人脸识别综述与展望

祝秀萍 吴学毅 刘文峰

(西安理工大学 信

摘 要 本述了人脸识别理论的研究状，根据人脸动识别技术发展的时间

方法优缺点，讨论其中的关键技

关键词 人脸识别；

1 人脸识别

近年来，随着计算机技术的速展，人脸自动识别技术得到广泛研究与开，人脸识别成为近30年模式识别和图像处理中最热门的研究主题之。人脸识别的目的是人脸图像中抽取人的个性特征，并此来识别人的身份。一简单的自动人脸识别系

(1)人检测(Detection)：即从各不同的场景中检测

(2)人

(3)人脸(Face Representation)：采取某种方式表示检

(4)人脸别(Recognition)：将待识的人脸与数据库中的

在人脸识别中，特征的分能、算法复杂度和可实现性是确定特征提法需要考虑的因素。所提特征对最终分类结果有着决定性的影响。分类器所能实现的分率上限就是各类特征间大可区分。因此，人脸识别的现需要综合考虑特征

3 人脸识别的发展

人脸识的研究已经有相长的历史，它的发展大

第一阶段：最早的研究工作至少可追到二十世纪五十代在心理学方面的研究

J. S. Bruner 于1954年写下关于心理学的The perception of people，Bledsoe在1964就工程学写了Facial Recognition Project Report，国外许多学校在研究人脸识别技术[1]，其中有从感和心理学角度探索人类识别人脸机理的，如美Texas at Dallas 大学的Abdi 和Tool 小组[2、3]，Stirling 大学的Bruce 教授和Glasgow 大的Burton 教授合作领导的小组等[3]；也有

第二阶段：关于人脸的器识别研究开始于

Allen 和Parke 为代表，主要研究人脸识别需要的面部特。究者用计算机实现了较高质量的脸灰度图模型。一阶段工作的特点是识别过

第三阶段：人机交互式

Harmon 和Lesk 几特征参数来表示人脸正面图像。他们采用多特征矢量表示人脸面部征，设计了基于这一特征表示法的识别系统。Kaya和Kobayashi 则采用了统计识别方法，欧氏距离表征人脸特征。但这类方需要利用操作员的某些先

第四阶段：20世纪90年代以来，随着性能计算机的现，人脸识别方法有了

2 人脸识别算

人脸识别法描述属于典型的模式识问题，主要在线匹配和离线学习

图1 一般人脸识

·54· 计算

动识别阶段。在用静态图像或视频图做人脸识别的域中，国际上形成了

1）基于几何特征的人

基于几何特征的方法是早期人脸识方之一[7]。常采用的几何特征有人脸的五官如眼睛、鼻、嘴巴等的局部形状特征。特征及五官在脸上分布的几何特。提取特征时往往要用到人结构的一些先验知。识别所用的几何特征是以脸器官的形状几何关系为基的特征矢量，本质上是特征矢之间的匹配，其分量通常包括人

基于几何特征的识法比较简单、容易理解，但没有形成统一特提取标准； 从图像中抽稳定的特征较难，特别是特征受到遮

2）基于相关匹

基于相关匹配的方法包模板匹法等强度线方法。 ①模板匹配法：Poggio 和Brunelli [10]专门比较了基于几何特征的人脸识别方法和基于板匹配的人脸识方法，并出结论：基于几何特征的人识别方法具识别速度快和内存要求小优点，但在识别率上模板匹

②等强度线法：等强度利灰度图像的多级灰度值的等强度线为特征进行两幅图的匹配识别。等强度曲线反映了人的凸凹信息。这些等度线法必须在背景与头发均为色，表面光照均匀前提下才能求出符合

3）基于子空间方法

常用的线性子空方有：本征子空间、区别子空间、独立量空间等。此外，还有局部征分析法、子分析法等。这些方法

Turk 等[11]采本脸(Eigenfaces)方法实现脸识别。由于每个征量的图像形式类似于人脸，所以称本征脸。对原始图像和重构图的差分图像再次进行K-L 变

(a) (b)

图2 (a) 人脸图像的1-D HMM (b) 嵌入式隐马尔科夫模型

5）基于神经网

Gutta 等[26]提出

多级的SOM 实现样本的聚类，将卷积神经络CNN 用于人

Demers

[12]

[13]

鼻和嘴等特征分别建一个本征子空间，

[14]

间的方法获得了好的别结果。Shan等

空间法获得了好于本征脸方法的识别结果。Albert 等[15]提了TPCA(Topological PCA)方法，识别率有所提高。Penev等[16]提出的局部特征分(LFA Local Feature Analysis)法的识别果好于本征脸方法。当每个人有多个样本图像时，本征间法没有考虑样本类别间的信息，因此，基于线性别分(LDA Linear Discriminant Analysis )，Belhumeur[17]提出了Fisherfaces 方法，获得了好识别结果。Bartlett等[18]采用独立分量

4）基于统计的

该类方法括有：KL算法、异值分解(SVD)、隐

①KL变换：将人脸图像按行(列)展所的一个高维向量看作是一种随机向量，因此采用K-L 变换得其正交K-L 基底，对应较大征值基底具有与人脸相似的形。国外，在用静态图像或视频图做人脸识别的领域中，比较有影的有MIT 的Media 实验室Pentland 小组，他们主要是用基于KL

②隐马尔可夫模型：剑桥大学的Samaria Fallside [20]对多个样本图像的空间序列训练出一个HMM 模型，它的参数就是特值；基于人脸从上到下、从左右的构特征；Samatia 等[21]首先将1-D HMM2-D Pseudo HMM用于人脸识别。Kohir等[22]采用低频DCT 系数作为观察量获了好的别效果，如图2(a)所示。Eickeler等[23]采用2-D Pseudo HMM 识别DCT 缩JPEG 图像中的人脸图；Nefian等采用嵌入式HMM 识别人脸[24]，图2(b)所示。后来集成coupled HMM和HMM 通过对超状态

基于HMM 的人别方法具有以下优点：第一，能够允许脸表情变化，较大的头部转；第二，扩性好.即增加新样本不

软件纵横 计算机与信息

等[29]提出采用主元神经络方法提图像特征，用自相关神经网络进一步压缩特征，最后采用一个MLP 来实现人脸识别。Er 等用PCA 进行维数压缩，再用LDA 抽取特征，然后基于RBF 进人脸识别。Haddadnia [31]基于PZMI 特征，并采用合学习算法的RBF 神经网络进行人脸识别。神经络的优势是通过学习的过程获得对

6）弹性图匹配方法

Lades 等采用动态链接结构(DLA，Dynamic Link Architecture) [32]的方法

图3 人脸识别的弹

图3中的节点用图像位置的Gabor 小波得到的征向量标记，图边接点的距离向量标记。Wiskott人使用弹性图匹配方法，确率达到97.3%。Wiskott等[33]将人特征的一些点作为基准点，构成弹性图。采用每个基准点储串具有代表特征矢量，减少了系统的存储量。Wurtz 等[34]使用人脸ICI 部的特征，进一步消除了结构中的余信息背景信，并使用一个多层的分级结构。Grudin等[35]采用分级结构的弹性图，过去除了一些节点，形成稀疏的人脸述构。另一种方法是，Nastar [36]提出将人脸图像I(x，y)表示为可变形的3D 格表(x，y，I(x，y))，将人脸匹配问题转换为曲面匹配问，利用有限分析

