人臉識別技術(shù)論文人臉識別，特指利用人臉視覺特征信息的分析比較結(jié)果進(jìn)行身份鑒別的計算機(jī)技術(shù)。下面是店鋪為大家整理的人臉識別技術(shù)論文，希望你們喜歡。人臉識別技術(shù)論文篇一人臉識別技術(shù)綜述摘要：文章首先對人臉識別技術(shù)進(jìn)行了介紹，其次回顧了人臉識別研究的發(fā)展歷程及識別方法的基本分類，然后對當(dāng)前主流的人臉識別方法展開了詳細(xì)的論述，最后提出了人臉識別技術(shù)面臨的問題及研究方向。關(guān)鍵詞：人臉識別;特征臉;線形判別分析;局部二值模式中圖分類號：TP391SurveyoffacerecognitiontechnologyHeChun(EducationandInformationTechnologyCenter，ChinaWestNormalUniversity，NanchongSichuan637002，China)Abstract：Thispaperintroducestechnologyoffacerecognitionfirstly，andreviewsthedevelopmentprocessandthebasicclassificationmethodoffacerecognition.Afterthat，thepaperdiscussesthecurrentmethodsoffacerecognitionindetail，thereforeproposestheexistingproblemsintheresearchofrecognitionfacesandfuture’sresearchdirection.Keywords：facerecognition;Eigenface;lineardiscriminationanalysis;LBP1人臉識別技術(shù)簡介人臉識別，特指利用人臉視覺特征信息的分析比較結(jié)果進(jìn)行身份鑒別的計算機(jī)技術(shù)[1]。一般人臉識別有廣義和狹義之分，廣義是指包含人臉圖像采集、定位、預(yù)處理、身份確認(rèn)與查找等在內(nèi)的技術(shù);而狹義僅指身份確認(rèn)或查找系統(tǒng)。通俗來講，人臉識別指運(yùn)用計算機(jī)分析人臉視頻或圖像之后，提煉可用、有益的識別信息，再對人臉對象的身份構(gòu)建判斷與識別。人臉識別是身份識別研究中最主要的一種方法，重點(diǎn)建立在生物識別技術(shù)基礎(chǔ)之上，而且其中應(yīng)用了諸多計算機(jī)相關(guān)的圖形學(xué)、人工智能等最新技術(shù)手段。人臉與人體的其他生物特征(指紋、虹膜等)一樣與生俱來，其生物特征內(nèi)在的穩(wěn)定性和唯一性使其自然成為了身份識別的理想依據(jù)。學(xué)術(shù)界對人臉識別相關(guān)問題的研究已然趨近成熟，并形成了為數(shù)可觀的研究成果，到目前為止，仍然在不斷的探索與發(fā)展中，尤其在人臉身份識別方面的建樹頗多。快速、直接、簡捷是人臉識別系統(tǒng)的獨(dú)有優(yōu)勢，并已廣泛運(yùn)用于刑事偵破、信息安全等方面。在此，本次研究將對人臉識別技術(shù)給出全面的解析論述。1人臉識別發(fā)展歷程早在20世紀(jì)50年代，心理學(xué)家即已著手對人臉識別展開研究，但是直至60年代，對人臉識別真正意義上的研究才正式開啟，具體是從工程應(yīng)用層面出發(fā)，研究得到一種半自動的人臉識別系統(tǒng)，這種系統(tǒng)具備的特點(diǎn)可描述如下：一是該系統(tǒng)是對局部的識別，對人臉的幾何特點(diǎn)識別，進(jìn)而分析人臉器官特征信息及其之間的關(guān)系，優(yōu)勢在于識別手段簡易、清晰，劣勢在于一旦人臉的視角、表情等發(fā)生變動和變化，那么很難準(zhǔn)確地得到識別效果;二是這種半自動的人臉圖像識別需要較為嚴(yán)苛的約束環(huán)境和條件，如果圖像存在單一或無背景的情況下，那么就將削弱最終的處理效果。