蔣阿娟 張文娟

摘要：人臉識別技術是一門具有很大發(fā)展?jié)摿Φ纳镒R別技術，廣泛應用于人們生活的各個領域，本文主要介紹人臉檢測統(tǒng)計的方法和基于知識的方法，同時重點介紹人臉特征提取的各種方法并描述其方法的優(yōu)缺點以及對未來的發(fā)展趨勢的展望。

關鍵詞：人臉識別;人臉檢測方法;特征提取方法;發(fā)展趨勢

中圖分類號：TP311? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1009-3044（2019）02-0173-02

Summary of Face Recognition

JIANG A-juan， ZHANG Wen-juan

（Anhui University of Science and Technology，Huainan 232000，China）

Abstract： Face recognition technology is a biometric technology with great potential for development. It is widely used in various fields of people's life. This paper mainly introduces methods of face detection statistics and knowledge-based methods， and focuses on the introduction of face feature extraction. The method describes the advantages and disadvantages of its method and its prospects for future development trends.

Key words： Face recognition; face detection method; feature extraction method; development trend

1 引言

人臉識別[1]是一種生物識別技術，描述了人臉的整體特征和輪廓，是一種通過模式識別來對人的身份進行識別的技術。人臉識別因為其具有獲取方便，不需要別人的主動配合，可以直觀的鎖定目標相對于其他生物特征識別技術在最近幾十年被廣泛地應用于公安系統(tǒng)，出入境人員核查系統(tǒng)，科目考試，支付寶等電子商務的各個領域。盡管人臉識別技術被廣泛應用于各個領域但因其拍照的姿勢，光照的不同，表情的變化，遮擋物的有無，年齡的增長等均會影響人臉的識別率，因此人臉識別仍有很多的難點需要攻克。近些年人們對人臉識別的研究領域也就逐漸的有所偏移，逐漸的偏向于表情分析研究，遮擋物圖像的重構，年齡判斷。年齡判斷的應用市場越來越多，例如手機中識別年齡的APP，它是通過將人臉固定在一個方形區(qū)域中，從而判斷人臉的年齡，不過年齡識別的技術還沒有成熟，會出現(xiàn)一些識別錯誤。售貨機中應用的人臉年齡識別相對范圍比較小一些，通過判斷有無十八歲，從而禁止向未成年人售賣煙酒等產(chǎn)品。

人臉識別流程主要是按照人臉檢測，特征提取，人臉比較即分類識別的順序對人臉進行判斷。人臉的檢測就是對圖像的輪廓進行特定算法從而判斷有無人臉，特征提取就是將人臉的特征通過計算機代碼表示出來，人臉比對主要是將要識別的面部與已有的面部進行比較來確定是否是同一個人。人臉檢測和特征提取是人臉識別的兩個重要組成部分，本文將著重介紹這兩部分所使用的方法，人臉識別的主要流程如圖1所示。

2 人臉檢測方法

人臉檢測的方法整體上可以分為兩個部分，一部分是統(tǒng)計的方法，另一部分是基于知識的方法。統(tǒng)計的方法的檢測是將人臉當作訓練樣本進行訓練，利用計算機對采集的圖像進行大量的訓練學習，最終對人臉區(qū)域進行檢測判斷?；谥R的方法是通過人臉的五官，膚色，紋理等特征信息利用已有的經(jīng)驗對人臉進行檢測。

2.1 統(tǒng)計的方法

統(tǒng)計的方法是將訓練樣本進行訓練后，進行人臉區(qū)域的檢測?；诮y(tǒng)計方法有特征空間法、人工神經(jīng)網(wǎng)絡方法（Artificial Neural Network ANN）、隱馬爾可夫模型（Hidden Markov Models HMM）。特征空間法依據(jù)人臉特征空間的規(guī)律模型得到人臉的模型參數(shù)，從而對人臉進行檢測。人工神經(jīng)網(wǎng)絡方法[2]是對人工神經(jīng)網(wǎng)絡隱藏層進行訓練學習，能夠將人臉圖像區(qū)域快速地找出。隱馬爾可夫模型[3]是用于通過對測試的圖像區(qū)域進行一系列的操作獲取HMM的參數(shù)模型，通過獲取的模型參數(shù)進行人臉的檢測。

