关于人脸检测与识别算法的调研报告Word文件下载.docx
《关于人脸检测与识别算法的调研报告Word文件下载.docx》由会员分享，可在线阅读，更多相关《关于人脸检测与识别算法的调研报告Word文件下载.docx（32页珍藏版）》请在冰点文库上搜索。
参考文献 30
1绪论
1.1研究背景与意义
随着现代计算机技术的发展，人脸识别技术在安全验证、人机交流、公安系统等方面得到了广泛的使用，并且在视频会议、档案管理、医学医疗等方面也发挥着很大的作用。
所以，人脸识别技术己经逐渐成为人们在人工智能领域所研究的重点课题。
采用机器进行的人脸的自动识别具有很大的挑战性，这不仅仅是由于人脸的面部结构复杂，还因为人面部肌肉的运动使得人脸成为一种非刚性物体，非刚性物体的识别与刚性物体的识别相比，更加困难。
人脸会随着年龄的增长而产生变化，而且人类表情丰富，还会受成像距离、成像角度以及光照等因素的变化的影响，造成的人脸图像具有很大的差异。
此外，由于同一人的不同面部图像受到采集条件的限制，会随条件的变化而改变，而人脸具有相似的结构特征，所以这就给人脸识别算法的分析计算带来很大的困扰。
总而言之，人脸识别是一项包含有计算机视觉、图像处理、神经网络等学科的，非常具有挑战性的一门技术。
研究人脸识别在理论和技术上都有重要的意义：
一是可以推进对人类视觉系统本身的认识；
二是可以满足人工智能应用的需要。
采用人脸识别技术，建立自动人脸识别系统，用计算机实现对人脸图像的自动识别有着广阔的应用领域和诱人的应用前景[1]。
同时人脸识别作为一种生物体征识别与其它较成熟的识别方法（如指纹、虹膜、DAN检测等）相比有以下几个优点：
①无侵犯性，人脸图像的获取不需要被检测人发生身体接触，可以在不惊动被检测人的情况下进行；
②低成本、易安装，人脸识别系统只需要采用普通的摄像头、数码摄像机或手机上的嵌入式摄像头等被广泛使用的摄像设备即可，对用户来说也没有特别的安装要求；
③无人工参与，整个人脸识别过程不需要用户或被检测人的主动参与，计算机可以根据用户预先的设置自动进行。
由于具有以上优点，近几年来，人脸识别技术引起了越来越多科研人员的关注。
人脸作为人的重要特征之一，包含着大量的信息，从而引起了科研工作者的兴趣，可以说是目前人们日常生活中最常用的身份确认手段。
因为人们对人脸识别技术无排斥感，所以从实际操作上来讲，人脸识别可接受程度好，可作为最基本的身份验证技术进行推广。
人脸识别也在其它诸多领域里有着巨大的应用价值。
人脸识别主要包含两个步骤：
（1）人脸检测步骤对待检测图像进行处理，用来定位人脸信息的过程，检测结果对检测之后的识别工作冇着重要的影响，也是构建人脸识别系统的第一步。
（2）人脸识别就是将上一步检测出的人脸，与人脸库中的人脸进行比较，出同一个人的人脸的过程。
1.2人脸检测与识别技术发展状况
1.2.1人脸检测技术发展状况
人脸识别起源于上世纪60、70年代，经过众多科学工作者的努力已日趋成熟[2,3]。
其中，人脸检测技术是智能人脸识别系统中的关键的环节和前提条件，也是面部表情识别、头部状态估计等应用的前提条件。
一个完善的智能人脸识别系统需要能够应对大自然环境中各种光照条件下的复杂图像，由此应用要求引发的问题，使得对人脸检测技术的探索渐渐地成为一个单独的研究方向，并受到越来越多的关注，相关的应用也得到了扩展。
人脸检测一般可以分为两类:
一类是基于静止图像的,通过判断在图像中人脸的存在性,如存在则将人脸部分在图像中圈出;
另一类基于视频图像,通过判断人脸图像在视频中的情况来进行检测,如包含人脸区域就将此区域标记。
后一种要比前一种难度更高,因为它对算法实的时性有较高的要求。
