人脸识别技术综述与展望

2018-10-19 16:09赵昆张辉苏达钊商霓
科学与财富 2018年25期
关键词:人脸识别特征提取深度学习

赵昆 张辉 苏达钊 商霓

摘 要: 人脸识别是计算机技术研究领域比较热门的方向之一,它融合许多跨学科知识,应用十分广泛。本文首先介绍了人脸识别技术,并对常用的几种人脸识别方法进行分析与比较,总结了人脸识别面临的技术难题,最后展望了人脸识别技术发展方向。

关键词: 人脸识别;特征提取;模板匹配;深度学习;神经网络

1.引言

人脸自动识别技术是指计算机对人脸图像进行特征提取和识别的一门技术。无论是静态图像还是视频图像,该技术都可以从中找出需要检测的人脸图像,然后与数据库中的人脸数据进行对比,找出最佳匹配,从而达到身份识别与鉴定的目的。

近年来,随着科技的不断进步,人脸识别在保险、金融、安防、教育、娱乐等行业发展迅速。与其他身份识别技术相比,人脸识别具有以下优越性[2]:非接触性;直观性突出;可跟踪性好;防伪性好;性价比高;精度高、速度快。但是人脸识别容易受到表情、背景、装饰物、年龄跨度等诸多因素的干扰,从而加大了精准识别的难度。

2. 人脸识别的过程

一般人脸识别过程如图1所示。

3. 人脸识别方法介绍

(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是BLEDSOE最先提出的。该方法主要是对面部特征点进行几何运算,计算得出描述每个面部关键位置的特征矢量。目标人脸由这些特征矢量表示出来,再与数据库中的人脸进行比对,找出最为匹配的人脸。该方法优点:操作简便,浅显易懂;占据存储空间小;识别速度快;受光照影响较小。但当表情或者姿态发生变化时,面部器官位置也随之变化,导致无法提取稳定的特征。而且由于忽略了整个图像的很多细节信息,其识别率较低。

(2)基于模板匹配的人脸识别方法

基于模板匹配的方法预先给定包含了人脸特征的标准模板,但这些模板的长宽比例不同。然后在全局范围内,通过不断迭代来更改模板大小,根据这些模板与待测对象的相似性大小进行比对和识别,寻求最佳匹配[2]。早在1993年,Poggio 和 Brunelli就对上述两种方法进行过比较,并得出模板匹配方法比几何特征方法识别率高的结论。

(3)基于特征脸的人脸识别方法

在20世纪90年代初,TURK首次提出基于特征脸的人脸识别方法。首先按照从上到下、从左到右的顺序,将一幅人脸图像所有像素的灰度值组成一个高维向量,然后通过主成分分析法,将人脸图像降维,之后采用线性判别分析,进而识别人脸。该方法具有计算简单、使用方便、效果良好的优点。但是它对于拍照角度、拍照环境、光照强度等外界因素要求很高,进而导致识别准确率较低。

(4)基于弹性图匹配的人脸识别方法

弹性图匹配方法是基于动态链接结构的一种算法。Lades M等人在1992年首次将该方法用于人脸识别并取得了较好效果。使用该方法时,首先寻找与目标图像最相近的模型图,再对图中的每个节点位置进行相似匹配,最后生成一个拓扑图。拓扑图中节点和模型图中对应点的位置相近,进而对人脸进行识别[3]。该方法受光照、表情等因素影响较小,优于特征脸方法。但计算速度慢,占据存储空间大。

(5)基于神经网络的人脸识别方法

基于人工神经网络的人脸识别研究方法主要采用BP神经网络学习算法。1997年,Lin.等研究了一种基于神经网络的全自动人脸检测系统,在当时引起了很大反响。人工神经网络优秀的学习能力、分类能力使得对人脸进行特征提取與识别更加容易[4]。神经网络方法通过学习过程,避免了复杂的特征提取工作,使获得人脸识别规律的隐性表达更加容易。

(6)基于深度学习的人脸识别方法

深度学习能够模拟人类视觉感知神经系统的认知学习,从而获得更具表征力的高层特征。2012年,Lee H等率先将深度学习用于 LFW数据库的人脸识别。他们采用无监督的特征学习方法,取得了 87%的识别率。目前,深度学习算法的识别率已经达到了99.47%,,甚至超过了人眼的识别率[5]。该方法通过学习得到更有意义的数据,并且能建立更精确的模型。然而,训练模型需要很长时间,并且要不断地迭代来进行模型优化,但不能保证得到全局最优解。

4. 面临的主要问题

(1)影响人脸识别的诸多问题没有得到根本性解决。一是光照、背景问题;二是面部表情、面部姿态问题;三是装饰物遮挡问题;四是整容、化妆问题。

(2)急需大型、公开人脸数据集。LFW数据集作为最实用的的人脸测试数据集,识别率一直被刷新。现有人脸识别系统还不能准确识别超百万的数据集。所以未来急需更具挑战性的公开人脸数据集]。

(3)需要用户友好的系统,来保护我们的财产和隐私不被人窃取。现有的商业性人脸识别系统并不能满足这样的需求。

5.总结与展望

现在深度学习和神经网络已经成为人脸识别领域的主流发展方向,但传统的一些方法仍然取得了很好的效果。提高鲁棒性、提高准确率、提高运行速度、减少计算量是未来识别技术研究的方向。在不久的将来,人脸识别技术将随处可见,并且更加便利、更加安全。

参考文献

[1]苏祎芳.人脸识别技术应用及前景展望[J].云南警官学院学报,2017(04):106-110.

[2]祝秀萍,吴学毅,刘文峰.人脸识别综述与展望[J].计算机与信息技术,2007(12):53-56.

[3]李武军,王崇骏,张炜等.人脸识别研究综述[J].模式识别与人工智能,2006(2).

[4]吴斯.基于多尺度池化的卷积神经网络人脸识别方法研究.[D] 浙江:浙江大学,2016(6).

[5]马良慧.基于深度学习的人脸识别算法研究.[D] 山东:山东理工大学,2017(4).

猜你喜欢
人脸识别特征提取深度学习
人脸识别 等
揭开人脸识别的神秘面纱
基于Daubechies(dbN)的飞行器音频特征提取
Bagging RCSP脑电特征提取算法
MOOC与翻转课堂融合的深度学习场域建构
大数据技术在反恐怖主义中的应用展望
深度学习算法应用于岩石图像处理的可行性研究
基于深度卷积网络的人脸年龄分析算法与实现
基于类独立核稀疏表示的鲁棒人脸识别
基于MED和循环域解调的多故障特征提取