7）几种混合方法

(1)K-L影和奇异值分解(SVD)相合的分类判别方。 K-L 变换的核心过

图

5 三维人脸

图6 合成的不同态和光照条件下

图4 采样窗采样

综合上述论文中的

表1 人脸识别

方法 识别时

基于SVM 的方法 0.32s 94% SVM+KL变换的方法 0.36s 80% 基于特征脸的法 0.32s 95% 基于特

该类方法一般先在图像上检出通用模型顶点对应的特征点，然后根据特点调节通用模型，通纹理映射得到特定人脸的3D 模型。Tibbalds[40]于结构光源和立体视觉理，通过摄机获取立体图像，根据像特征点之间匹配构造

[30]

的奇异值具有良好的稳定，图像有小的扰动时，奇异值的变化不大。奇异值表示了图像的数征，在某种程度上，SVD 特征同时拥代数与几何两方面的变性。利用K-L 投后的主分量征向量与SVD 特

(2)HMM和奇异值分解相合的分类。 采用奇异值分解方法进行特征提取，一般是把一幅图像(为H)看成一个N×M的矩阵，其奇异作为人脸识别的特征。在这里们采用采样窗对同一幅图片进行叠采样(如图4)，对样所得到的阵分别求其应的前k 个最大的奇值，分别对每一奇异值进行矢量标准化和矢量重新序，把这些处理后的奇异值按采样顺

·56· 计算

Zhao [41]提出一个的SSFS(Symetric Shape- from-Shading)论来理像人脸这类对称对象的别问题，基于SSFS 理论和一个一般三维人脸型来解决光照变化问题，通过于SFS 视图合成技术解决人脸姿问题，针对不同姿态和光照

三维图像有三种建模方：基于图像特征的方

[44][45]

基于几何、基于模型变参数的方法。

参考文献

[1]O'Toole A J，Abdi H，Deffenbacher K A，etal. A low dimensional representation of faces in the higher dimensions of space.[J].Journal of the Optical Society of 2 America，1993，10：405～411

[2]张翠，苏光大.人脸识别技综述.中国图

[3]A.Samal，P. A. Iyengar.Automatic recognition and analysis of human faces and facial expressions： a survey [J]. Pattern Recognition，1992，25(1)：65-67

[4]Turk M，Pentland A. Eigenfaces for recognition [J]. Journal of Cognitive Neuroscience，1991，3(1)：71～86

[5]Bartlett M S ，Movellan J R ，Sejnowski TJ. Face Recognition by Independent Component Analysis [J]. IEEE Trans. on Neural Network， 2002，13(6)：1450-1464

[6]Manjunath B S，Shekhar C and Chellappa R. A new approach to image feature detection with application[J]. Patt. Recog，1996，29(4)：627-640

[7]Cheng Y. Liu K，Yang J，etal.Human face recognition method based on the statistical model of small sample size. SPIE Proc，Intell. Robots and Computer Vision X： Algorithms and Techn.1991，1606：85-95

[8]Nefian A V Embedded Bayesian Networks for Face Recognition [A]. Proceedings. IEEE International Conference on Multimedia and Expo [C] 2002，2：133-136

[9]Gutta S，Wechsler H. Face Recognition Using Hybrid Classifiers [J]. Pattern Recognition，1997，30(4)：539-553

[10]Haddadnia J，Ahmadi M，Faez K A Hybrid Learning RBF Neural Network for Human Face Recognition with Pseudo Zernike Moment Invariant [A]. Proceedings of the 2002 International Joint Conference on Neural Networks [C].2002，1：11-16

[11]M.Lades，J.C.Vorbruggen，J.Buhmann，ect.Distortion invariant object recognition in the dynamic link architecture. IEEE Trans.on Computer，1993，42(3)：300-311

[12]Nastar C，Moghaddam B A .Flexible Images： Matching and Recognition Using Learned Deformations [J]. Computer Vision and Image Understanding，1997，65(2)：179-191

[13]羊.基于KL 投影和奇异分解相融合人

[14]冬辉.人脸识别技的研究与应用[D].北方

[15]Adam D. Tibbalds. Three Dimensional Human Face Acquisitions for Recognition [D]. Phd. Thesis Cambridge ，University of Cambridge，1998.

[16]Wenyi Zhao. Robust image based 3D face recognition [D]. PhD. Thesis. University of Maryland，College Park，1999

收稿日期：０７年１２

作者简介：祝秀萍(1980-)，女，山东青岛，硕士。主要研究

变参数的方法与基像特征的方法的最大区别在于：后者在人姿每变化一次后，需要重新搜特征点的坐标，而前者只需调整3D

7 三维建模的系统

三维人脸建模、待别人脸的姿态估计

的选取是实现人脸识别的关键技术。随着采用三图像识别人脸技术的展，利用线的三维图像信

4 总结与展望

人脸自动识别技术已得巨大的成就，随着科技的发展，实际应用中仍临难，不仅要达到准确、快速的检并分割出人脸部，而且要有效的变化补偿、特描述、准确的分

(1) 人脸部和整体信息的相互结合能有效地描人脸的特征，基于混模型的方值得进一步深入研

(2) 多特征融合和多分器融合的方法也是改善

(3) 由于人脸为体性，人脸之间的相似性以及种变化因素的，确的人脸识别仍较困难。为了足自动人脸识别术具有实时要求，在必要

(4) 3D形变模型处理多种变化因素，具有很好的展前景。已有研表，对各种变化因素采用模拟或补的方法具有较好的果。三维人脸识别算法的选取处于探索阶段，

(5) 面纹理识别算法是一种新的算法[52]，有待于我们继

总之，人脸识别是极挑性的课题仅仅采用一种现有方法以取得良好的识效，如何与其它技术相结合，如何高识别率和识别速、减少计算量、提高鲁棒性，如何采用嵌入式及

人脸识别综述与展望

人脸识别综述

摘要本文综述了识别理论的研究现状，根据人脸自别技术发展的时间进行分类，分析比较各种识别方法

关键词人脸识别;特

1人脸识别技

近年来，随着计算机技术的速展，人脸自动识别技术得到广泛研究与开，人脸识别成为近30年里式识别和图像处理中最热门的研究主题之。人脸识别的目的是从脸图像中抽取人的个性化征，并以来识别人的身份。一个

(1)人检测(Detection):即从各不同的场景中检测出

(2)人的规范化(Normalization):校正人脸在尺度、

(3)人脸(Face Representation):采取某种方式表示检

(4)人脸别(Recognition):将待识的人脸与数据库中的已

2人脸识别算法

人脸识别法描述属于典型的模式识问题，主要有线匹配和离线学习两

图1一般人脸识别

在人脸识别中，特征的分能、算法复杂度和可实现性是确定特征提法需要考虑的因素。提特征对最终分类结果有着决定性的影响。类器所能实现的分辨上限就是各类特征间最可区分度。因此，人脸识别的实需要综合考虑特征选

3人脸识别的发展历

人脸识的研究已经有相当的历史，它的发展大致

第一阶段:最早的研究工作至少可追朔二十世纪五十代在心理学方面的研究和

J.S.Bruner于1954年写下了关心理学的The perception of people，Bledsoe在1964就工程学写了Facial Recognition Project Report，国有许多学校在研究人脸识别技术[1]，其中有感知和心理学角度探索人类识别人脸机理的，如美Texas at Dallas学的Abdi和Tool小组[2、3]，由Stirling大学的Bruce教授和Glasgow大的Burton教授合作领导的小组等[3];也有

第二阶段:关于人脸的器识别研究开始于二

Allen和Parke为代表，主要研究人脸识别所要的面部特征。究用计算机实现了较高质量的人灰度图模型。这阶段工作的特点是识别过程

第三阶段:人机交互式识

Harmon和Lesk用何征参数来表示人脸正面图像。他们采用多维征矢量表示人脸面部特，并计了基于这一特征表示法的识别系统。Kaya和Kobayashi则采用了统计识别方法，用氏距离来征人脸特征。但这类方需要利用操作员的某些先