研究遞進(jìn)到20世紀(jì)90年代以后，即已朝著整體和局部相結(jié)合的態(tài)勢演變。學(xué)者們認(rèn)為需要將人臉的形狀拓?fù)浣Y(jié)構(gòu)、局部灰度和全局灰度分布等多項人臉特征信息相結(jié)合，才能全面、準(zhǔn)確地實(shí)現(xiàn)人臉圖像識別。1991年，Turk和Pentland[2]、首次提出著名的“特征臉”(Eigenface)方法，利用主成分分析(PrincipalComponentAnalysis，PCA)取得了不錯的識別效果;Belhumer在其論文中，則將Fisher判別準(zhǔn)則成功應(yīng)用到了人臉分類當(dāng)中，由此而提出Fisherface方法[3]。此后，這種應(yīng)用線性子空間和統(tǒng)計特征的技術(shù)就已成為當(dāng)時大眾化流行的識別技術(shù)，可概括為利用成分分析、線性判別分析的特征識別手段。后期出現(xiàn)了基于機(jī)器學(xué)習(xí)理論的實(shí)用技術(shù)，學(xué)者們相繼探索出遺傳算法、支持向量機(jī)等方法對人臉進(jìn)行識別。2人臉識別方法分類研究可知從不同的角度，人臉識別可有不同的分類方法，本次研究根據(jù)人臉識別發(fā)展階段的特征，把人臉識別技術(shù)分為初始以幾何特征為基礎(chǔ)、中期以代數(shù)特點(diǎn)為依據(jù)、后期以機(jī)器學(xué)習(xí)理論為原理三種。下面即對這3類研究給出功能實(shí)現(xiàn)概述。2.1以幾何特征為基礎(chǔ)的研究這種方式是將人臉用一個幾何特征矢量予以有效表示，并根據(jù)模式識別中層次聚類的思想設(shè)計分類器，達(dá)到識別目的。識別所采用的幾何特征是以人臉器官的形狀和幾何關(guān)系為基礎(chǔ)的特征矢量，本質(zhì)上是特征矢量之間的匹配，相應(yīng)分量通常包括人臉指定2點(diǎn)間的歐式距離、曲率、角度等[4]。該類研究方式優(yōu)點(diǎn)是簡單易懂，但是由于能量函數(shù)中加權(quán)系數(shù)的選擇表現(xiàn)出一定的經(jīng)驗性，并未能形成規(guī)范統(tǒng)一的特征提取標(biāo)準(zhǔn);而且圖像穩(wěn)定的特征提取仍有難度，尤其是特征受阻時;另外，對于明顯的表達(dá)變化或不良的姿勢變化，其魯棒性均呈低弱。2.2以代數(shù)特點(diǎn)為依據(jù)的研究這種方式往往基于代數(shù)特征圖像的像素變換投影空間，具有某種數(shù)量的基本圖像對人臉圖像線性編碼，典型的理論工作可首推主成分分析方法。主成分分析方法早期是由Sirovitch和Kirby[5]引入人臉識別領(lǐng)域，并將其用于分析數(shù)據(jù)，過程中是使用數(shù)量少的特點(diǎn)來描述為了降低特征空間維數(shù)的樣本，而且是基于K-L來展開和實(shí)現(xiàn)的。2.3以機(jī)器學(xué)習(xí)理論為原理的研究由2.1節(jié)中的研究方式可知，人臉特征是預(yù)先定義形成的。本節(jié)討論的方式，則是通過使用統(tǒng)計分析和機(jī)器學(xué)習(xí)技術(shù)，從中獲取信息。獲得的信息存在于確定的分布之中，并通過算法、模型和判別函數(shù)，用作人臉圖像識別。這種分類器是時下至關(guān)重要的一門技術(shù)，而且涵蓋了SVM、HiddenMarkov模型與AdaBoost算法等在內(nèi)的綜合開發(fā)系統(tǒng)技術(shù)。3人臉識別主流方法介紹3.1特征臉方法人臉方法來自主成分分析的人臉識別和描述技術(shù)。