另外,根据人脸检测所处理的图像的类别,可以将相关技术分为两种类别进行区分检测。
（1）基于彩色图像的人脸检测方法,由于彩色图像能够提供丰富的信息,因此可以利用彩色图像的自身特征进行检测。
一般步骤为先用肤色检测将肤色区域蹄选出来。
然后在所选区域内进行进一步的脸部特征的识别,也存只用肤色进行人脸检测的。
（2）基于灰度图像的人脸检测方法,目前主要分为三个类别:
人脸特征识别法,人脸外貌识别和人脸模板匹配法。
目前，国外对人脸检测问题的研究机构很多，比较著名的有MIT，CMU等；
浙江大学、清华大学、中科院自计算所等都有人脸检测相关的研究。
而且，有的组织已经成立了人脸识别草案小组,比如MPEG7的标准组织。
人脸检测的方法种类繁多,总的来说可分为统计法和物理几何特征法。
统计法目前相对流行，主要有子空间法（PCA、ICA）、神经网络法、SVM方法等。
Li[4,5]的研究组继承并发展了Viola[5]等的AdaBoost方法，并将该方法用于其他方面的检测，比如多视角的人脸检测,以上研究代表了目前人脸检测研究的最高水平。
甚于几何特征的优点是算法简单、检测速度快,但是缺点是会受背景影响比较大。
1.2.2人脸识别技术的发展现状
国内对人脸识别技术的研究起步较晚，始于上世纪80年代，近30年的研究中，也取得了一系列的研究成果。
国内自上世纪90年代以来，在国家自然科学基金和863计划等资助下，清华大学（电子系、自动化系和计算机系）、哈尔滨工业大学计算机系、中科院（计算所、自动化所）、南京理工大学、上海交通大学等很多单位展开了人脸识别技术研究，北京工业大学（信号与信息处理研究室）也在人
脸检测方面取得了较好的研究成果。
国内已经举行过数届生物识别学术会议，都取得了很好的成果，而且大大推动人脸识别研究的发展。
中科院的模式识别重点实验室，专门对模式识别方面进行研究，在国内模式识别领域取得了很多很好的成果。
但是，目前国内的研究水平仍低于国际水平，许多核心技术被国外大公司所掌握。
国内更需要在人脸识别技术中多多投入研究[6]。
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正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。
目前，国内人脸识别已有的应用有：
2005年，公安部出入境管理局实施“深圳－香港生物护照旅客快速通关系统”采用人脸识别系统，每名旅客过关时间只需约6秒，识别率达到99%。
2006年，人脸识别系统在国内金融部门的金库开始使用，使其成为国内首个用人脸来“把守”大门的金库。
运行以来，工作稳定可靠，经受了实际应用的检验。
2008年，北京奥运会开闭幕式入场券实行实名制管理，要求入场券持有者提交个人信息和身份照片，并利用人脸识别进行门票实名制身份验证，目的在于消除潜在的安防漏洞，提高奥运安全防范和科技反恐水平。
当前很多国家展开了有关人脸识别的研究，主要有美国、欧洲国家、日本等著名的研究机构有美国MIT的Medialab，AIlab，CMU的Human-ComputerInterfaceInstitute，MicrosoftResearch,英国的DepartmentofEngineeringinUniversityofCambridge等。
20世纪90年代以来，随着高速高性能计算机的出现，人脸识别方法有了重大突破，进入了真正的机器自动识别阶段。
国外有许多大学在此方面取得了很大进展，他们研究涉及的领域很广，其中有从感知和心理学角度探索人类识别人脸机理的，如美国TexasatDallas大学的Abdi和Toole小组，主要研究人类感知人脸的规律；