2.2基于知識的方法

基于知識的方法[4]需要依靠已有的經(jīng)驗對其人臉檢測?；谥R的人臉檢測方法有關鍵特征點、膚色模型、模板匹配方法。關鍵特征點主要是對人臉主要輪廓及五官的位置，相對距離進行人臉的檢測。膚色模型主要是利用人臉膚色的不同依據(jù)膚色特征差異獲取膚色模型，對人臉進行檢測。模板匹配需要先建立一個模板庫，將測試樣本與模板庫進行相似性的度量，從而實現(xiàn)人臉的檢測。

基于知識的方法需要依據(jù)先驗的知識，統(tǒng)計的方法需要大量的訓練學習，兩者相比較而言統(tǒng)計的方法更具有廣泛的應用性，可發(fā)展性。人臉檢測方法如圖2所示。

3 特征提取的方法

人臉檢測主要是確定待識別的身份中是否存在人臉，如何進行身份的識別就是特征提取的過程中所需要考慮的問題，特征提取主要是對人臉區(qū)域中的特征進行提取然后與已獲取的人臉特征進行判別比較是否為同一人。特征提取的方法較多，主要從幾個方面來講述。

3.1 基于模板匹配的方法

模板匹配的方法[5]主要思想是將待識別的面部與模板庫中面部的特征相匹配，匹配度較高的則將待識別的人臉劃分為模板庫中的人臉。模板匹配的方法又可以從靜態(tài)和彈性兩種，靜態(tài)的方法就是將模板庫中的人臉的整體灰度圖像或者局部灰度圖像與待識別的樣本特征進行匹配，如果待識別的樣本因表情或者其他因素與沒有此模式的模板庫進行比較則識別效果極具下降，彈性模板匹配算法取代了靜態(tài)模板方法。彈性的模板匹配算法主要思想是將人臉看作是一個二維的網(wǎng)格拓撲。通過模板庫中人臉模板與待識別的圖像之間的節(jié)點所對應的特征向量對比匹配，找出最相似的人臉模板，則將待識別人臉歸為最相似的那一類。彈性匹配模板的優(yōu)點是對于光照以及變換的角度不敏感，缺點是需要對每個人臉的模型圖進行存儲，識別速度較慢。

3.2 基于幾何特征的方法

幾何特征的識別算法[6]主要思想是從局部方面將已有人臉的鼻子、嘴巴、眼睛等五官的相對位置以及之間的距離分布的特征與待識別的人臉的五官的相對位置和距離分布的特征進行判別比較。幾何特征相對模板匹配來說識別方法簡單，較易被研究者接受理解，缺點是從局部方面來對特征分布情況進行比較，不能全面的體現(xiàn)人臉的特征，對于遮擋物等情況識別效果較差。

3.3 基于子空間方法

子空間的方法[7]主要是對人臉進行整體部分的特征提取，子空間代表性方法主要有主成分分析方法（Principal Componet Analysis，PCA），主要思想是通過K-L變換消除人臉分量之間的相關性，得到一組正交的基底，最大值的基底與人臉形狀相似，從而將人臉從高維數(shù)據(jù)降到低維中。PCA方法的優(yōu)點是可以很好地表示人臉的信息，缺點是對人臉進行區(qū)分有些困難。線性判別分析方法（Linear Discriminate Analysis ，LDA）與主成分分析方法比較的優(yōu)點是能夠對人臉進行很好的分類識別。LDA的主要思想是將同類數(shù)據(jù)盡量聚集在一起，不同數(shù)據(jù)盡量分散開，缺點是會出現(xiàn)小樣本的問題。