第四阶段:20世纪90代以来，随着高性能计算机的现，人脸识别方有重大突破，才进入了真正的机器动识别阶段。在静态图像或视频图像做人脸

1)基于几何特征的人脸

基于几何特征的方法是早期人脸识方之一[7]。常采用的几何特征有人脸的五官如眼睛、鼻、嘴巴等的局部形状特征。特征及五官在脸上分布的几何特。提取特征时往往要用到人结构的一些先验知识。识别所采的几何特征是以人器官的形状和何关系为基础特征矢量，本质上是特征矢量间的匹配，其分量通常包括人脸

基于几何特征的识法比较简单、容易理解，但没有形成统征提取标准;从图像中抽取定的特征较困，特别是特征受到遮

2)基于相关匹配

基于相关匹配的方法括模板匹配法和

?模板匹配法:PoggioBrunelli[10]专门比较了于几何特征的人脸别方和基于模板匹配的人脸识别方法，并得结论:基于几何特征人脸识别方法具有识别度快和内要求小的优点，但在别率上模板匹配要优

?等强度线法:等强度利灰度图像的多级灰度值的等强度线为特征进行两幅人图的匹配识别。等强度曲线反映了人脸凸凹信息。这些等度线法必须在背景与头发均为黑，表面光照均匀的提下才能求出符合

3)基于子空间方法

常用的线性子空间有:本征子空间、区别子空间、独立空间等。此外，还有局部征分析法、因分析法等。这些方法

Turk等[11]采用本征脸(Eigenfaces)方法实人脸识别。于每个本征矢量的图像式类似人，以称本征脸。对原始图像和重图像的差分图像再次行K-L变换，得到二阶本征空间，称二阶本征脸[12]。Pentland等[13]提出对于眼、鼻和嘴等征分别建一个本子空间，并联合本征脸子空间的方法获了好的识别结果。Shan等[14]采用特定人征空间法获得了好于本征脸方法的识别结果。Albert等[15]提出了TPCA(Topological PCA)方法，识别率有所提高。Penev等[16]的局部特征分(LFA Local Feature Analysis)法的识别效果好于征脸方法。当每个人有多个样本图像，本空间法没有考本类别的信息，因此，基于线区别分(LDA Linear Discriminant Analysis)，Belhumeur等[17]提出了Fisherfaces方法，获得了较好的识别结果。Bartlett等[18]用独立分量分析(ICA，Independent Component Analysis)的方法别人脸，获得了比PCA方法更好的识别效

4)基于统计的识

该类方法括有:KL算法、异值分解(SVD)、隐马

?KL变换:将人脸图像按行(列)展所成的一个高维向量看作是一种随机向量，因此采用K-L变获得其正交K-L基底，对应较大征值基底具有与人脸相似的形。国外，在用静态图像或视频像做人脸识别的领域，比较有响的有MIT的Media实验室的Pentland小组，他们主要是用基于KL变的本征空间的特征提取法，名为"

?隐马尔可夫模型:剑桥大学的Samaria和Fallside[20]对多个样本图像的空间序列训练出一个HMM型，它的参数就是特征值;基于人脸从上到下、从左到右的结构特征;Samatia等[21]首先将1-D HMM和2-D Pseudo HMM用于人脸识。Kohir等[22]采用低频DCT系数作为观察量获得了好的识效果，如2(a)所示。Eickeler等[23]2-D Pseudo HMM识别DCT缩的JPEG图像中的人脸图像;Nefian

来集成coupled HMM和HMM过对超状态和嵌入状态采用不同的模

基于HMM的人脸方法具有以下优点:第一，能够允许人有情变化，较大的头部转动;第二，扩容好.即增加新样本不需

(a)(b)

图2(a)人脸图像的1-D HMM(b)嵌入

5)基于神经网络

Gutta等[26]提出了混合神经网络、Lawrence[27]通过一个多级的SOM实现样本的聚类，将卷积神经网络CNN于人脸识别、Lin等[28]采用基于概率决策的神经网络方法、Demers等[29]提出采用主元神经网络方法提取人脸图像特征，用自相关神经网络进一步压缩特征，最后采一MLP实现人脸识别。Er等[30]采用PCA进维数压缩，再用LDA抽取特征，然后于RBF进行人识别。Haddadnia等[31]基于PZMI特征，并采用混合学习算法RBF神经网络进行人脸识别。神经网络的优势是通过习的过程获

6)弹性图匹

Lades

的方法识别人脸。它人脸用格状的稀疏

图3人脸识别的弹性

图3中的节点用图像位置的Gabor小波分解征向量标记，图的边用连接节点的距离向量标记。Wiskott等人使弹性图匹配方法，准确率达到97.3%。Wiskott等[33]将人脸特征上的一点作为基准点，构成弹性图。采用每基准点存储一串具有代表的特征矢量，少了系统的存量。Wurtz等[34]使用人脸ICI部的，进一步消除了结构中的冗余信息和

除了一些冗余节点，成稀的脸描述结构。另一种方法是，Nastar等[36]提出将人像I(x，y)表示为可变形的3D网格表(x，y，I(x，y))，人脸匹配问题转换为曲面配问题，用有限分析的方法进行面变形，根据两幅图像

7)几种混合方法的

(1)K-L投影和奇异分解(SVD)相融合

K-L变换的核心过程计算征值特征向量。而图像的奇异值具有良好的稳定性，当图像有小的扰动时，值的化不大。奇异值表示了图像的代数特征，在某种度上，SVD特同时拥代数与几何两方面的不变性。利用K-L影后的主分量特征向量与SVD特征向量对人脸进行识

(2)HMM和奇值分解相融合的分

采用奇异值分解方法进行特提取，把一幅图像(长为H)看成一个N×M的矩阵，求取其异值作为人脸识别的特征。里我采用采样窗对同一幅图片进重叠采样(如图4)，对采所得到的矩阵分别其对应的k个最大的奇异值，分别对每一组异值进行矢量准化和矢量重新排序，把这些理后的奇异值按采样顺序组成

图4采样窗采样

综合上述论文中的

表1人脸识别算

8)基于三维模型

该类方法一般先在图像上检出通用模型顶点对应的特征点，然后根据征点调节通用模型，后通纹理映射得到特定人脸的3D模型。Tibbalds[40]基结构光源和立体视觉理，通过摄机获取立体图像，根据像特征点之间匹配构造

图5三人脸表面模型图6成的不同姿态和光照条件

Zhao[41]提出一个新SSFS(Symetric Shape-from-Shading)理来处像人脸这类对称对象的识别问题，基于SSFS理和一个一般的三人脸模来解决光照变化问题，通过基SFS的视合成技术解决人脸姿态问，针对不同姿态和光照条件