由Stirling大学的Bruce教授和Glasgow大学的Burton教授合作领导的小组，主要是研究人类大脑在人脸认知中的作用，并在此基础上建立了人脸认知的两大功能模型，他们对熟悉和陌生人脸的识别规律以及图像序列的人脸识别规律也进行了研究；
也有从视觉机理角度进行研究的，英国Aberdeen大学的Craw小组，主要研究人脸视觉表征方法，他们对空间频率在人脸识别中的作用也进行了分析；
荷兰Groningen大学的Petkov小组，主要研究人类视觉系统的神经生理学机理并在此基础上发展了并行模式识别方法。
更多的学者则从事利用输入图像进行计算机人脸识别的研究工作[7]。
早期的人脸识别技术主要都是基于运用人脸的物理几何特征或是运用模板匹配，基于物理几何特征的方法利用几何参数作为特征进行识别,如面部特征点的大小、位置、距离、角度和形状等[6,7],具体来说可以根据眼睛相对于眉毛的位置坐标及宽度、脸的宽度与嘴巴的宽度的关系等来识别人脸。
基于模板匹配的思想，经过多年研究，形成了如下几个主流研究方向:
子空间方法[8,9]、弹性匹配方法[10,11]、神经网络法[12,13]、HMM方法[14,15]以及支持向量机的方法[16,17]等。
1.3人脸识别的优点及技术难点
在模式识别与计算机视觉领域，人脸图像具有非常复杂的细节变化，其相关运动变化也为非刚体的形式，正是由于人脸运动的非刚性、非线性等方面的特征使对人脸的识别和检测存很高的挑战性,现在关于人脸检测和识别的算法大都没办法达到在任何自然条件下均可对人脸图像进行检测与识别的地步。
总之,人脸识別技术的优点及难点主要有以下几种:
（1）技术优势:
①人脸识别的采集过程需要行为配合较少，基本不需要辅助操作，甚至可以在一些不希望被人觉察的环境下来使用；
②在识别技术特有的条件下，可以使用更方便的远距离采集法，不需要触碰人体，不对被测物造成任何损伤，无察觉的情况下即可完成；
③可以更直观、更方便地核查人的身份，充分利用人脸数据库中的已有资源可以降低成本；
（2）人脸识别技术面临的研究难点：
①人脸识别受到周围环境特别是自然光照条件的影响较大，如光源的强弱、光源的方向、光的色彩等。
这些不确定因素会使被采集到的人脸图像具有较大的可变性，从而影响检测和识别效果；
②人脸模式的具有可变性，人脸姿态的可变性和面部非刚体变化决定了人脸模式的复杂性，人脸可能以不同视角出现在图像中,为了实现检测具有更好的鲁棒性，需要考虑人脸在各种复杂的背景中,不同方向、角度、尺度、表情等情况下所呈现出来的不同表象。
在识别方面，人脸模式的可变性导致了难以提取足够多的用于分类的不变性特征；
③由于人脸自身的因素,不同的人脸在形状、质地、颜色、大小等方面都有很大的变动性，人脸上有一些具有随机性的部位（比如发型、胡须、眼镜等）,也有可能被一些物体挡住，造成了某些提取的用于检测的人脸特征不能被提取，同时人脸还存在着不同的表情，还有一定的时间间隔内产生的人脸的变动等，以上这些都给人脸识别带来了难度；
④人脸的差异性并不是很明显，误识别率可能比较高，尤其是对于双胞胎，人脸识别技术难以进行区分；
2人脸检测与识别技术
人脸检测问题的提出是站在人脸识别技术之上的。
之前,生物识别技术中很有潜力的一门学科即是人脸检测与识别技术,其涵盖了计算机视觉、模式识别以及图像处理等众多前沿技术,在身份认证及安防系统等方面有着非常大的应用潜力。
人脸识别技术的研究经过了几十年的发展现已日趋成熟。
整个人脸识别系统中的一个重要环节即为人脸检测技术,早期的人脸识别技术主要应用在人脸位置相对固定或简单背景的情况中,所以当时大多数学者们都忽略了人脸检测技术的研究。