3.4 基于機器學習的方法

隨著科技的發(fā)展，我們會獲得大量的數(shù)據(jù)，而計算機就是對數(shù)據(jù)的一個處理。機器學習主要是利用人臉中相應的數(shù)據(jù)學習形成一個模型，對于待識別的樣本模型會做出相應的人臉判別。主要有人工神經(jīng)網(wǎng)絡法，支持向量機法（Support Vector Machine，SVM）[8]，人工神經(jīng)網(wǎng)絡方法主要是通過不同的神經(jīng)元構成輸入，隱藏，輸出的網(wǎng)絡層，機器通過不斷的學習訓練得出人臉的規(guī)律和隱性的表達，這個方法的主要優(yōu)點是能對人臉進行隱性的表達，且魯棒性較好。缺點是運算過程涉及的神經(jīng)元較多，運行時間較長。支持向量機主要是一種結構風險最小化的二分類方法，通過機器學習將人臉進行升維然后對高維空間人臉數(shù)據(jù)進行線性可分。優(yōu)點是可解決非線性問題，維數(shù)高的問題。缺點是只可解決小樣本問題，同時消耗大量的內(nèi)存。

人臉特征提取的方法如圖3所示：

4 總結

人臉識別技術隨著科技的發(fā)展慢慢走向成熟，有許多新的人臉識別的算法出現(xiàn)，但沒有一個算法能完全有效地適應于任何場景下的識別。人臉識別仍然有很多難點需要去解決。例如獲取圖像的設備先進與否會影響獲取圖像的質量進而影響識別效果，人臉姿態(tài)，表情，年齡的變化，有無遮擋物都會影響人臉最終的識別效果。

人臉識別技術在不斷的發(fā)展，其發(fā)展趨勢可以從以下幾個方面來介紹：1）單一的算法已經(jīng)沒辦法提高人臉的識別效果，未來將會是多種識別方法的綜合。2）從靜態(tài)的圖片識別到動態(tài)的跟蹤識別。3）通過對人臉的非線性的建模，建立一個3D的模型[9]，從而獲取較為逼真的膚色，紋理，色澤等人臉特征可有效地解決姿態(tài)，表情變化等問題。4）模擬建立一個人臉隨著年齡增加的不同時期年齡模型，進而轉變?yōu)椴煌瑫r期的圖片。隨著科技的發(fā)展，人臉識別技術也在不斷地改進增加，相信未來將會廣泛地應用于生活中。

參考文獻：

[1] 張翠平，蘇光大.人臉識別技術綜述[J].中國圖象圖形學報，2000，5（11）：885-894.

[2] 葉學義，陳雪婷，陳華華，等.級聯(lián)型P-RBM神經(jīng)網(wǎng)絡的人臉檢測[J].中國圖象圖形學報，2018，21（7）：875-885.

[3] 余龍華，王宏，鐘洪聲.基于隱馬爾科夫模型的人臉識別[J].計算機技術與發(fā)展，2012， 22（2）：25-28.

[4] 姜軍，張桂林.一種基于知識的快速人臉檢測方法[J].中國圖象圖形學報，2002，7（1）：6-10.

[5] Dai Y ， Nakano Y . Face-texture model based on SGLD and its application in face detection in a color scene[J]. Pattern Recognition， 1996， 29（6）：1007-1017.

[6] 陸繼凱， 段華睿， 楊壘. 幾何特征法解決跨年齡段人臉匹配問題[J]. 數(shù)字通信世界， 2017（7）.

[7] 綜述人臉識別中的子空間方法[J].自動化學報，2003，29（6）：900-911.

[8] 劉向東，陳兆乾.基于支持向量機方法的人臉識別研究[J].小型微型計算機系統(tǒng)， 2004， 25（12）：2261-2263.

[9] 郭夢麗，達飛鵬，鄧星，等.基于關鍵點和局部特征的三維人臉識別[J].浙江大學學報：工學版， 2017，51（3）：584-589.