這種方法主要是把圖像區(qū)域當(dāng)作隨機(jī)變量，運(yùn)用K-L轉(zhuǎn)變成為正交K-L基，與較大特征值相關(guān)的對應(yīng)基具有與人臉相似的形狀，所以也可稱做特征臉。使用這種線性組合能夠描述、展現(xiàn)近似的人臉圖像、人臉識別以及合成。具體表現(xiàn)為把人臉圖像映射到人臉子空間之上，同時對人臉圖像在特征臉子空間上的方位進(jìn)行對比。3.1.1人臉空間的建立研究假設(shè)人臉圖像包含了眾多像素點(diǎn)，并且可用N維向量Γ來表示，那么樣本庫就可用Γi(i=1，...，M)提供應(yīng)用表達(dá)[6]。人臉空間的基向量由協(xié)方差矩陣C的正交特征向量構(gòu)成，因此稱為特征臉。把特征值由大到小排列：λ1≥λ2≥...≥λr，其對應(yīng)的特征向量為μk。在此條件下，不同的人臉圖像都能投影到由u1，u2，...，ur組成的子空間中。結(jié)果就是不同的人臉圖像將映射為子空間中不同的點(diǎn)，反之亦然。3.1.2特征向量的選取協(xié)方差矩陣Ω所生成的非零特征值的k(k遠(yuǎn)小于M)個特征向量，一般來說k值比較大，但在常規(guī)情況下并非需要保留所有有的特征向量。因為投影的計算速度是同子空間向量數(shù)有著密切關(guān)聯(lián)，如果能夠考慮到時間限度，就能夠提取有效信息的特征向量。3.1.3預(yù)測識別人臉圖像置其投影可得到一組坐標(biāo)系數(shù)，該系數(shù)能夠表明圖像在子空間中的位置，因而可以作為人臉識別的基礎(chǔ)。換言之，每一幅人臉圖像皆能顯示出線性組合的“人臉”，加權(quán)系數(shù)為K-L變換的擴(kuò)展系數(shù)，也能作為圖像的代數(shù)特征。所以，提取特征臉信息后，可向?qū)Ψ降湫蜆颖具M(jìn)行投影，并將得到的投影特征映射到各研究人臉的特征向量，作為后續(xù)識別匹配搜索空間的一個步驟。圖1～圖3給出了不同情況下的特征臉圖像。3.2線性判別分析法線性判別分析，可簡稱為LDA，本質(zhì)是多維模式空間到一維特征空間的映射，使用類的成員信息形成一組特征向量，構(gòu)建得到的特征空間稱為Fisherface。在理論上，這種方式主要是利用類之間的散射矩陣類中的訓(xùn)練樣本和基于散射矩陣的最優(yōu)投影空間。和人臉識別方式比較，該種模式能夠抑制不確定圖像間的差異信息，并可以進(jìn)一步提取利于識別的特征，因而具有較好的識別性能。Lades等人認(rèn)為人臉圖像皆有相似的拓?fù)浣Y(jié)構(gòu)，提出了關(guān)于建立在動態(tài)連接結(jié)構(gòu)的彈性圖匹配方式基礎(chǔ)上的物體識別問題。每節(jié)點(diǎn)涵蓋40個小波系數(shù)，集合稱為射流，對小波系數(shù)進(jìn)行原始圖像和一組5個頻率，8個方向的Gabor小波卷積。所以每一張圖像，就像標(biāo)簽被逐一校準(zhǔn)，而邊緣之間的距離則是通過點(diǎn)來設(shè)計校準(zhǔn)。因此，針對圖中邊緣編碼后得到的是人臉的幾何形狀，而圖中節(jié)點(diǎn)編碼后的結(jié)果是灰度值的分布。實(shí)現(xiàn)過程示意如圖4所示。由圖4可知，彈性圖匹配的意義在于尋找新的人臉，同時提取一張圖像，圖像類似于束圖，用其可以開展識別工作。當(dāng)開始識別的時候，計算、測量人臉和目前束圖之間的相似性，具有最大相似性的面部實(shí)體就指明了測試人臉的身份。3.3局部二值模式局部二值模式(LocalBinaryPattern，LBP)是執(zhí)行紋理描述的最佳方法之一，并已在于各類應(yīng)用軟件中獲得全面功能發(fā)揮，同時經(jīng)由實(shí)踐證得該模式具備著強(qiáng)大的判別能力、計算效率及不變形單調(diào)灰度水平變化等顯著優(yōu)勢[7]，因而可將其應(yīng)用到不同復(fù)雜程度的圖像分析任務(wù)之中。