三维图像三种建模方法:基

。其中，于模型可变参数的法与基于图像特基于模型

征的方法的最大在于:后者在人脸姿态每变化一次，要重新搜索特征点的坐，而前者只调整3D变形模型

图7三维建模的系

三维人脸建模、待别脸的姿态估计和识别匹配算的选取是实现维脸识别的关键技术。随着采三维图像识别人技术的发展，利用直线的

4总结与展望

人脸自动识别技术已得巨大的成就，随着科技的发展，实际应用中仍然临难，不仅要达到准确、快速的检并分割出人脸部分，而且要有效的变化补偿、特描述、准确的分类

(1)人脸的和整体信息的相互结合能有效地描述脸的特征，基于混合型的方法

(2)特征融合和多分类融合的方法也是改善识

(3)由于人脸为非性，人脸之间的相似性以及各变化因素的影，确的人脸识别仍较困难。为了足自动人脸识别术具有实时要求，在必要

(4)3D形变模型可理多种变化因素，具有很好的发前景。已有研究明，对各种变化因素采用模拟或补偿方法具有较好的效。三维人脸识别算法的选取还于探索阶段，需

(5)表纹理识别算法是一种最的算法[52]，有待于我们继续

总之，人脸识别是极挑性的课题仅仅采用一种现有方法以取得良好的识效，如何与其它技术相结合，如何高识别率和识别速、减少计算量、提高鲁棒性，如何采用嵌入式及

人脸识别综述与展望

人脸脸脸脸述展望与

人脸脸脸技脸1

概来随述近～着脸算机技脸的迅速脸展～人自脸脸脸技脸得泛究脸脸～人脸脸脸成脸

理中最脸脸的究主脸之。人脸脸脸的目的

取人的性化特征～以此脸脸人的

一脸脸的自脸脸脸系脸～包括以下个个内方面容,4(1)人脸脸,各脸不的脸景中脸脸出

并确定其位置。人脸的脸范化,校正人脸(2)(Normalization)在尺度、光照

,采取某方式表示脸脸出人

脸中的已知。人脸脸脸,待脸脸的人脸将(4)(Recognition)数据脸

人脸脸脸算法

人脸脸脸算法描述于型的模式脸脸脸脸～

和脸脸脸脸脸程脸成～脸离学两个所示。脸一

架在人脸脸脸～特征的分脸能力、算法脸脸度可脸脸性是确定特征取法需要脸的因素。所

有着定性的影。分脸所能脸脸的分辨率

特征脸最大可分度。因～人脸脸脸的脸脸

脸脸、特征提取和分

人脸脸脸的脸展脸史

人脸脸脸的究已脸有脸的脸史～的脸展大

四脸段,第一脸段,脸最早的究工作

二十世脸五十年代心理方面的究和六

程方面究。学研于年下

的～在年

了～外有脸多校学研FacialRecognitionProjectReport人脸脸脸技脸～其

人脸机理的～如大的学和小TexasatDallasAbdiTool脸、～由大的学

教授合脸脸的小脸等也

究的～英的国小脸、和荷

小脸等。第二脸段,脸于脸的机器脸脸究脸始于

二十世七十年代。和脸

脸所需要的面部特征。究者用脸算机脸脸了

灰度脸模型。脸段工作的特点是脸脸脸程全依脸于操作人脸～不一脸可以成自脸脸脸的

互式脸脸段。和用何

正面脸像。他脸采脸特征矢量表示人脸面部特征～脸脸并了一特征表示法的脸脸系脸。脸采KayaKobayashi用了脸

需要利用操作脸的某先脸知脸～仍然脸

第四脸段,世脸年代以～着高性能脸算机的

人脸脸脸方法有了重突破～才脸入了正的

段。在用脸脸像或脸脸像做人脸脸脸的脸域

以下脸主要的人脸脸

基于何特征的人脸脸脸

基于何特征法是早期的人脸脸脸方法一几。常采[7]用的何特征有人脸的五

形特征。脸型特征以五官在脸上分布

取特征脸往往要用到

几状几何特征是脸器官的形和何脸系脸基脸的特征矢～脸上是特征矢量之脸的配～其分量常包括人脸指定点脸

脸方法比脸脸脸、易理解～但有形成脸一的特征提取准;从脸像中抽取脸定的征脸困脸～脸是特征受到遮脸脸

PAGE 1

基于相脸匹配的

基于相脸匹配的方法包模匹配法和等强度脸方法。?模板匹配,和脸脸比脸了何几PoggioBrunelli[10]征的人脸脸脸法和基于模板匹配的人脸脸脸方～得出脸并脸,基于特征的人脸脸脸方

求小的脸点～但在率上模板匹配要脸于基于何特征几的法。?等强度脸法,等强脸利用灰度脸的多脸灰度脸的等强

曲脸反映了的凸凹信息。脸些等强度法必脸在背景脸脸均脸黑色～表面光照

脸形的等强度脸。状

基于子空脸方法3)

常用的脸性子空脸方有,本征子空脸、脸

量子空脸等。外～脸有局部特征分析法、因子分析法等。脸些方法也分脸被脸展

等采用本征脸方法脸脸脸脸。由于每Turk[11](Eigenfaces)个称本征矢量的脸形式脸似于人脸～所以本征脸。脸原始脸像

PAGE 1

空脸～又脸本征脸称。等提

嘴等特征分脸建立一征子空脸～脸合本

方法脸了好的脸脸脸果。等采用特定人的本征空

法脸得好于本征脸方法

方法～脸

提出的局

脸脸效果好于本征脸法。每人有多脸本脸

空脸法有考脸脸本脸脸的信息～因此～基

～等提出(LDALinearDiscriminantAnalysis)Belhumeur[17]了方法～脸得了脸好的脸脸脸果。等采FisherfacesBartlett[18]立分量分

的方法脸脸人脸～脸了比方法更好的

基于脸脸的脸脸

脸脸方法包括有,算法、奇脸分解异、脸脸脸

法。?脸,人脸脸像

个随高脸向作是一脸机向量～因此采用脸脸得其K-L交基底～脸脸其中脸大

形。外～在用脸脸像或脸脸像做人脸脸脸的

有影的有响的脸室的小脸～他脸主MITMediaPentland要是用基于脸脸的本

PAGE 1

。?脸脸可夫模型,脸脸大

脸多脸本脸像脸个个序列脸脸出一模型～Fallside[20]HMM它数的就是特征

特征等首先将和;Samatia[21]1-DHMM2-DPseudoHMM用于人脸脸。等采用低脸系

得了好脸脸效果～如脸所

脸脸脸脸的脸的人脸脸像DPseudoHMMDCTJPEG;Nefian等采用入式脸脸人脸～如

和通脸超状状脸和各

的模型成混合系脸脸构。基于的人脸脸脸方

有以下脸点,第一～脸脸人脸有表情脸化～脸大的脸部脸第二～脸容即加新脸本不需要脸所有的脸本脸脸脸.;第三～高的脸脸率。脸人脸脸像的嵌

基于神脸脸的方

等提出了混合脸、网等通脸一个Gutta[26]Lawrence[27]多脸的脸脸本的聚脸～将

等采用于率概决网策的

提出采用主元神脸脸方

脸神脸脸一网个步脸特征～最后采用一来脸

PAGE 1

等采用行脸脸脸～再

后基于脸行人脸。等基于特征～RBFHaddadnia[31]PZMI并学用混合脸算法的

脸脸是脸脸的脸程脸得脸些脸学达它律和脸脸的脸

脸性脸匹配方法6)

等提出采用脸脸脸接脸构Lades

～的方法脸脸人。它将(DLADynamicLinkArchitecture)[32]人脸用格状的稀疏

中的脸点用脸像位置小波分解得到的特征

脸脸～脸的脸用脸脸的距离向量脸脸。等人使用性Wiskott匹配方法～准率到确达。等人脸特97.3%Wiskott[33]

存脸一串具有代表性特征矢量～少了

等只使人脸部的特征～

中的冗余信息和背景息～并个构使用

等也采

余脸点～形成稀疏的描述脸。一脸方法是～构另Nastar等脸脸像将～表示脸可脸形的网表[36]I(xy)3D～～～～人脸匹

PAGE 1

限分析的方法脸行曲脸形～根据幅脸像

程度脸脸人脸。

几脸混合方法的有

投影和奇脸分异相融合的分脸判脸方法。(1)K-L(SVD)K-脸脸的核心脸程是脸算

具有良好的脸定性～脸有的脸脸脸～奇脸的脸化不大当异。奇脸表示了脸像的特～在某脸程度上～异数特征SVD脸脸有代何方面的脸性。利用数与几两投影后的K-L主分量特征向

准性确。[37]

