人脸识别方法的综述与展望
计算机与数字工程 第33卷24
人脸识别方法的综述与展望
艾英山 张德贤
(河南工业大学机电工程系 郑州 450052)
Ξ
摘 要
综述了人脸识别理论的概念和研究现状,讨论了其中的关键技术和难点以及应用和发展前景,最后对人脸识别研究中的有关问题提出了我们的看法。
关键词:人脸自动识别 面部特征提取中图分类号:TP391.41
SummarizationandProspectsfortheMethodofFaceRecognition
AiYingshan ZhangDexian
(DepartmentofElectromechanicalEngineering,HenanUniversityofTechnology,Zhengzhou 450052)
Abstract:Thispaperfirstgivestheconceptandresearchsituationonthetheoryoffacerecognitionandthendiscussesitskeytechniques,difficultiesandapplicationpotentials.Finally,wepresentouropinionsabouttheproblemsthatshouldbeconsideredintheresearchoffacerecognition.
Keywords:Facerecognition,FacialfeatureextractionClassnumber:TP391.41
1 概述
近年来,数字图像技术的应用范围越来越广,运用数字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来越成为当前模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,具有很强的自身稳定性和个体差异性,因此是身份验证的最理想依据。这其中,利用人脸特征进行身份验证又是最自然直接的手段,相比于指纹、视网膜、虹膜、基因等其它人体生物特征,它具有直接、友好、方便的特点,更易于为用户所接受,因此备受关注。
虽然人类可以轻松识别出不同人的脸部特征,但机器对人脸的自动识别涉及到模式识别、数字图像处理、生理和心理学等多方面的课题。人脸识别系统应该能够处理脸部图像的变化,但是同一张
Ξ
脸,在不同的视角,不同的描述方法下,图像的差别很大,人脸的自动识别因此也是极具挑战性的工作。
人脸识别的研究范围包括以下4个方面的内容:
(1)人脸检测(Detection):即从各种不同的场
景中检测出人脸的存在并确定其位置。这一任务主要受光照、噪声、面部倾斜度以及各种各样遮挡的影响。
(2)人脸的规范化(Normalization):即校正人脸在尺度、光照和旋转等方面的变化。
(3)人脸表征(FaceRepresentation):即采取某种表示方式表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征矢量)、固定特征模板、特征脸等。
(4)人脸识别(Recognition):即将待识别的人
收到本文时间:2005年2月21日
基金项目:本文研究工作得到河南省教育厅基础研究项目资助(编号2003520261)及河南省自然科学基金项目资助(编号994060500)。
第33卷(2005)第10期 计算机与数字工程 25
脸与数据库中的已知人脸比较,得出相关信息。这一过程的核心是选择适当的人脸的表征方式与匹配策略,系统的构造与人脸的表征方式密切相关。
人脸识别的研究已经有相当长的历史,它的发展大致可以分为三个阶段:第一阶段以Allen和Parke为代表,主要研究人脸识别所需要的面部特
特征脸方法是从主要成分分析(PCA)导出的一种人脸识别和描述技术。PCA实质上是K-L展开的网络递推实现。K-L变换是图像压缩技术中的一种最优正交变换,人们将它用于统计特征提取,从而形成子空间法模式识别的基础。若将K-L变换用于人脸识别,则需假设人脸处于低维线
征。研究者用计算机实现了较高质量的人脸灰度图模型。这一阶段工作的特点是识别过程全部依赖于操作人员,显然这不是一种可以完成自动识别的系统。第二阶段是人机交互式识别阶段,代表性工作有:Harmon和Lesk用几何特征参数来表示人脸正面图像。他们采用多维特征矢量表示人脸面部特征,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,用欧氏距离来表征人脸特征。但这类方法需要利用操作员的某些先验知识,仍然摆脱不了人的干预。第三阶段是真正的机器自动识别阶段。近十余年来,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,提出了多种机器全自动识别系统。人脸识别技术进入了实用化阶段。
性空间,由高维图像空间K-L变换后,可得到一组新的正交基,由此可以通过保留部分正交基获得正交K-L基底。如将子空间对应特征值较大的基底按照图像阵列排列,则可以看出这些正交基呈现出人脸的形状,因此这些正交基也称为特征脸,这种人脸的识别方法也叫特征脸法。实验表明,特征脸方法存在如下特点:首先,由于作为一种图像的统计方法,图像中所有的像素都被赋予了同等的地位,可是角度、光照、表情等干扰会使识别率下降;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,越普通的人脸越难分辨,特征脸方法的本质是抓住了人群的统计特征,反映了特定人脸库的统计特征,但不具有广泛性、代表性。而利用fisher判据的方法是一种较好的改进方法。另一种成功的改进方法是将人脸进行差异分类,即分为脸间差异和脸差异,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脸的本质差异,实际人脸图像的差异则为两者之和。2.3基于局部特征的人脸识别方法
