由于采用的人脸库不同,因此不同识别算法之间的优劣没有可比性,前面的论述也是尽量从理论上进行比较.根据Moghaddam等在1996年进行的
[19]
FFEIT人脸库测试,结果说明区别脸内差异和脸间差异的Bayesian特征脸方法的表现最佳,即从
[6]
扰不可避免,预处理的效果将会影响到识别结果,好的人脸模型应能够在识别的同时,抑制分离外在干扰的影响;(2)细节是区分不同人脸的关键,因此很多识别方法都十分注重细节,如弹性图匹配中的局部细节,就是通过节点的小波变换特征加以表达,而在灰度形状分离的可变形模型中,局部灰度投影分布也描述了人脸细节,另外,传统的点和曲线的方法更是直接从局部细节入手,可是特征脸方法则缺少对细节的考虑,故需和别的方法相结合,才能取得好的识别效果;(3)在匹配的时候,不仅要考虑各种因素所导致的人脸微小变形,而且在容忍变形的同时,还不能损害到人脸识别的有效性,如弹性图匹配的方法不论从特征的选择上,还是从匹配的方法上都力图遵循这一原则.由此可见,人脸变形在人脸识别中具有重要意义,因为人脸丰富的变形就是导致传统的点线分析方法失败的原因;(4)对于表达人脸的各种特征需要进行比较和选择,以找出人脸最活跃的特征.这可以通过如下两种途径:一是比较同一个人的多张图片,以得到稳定的特征;另一种方法就是比较不同人的图片,以得出该人最“与众不同”之处
[2]
5000幅待识别人像中,第一候选的识别率为89.5%,而灰度和形状分离的可变形模型在300幅人像中的识别率达到92%.另根据文献[15]的测试,在2000幅人脸图象的综合库中,利用小波特征弹性图形匹配的方法获得了93%的识别率,而PCA识别率只达66%.
.
此外,实用的识别系统还必须考虑计算复杂度,现有的识别方法中,通过从人脸图中提取出特征串,来对数据库进行检索的方法速度快,而利用拓扑属性图匹配来确定匹配度的方法则相对慢,而且随数据库增加,前者的识别率要比后者下降得快,因此改进的思路是将两者相结合,首先用快速的特征串匹配,来缩小检索范围,再进行拓扑图慢匹配,此外,用减小拓扑图存储量的方法也能够加快匹配速度,但这需要提取有效特征和去掉冗余信息.
本文介绍和分析的各种人脸识别方法同样可用于摄像机输入人脸的识别,而对于摄像机图象而言,人脸的定位和表情的分析还可以利用序列图象之间的相关性信息,如从摄像机输入动态图可以进行二维及三维的运动估计,从而建立三维的人脸模型.由于从摄像机动态输入图中得到的信息很多,故还有可能进行有效的表情分析,以作为身份辨认的辅助手段.本文只是对目前应用于人脸识别的技术作了选择性的介绍,也是对文献[3]、[15]的一点补充.由于人脸识别的理论还不完善,具体算法的实现也有很多的因素待研究,因此计算机人脸识别的实用化3 结 论
人脸识别是一个跨学科富挑战性的前沿课题,但目前人脸识别还只是研究课题,尚不是实用化领域的活跃课题.人脸识别难度较大,主要难在人脸都是有各种变化的相似刚体,由于人脸部件不仅存在各种变形,而且和皮肤之间是平缓过渡,因此人脸是不能用经典的几何模型来进行识别分类的典型例子.如今人脸识别研究人员已经慢慢地将研究重点从传统的点和曲线的分析方法,过渡到用新的人脸模型来表达和识别人脸,其中弹性图匹配就是较成功的尝试.虽然人脸识别算法的开发需要工程人员的努力,但也和解剖学、生理学等的研究密切相关.从目前的研究成果来看,就二维图象而言,成功的人:(
894
参考文献
中国图象图形学报第5卷(A版)
16LuebbersPG,UwechueOA,PandyaAS.Aneuralnetwork
basedacialrecognitionsystem.Proc.SPIE,1994,2243:595～606.
17BelhumeurPN,HespanhaJP,KriegmanDJ.Eigenfacesvs
fisherfaces:Recognitionusingcalssspecificlinearprojection.In:IEEETran.onPAMI,1997,19(7).18ChenjunLiu,WechslerH.
facerecognition.19Moghaddam
B,
Probalilisticreasoningmodelsfor
IEEEComputer
Proceedingsofthe1998,Pentland
A.
1 PhillipsPJ,MoonH,RaussPetal.TheFERETevaluation
methodology143.
2 pactmulti-levelrepresentationofhumanfaces
forrecognition.
Ph.Ddissertation,LiverpoolJohnMoores
SiroheyS.
Humanandmachine
University,Nov.1997.3 ChellappaR,WilsonCL,
83(5):705～740.
4 TurkM,PentlandA.Facerecognitionusingeigenfaces.In:
Proc.ofIEEEConf.onCVPR,1991:586～591.
5 ValentinD,AbdiH,O'TooleAJetal.Connectionistmodelsof
faceprocessing:ASurvey.PatternRecognition,1994,27(9):1209～1230.
6 严超,苏光大.人脸特征的定位与提取.中国图象图形学报,
1998,3(5):375～379.7 W
Bledsoe.
Man-machine
facial
recognition.
Panoramic
:22.ResearchInc,PaloAlto,CA,1966,RepPRI
8 BertoR,PoggioT.Facerecognition:Featureversustemplates.
IEEETrans.onPAMI,1993,15(10):1042～1052.9 Ziquan
Hong.
Algebraicfeatureextractionof
imagefor
recognitionoffaces:ASurvey.ProceedingsoftheIEEE,1995,
for
face-recognition
algorithms.
In:
IEEE
ComputerSocietyConferenceonCVPR,June17-191997:137～
SocietyConferenceonCVPR,Jun23-25,1998:827～832.
Beyondlineareigenspaces:
SeriesF,based
on
Bayesianmatchingforfacerecognition.In:FaceRecognition-fromTheorytoApplications,NATOASIseries:1997:230～243.20Kotropoulos
C,
Pitas
I.
FaceauthenticationIEEEInter.
morphologicalgridmatching.:105～108.Processing,1997,1
21WiskottL,FellousJM,KrugerN.Facerecognitionbyelastic
bunchgraphmatching.IEEETrans.onPAMI,1997,19(7).22Chunglin
Huang,
ChingwenChen.
Human
facialfeature
Pattern
extractionforfaceinterpretationandrecognition.～
1444.Recognition,1992,25(12):1435
Conf.onImage
张翠平 1974年生.1997年获得清华大学电子工程系学士学位.现为清华大学电子工程系硕士生.主要研究方向为图象处理.目前正在从事人脸识别的研究