理论前沿２０１４年第１１期 人脸识别研究综述 王 壶 （西安石油大学，陕西西安７１００６５） 【摘要】人脸识别已成为模式识别、图像处理等领域的重要课题。本文对人脸识别技术的现状、应用进行了综述，重点介绍了人脸识 别的方法，指出了目前存在的问题及今后的研究发展方向。 【关键词】人脸识别；人脸检测；人工神经网络 【中图分类号】ＴＰ３９１．４ 一【文献标识码】Ａ 【文章编号】１００７—４２４４（２ｏ１４）１卜４９６—１ 也称Ｆｉｓｈｅｒ脸方法。它选择以类内散布正交的矢量作为特征脸空 间，从而能压制图像之间的与识别信息无关的差异，对光照及人 、引言 人脸识别，是利用计算机及相关算法对人的脸部特征信息 进行身份识别的一种生物识别技术，是模式识别、图像处理等领 域的重要课题。目前，国外对人脸识别问题的研究很多，比较著 名的有Ｍ ＩＴ，ＣＭＵ等；国内的研究工作主要是集中在三大类方 法的研究：基于几何特征的人脸识别方法、基于代数特征的人脸 识别方法和基于连接机制的人脸识别方法。 人脸识别由于具有直接、友好、方便的特点，使用者无任何 心理障碍，易于被用户所接受，从而得到了广泛的应用。主要在 以下几个方面：（１）档案管理系统（２）安全验证系统（３）信用卡验 证（４）公安系统的罪犯身份识别（５）银行和海关的监控（６）人机 交互等。 二、人脸识别的方法 （一）基于几何特征的方法 首先将人脸用一个几何特征矢量表示，用模式识别中的层 次聚类思想设计分类器来对人脸进行识别。几何特征矢量是以 脸表隋变化都不太敏感。Ｌｕｉｓ Ｔｏｒｔｅｓ等人从传统特征脸发展出自 身特征脸的概念，使用这种技术并结合人脸颜色信息，可以有效 地从动态图像序列中识别出指定的人脸。特征脸方法使用由各 个特征脸扩展的空间来表示人脸，虽然可以有效地表示人脸信 息，但是并不能有效地鉴别和区分人脸。 独立成分分析ＩｃＡ，可以看成是ＰＣＡ的推广．ＰＣＡ利用二阶矩 去掉输入数据的相关性．使得数据的协方差为零，而ＩＣＡ使得输人 数据的二阶和高阶矩依赖性最小．ＩＣＡ首先被用于盲源分离问题， 用来将观察信号分解成一系列独立信号的线性组合．ＩＣＡ用于人 脸识别有两种结构ＩＣＡ Ａｒｃｈｉｔｅｅｔｕｒｅ Ｉ￣ＩＣＡ Ａｒｃｈｉｔｅｃｔｕｒｅ ＩＩ。ＰＣＡ和 ＩＣＡ ＡｒｃｈｉｔｅｃｔｕｒｅⅡ利用的是全局特征，ＩＣＡ Ａｒｃｈｉｔｅｃｔｕｒｅ蜊用的是 空间局部特征．在人脸验证实验中ＩＣＡ Ａｒｃｈｉｔｅｃｔｕｒｅ ＩＩ的性能最好， ＰＣＡ的性能与距离度量标准有关，ＩＣＡ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｉ的性能较差。 （四）基于神经网络的方法 人工神经网络（ＡＮＮ）是一种以大的量处理单元（神经元）为节 人脸器官的形状和几何关系为基础的特征矢量，其分量通常包 括人脸指定两点间的欧氏距离、曲率、角度。人脸器官的关键点 点，处理单元之间实现加权值互联的拓扑结构，处理单元是人类 分别对应于不同的积分投影方式产生的波峰波谷，根椐人脸结 大脑神经单元的简化。根据不同的应用场合现在已经研究出了 为数众多的神经元网络模型及其动态过程的算法：很多面部识 构的先验知识，可得出人脸各器官之间的几何位置关系。 基于几何特征的方法非常直观，识别速度快，内存要求较少， 别系统都采用了多层感知机作为人工神经网络基本结构，神经 训练过程就是调整权值的过程，最常用的算 提取的特征在一定程度上对光照变化不太敏感．