和奇脸分解相异异融合分脸判脸方法。采

分解方法脸行征提取～一般是把一幅脸像脸看成一(H)个的脸～求取其奇脸作脸人脸

脸里我脸采脸脸同一幅脸窗叠片脸行重采如脸～脸采脸(4)所得到的矩脸分脸求其脸

一脸奇脸脸行矢量脸准化量重异新排序～把脸些脸理后的奇脸采脸脸异序脸成一向～脸脸向量是惟一的。脸[38]4脸采脸脸合上述中的脸据表窗数明～如表,表人[39]11脸脸脸算法脸基于三脸模型的方

PAGE 1

上脸脸出通型脸点脸脸的特征点～然后根据特征点脸通用模型～最后通脸脸

基于脸构体源和立脸脸理

体构脸像～脸像特征点之脸匹配造人脸三脸表面～如所示。脸三脸人脸表面模

条件下二脸人脸表面

理脸脸理

脸象的脸脸脸脸～基于脸和一一般的三脸人

解光照脸化脸脸～通脸于决的脸脸合成技脸

脸脸～脸脸姿脸和光照条件合成的三人脸模型如脸6示。三脸脸像有三

、、基于何几、基于模型可脸的方法参数。其[4243][44][45]中～基于模型可

最大脸在于,后者在人脸姿脸每脸化一后～需要重新索特征点的坐脸～而前

三脸重建的系脸脸～如框所示。脸三脸建模

人脸建、待脸脸人脸姿脸脸和脸脸匹配算法

人脸脸的脸脸技脸。采用三脸脸像脸脸人脸

直脸的三脸脸像信息行人脸脸脸已脸成脸

脸脸展望与4

PAGE 1

人脸自脸脸脸已取得了巨大的成就～着科技的脸展～在

割出人脸部～而且要有效的脸化脸、特征描述、的确分脸的效果～脸

人脸的局部和整体信的相互脸合能有效地

特征～基混合模型的方法脸得一步深入究～以研便能准描

多特征融合和多分脸融合的方法也是改善

一个手段。

由于人脸脸非脸性～人之脸的相似性以及各

的影～准的人脸仍脸困脸。脸了脸响确足自脸人脸脸技脸具有脸脸要～在必要

形脸模型可以脸理多脸化因素～具有好的

景。已有究也表～脸各脸脸化因素采用模脸或脸脸的具有脸好的效果。三脸人脸脸算法的取脸脸于探索脸段～

PAGE 1

表面脸脸脸算法是一脸新的算法～有待于我脸

学研极脸和究出更方法。脸之～人脸脸脸是富挑脸性的脸采用一脸脸有方法脸以取得好的脸脸效果～如何其与它技脸相脸

棒性～何采用嵌入式及件脸脸～如何脸用化都

PAGE 1

人脸识别综述与展望

豆丁主页:http://www.docin.com/1217187069

人脸识别综述与展望(1)

摘 要 本述了人脸识别理论的研究现状，根据脸动识别技术发展的时间进了分类，分和比较各种识别方法

关

1 人脸识别技

近年来，着计机术的迅速发展，人脸自动识别技术得到广泛究与开发，人脸识别为近30年里模式识别和图像处理中最热门的研究主之一。人脸识别的目的从人脸图像中抽取人的个化特征，并此来识别人的身份。一

(1)人脸检测(Detection):即各种不同的场景中检测

(2)人脸的规范化(Normalization):校正人脸在尺度、光照和旋转等方面的变化。

(3)人脸表征(Face Representation):采某种方式表示

(4)人脸识别(Recognition):待识别的人脸与数据库

豆丁主页:http://www.docin.com/1217187069 2 人脸识别算法的框架

脸识别算法描述属于典型的式识别问题，要有在线匹配和离线学习

图1 一般人脸识别

在人脸识别中，特的分类能力、算法复杂度和可实现性是确特征提取法需要考虑因素。所提取特征对最终分类结果有着决定性的响。分类器所能实现的辨率上限就是各类特征间大可区分。因此，人脸识别的实

3 人脸识别的发展历

人脸识别的研究已有相当长的史，它的发展大

第一阶段:类最早的研究工作至少可追到二十世纪五十代在心理学方面的研究和

J. S. Bruner1954年写

people，Bledsoe在1964

Report，国外有许多学校研究人术 [1] ，其中有从感知和心理学角度探索人类识别人脸机的，如美国Texas at Dallas大学的Abdi和Tool小组 [2、3] ，由Stirling大学的Bruce教和Glasgow大学的Burton教授合作领导小组等 [3] ;也有从视觉机理角度进行研究的，如英国的Graw小组 [4、5]

豆丁主页:http://www.docin.com/1217187069 小组 [6] 等。

第二阶段:关于脸的机器识别研究开始于

Allen 和Parke 为代表，主要研究人脸识所需要的面部特。究者用计算机实现了较高质量的脸灰度图模型。这阶段工作的特点是识别过程部依赖于操作人

第三段:人机交互式

Harmon Lesk 用几何特征参数来表示人脸正面图像。他采用多维特征矢量表示面部征，并设计了基于这一特征表示法的识别系统。Kaya和Kobayashi 则采用了统计识别方法，用欧氏距离表征人脸特征。但这类方需要利用操作员的某些先验

第四阶段:20世90年代以来，随着高性能计算机的现，人脸识别有重大突破，才进入了真正的机器动识别阶段。在静态图像或视频图像做人脸识的领域中，国际

1)于几何特征的人

基于几何特征法是早期的人脸识别方法之一 [7] 。常采用的几何特征脸五官如眼睛、鼻子、嘴巴等的局部形状特。脸型特征以及五官在上分布的几何特征。提特征时往要用到人脸结构的一先验知识。识别所采用

豆丁主页:http://www.docin.com/1217187069 和几何关系为基础的特矢量，本质上是征矢量之间的匹配，其分

基于几何特征的方法比较简单、容易理解，但没有形成统征提取标准;从图像中抽取定的特征较困

2)基于相关匹

基于相关匹的方法包括模板匹配法

?模板配法:Poggio和Brunelli [10] 专门比较了基于几何征的脸识别方法和基于模板匹配的人脸识别方法，并得出结论:基于几何征的人脸识别方法具有别速度快和存要求小的优点，但识别率上模板匹配要优

?等强度线:强度线利用灰度图像的多级灰度值的强度线作为特征进两幅脸图像的匹配识别。等强度曲线反映了脸的凸凹信息。这等强度线法必须在背景与头发均为色，表面光照均匀的提下才能求出符合人

3)基于子

常用性子空间方法有:本征子空间、区别子空间、独分量子空间等。此外，还有部特征分析法、因子分析法等。这些方

Turk等 [11] 采用本征脸(Eigenfaces)方法实现人识。由于每个本征矢量的图像形式似于人脸，所以称征脸。对原始图像和重构图的差分图像再次进

豆丁主页:http://www.docin.com/1217187069 本征脸 [12] 。Pentland等 [13] 提出对于眼、鼻和嘴等特征分别建个本征间，并联合本征脸子空间的方法获得好的识别结果。Shan等 [14] 用特定人的本征空间法获了好于本征脸法的识别结果。Albert等 [15] 提了TPCA(Topological PCA)方法，识别率所提高。Penev等 [16] 提出的部特征分

