综 述
《自动化技术与应用》 2004年第 23卷第 12期 Survey 1973年
Kanade[12]的工作起至今 ,大多数人脸识别研究工作的对
象为正面或接近正面的人脸图像。人脸识别试验所采用的人脸 库通常不大
,最常见的人脸库一般包括 100幅左右的人脸图像 , 如
MIT库、 Yale库、 CMU库、
ORL库
,这些均为小型库。目前国际
上还没有一个通用的大型标准人脸库。
人脸的特征提取和特征识别 (匹配
)是人脸识别中最为关键 的两个问题。事实上
,人脸识别研究的发展主要就体现在这两
个问题上
,即提取人脸的什么特征和用什么手段进行分类。
针对这两个问题
,人们提出了许多种人脸识别算法 :基于二 维
(三维
) [16 ]特征的人脸识别方案 ;基于特征脸 (特征子空间 ) [13 ]
的人脸识别算法 ;基于模板匹配
(静态匹配和弹性匹配
)的人脸 识别算法
;基于人工神经网络的识别算法 [14] ;等灰度线法
[15] ;基
于特征融合的人脸识别算法 [17] ;隐马尔可夫模型方法等许多 种
,下面针对人们研究比较多的算法作进一步的论述。
3. 1 基于二维 (三维
)特征的人脸识别算法
基于二维特征的人脸识别方法是 Kanade[12 ]在人脸识别领 域首次提出的 ,以后又经过了
Kaya和
Kobayashi[18 ]等人的进一步
研究和改进。
外型轮廓的大小、距
脸图像集的协方差矩阵的特征向量
脸图像集中每个人脸均可以精确的表示为特征脸的线性组合, ,因此特征脸是像脸的
,该人
此方法首先定位一些人脸特征点或是特征区域
,如眼睛虹
膜、鼻侧翼点、嘴角、下巴轮廓、眉毛、位置、这些特征脸形成了一个低维子空间 ,称为
“人脸子空间”
,每张人
离、角度、曲线等二维几何特征量
,这些二维几何特征量形成描脸图像在该低维子空间上的投影即作为识别特征。
述该人脸的特征向量
,其维数通常因系统的不同而从
10到 50
不等。这种方法到目前为止仍局限于正面视图
,对非图像平面
内的深度旋转不具有不变性 ,很难扩展到多姿态人脸识别 ,而且
因其丢失掉了许多纹理和结构信息
,对大的人脸库来说其识别
效果也是未知的。对于基于二维特征的方法 ,早期人脸识别用 的比较多
,目前一般作为一种辅助的识别手段。
针对利用二维特征进行人脸识别的缺点 ,人们提出的基于 三维特征的方法
,采用三维识别
[21]与传统的方法最大的区别就 在于
,人脸的信息可以更好的表现和存储 ,例如人脸特征点的深
度信息及点之间的拓扑结构等等。通过更全面的信息 ,可以较
好的解决识别过程中的误识率和虚警率问题 ,同时由于三维人
脸模型具备光照无关性和姿态无关性的特点 ,能够正确反映出
人脸的基本特性
,同时人脸主要的三维拓扑结构不受表情的影
响
,从而形成相对稳定的人脸特征表述。因此基于三维人脸模 型的识别方法可以很好的解决目前在这一领域存在的研究瓶 颈。国外研究者已经开始研究三维的面貌识别系统 ,但研究很
不充分
,并且针对实际应用系统的研究更少。
国外三维人脸识别的典型方法主要是利用深度图像自身的 几何特征
,利用深度图像处理技术 ,分析面貌曲面的曲率等几何
特征
,对面貌曲面进行凹凸区域的分割、正侧面轮廓边缘的提 取。早期三维图像面貌识别的研究有 Lapreste提出的基于轮廓 线的方法
,它是通过对人脸面貌曲率的分析
,提取轮廓线上的特
征点
,利用轮廓线作为特征进行面貌的识别。另外也有人从人 脸面貌深度图像中抽取凸区域 ,这些凸区域形成了特征集 ,计算
出所有凸区域相关的扩展高斯图 ,两幅面貌特征的匹配就是利
用这些扩展高斯图像进行的。不过目前这些研究还只是处于初 级阶段。
目前三维人脸识别算法还很不成熟 ,主要面临如下困难 :
(1)数据获取困难
; (2)海量存储和计算量庞大 ; (3)识别方法不 足等。但是
,由于三维人脸模型对人脸特征相对稳定和全面的 表述
,它对于解决人脸识别这个世界性难题定会有所帮助。 3. 2 基于特征脸 (特征子空间 )的人脸识别算法
特征脸
( Eigenface )这一术语是由 M. A. Turk和 A. P.
Pentland[6 ]提出的
,其思想来源于人们开发的一种用于主成分 (PCA)描述人脸照片的技术 ,该技术用一组图片作为“基底” ,对
应每个人脸照片有一个权向量 ,用该权向量和该“基底”的线性 组合可以重构原图片。 M. A. Turk和
A. P. Pentland[6]受其启发 ,
利用重构权向量作为识别用的特征 ,并找到了合适的
“基底”
,从
而开发出了
Eigenface识别技术。从数学上来说 ,特征脸就是人
通过人脸向量向特征子空间作投影得到的向量称之为主分 量特征
,主分量特征通过证明具有有如下几点性质 :
性质一 主分量特征具有很强的信息压缩能力 ,因为这一
技术最早是用于图像压缩。
性质二 对于任何属于样本空间的人脸模式都有唯一的主 分量特征与之相对应。
性质三 主分量特征具有稳定性。即当输入的人脸模式向 量有微小变化时候
,其对应的主分量特征变化将小于输入模式 的变化。这一点对于模式的分类是非常有利的。
性质四 经过变换矩阵的映射 ,随着空间维数的降低 ,模式
之间的距离也得以缩小
,从而避免了在巨空间中进行分类的复
杂性。这对于人脸图像这样的大数据量的输入来说 ,是非常有 价值的。
从主分量的上述性质 ,不难发现
,利用特征脸的方法进行人
脸识别有其它人脸识别算法不能替代的优势 ,所以在人脸识别
领域
,特征子空间的方法是人们研究的一个热门方向。
3. 3 基于模板匹配 (静态匹配和弹性匹配 )的人脸识