第2章 人脸识别相关技术介绍
第2章 人脸识别相关技术介绍
2.1 系统概述
人脸识别技术是模式识别技术中非常重要的应用方面[6][7]，可分为三大方面，一是对人脸的图片进行预处理；二是特征提取；三是比较识别。人脸识别系统一般由以下步骤组成：人脸的检测、人脸的定位、图像的预处理、提取特征、图像训练、图像识别对比等步骤，系统的流程图如下图所示：
预存人脸 待识别 人脸 人脸定位 预处理 特征提取与选择 图像识 别 人脸定位 预处理 特征提取与选择 图像训 练 图2-1 人脸识别系统流程图
2.2 人脸识别主要技术
目前人脸识别的算法主要有两大类[8]：二维的人脸识别算法和三维的人脸识别算法。下面分别简要介绍。
2.2.1 二维人脸识别算法介绍
本论文研究的是二维图像的人脸识别算法，该算法通过提取人脸的主要特征进行人脸比对。目前二维人脸比对的方法主要有以下集中：
(1)主成分分析法：该方法一直是模式识别这一领域基础而又重要的方法，也是人脸识别领域的重要算法，此算法首先根据预存的人脸图像来构成特征脸空间
(2)人脸模板匹配法：按维度可分为二维人脸模板和三维人脸模板，主要根据人的脸部特征来构建一个立体并且可调节的人脸模型，在定位到人脸后，就需要用人脸模型来定位和调节人脸的各个特征部位，用来处理识别过程中涉及到的人脸角度、表情变化和遮挡物等因素的影响。
(3)局部投影保持法：该方法是源于子空间分析方法，是非线性方法的线性近似。此方法不仅有能够原始图像非线性流形的优点，又有能够得到新样本点低维度投影
5
的优势。
(4)人脸子空间分析法：该方法已经成为人脸的特征提取的重要方式，也是目前人脸识别的主流。因为其可以对人脸有很强的描述性，而且计算量相对较小，容易实现和可分性较好均是该方法的优点。
除上述提到的四种方法之外，二维的人脸识别算法还有支持向量机法、人工神经网络法、弹性匹配法和基于人脸积分图像特征的方法。
2.2.2 三维人脸识别算法介绍
二维人脸识别算法的识别率容易受到人脸角度变化、遮挡物、表情变化的因素影响。但这些因素都是日常生活常见且不可控的，所以需要研究更加先进的算法，三维人脸识别算法根据深度图像来进行研究，对以上那些因素都能有较好的解决方式。三维人脸识别算法主要有以下两种[9]：
(1)基于人脸模型可变的参数法：利用人脸模型的3D形变以及迭代距离当中映射的最小值来还原出3D的人脸图像和头部的姿势。改变关联的关系还可以更新头部姿态的参数，此过程可用来达到最小化尺度的要求。
(2)基于人脸图像的特征法：要想从人脸的3D结构中把姿态分离出来，就需要计算人脸的三维空间方向，并算出人脸整体的轮廓和尺寸。然后可以通过保持姿态来匹配脸部的特征点。
2.3 常用的人脸图像库
人脸识别技术已成为热门的研究内容，为了方便研究学者的使用，目前国际上有和多家权威的机构构建了标准人脸库，主流的有以下几种[10]。
(1)ORL人脸库，美国的一家专业从事人脸图像研究的实验室拍摄的一组人脸图像，构成的ORL人脸库，参与拍摄的人来自不同的种族、不同的性别、不同的年龄，共计四十个人。每名试验者都拍摄十张图片，图像均为灰度图像，像素是112×92。每个人的十张照片中表情，人脸大小，姿态等都是变化的。该数据库包含了大量的人脸信息，研究起来非常方便。
(2)FERET人脸库，该数据库是最大的人脸数据库，是英国国防部建立的。它里面的人脸图像有着肤色和人脸角度的变化。测试者的背景图像都是统一的，每位都有8张图片，从而可以最大限度的排除外界干扰。本数据库在人脸数据库中是相当权威的，但它的不足是获取图像信息时不是很方便。
6
第2章 人脸识别相关技术介绍
(3)Essex人脸库，英国埃塞克斯大学建立了该人脸数据库，并为研究者提供免费的下载，但是不允许发售和打印。计算机视觉研究项目额度负责人Libor Speacek博士负责维护该库。Essex数据库中包含四个库，它们分别是grimace,faces94，faces95,faces96。
其中faces96和grimace是难度非常大的，也是最不容易识别的。因为它们的背景、人脸表情、人脸比例大小都是变化的。
本论文采用的是ORL人脸数据库，库中有二十位测试者的照片，每张图像占内存11.1kb，像素为92×112，格式为bmp格式。每位测试者有六张图片，每张图片均有表情的变化，且有一定的遮挡物，如眼镜等，每位测试者的照片都与正脸有小范围内的倾斜角度。用每位测试者的五张照片组成训练样本库，用另一张作为待识别的人脸库。
2.4 人脸的特征提取
人脸的图像在最初的样本空间中的分布并非集中的，这一点常常不利于用来进行有效的归类识别。为了能区分不同类别的人脸图像，可以把原始的人脸图像转换到另外一个空间中通过线性或者非线性的方法。这样就会使得同类型的人脸图像在空间的分布中更加集中，方便识别和归类。特征提取就是指通过变换或是映射的方法将高维空间的原始特征转换到低维特征空间中，得到低维的人脸特征表示。人脸的特征主要分为两大类，代数特征和几何特征。
2.4.1 几何特征提取法
人脸的几何特征即人脸的器官形状和几何关系为基础的特征矢量，它的分量通常包含人脸指定的两点之间的欧氏距离，角度，曲率等。人脸上典型的几何特征分量有以下几种[11]：
(1)眉毛的弧度
(2)眉毛的厚度以及眉毛对应的眼睛中心处的垂直距离 (3)鼻子的宽度和其垂直位置 (4)鼻子处人脸的宽
(5)鼻尖到眼睛中心位置处的距离，称为半脸宽 (6)嘴的宽度，厚度，垂直位置及其上下唇的厚度
人脸几何特征具有提取速度快，占用内存少的优势。但是在识别的精确度上不
7
相关推荐：
loading