Analysis)法的识别效果好本征脸方。个人有多个样本图像时，本征空间法没有考虑样本类别间的信息，因此，基于性区别分析(LDA Linear Discriminant Analysis )，Belhumeur等 [17] 出了Fisherfaces方法，获得了好的识别结果。Bartlett等 [18] 采用独立分量分(ICA，Independent Component Analysis)的方

4)基于统计的

该类方法包括有:KL算法、奇异值解(SVD)、隐

?KL变换:将脸图像按()展开所形成的一个高维向量看作是一种随机向量，因此采用K-L变换获得其正交K-L基底，应其中大特征值基底具有与人脸相似形状。国外，在用静态图像或视图像做人脸识别的领中，比较有响的有MIT的Media实验室的Pentland组，他们主要是用基于KL变换的征空间的特征提取法，名为“本征

?尔可夫模型:剑桥大学的Samaria和Fallside [20] 对个样本图像的空间

豆丁主页:http://www.docin.com/1217187069 值;基于人脸从上到下、从左到右的结构特征;Samatia等 [21] 首先1-D HMM和2-D Pseudo HMM人脸识别。Kohir等 [22] 采用低频DCT系数为观察矢量获得了好的识别效果，如图2(a)所。Eickeler等 [23] 采用2-D Pseudo HMM识DCT压缩JPEG图像中的人脸像;Nefian等采用入HMM识别人脸 [24] ，如图2(b)所示。后来集成coupled HMM和HMM通过对超状和各嵌入状态

基于HMM的人脸识别方法具有以下优点:第一，能人脸有表情变化，较大的头部动;第二，扩性好.即增加新样本不需

(a)

(b)

图2 (a) 人脸图像的1-D HMM (b)

5)基于神经网

Gutta等 [26] 了混合神经网络、Lawrence等 [27] 通过一多级的SOM实现样本的聚类，卷积经网络CNN用于人脸识别、Lin等 [28] 采用基于率决策的神经网络法、Demers等 [29] 提出采用主元经网络方法提取脸图像特征，用自相关神经网络

豆丁主页:http://www.docin.com/1217187069 用PCA行维数压缩，再用LDA抽特征，然后基于RBF进行人脸别。Haddadnia等 [31] 基于PZMI特征，并采用混合学习算法的RBF经网络进行人识别。神经网络的优势是通学习的过程获得对这些规律和

6)弹性图

共2页: 1 [2] 下一页

人脸识别综述与展望(2)

Lades等提出采用动态链接结

[32] 的方法识别人。它将人脸用格状的稀

图3 人脸识别的弹性

图3中的节点用图像位置的Gabor小波分解得的征标记，图的边用连接节点的距离向量标记。Wiskott等人使用弹性匹配方法，准确率达到97.3%。Wiskott等 [33] 将人脸特征上些点作为基，构成弹性图。采用每个基准点存储一串具有代表的特征矢量，减少了系统的存储量。Wurtz等 [34] 只使用人脸ICI部的特征，进一步消除了结构中冗余信息和背景信息，并使用一个的级结构。Grudin等 [35] 也采用分结的弹性图，通过去除了一些冗余节点，形成稀疏的人描述结构。另一种方法是，Nastar等 [36] 提

豆丁主页:http://www.docin.com/1217187069 y))，将人脸匹配问题换为曲面匹配问，利用有限分析的方法进行

7)几种混合方法

(1)K-L投和奇异值分解(SVD)相融

K-L变换核心程是算特征值和特征向量。而图像的奇异值具有良好稳定性，当图像有小的扰，奇值的变化不大。奇异值示了图像的代数特征，在种程度上，SVD征同时有代数与几何两方面的不变性。利用K-L投后的主分量特征向量与SVD特征向量对人脸进行识别，

(2)HMM和奇异值分解相融合的

采用奇异值分方法进特取，一般是把一幅图像(长为H)看成一个N×M的矩阵，取其奇异值作为人脸识别的。在里我们采用采样窗对同一幅图进行重叠采样(如图4)，对样所得到的矩阵分求其对应的k个最大的奇异值，分别对每一组异值进行矢量准化和矢量重新排序，把这些处后的奇异值按采样顺序组成一组

图4 采样窗

综合上述论文

表1 人脸识别算

8)基于三

豆丁主页:http://www.docin.com/1217187069

该类方法般先图上检测出与通用模型顶点对应的特征点，然根据特征点调节通用，后通过纹理映射得到特定人脸的3D模型。Tibbalds [40] 基于结构光源和立体视觉论，通过摄机获取立体图像，根据像特征点之间匹配构造人

图5 三脸表面模型 图6 合成的不同姿态

Zhao [41] 提出了一

理论来处理像人脸这对对象的识别问题，基于SSFS论和一个一般维脸模型来解决光照变化问题，通基于SFS的视合成技术解决人脸姿态问题，对不同姿态和光

三维图像有种建模:基于图像特征的方法 [42、43] 、基于几何 [44] 、基于模型可数的法 [45] 。其中，于模型可变参数的方法与于图像特征的方法最大区别于:后者在人脸姿态每变化一次，需要重新索特征点的坐标，而前者只调整3D 变形模型的参数。

图7 三维建模的系

三维人脸建模、待识别人脸的姿态估计

豆丁主页:http://www.docin.com/1217187069 是实现三维人脸识别的关键技术。随着采用三维图识别人脸技术的发展，利用直的三维图像信息

4 总结与展望

人脸自动别术已取得了巨大的成就，随着科技发展，在实际应中仍面临困难，不仅要达到准确、快速检测并分割出人脸分，而且要有效的变化补偿、征描述、准确的分

(1) 人脸的局部和整体信息的相互结合效地描述人脸的特征，基混合模型的法值得进一步深入研

(2) 多特征融和多分类器合的方法也是改善

(3) 人脸为非刚体性，人脸之间的相性以及各种变化素影响，准确的人脸识别仍较困难。了满足自动人脸别技术具有实时要求，在必要需要研究人脸与

(4) 3D变模型可以处理多种变化因素，具很好的发展前景。有研也表明，对各种变化因素采用模拟补偿的方法具有较好效果。三维人脸识别算法的选取处于探索阶段，需在原有传统识别算

(5) 表面纹

豆丁主页:http://www.docin.com/1217187069

继续学习和研究出更好的

总之，人脸识别是极挑战性的课题仅仅采用

得良好识别效果，如与其它技术相结合，如

速度、少计算量、提鲁棒性，如何采用嵌入

实用化都是将来值得研

参考文献

[1]O'Toole A J，Abdi H，Deffenbacher K A，etal. A low dimensional representation of faces in the higher dimensions of space.[J].Journal of

the Optical Society of 2 America，1993，10:405,411

[2]张翠萍，苏光大.脸识别技术综述.中国图像

5(11):885-894

[3]A.Samal，P. A. Iyengar.Automatic recognition and analysis of human

faces and facial expressions: a survey [J]. Pattern Recognition，1992，

25(1):65-67

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

[5]Bartlett M S，Movellan J R，Sejnowski TJ. Face Recognition by Independent Component Analysis [J]. IEEE Trans. on Neural Network，

2002，13(6):1450-1464

[6]Manjunath B S，Shekhar C and Chellappa R. A new approach to image feature detection with application[J]. Patt. Recog，1996，29(4):

627-640

豆丁主页:http://www.docin.com/1217187069

[7]Cheng Y. Liu K，Yang J，etal.Human face recognition method based on the statistical model of small sample size. SPIE Proc，Intell. Robots

and Computer Vision X: Algorithms and Techn.1991，1606:85-95

[8]Nefian A V Embedded Bayesian Networks for Face Recognition [A]. Proceedings. IEEE International Conference on Multimedia and Expo [C] 2002，2:133-136