3.3.1基本LBP算子LBP算子最初是界定于3×3鄰域，將中心像素設(shè)置成閾值，并將灰度值與其建立對比，大于中心像素時就記1，反之記0。這時的8個點(diǎn)就能變換為一種8位沒有符號的二進(jìn)制數(shù)，此二進(jìn)制數(shù)再轉(zhuǎn)換為十進(jìn)制數(shù)，也就是窗口的LBP值。LBP可整體反饋出區(qū)域的紋理信息。基本的LBP算子如圖5所示。LBP能夠用鄰域的大小不同，采用圓形面積與雙線性插值，鄰域半徑R和P的像素數(shù)能任意選擇，用符號(p，r)表示像素區(qū)域。常見的LBP算子參見圖6。3.3.2LBP人臉描述使用LBP手段描述人臉，具體表現(xiàn)為運(yùn)用紋理描述符對人臉局部展開詳細(xì)的繪制處理，然后將其組合成一體。人臉圖像就被分割成幾個局部區(qū)域，從這些不同的區(qū)域提取紋理描述符，并共同構(gòu)成人臉的整體視圖。把臉部區(qū)域分成確定的m份R0、R1、R2、…、Rm-1，直方圖將依序計算每個區(qū)域，M的直方圖計算結(jié)果整合在一起形成空間，空間增加M×N大小的直方圖，其中的n表示一個直方圖的大小。空間增強(qiáng)的直方圖可以有效地描述3個不同層次的臉部，具體的3個層次分別為：直方圖LBP標(biāo)識包含一個像素級別的信息;地域級是由小的區(qū)域上的標(biāo)志結(jié)合構(gòu)成的;這些區(qū)域的直方圖連接起來，最終形成完整的人臉。4人臉識別技術(shù)面臨的問題人臉識別技術(shù)存在獨(dú)有優(yōu)勢和廣闊前景，但同時卻也面臨一定問題，而這些問題是卻均是源起于人臉具備的生物特征的某些顯性表象。人臉在視覺上的特點(diǎn)可實(shí)際剖析如下：一方面由于個體間差別較小，人臉、人體器官構(gòu)成也比較類似，雖然對人臉定位是占優(yōu)勢的，而對區(qū)別個體卻產(chǎn)生干擾;另一方面，人臉的表情變化產(chǎn)生的視覺圖像也會導(dǎo)致差異。此外，人臉圖像識別時還會受到其他約束條件影響，比如光照、年齡、遮蓋物等。因此，解決上面提及的各類問題則既是創(chuàng)新，也是挑戰(zhàn)，更是人臉識別技術(shù)開展未來研究的后續(xù)發(fā)展方向。參考文獻(xiàn)：[1]吳巾一，周德龍.人臉識別方法綜述[J].計算機(jī)應(yīng)用研究，2009，26(9)：3205-3209.[2]TURKM，PENTLANDA.Eigenfacesforrecognition[J].Journalofcognitiveneuroscience，1991，3(1)：71-86.[3]BELHUMEURPN，HESPANHAJP，KRIEGMAND.etal.fisherfaces：Recognitionusingclassspecificlinearprojection[J].PatternAnalysisandMachineIntelligence，IEEETransactionson，1997，19(7)：711-720.[4]BARTLETTM，LADESH，SEJNOWSKIT.Independentcomponentrepresentationsforfacerecognition[C]//ProceedingoftheSPIESymposiumonElectronicImaging：HumanVisionandElectronicImaging.SanJose，CA：IEEE，1998，3299：528-539.[5]KIRBYM，SIROVICHL.ApplicationoftheKarhunen-Loeveprocedureforthecharacterizationofhumanfaces[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，1990，12(1)：103-108.[