法的辅助手段。

2.2 基于主元分析的人脸识别方法

主元分析法(PCA)最早是由Sirovitch和Kirby［5］引入人脸识别领域，其中特征脸方法是该类方法中最具代表性的。其与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法。Turk 等人通过实验指出，特征脸方法在光照变化下的正确识别率为96%，在图像尺寸变化下的正确识别率为64%，而在人脸朝向有变化下的正确识别率为85%。

2.2.1 特征脸(Eigenface)方法［6］

Turk和Pentland 等人首先提出特征脸方法，该方法是从主成分分析(PCA)导出的一种人脸描述和识别技术。其识别过程是将人脸图像映射到由特征脸张成的子空间上，通过比较待测人脸与已知人脸在特征脸空间中的位置差别来识别。特征脸方法的原理根据公式1 可知，是将包含人脸的图像区域看作随机向量，采用K－L 变换获得其正交K－L 基，对应其中较大特征值的基，具有与人脸相似的形状。人脸的识别与合成，正可以利用由这些基的线性组合所描述、表达和逼近人脸图像来完成。

式中:xk为第k个训练样本的图像向量，μ为训练样本集的平均图向量，N为训练样本总数。

特征脸方法中所产生的最大特征向量，虽然考虑了图像之间所有的差异，但是它不能区分这些差异产生的来源，即是由外在因素带来的还是人脸本身带来的，所以该方法有一定的局限性，研究者在此基础上提出了许多改进的方法。

2.3 基于奇异值分解的人脸识别方法

洪子泉和杨静宇［7］提出了基于奇异值分解(SVD)的人脸识别方法。基于Sammon 最佳判断平面，建立了Baves 分类模型。为了得到比较高的识别效果，常将SVD 与其他识别算法组合进行人脸识别。

高全学等人认为图像奇异值是图像在一定基空间分解得到的，该基空间是由图像本身决定的。研究还表明奇异值向量与人脸图像之间并不存在一一对应关系，这是因为不同的人脸图像对应的奇异值向量所在的基空间不一致所致。

2.4 隐马尔科夫模型(HMM)方法

基于隐马尔科夫模型的人脸识别方法是一种经典算法。其理论形成于20 世纪60 年代末期和70 年代初期。Samaria等人［8］最早建立了关于人脸的隐马尔科夫模型。因为人脸识别方法的好坏取决于对图像原始信息的利用程度，因此他认为人脸图像从上至下包括额头、眼睛、鼻子、嘴巴和下巴五个显著特征区域，隐含五个状态，可以用一组数值特征来描述人脸的各个器官。其缺点是所占存储空间要求较大［9］。

2.5 基于图像重建的人脸识别方法

光照问题和姿态估计与匹配问题在人脸识别领域是所面临的关键问题。而为了避免光照和姿态大幅度变化对研究的影响，研究学者提出了基于图像重建和图像融合的人脸识别方法。可分两种情况:(1)根据对人脸的多角度拍摄生成人脸的三维模型，然后进行与数据库中的三维模型的对比。(2)根据二维人脸图计算出姿态偏转角度，将数据库中三维图按同样角度偏转后投影得二维图，两者进行匹配对比［10］。

3 结束语

人脸识别的复杂性决定了单独使用任何一种现有的方法都不会取得很好的识别效果，如何有效地与其他生物特征识别方法结合来提高识别效率也是一个重要的研究方向。

［1］ZHAOW，CHELLAPPA R，PUILLIPS P J，et al.Face Recognition:a Literature Survey［J］.ACM Computing Surveys，2003，35(4):399－458.

［2］刘永信，李琳莉，巴雅日图.人脸识别方法综述［J］.内蒙古大学学报(自然科学版)，2009，40(4):493－498.

［3］Roder N，Li X.Accuracy Analysis for Facial Feature Detection［J］.Pattern Recognition，1996，29:143－157.

［4］Yuille A L.Deformable Templates for Face Recognition［J］.Journal of Cognitive Neuroscience，1989，3(1):59－70.

［5］SIROVITCH L，KIRBYM.Low－ dimensional Procedure for the Characterization of Human Face［J］.Journal of the Optical Society of America，1987，4(3):519－524.

［6］Turk M，Pentland A.Eigenfaces for Recognition ［J］.Journal of Cognitive Neuroscience，1991，3(1):71－86.

［7］洪子泉，杨静宇.用于图像识别的图像代数特征抽取［J］.自动化学报，1992，18(2):233－238.

［8］SAMARIA F，YOUNG S.HMM Based Architecture for Face Identification［J］.Image and Computer Vision，1994，12(8):537－543.

［9］吴巾一，周德龙.人脸识别方法综述［J］计算机应用研究，2009，26(9):3205－3209.

［10］邹志煌，孙鑫，程武山.人脸识别技术产品的发展概况［J］.视频应用与工程，2008，32(3):91－93.