人脸识别算法综述

[摘 要] 本文通过工业界世界级人脸测试,说明人脸识别发展现状,分别从二维、三维角度,阐述了人脸识别算法现状,并对人脸识别算法发展趋势予以说明.

[关 键 词 ] 人脸识别 二维识别算法 三维识别算法

一、引言

1.人脸识别概述.人脸识别由于可接受性好,在生物识别领域得到较快的发展.人脸识别的研究范围广义上来讲大致包括以下五个方面的内容：人脸定位和检测、人脸表征（人脸特征抽取）、人脸鉴别、表情/姿态分析、生理分类五方面内容.

2.人脸识别现状.目前有世界级的人脸检测算法测试项目,它的结论完全可以揭示人脸识别现状.最早是1993年,美国国防部高级研究项目署和美国陆军研究实验室FERET项目组,建立了FERET人脸数据库,用于评价人脸识别算法的性能.针对工业界的是在2002年,FRVT2O02对成熟的全自动人脸识别系统进行独立的技术评价,提供评价人脸识别系统满足大规模、真实世界应用能力的性能度量.FRVT2006是第一次将静态人脸识别、虹膜识别与3D人脸识别放在一起进行测试；与FRVT2002相比,静态人脸识别与3D人脸识别算法结合的错误率下降了一个数量级；FRVT2006是第一次将机器识别效果与人的识别能力进行比较,结果发现,在不同的光照环境下,给定一个低的虚警率,七个自动人脸识别算法的性能相当于或优于人的识别能力,若不指定虚警率,则七个算法中的三个算法的性能相当于或优于人的识别能力.

二、二维人脸识别算法综述

目前的人脸识别方法主要集中在二维图像方面,二维人脸识别主要利用分布在人脸上从低到高80个节点或标点,通过测量眼睛、颧骨、下巴等之间的间距来进行身份认证.人脸识别算法主要有：

1.基于模板匹配的方法:模板分为二维模板和三维模板,核心思想:利用人的脸部特征规律建立一个立体可调的模型框架,在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位,解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响.

2.基于奇异值特征方法：人脸图像矩阵的奇异值特征反映了图像的本质属性,可以利用它来进行分类识别.

3.子空间分析法：因其具有描述性强、计算代价小、易实现及可分性好等特点,被广泛地应用于人脸特征提取,成为了当前人脸识别的主流方法之一.

4.局部保持投影(Locality Preserving Projections,LPP)是一种新的子空间分析方法,它是非线性方法Laplacian Eigen map的线性近似,既解决了PCA等传统线性方法难以保持原始数据非线性流形的缺点,又解决了非线性方法难以获得新样本点低维投影的缺点.

5.主成分分析(PCA)

PCA模式识别领域一种重要的方法,现在已被广泛地应用于人脸识别算法中,基于PCA人脸识别系统在应用中面临着一个重要障碍：增量学习问题.增量PCA算法由新增样本重构最为重要 PCS,但该方法随着样本的增加, 需要不断舍弃一些不重要PC,以维持子空间维数不变, 因而该方法精度稍差.

6.其他方法：弹性匹配方法、特征脸法(基于KL变换)、人工神经网络法、支持向量机法、基于积分图像特征法(adaboost学习)、基于概率模型法.

三、三维人脸识别算法综

二维人脸识别方法的最大不足是在面临姿态、光照条件不同、表情变化以及脸部化妆等方面较为脆弱,识别的准确度受到很大限制,而这些都是人脸在自然状态下会随时表现出来的.三维人脸识别可以极大的提高识别精度,真正的三维人脸识别是利用深度图像进行研究,自90年代初期开始,已经有了一定的进展.三维人脸识别方法有：

1.基于图像特征的方法：采取了从3D结构中分离出姿态的算法.首先匹配人脸整体的尺寸轮廓和三维空间方向；然后,在保持姿态固定的情况下,去作脸部不同特征点(这些特征点是人工的鉴别出来)的局部匹配.

2.基于模型可变参数的方法：使用将通用人脸模型的3D变形和基于距离映射的矩阵迭代最小相结合,去恢复头部姿态和3D人脸.随着模型形变的关联关系的改变不断更新姿态参数,重复此过程直到最小化尺度达到要求.基于模型可变参数的方法与基于图像特征的方法的最大区别在于：后者在人脸姿态每变化一次后,需要重新搜索特征点的坐标,而前者只需调整3D变形模型的参数.

四、人脸识别算法发展趋势

二维与三维人脸识别相结合,多种模式的识别使用,可以有效地提高人脸识别精确度；二维识别算法逐步应用于三维人脸识别；人脸识别算法要能克服：姿势、表情的变化,佩戴眼睛、珠宝和其它一些因素及光线等因素影响；识别算法应该需要更少的计算量.