李欣源
【摘 要】本文綜述了各种算法在人脸识别中的应用,以及人脸识别技术应用的展望。
【关键词】人脸识别;检测;应用前景
一、引言
近几年,智能手机行业开始越来越多的采用人脸识别作为手机安全防护的方式,人脸识别技术开始逐渐出现在人们的日常生活中。不管是“从图中找到人脸的位置”,或是“识别出这个人脸对应的身份”,亦或是其他,大家都会把这些不同的人脸技术统称为“人脸识别技术”。
人脸识别和有着广泛应用的指纹识别、虹膜识别同样,属于生物特征识别技术,是应用生物体本身的生物特征来区分生物体个体的计算机技术。自1965年由陈(Chan)和布莱索(Bledsoe)发表的关于人脸识别的技术报告开始,人脸识别的研究至今已持续了五十余年,也一直是一项热门的计算机技术研究领域。人工智能、机器学习、机器识别、模型理论、视频图像处理等多种专业技术都在人脸识别上有所体现,而是否具备顶尖的核心算法、并令识别结果有实用化的识别率和识别速度是人脸识别成功的关键。
二、研究和分析
(一)人脸检测
人脸检测(Face Detection)是一种在任意数字图像中找到人脸的位置和大小的计算机技术。它可以检测出人的面部特征,同时忽略周遭环境和身体等其他任何东西。[1]
大多数算法将人脸检测实现为一个两类模式分类任务。这即是说会用特征值来转换图像的指定位置,然后一个预先训练好的分类器将决定该部分是或不是人脸。
目前的一个相对优秀的人脸检测算法是Viola-Jones的级联分类器算法[2]。这种算法使用基于Haar特征的级联分类器策略,能够有效并快速的找到不同状态和尺寸的人脸图像。在OpenCV上有一个该算法的实现。
(二)人脸配准
人脸配准(Face Alignment)是一种图像预处理方法,是定位出人脸上五官关键点坐标的一项技术。定义的关键点数目是预先设定好的固定数值,因不同人工的定义而不同,常见的有68点,90点等。
由TF Cootes提出的一种参数化表观模型算法Active Appearance Models (AAMs)[3]是目前广泛应用的一种人脸配准算法,它利用主成分分析对可变性目标的形状和纹理进行统一建模,并使用二范数最小化策略对未知目标进行匹配。
当前效果的较好的一些人脸配准技术,基本通过http://www.dataguru.cn/article-9664-1.html union_site=innerlink深度学习框架实现,这些方法都是基于人脸检测的坐标框,按某种事先设定规则将人脸区域扣取出来,缩放的固定尺寸,然后进行关键点位置的计算。因此,若不计入图像缩放过程的耗时,人脸配准算法是可以计算量固定的过程。
(三)人脸特征提取
人脸特征提取(Face Feature Extraction)是将人脸图像转化为固定长度的数值串的过程。该数值串即是“人脸特征(Face Feature)”,能够表征对应的人脸特点。
如何提取鲁棒的人脸特征仍然是一个难题。早期的研究[4]中提出了Eigenface方法。该方法应用主成分分析(PCA)对人脸的外表变化用特征脸将人脸特征降维识别。此后研究[5]以此为基础提出了Fisherface方法,使用线性判别分析(LDA),在应用PCA对特征向量进行降维的基础上,使特征的类内差异减小的同时增大类间差异。
后来,研究者发现PCA与LDA这些基于全局特征的方法对于表情、遮挡、光照等变化很敏感,于是基于局部特征的人脸算法逐渐成为新的热点。局部二值模式(LBP)算法是一种典型的基于局部特征的识别算法。Ahonen T提出的基于LBP编码分块直方图识别框架就是如此。随后出现的局部三值模式(LTP)、方向梯度直方图(HOG)、尺度不变特征转换(SIFT)等人脸特征算法都是基于局部特征的人脸识别算法。
(四)人脸对比
人脸比对(Face Compare)”是衡量两个人脸之间相似度的算法。人脸比对算法的输入是两个人脸特征(由人脸特征提取算法获得),输出是两个特征之间的相似度。
在应用中该算法会先对检测到的人脸区域与现有的人脸库中的人脸进行目标搜索和比对,然后通过返回的相似度的值确定最优的匹配对象,其中人脸特征的描述决定了人脸比对的效率和性能。
三、应用和发展趋势
人脸识别技术已经发展得越来越成熟,在日常生活中也得到了广泛的应用。
比如数码相机的人脸自动对焦和笑脸快门技术,它根据人的头部的部位进行判定,首先确定头部,然后判断眼睛和嘴巴等头部特征,通过特征库的比对,确认是人面部,完成面部捕捉。然后以人脸为焦点进行自动对焦,可以大大的提升拍出照片的清晰度。笑脸快门技术就是在人脸识别的基础上,完成面部捕捉,接着判断嘴的上弯程度和眼的下弯程度,以此来判断是否在笑。
在各种智能化技术普及的现在,我们也可以用智能电视上集成的摄像头来检测走过来的人脸,通过计算该用户的性别和年龄范围来针对性的播放广告;或是识别用户的面部朝向,当用户并没有面向屏幕时,可以自动降低屏幕的亮度,在用户重新面向屏幕时再回升亮度,以此来实现能源的节约。
【参考文献】
[1]Tomaz F, Candeias T, Shahbazkia H. Improved Automatic Skin Detection in Color Images[C]// International Conference on Digital Image Computing: Techniques and Applications, Dicta 2003, 10-12 December 2003, Macquarie University, Sydney, Australia. DBLP, 2003:419-428.
[2]Viola P, Jones M J. Robust Real-Time Face Detection[J]. International Journal of Computer Vision, 2004, 57(2):137-154.
[3]Edwards G J, Taylor C J, Cootes T F. Face recognition using the active appearance model.[C]// 1998:135-164.
[4]Pentland A, Moghaddam B, Starner T. View-based and modular eigenspaces for face recognition[C]//Computer Vision and Pattern Recognition, 1994. Proceedings CVPR'94., 1994 IEEE Computer Society Conference on. IEEE, 1994: 84-91.
[5]Belhumeur P N, Hespanha J P, Kriegman D J. Eigenfaces vs. fisherfaces: Recognition using class specific linear projection[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1997, 19(7): 711-720.