[9]Gutta S，Wechsler H. Face Recognition Using Hybrid Classifiers [J]. Pattern Recognition，1997，30(4):539-553

[10]Haddadnia J，Ahmadi M，Faez K A Hybrid Learning RBF Neural

Network for Human Face Recognition with Pseudo Zernike Moment Invariant [A]. Proceedings of the 2002 International Joint Conference on Neural Networks [C].2002，1:11-16

[11]M.Lades，J.C.Vorbruggen，J.Buhmann，ect.Distortion invariant

object recognition in the dynamic link architecture. IEEE Trans.on Computer，1993，42(3):300-311

[12]Nastar C，Moghaddam B A .Flexible Images: Matching and

Recognition Using Learned Deformations [J]. Computer Vision and Image Understanding，1997，65(2):179-191

[13]羊牧.基于KL投和奇异值分解相融合人脸

四川大学.2004，5，1

[14]白冬辉.人脸识别技的研究与应[D].北方工

[15]Adam D. Tibbalds. Three Dimensional Human Face Acquisitions

豆丁主页:http://www.docin.com/1217187069

for Recognition [D]. Phd. Thesis Cambridge，University of Cambridge，

1998.

[16]Wenyi Zhao. Robust image based 3D face recognition [D]. PhD.

Thesis. University of Maryland，College Park，1999 共2页: 上一页

[1] 2

人脸识别方法的综述与展望

　　　　　　　　　　　　　　　　　　　　　　计算机与数

人脸识别方法的综

艾英山　张德贤

(河南工业大学机

Ξ

摘　　要

综述了人识别理论的概念和研究现, , 最对人脸识别研究中的

关键词:人脸自动识别　

for the Method of F ace R ecognition

Ai Yingshan 　Zhang Dexian

(Department of Electromechanical Engineering , Henan University of Technology , Zhengzhou 　450052)

Abstract :This paper first gives the concept and research situation on the theory of face recognition and then discusses its key techniques , difficulties and application potentials. Finally , we present our opinions about the problems that should be considered in the research of face recognition.

K ey w ords :Face recognition ,Facial feature extraction Class number :TP391. 41

1　概述

近年来, 数字图像技术的应用范围越越广, 图像处理技术的身份验证则更是由于其在公安(罪犯识别等) 、安全验证系统、信用卡验证等方面的巨大应用前景而越成为当前式识别和人工智能领域的一个研究热点。由于生物特征是人的内在属性, 有很的自身稳定性和个体差异性, 因此是身份证的最理想依据。这其中, 利用人脸特征进行份验证又是最自然直手段, 相比于指纹、视网膜、虹膜、基

虽然人类可以轻松出不同人的脸部特征, 但机器对人脸的自识涉及到模式识别、数字图像理、生理和心学等多方面的课题。人

Ξ

脸, 在不视角, 不同的描述方法, 图像的差很大, 人脸的自动

人脸识别的研究围包括以下4

(1) 人脸检测(Detection ) :即从各种不同的场

景中检测出脸的存在并确定其位置。这一任务主要光照、噪声、面部倾

(2) 人脸的规

) :即校正人脸尺度、光照和旋转

(3) 人脸表征(Face Representation ) :即采取某种表方表示检测出的人脸和数据库中的已知脸。通常的表示法包几何特征(如欧氏距离、曲率、

(4) 人脸识别(Recognition ) :即将待识别的人

收到本文时间:2005

基金项目:本文工作得到河南省教育厅基础研究目助(编号2003520261) 及河南省自然科学基

第33卷(2005) 第10期　　　　　　　　　　　　　　　　计算机与

脸与数据库中知人脸比较, 得出相关信息。这一程的核心是选择适当人脸的表

人脸识别的研究有相当长的历史, 它的发展大可分为三个阶段:第一阶以Allen 和Parke

特征脸方法是从主要成分析(PCA ) 导出的一种人脸识别和描述技术。PCA 实质上是K -L 展开网络递推实现。K -L 变换是图像压缩技术的一种最优正变换, 们将它用于统计特征提取, 从而形成空间法模式识别的基础。将K -L 变换用于人

征。研究者用计算机实现了较高质量的脸灰度图模。一段工作的特点是识别过程全部依赖于操作人员, 显然这是一种可以完成自动识的系统。第二阶段是人机交互式识别阶段, 代表性有:Harmon 和Lesk 用几何征参数来表示人脸正面图像。他们采多特征矢量表示人脸面部特征, 统。Kaya 和K obayashi , 。第三阶段是真正机器自动识别阶段。近年来, 随着高速度高性能计算机的发展, 人脸模式识别方法有了较大的突破, 提出了种机器全自

性空间, 由高维图像空间K -L 变换后, 到一组的正交基, 由此以过留分正交基获得正交K -L 基底。如子空间对应特征值较大的基按照图像阵列排列, , 。实验表明, 特:首先, 由作为一图像, 图像中所有的像素都被赋予同等的地位, 可是、光照、表情扰会使识别率下降; 其次人脸在人脸空间的分布近似高斯分布, 且普通人脸位于均值附近, 而特殊人脸则位于边缘分布, 可见, 越普通人脸越难分, 特脸方法的本是抓住了人群的统计特征, 反映了特定人脸库的统计征, 但不具有性、表性。而利用fisher 判据的方法是一种较好的改进方。一种成功的改进方法是将人脸进行差异分类, 即分为脸间差异和差异, 其中脸内差异属于同一个人脸的各种变形, 而脸间差异表示不同人本质差异, 实

2　人脸识别方法

2. 1基于几何特征的

这类识别方法是通过人脸面部拓扑结构几关系的验知识, 利基结方法在知识的层次上提取人脸面部主要器官特征, 将人脸用一组几何特征量表示, 识别归结为特征矢之间匹配, 基于欧氏距离的判决最常用的识别方。侧影识别早的基于几何特征的人脸识别方法, 主要是从人脸面轮廓线上提取特征点入手。一般将侧影简化为廓曲, 从抽取若干基准点, 用这些点间的几何特征来进行别。由于侧面照片约很多, 所侧面脸的研究己经多。正面人脸识别第一步是合适归化, 使之不依赖于图像中人脸位置的尺度和旋转变化。识别所采用的几何特征是以人脸器官的形状和几何关系为基础特征矢量,

基于几何特征的识别方法可实对人脸显著特征的一个高效描述, 同时有存储量小、对光照敏感优点。这种方法同样存在一些问题:(1) 从图像中抽取稳定的征比较困难; (2) 强烈表情化和姿态变化鲁棒性较; (3) 造成信息

2. 2基于特征脸的人

主元子空间的表示是紧凑的, 特维数大大低, 但它是非局部化的, 其核函数的支集扩展在整个坐标空间中, 同时它非拓扑的, 某个轴投影后临近的点图像中点的临近性没有任何关系, 而部性和拓扑性对模式分析和分割是理的特性, 似乎这更符合经信息处理的制, 因此寻具有这性的表达十分重。基于这种考虑, 研人员提出基于局部特征的人脸特征取与识别方法。这种方法在实际应用取得

弹性匹配方法是一种基于动态链结构的法。方法在二维的空间中定义了一个距离, 它对通常的人脸变形具有定的不变性, 也不要求待识别和库人脸维数一定相同。可采用属性扑图来表达人脸, 其拓扑图的任顶点均包含一特征矢, 它记录人脸在该顶点置的分信息, 二维拓图的顶点矢量就人脸经小波变换后的特征矢量。用扑图分别代表已知和待识别人脸,