但是，当人脸具 元之间由权值连接，有一定的表情或者姿态变化时，特征提取不精确，而且由于忽略 法是反向传播法０３１），Ｄａｉ Ｙｉｎｇ等提出用Ｈｏｐｆｉｅｌｄ网络进行低分辨 了整个图像的很多细节信息，识别率较低，所以近年来已经很少 率人脸联想与识￣ｌ｜；Ｌｉｎ ｓＨ等提出了基于概率决策的神经网络方 有新的发展． （二）基于模型的方法 隐马尔可夫模型（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄａｌ，ＨＭＭ）是一种常用的 法（ＰＤＢＮＮ），其主要思想是采用虚拟（正反例）样本进行强化和反 强化学习，从而得到较为理想的概率估计结果，并采用模块化的 网络结构加快网络的学习，另外模糊神经网络也得到了较多的 模型，基于ＨＭＭ的方法首先被用于声音识别等身份识别上，之后 应用。人工神经网络具有自组织性、高维性、模糊性、分布性和冗 被Ｎｅｆｉａｎ和ＨａｙｅｓｉＪ１人到人脸识别领域。它是用于描述信号统计 余眭等特点。 特性的一组统计模型．ＨＭＭ用马尔可夫链来模拟信号统计特性 的变化，而这种变化又是间接通过观察序列来描述的，因此马尔 （五）多分类器组合方法 将多个学习系统（例如分类器）组合是目前机器学习的热门 可夫过程是一个双重的随机过程．在ＨＭＭ中结点表示状态，有向 课题之一，这种技术已经被广泛运用到模式识别之中．当前人脸 边表示状态之间的转移，一个状态可以具有特征空间中的任意特 识别方法都只能在特定约束条件下取得较好的性能，然而在现实 征，对同一特征，不同形态表现出这一特征的概率不同．在人脸识 别过程中，Ｎｅｉｆａｎ首先采用两维离散余弦变换（Ｄｉｓｃｒｅｔｅ Ｃｏｓｉｎｅ Ｔｒａｎｓｆｏｒｍ，ＤＣＴ）抽取人脸特征，得到观察向量，构建ＨＭＭ人脸模 型，然后用ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）算法训练．利用该模型就 可以算出每个待识别人脸观察向量的概率，从而完成识别．ＨＭＭ 方法的鲁棒性较好，对表情、姿态变化不太敏感，识别率高． （三）基于统计的方法 应用中，人脸的表象会因为光照方向、姿态、表情变化而产生较大 的变化，每种特定的识别器只对其中一部分变化比较敏感，因此， 将可以整合互补信息的多个分类器集成能够提高整个系统的分 类准确率。 Ｎａｔｈａｎ Ｉｎｔｒａｔｏｒ￣应用监督／无监督混合神经网络抽取人脸特 征进行人脸识￣１］；ＳｒｉｎｉｖａｓＧｕｔｔａ和Ｈａｒｒｙ Ｗｅｃｈｓｌｅｒ提出了基于径向 量基函数网络与决策树的＾脸识别混合分类器。 三、总结 基于统计的方法将人脸图像视为随机向量从而用一些统计 方法来分析人脸模式，这类方法有着完备的统计学理论支持，得 到了较好地发展，出现了一些比较成功的算法。 主成分分析 ｃＡ广就是一种常用的方法。它根据图像的统计 特性进行正交变换 Ｌ变换），以消除原有向量各个分量问的 相关性。变换得到对应特征值依次递减的特征向量，即特征脸。 Ｄａｎｉｅｌ Ｌ・Ｓｗｅｔｓ和Ｊｏｈｎ Ｗｅｎｇ提出在ＰＣＡ的基础上使用ＬＤＡ， ４９６ 本文对人脸识别的概念、应用领域、研究现状进行了综述，尤 其是对人脸识别的方法进行了详细论述。经过几十年的研究，人 脸识别已经取得了很大的进展，但现有的人脸识别方法一般都是 针对某一类问题提出的，由于人脸识别问题的复杂性，实现一个 通用的＾脸识别系统目前还不现实。