但随着网络信息及时代的发展,能够完成复杂背景下的人脸检测已作为一门独立学科备受研究人员的关注。
本章重点介绍当前主流的人脸检测和人脸识别方法[18]。
人脸图像中包含了特别丰富的特征信息,其中最为典型的有颜色特征（包括肤色、发色等）、启发式特征（包括头发、下颗等）、轮廓特征（包括椭圆轮廓等）等,在动态地视频序列图像中还涉及到了运动信息等。
国内外很多学者通过利用这些信息特征设计出了不同的人脸检测方法,通过不同的角度可以有不同的分类。
根据图像中包含的色彩信息特征可以划分为基于彩色图像的人脸检测和基于灰度像的人脸检测,彩色图像人脸检测可以根据唇色和肤色等色彩特征來进行基于肤色信息的人脸检测方法,灰度图像人脸检测则可以根据仅包含的256个灰度级來使用轮廓提取或者边缘检测的人脸检测方法;
根据图像所在的背景复杂度可以划分为基于复杂背设下的人脸检测方法和简单背景下的人脸检测,背景比较单一的简单背景山于其与人脸的相似度很小所以可以轻的加以区分,但是复杂背景下的背景环境则非常不确定,并且有可能还包含与人脸较相似的特征信息,因此,基于复杂背景下的人脸检测一般具有很高的误检率;
根据图像自身状态的信息特征可以分为基于静态人脸检测和基于视频序列的人脸检测,学者们针对静态图像下的人脸检测方法往往是把重点放在如何能够检测出多张人脸同时出现的情况,并且降低漏检率,而对于动态视频序列下的人脸检测,学者则要求算法要有较高的实时性。
综上所述,可以把人脸检测技术分为基于特征分析和基于统计方法这两大类。
基于特征分析的方法是通过提取现有人脸某些低层次的特征信息來进行对图像基于知识的检测,典型的信息包括肤色、面部特征的几何分布等;
基于统计的方法是把人脸区域当成一类模式（即模板特征）,通过训练大量人脸和非人脸来构造分类器,把人脸检测问题转化成统计模式识别下的二分类问题[19]。
针对以两类方法,将在下而小节的内容分别对人脸检测算法作出介绍。
2.2人脸识别方法
很久以前,相关的科研人员就开始研究人脸识别技术,其中比较早的记录可以追溯到Galton于1888年和1910年在《Nature》发表的两篇探讨利用人脸所具有的特征对身份进行识别的文章,其详细分析了人类自身对于我们的面部细节区分的能力,但是由于时代和当时的技术限制,还无法达到一定的高度,也无法涉及现代概念中的自动识别人脸的技术。
随着技术的提高和研究的深入,越来越多的科研人员将他们的研究中心放在人脸识别技术,相继出现了很多特性各异的理论和方法,并不断应用于实际的技术中去。
特别是在九十年代之后,人脸自动识别的相关理论开始飞跃性的发展,已发表的论文呈现方向各异、思想繁多等特点。
现在,儿乎全部的商新技术研究公司和权威的理工类或综合性大学都开展了相关科研活动。
人脸自动识别技术分类方法很多,以图像来源为区分标准,可以分为两大类,即静态人脸识别和动态人脸识别。
静态人脸识别技术:
从固定的二维图像上分析其中所包含的人脸信息;
动态人脸识别:
从动态的图像（如视频）中捕获人脸即分析所具有的信息,其中多会牵涉到人脸所做表情的影响或者人因运动而造成捕获图像的变化。
因此,从以上描述可以看出,动态人脸识别的难度更大。
因为目前条件所限,所能获得的视频材料经常很粗糖,内容的背景也相当模糊且变化很大。
到现在,对于动态人脸识别的分析与探讨,均建立在背景相对单一且内容包含人物数目较少的前提下,而对于静态的相关理论研究则更多而且成果也很丰富。
以所获得图像中人脸的方向来作为区别的标准,则又可以分为正面、侧面还有倾斜方向的识别。
因为实际中,大家多进行正面的人脸识别,所以相关的研究更多更深入,所以本文也将该种识别算法作为自己的研究方向和重点,以下将详细介绍应用于人脸识别的较常用的算法。
