关于人脸检测与识别算法的调研报告

关于人脸检测与识别算法的调研报告内容摘要：

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 ,所以本文也将该关于人脸检测与识别算法的调研报告 15 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。 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关于人脸检测与识别算法的调研报告 16 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。 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。 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关于人脸检测与识别算法的调研报告 17 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。 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。 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，经试验表关于人脸检测与识别算法的调研报告 18 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。 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 (static identification)、动态图像识别(dynamic identification)、固定面部（ Fixed identification）。 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，任何关于人脸检测与识别算法的调研报告 19 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。 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关于人脸检测与识别算法的调研报告 20 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。 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，关于人脸检测与识别算法的调研报告 21 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 实例一 图像处理的 Matlab程序如下 : 原图像 处理后图像 clear all。 clc。 I=imread(39。 D:\39。 )。 O=rgb2ntsc(I)。 G=O(:,:,2)。 [m n]=size(G)。 U=zeros(m,n)。 for i=1:m for j=1:n if G(i,j)amp。 amp。 G(i,j) U(i,j)=1。 end end end sr=strel(39。 disk39。 ,6)。 C=imclose(U,sr)。 L=bwlabel(C)。 B=regionprops(L,39。 area39。 )。 Se=[]。 Sm=max(Se)。 if Smm*n/27 B1=bwareaopen(C,Sm)。 k_y1=m。 k2=m。 l2=n。 关于人脸检测与识别算法的调研报告 22 for i=1:m if any(B1(i,:))==1 k_y1=i。 break end end for i=k_y1:m if B1(i,:)==0 k2=i。 break end end for j=1:n if any(B1(:,j))==1 l_y1=j。 break end end for j=l_y1:n if B1(:,j)==0 l2=j。 break end end k_y=k2k_y1。 l=l2l_y1。 if k_y.5*lamp。 amp。 k_y3*l I1=imcrop(B1,[l_y1k_y1 l .4*k_y])。 [n1 m1]=size(I1)。 L1=bwlabel(I1)。