2 人脸识别方法
2.1基于几何特征的人脸识别方法
这类识别方法是通过人脸面部拓扑结构几何关系的先验知识,利用基于结构的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矢量表示,识别归结为特征矢量之间的匹配,基于欧氏距离的判决是最常用的识别方法。侧影识别是最早的基于几何特征的人脸识别方法,主要是从人脸侧面轮廓线上提取特征点入手。一般将侧影简化为轮廓曲线,从中抽取若干基准点,用这些点之间的几何特征来进行识别。由于侧面照片约束很多,所以对侧面人脸的研究己经不多。正面人脸识别第一步是合适的归一化,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的特征矢量,基分量通常包括人脸指定两点间的欧氏距离、曲率、角度等。
基于几何特征的识别方法可以实现对人脸显著特征的一个高效描述,同时具有存储量小、对光照不敏感等优点。这种方法同样存在一些问题:(1)从图像中抽取稳定的特征比较困难;(2)对强烈表情变化和姿态变化鲁棒性较差;(3)造成信息部分丢失,适合用于粗分类。
2.2基于特征脸的人脸识别方法
主元子空间的表示是紧凑的,特征维数大大降低,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,同时它是非拓扑的,某个轴投影后临近的点与原图像空间中点的临近性没有任何关系,而局部性和拓扑性对模式分析和分割是理想的特性,似乎这更符合神经信息处理的机制,因此寻找具有这种特性的表达十分重要。基于这种考虑,研究人员提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果。2.4基于小波特征的弹性匹配方法
弹性匹配方法是一种基于动态链接结构的方法。该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一定的不变性,也不要求待识别人脸和库中人脸维数一定相同。可采用属性拓扑图来表达人脸,其拓扑图的任一顶点均包含一特征矢量,它记录了人脸在该顶点位置的分布信息,二维拓扑图的顶点矢量就是人脸经小波变换后的特征矢量。用拓扑图分别代表已知和待识别人脸,还可根据匹配拓扑图算出它们的“距离”作为人脸
人脸识别方法的综述与展望 第33卷26
的相似度准则。而最佳的匹配应同时考虑顶点特征矢量的匹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场和库中已知人脸的矢量场之间的匹配程度,最佳匹配也就是最小能量函数时的匹配。实验表明,弹性图形匹配优于K-L变换,它能保留更多局部人脸细节。但具体的参数选择,如二维网格的大小、小波变换参数的选择等,都会影响识别的效果,因此有效的识别效果依赖于关键识别信息的提取。另外它需要更大的计算复杂度和存储空间。2.5基于神经网络的人脸识别方法
(3)大多数自动人脸识别技术具有实时要求,
因此,新的算法要快速、有效且易于实现。
随着图像处理、模式识别、人工智能以及生物心理学的研究进展,人脸识别技术也将会获得更大的发展。在一些高级信息安全的应用中,需要研究人脸与指纹、虹膜、语音等识别技术的融合方法,以期提高特征表达的鲁棒性和可持续性,进而提高识别率,这也是生物特征识别技术的发展趋势。
参考文献
[1]Chun-hungLin,Jia-lingWu.SeniorMember,IEEE:AutomaticFacialFeatureExtractionbyGeneticAlgo2rithms[J].IEEETransactionsonImageProcessing,1999:8(6):834-841
[2]梁路宏,艾海舟,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一个研究方向。应用神经网络进行人脸的特征提取和分类器的设计,有比较成熟的人脸特征提取算法—自适应主分量神经网络算法。研究人员还应用传统方法和神经网络设计了组合分类器,在识别效果的准确率、容错性、鲁棒性等方面取得了一定的进展。神经网络方法在人脸识别上比其他类别的方法有独到的优势,它避免了复杂的特征提取工作,可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。但由于原始灰度图像数据量十分庞大,因此神经元数目通常很多,训练时间很长。另外,完全基于神经网络的识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纳能力,但当样本数大量增加时,其性能有可能会严重下降。
测[J].中国图像图形学报,1999,10:4(a)(10)
[3]Shi-hongJeng,HongYuanMarkLiao,ChinChuanHaneta1.FacialFeatureDetectionUsingGeometricalFaceModel:AnEfficientApproach[J].PatternRecognition,1998,31(3):273-282
[4]KarinSobottka,IoannisPitas.ANovelMethodforAuto2maticFaceSegmentation,FacialFeatureExtractionandTracking[J].SignalProcessing:ImageCommunication,1998,12:263-281
[5]AliRezaMirhosseini,HongYan,Kin-ManLameta1.