3人脸特征提取和检测及识别算法介绍
随着快速的科技发展，人脸检测和识别的研究在国内外已经存在大量的参考资料，下面将从三个方面介绍成熟的人脸检测和识别算法：
人脸特征提取方法、人脸检测算法和人脸识别算法，具体内容如下。
3.1人脸特征提取方法
一个检测算法的优劣通常是由特征决定的。
特征包含了类似性以及区分性，特征代表了检测的友好度，人脸检测的关键是特征值的获取。
无数论文都在为此进行实验认证，首先对特征的分析需要进行空间的侦测，其次根据运算的非线性规律最终得到特征。
这些特征记录了区分的基础信息，基于特征的研究是近年来检测人脸技术的热点。
矩阵变换是提取过程种的关键数学方法。
首先迭代进行判定，并运用智能化的手段进行操作。
结果使得样新旧空间的映射过程中突出特征值，因此提取的本质是找到理想的高效的变换过程。
目前常用的提取算法有以下四种。
（1）基于欧氏距离的特征提取；
（2）基于KL的变换的特征提取；
（3）基于SVD的特征分析的特征提取；
（4）基于ICA的特征提取。
3.2人脸检测算法
人脸检测即是人脸定位，确定人脸在图片中的显著位置，当然在理论上检测与定位是不同的，但是在实际中当检测到人脸的时候就已经定位了人脸，标注了人脸的位置。
当然到现在为止已经出现各种不同检测算法，目前国内外主要有以下几种。
3.2.1基于特征的人脸检测
该类算法主要根据预备知识和固定的匹配规则来进行检测。
例如人脸的器官之间的一些显著的规律性，如人脸的对称性，眼睛，眉毛等都是分布在人脸的两侧，相互之间与人脸中心线呈对称位置，同时嘴巴，鼻子总是人脸的中心线上。
人脸的这些局部特征提供足够的人脸检测规则，但是通过这种本质的人脸特征来检测人脸是有相当大的局限性的，这种算法从本质上讲属于人脸几何特征检测，
那种这种特征规矩是很不好设计的，一般的规则的检测率不高，复杂的规则一般条件又不能满足。
3.2.2基于统计的人脸检测
此方法在某种程度上比其他的人脸检测算法有更好的实用性，它的本质不是从单个人脸出发，而是基于人脸某种通用特征训练相应的人脸模型。
当然代表人脸的通用特征就显得很重要了，是否有个好的人脸统计特征是此算法是否可以很好的工作的基础。
如有这种通用特征，经过大量的人脸训练相应的人脸检测分类器来检测其他图片中的人脸，然后通过特定的判别式判断检测图像是属于哪一类，是人脸还是非人脸。
此方法在某种程度上有一定的复杂性，但是是基于统计学的方法，检测效果比起其他检测算法好很多，因此在解决复杂环境的人脸检测的时候，更多的是采用此方法。
3.2.3基于肤色模型的人脸检测
肤色模型人脸检测是利用人体肤色的颜色空间的特殊性，例如在三色空间，就可以找到一定的规则检测出人体的肤色，经试验表面此规则的实用性还很强，基本是不同的肤色都包含在检测规则内。
检测到肤色之后用一般的图像算法出了之后就可以判断是否人脸了。
首先，对检测区域检测的腐蚀和膨胀处理，当然腐蚀和膨胀的次数要具体确定，然后用边缘检测算法检测出边缘，最后对边缘进行椭圆拟合判断是否为人脸。
3.3人脸识别算法
在最近的几十年中，由于计算机的各项技术都发展的很快，因此人脸识别的研究和发展也是相当迅速的。
同时国内外相关人士也做大量的工作，并深入研究人脸识别算法，使之更有实用性。
目前主要有静态图像识别（staticidentification）、动态图像识别（dynamicidentification）、固定面部（Fixedidentification）。
3.3.1基于静态图像的识别
对于静态的图像分析其中的人脸需要借助图像获取设备帮助实施（手机，相机的等）得到图片，然后简单的进行人脸识别，因此做法的算法计算的复杂的就很低。