　　　　　　　　　　　　　　　　　　　　　　人脸识别方

的相似度准则。而最佳的匹配应同时虑顶点特矢配和相对几何位置的匹配。可以用一个能量函数来评价待识别人脸图像矢量和库中已知人脸的矢量场之间的匹配程, 最佳也就是最小能量函数时的匹配。实验明, 弹性图形匹配优于K -L 变换, 它能保留更多局部人脸节。但具体的数选择, 如二网格的、小波变换参数的择等, 都会影响别效果, 因此有效的识别效果依赖于关识别信息的提取。另外它需要更大的计算复度和存储

(3) 大多数自人脸识别技术

因此, 新的算要快速、有效

随着图像处理、模式别、工能以及生物心理学的研究进展, 人脸识别术也将会获得更大的。一些高级信息安全的应用中, 需要研究人脸指纹、虹膜、语音等识技术的融合方法, 以期高特征表达鲁棒性和可持续性, 而提高识别率, 这也

参考文献

[1]Chun-hung Lin ,Jia -ling Wu. Senior Member , IEEE :by G enetic Algo 2J ].on Image Processing , :8() [, 何克忠. 基于多模板匹配的单人脸检

基于神经网络的方法是最近几年比较活跃的个研究方向和的设计, 法—, 在识别效果的准确率、容错性、鲁棒性等方取得了一定的进展。神经络方法在人脸识别上比其他类别的方法有独到势, 它免了复杂的特征提取工作, 可以通过学习的程获得其他方法难以实现的关于人脸识的规和规的隐性表达。但由于原始度图像数据量十庞大, 因此神经数目通常, 训练时间很长。外, 完全基于神经网的别法在现有的计算机系统(冯一诺伊曼结构) 上也有其内在的局限性。且神经网络虽然有较强的归能力, 但

测[J].中国图像图形

[3]Shi -hong Jeng ,Hong Yuan Mark Liao ,Chin Chuan Han et a1. Facial Feature Detection Using G eometrical Face Model :An E fficient Approach [J].Pattern Recognition , 1998,31(3) :273-282

[4]K arin S obottka ,Ioannis Pitas. A Novel Method for Auto 2matic Face Segmentation , Facial Feature Extraction and Tracking [J ].Signal Processing :Image Communication , 1998,12:263-281

[5]Ali Reza Mirhosseini , Hong Y an , K in -Man Lam et a1.

Human Face Image Recognition :AnEvidence Aggregation Approach[J].Computer Vision and Image Understanding , 1998,8,71(2) :213-230

[6]Guang -zheng Y ang , Thomas S Huang. Human face De 2tection In a Complex Background[J].Pattern Recognition , 1994, 27(1) :53-63

[7]Chung -lin Huang , Ching -wen Chen. Human Facial

Feature Extraction For Face Interpretation and Recognit 2ing[J].Pattern Recognition 1992,25(12) :1435-1444[8]K in -Man Lam , Hong Y an. Location and Extraction the

Eye in Human Face Image[J].Pattern Recognition 1996, 29(5) :771-779

[9]Xiao -bo Li , Nicholas Roeder. Face Recognition Extrac 2tion From FrontView Images [J ].Pattern Recognition , 1995,28(8) :1168-1179

[10]G loria Chow ,Xiao -bo Li. Towards A S ystem for Auto 2matic Facial Feature Detection [J].Pattern Recognition , 1993,26(12) :1739-1755

[11]Jian -ming Hu , Hong Y an , Mustafa sakalli. Locating

Head and Face Boundaries for head -shoulder images[J].Pattern Recognition ,1999,32:1317-1333

[12]王静儒, 吴岷,

杨光正。基于知识的人面

3　研究展望

人脸自动识别技术经多来的研究, 已经积累了大量究成果, 但在际用中仍然面临着很多困难, 除要准确、快速的检并分割出人脸部分, 有效变化补偿、特征

(1) 人脸的局部和体信的互结合能有效地描述人脸的特征, 如何更好提取和组合局部与整体特征得深入研究。研究新的人脸描述方法以获得准的人脸描述和区信息, 避免完全不相似的人脸图像认为是相似。基于混合模型的方法得进一步深入研究, 以

(2) 不同的描述方式有不同的特点, 不同的器产生的分类结果也不样。因此, 多特征融合和多分

测及特抽取[J].模

[13]J un Miao ,Bao -cai Y in , K ong -qiao Wang et a1. A Hi 2erarchical Multi -scale and Multi -angle System for Hu 2

第33卷(2005) 第10期　　　　　　　　　　　　　　　　计算机与

man Face Detection in a Com plex Background Using Grav 2ity -Center Template[J].Pattern recognition ,1999(32) :1237-1248

[14]Batur A U ,M H I Hayes 。Linear Subspaces for Illumi 2nation Robust Face Recognition [A ].Proceedings of the 2001IEEE Computer S ociety Conference on Computer Vi 2sion and Pattern Recognition [C ].2001, 02(2) :296-301.

[15]Shakunaga T , Shigenari K. Decomposed Eigenface for

Face Recognition under Various Lighting Conditions [A].Proceedings of the 2001IEEE Computer S ociety Confer 2ence on Computer Vision and Pattern Recognition [C ].2001,01(1) :864-871.

[16]Lee K C , Ho J , Kriegman D. Nine Points of Light quiring Subspaces for Face under Variable Lighting [A ].S ociety Pattern Recognition [C].1) :519-526.

[17]Basri R ,Jacobs D W. Lambertian Reflectance and Linear

Subspaces [J].IEEE Transaction on Pattern Analysis and Machine Intelligence , 2003,25(2) :218-233.

[18]Biuk Z ,Loncaric S. Face recognition from multi -pose image sequence [A].Proceedings of the 2nd International

Symposium on Image and Signal Processing and Analysis [C].2001, 319-324.

[19]Li Y , G ong S , Liddell H. Video -based online face

recognition using identity surfaces [A].Proc. The Second International Workshop on Recognition , Analysis and Tracking of Faces and G estures in Real -time S ystems [C].Vancouver , Canada , 2001, 40-46.

[20]Bao -xin Li , R Chellappa 。Simultaneous tracking and

verification via sequential posterior estimation [A ].Pro 2ceedings. IEEE Conference on Com puter Vision and Pat 2tern Recognition [C].20002) :110-117.

[21]Shao hua , V ,Chellappa R. Face recogni 2video :aa pproach [A].Pro 2International Conference on Auto 2and G esture Recognition [C ].2002, 212-217.

[22]Kruger V , Shao -hua Zhou 。Exemplar -based face

recognition from video [A].Proceedings. Fifth IEEE In 2ternational Conference on Automatic Face and G esture Recognition [C].2002, 175-180.

[23]Gunturk B K ,Batur A U ,Altunbasak Y , et al. Eigen 2face -based super -resolution for face recognition [A ].Proceedings. International Conference on Image Process 2ing [C].2002, (2) :845-848

(上接第19页)

[4]DamianMarriott , Morris Sloane :Management Policy Ser 2vice fpr Distribute System , 0-8186-7499-7/961996IEEE

[5]Weixing Xie , Huadong Ma :A Policy -based Security

Model for Web System ,Proceeding of ICCT2003

[6]ObjectManagement Group , The Common Object Request Broker :Architecture and S pecification. 2. 0ed. J uly , 1995

[7]郭长国王怀民邹等, 实时中间件的

电

[8]华黄涛李京,

转载请注明出处范文大全网 » 人脸识别综述与展望_祝秀萍