HumanFaceImageRecognition:AnEvidenceAggregationApproach[J].ComputerVisionandImageUnderstanding,1998,8,71(2):213-230
[6]Guang-zhengYang,ThomasSHuang.HumanfaceDe2tectionInaComplexBackground[J].PatternRecognition,1994,27(1):53-63
[7]Chung-linHuang,Ching-wenChen.HumanFacial
FeatureExtractionForFaceInterpretationandRecognit2ing[J].PatternRecognition1992,25(12):1435-1444[8]Kin-ManLam,HongYan.LocationandExtractionthe
EyeinHumanFaceImage[J].PatternRecognition1996,29(5):771-779
[9]Xiao-boLi,NicholasRoeder.FaceRecognitionExtrac2tionFromFrontViewImages[J].PatternRecognition,1995,28(8):1168-1179
[10]GloriaChow,Xiao-boLi.TowardsASystemforAuto2maticFacialFeatureDetection[J].PatternRecognition,1993,26(12):1739-1755
[11]Jian-mingHu,HongYan,Mustafasakalli.Locating
HeadandFaceBoundariesforhead-shoulderimages[J].PatternRecognition,1999,32:1317-1333
[12]王静儒,吴岷,杨光正。基于知识的人面器官边缘检
3 研究展望
人脸自动识别技术经过多年来的研究,已经积累了大量研究成果,但在实际应用中仍然面临着很多困难,除了要准确、快速的检测并分割出人脸部分,有效的变化补偿、特征描述准确的分类都将成为今后主要研究课题。
(1)人脸的局部和整体信息的相互结合能有效地描述人脸的特征,如何更好地提取和组合局部与整体的特征值得深入研究。研究新的人脸描述方法以获得准确的人脸描述和区别信息,避免完全不相似的人脸图像被认为是相似的。基于混合模型的方法值得进一步深入研究,以便能准确描述复杂的人脸模式分布。
(2)不同的人脸描述方式有不同的特点,不同的分类器产生的分类结果也不一样。因此,多特征融合和多分类器融合的方法也是改善识别性能的一个手段。
测及特征抽取[J].模式识别与人工智能,1999,(12)3
[13]JunMiao,Bao-caiYin,Kong-qiaoWangeta1.AHi2erarchicalMulti-scaleandMulti-angleSystemforHu2
第33卷(2005)第10期 计算机与数字工程 27
manFaceDetectioninaComplexBackgroundUsingGrav2ity-CenterTemplate[J].Patternrecognition,1999(32):1237-1248
[14]BaturAU,MHIHayes。LinearSubspacesforIllumi2nationRobustFaceRecognition[A].Proceedingsofthe2001IEEEComputerSocietyConferenceonComputerVi2sionandPatternRecognition[C].2001,02(2):296-301.
[15]ShakunagaT,ShigenariK.DecomposedEigenfacefor
FaceRecognitionunderVariousLightingConditions[A].Proceedingsofthe2001IEEEComputerSocietyConfer2enceonComputerVisionandPatternRecognition[C].2001,01(1):864-871.
[16]LeeKC,HoJ,KriegmanD.NinePointsofLight:Ac2quiringSubspacesforFaceRecognitionunderVariableLighting[A].Proceedingsofthe2001IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition[C].2001,01(1):519-526.
[17]BasriR,JacobsDW.LambertianReflectanceandLinear
Subspaces[J].IEEETransactiononPatternAnalysisandMachineIntelligence,2003,25(2):218-233.
[18]BiukZ,LoncaricS.Facerecognitionfrommulti-poseimagesequence[A].Proceedingsofthe2ndInternational
SymposiumonImageandSignalProcessingandAnalysis[C].2001,319-324.
[19]LiY,GongS,LiddellH.Video-basedonlineface
recognitionusingidentitysurfaces[A].Proc.TheSecondInternationalWorkshoponRecognition,AnalysisandTrackingofFacesandGesturesinReal-timeSystems[C].Vancouver,Canada,2001,40-46.
[20]Bao-xinLi,RChellappa。Simultaneoustrackingand
verificationviasequentialposteriorestimation[A].Pro2ceedings.IEEEConferenceonComputerVisionandPat2ternRecognition[C].2000(2):110-117.
[21]Shao-huaZhou,KruegerV,ChellappaR.Facerecogni2tionfromvideo:aCONDENSATIONapproach[A].Pro2ceedings.FifthIEEEInternationalConferenceonAuto2maticFaceandGestureRecognition[C].2002,212-217.
[22]KrugerV,Shao-huaZhou。Exemplar-basedface
recognitionfromvideo[A].Proceedings.FifthIEEEIn2ternationalConferenceonAutomaticFaceandGestureRecognition[C].2002,175-180.
[23]GunturkBK,BaturAU,AltunbasakY,etal.Eigen2face-basedsuper-resolutionforfacerecognition[A].Proceedings.InternationalConferenceonImageProcess2ing[C].2002,(2):845-848
(上接第19页)
[4]DamianMarriott,MorrisSloane:ManagementPolicySer2vicefprDistributeSystem,0-8186-7499-7/961996IEEE
[5]WeixingXie,HuadongMa:APolicy-basedSecurity
ModelforWebSystem,ProceedingofICCT2003
[6]ObjectManagementGroup,TheCommonObjectRequestBroker:ArchitectureandSpecification.2.0ed.July,1995
[7]郭长国王怀民邹鹏等,实时中间件的研究与实现[J].
电子学报,2002,12
[8]周泽华黄涛李京,消息中间件管理器的研究与实现[J].计算机研究与发展,2002,3