此类算法大致可分为以下几种：
基于几何特征的方法：
基于此种特征的识别方法在提取人脸的几何特征上的要求很高。
首先需要在待识别人脸图片上布点，任何提取点与点之间的相对距离。
当然，这些的需要手工去选择，如果选择的点有一定的偏差，很有可能严重影响到人脸的识别，因为在和几何特征人脸库相比较的时候，图像库中保存的几何特征的容忍度并没有这么大。
因此，此种方法在适应性上是很难做到的，同时其识别准确率也不是很高，现在基本上不用这种算法进程识别了。
现在的识别设备由于硬件的提升，一般的识别算法的时间复杂度都是可以容忍的。
基于代数特征的方法：
次方法的人脸识别方法现在的代表算法为PCA主元分析发，它的想法是，假设有一个M*N的人脸图片，那么可以得到一个1*（M*N）的一维向量，如果是10张人脸样本图片，那么就得到10*（M*N）的一个矩阵，然后采用提取矩形的特征向量和特征值的方法得出代表此样本人脸的特征脸。
然后采用一般的分类器，如SVM算法训练当前人脸的分类器，用于识别待识别人脸。
次识别算法人脸具有如下优良特征:
稳定性、位移不变性和转置不变性。
3.3.2基于视频图像的人脸识别
视频图像识别算法在最近的几年之中发展的很快，同时也得到了广泛的应用。
因为此算法是基于视频的，那么可以检测或者识别的就不在和静态图片识别那样，需要很高的要求，在视频中可以简单跟踪同一个人脸，可以从多个识别中统计识别的结果，此算法可以集结前面的多个识别算法的优点同时进行。
从具体分析视频图像人脸识别有两种情况[20]：
一是已知人脸从人脸库中识别；
二是未知人脸从人脸库中判断。
这两种情况看似一样，其实差别很大，后一种的难度几乎是前一种的两倍。
视频图像人脸识别还是有两个重要的组成部分，要识别就必须要检测。
人脸检测在视频识别中有着自己的优点就是可以进行跟踪，从而得到更多的图片用以辅助人脸识别。
此种算法有如此多的优点，那么肯定会备受相关研究人士的青睐，同时在工程上也受到极大的重视。
3.3.3基于隐马尔科夫（HMM）的人脸识别
HMM模型即是一组参数=（∏，A，B），这组参数完全代表了一个模型，从数学上具体的刻画了HMM模型。
其中，∏为模型初始概率，即从哪里开始的概率；
A为状态转移矩阵，即观察序列从一个状态转移到另一个状态的概率；
B为观察概率矩阵，即观察序列中当前状态在某一状态下观察到某一观察向量的概率。
同时Markov链也是HMM的一部分，他是作用一个在参数模型下的双重随机的过程，即当前转移到下一个状态为随机的由A决定，同时在当前状态下观察到某个观察向量也是随机的由B决定的。
4人脸识别与检测的相关实例
4.1实例一
图像处理的Matlab程序如下:
原图像处理后图像
32
clearall;
clc;
I=imread（'
D:
\2.jpeg'
）;
O=rgb2ntsc（I）;
G=O（:
:
2）;
[mn]=size（G）;
U=zeros（m,n）;
fori=1:
m
forj=1:
n
ifG（i,j）>
0.03&
&
G（i,j
U（i,j）=1;
end
end
end
sr=strel（'
disk'
6）;
C=imclose（U,sr）;
L=bwlabel（C）;
B=regionprops（L,'
area'
Se=[];
Sm=max（Se）;
ifSm>
m*n/27
B1=bwareaopen（C,Sm）;
k_y1=m;
k2=m;
l2=n;
ifany（B1（i,:
））==1
k_y1=i;
break
fori=k_y1:
ifB1（i,:
）==0
k2=i;
升级会员 