人脸识别技术综述_论文

人脸识别技术综述 [摘要]    随着社会信息化，网络化得不断发展，个人身份趋于数字化，隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。人脸识别，一种应用比较广泛的生物识别 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 ，在基于人脸固有的生物特征信息，利用模式识别和图行图像处理技术来对个人身份进行鉴定，在国家安全，计算机交互，家庭娱乐等其他很多领域发挥着举足轻重的作用，能提高办事效率，防止社会犯罪等，有着重大的经济和社会意义。 本文主要研究了人脸识别在图像检测识别方面的一些常用的方法。由于图像处理的好坏直接影响着定位和识别的准确率，因此本文对图像的一些识别算法做了着重的介绍，例如基于二维Gabor小波矩阵 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 征人脸的识别算法，基于模型匹配人脸识别算法等。此外，本文还提及了一般人脸识别系统的 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 ，并着重介绍了图像预处理环节的光线补偿，图像灰度化等技术，使图像预处理模块在图像处理过程中能取到良好的作用，提高图像识别和定位的准确率。 [主题词]：人脸识别； 特征提取； 图像预处理； 光线补偿  1.3国内外现状与趋势 1.3.1 人脸识别的发展阶段[1] 第一阶段（1964年----1990年） 该阶段人脸识别技术还只是作为一个一般性的模式识别问题来研究，基于人脸几何结构特征（Geometric feature based）的方法是该阶段主要的技术 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 。在剪影（Profile）方面，人们大量研究了面部剪影曲线的结构特征，提取并分析。布莱索（Bledsoe），戈登斯泰因（Goldstein）、哈蒙（Harmon）以及金出武雄(Kanade Takeo)等是较早从事自动人脸识别AFR研究的研究人员。总的说来，该阶段是人脸识别研究的初级阶段，没有多少很重要的成果，也基本没有获得什么实际应用。 第二阶段（1991年-----1997年） 该阶段尽管时间比较短暂，但却是人脸识别研究的高峰期，取得了很多成果，比如诞生了一些代表性的人脸识别算法，并出现了一些商业化运作的人脸识别系统（比如较著名的Visionics的FaceIt系统）。 麻省理工学院（MIT）的媒体实验室的潘特兰德（Pentland）和特克（Turk）提出的“特征脸”方法，是该时期最负盛名的人脸识别方法。在这之后的很多人脸识别技术或多或少都与特征脸有关系，而如今的特征脸已经和归一化的协相关量(Normalized Correlation)方法一起成为人脸识别的性能测试基准算法。 当然，这个阶段还提出了人脸识别中的另一种重要方法——弹性图匹配技术(Elastic Graph Matching，EGM)。它的基本思想是利用一个属性图来描述人脸：属性图顶点代表面部关键特征点，相应特征点处的多分辨率、多方向局部特征为属性——称为Jet。对任一输入的人脸图像，弹性图匹配技术是先通过一种优化搜索策略，再来定位预先定义的若干面部关键特征点，与此同时提取它们的Jet特征，从而得到所输入图像的属性图，最后再通过计算该输入人脸与已知人脸属性图的相似程度来完成识别过程。这种方法的优点是既对人脸的关键局部特征进行了建模，又保留了面部的全局结构特征。 总体而言，该阶段的人脸识别技术发展十分迅速，其提出的识别算法在图像采集、对象配合、正面人脸数据库上体现出了非常好的性能，也出现了一些人脸识别的商业公司。 第三阶段（1998年至今） 在这一阶段中，FERET’96人脸识别算法评估指出——主流的人脸识别技术对非理想采集条件下或者对象不配合造成的变化鲁棒性比较差。所以，一些问题比如光照，姿势等逐渐成为热点的研究对象。此外，人脸识别的商业系统也在进一步发展。 基奥盖蒂斯（Georghiades），布兰兹（Blanz）和维特（Vetter），巴斯里（Basri）和雅各布（Jacobs）等都对人脸识别的领域做出了重要的贡献。总体而言，在非理想成像条件下（比如说光照和姿态）、对象的不配合、大规模人脸数据库上的人脸识别问题逐渐成为热点研究。其他如、统计学习理论、非线性建模方法、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。 1.3.2 国内的发展概况 近些年来，我国在人脸识别方面发展良好，也取得了较好的成就。作为国家863项目，面像检测与识别核心技术顺利的通过了成果鉴定并得到了初步的应用，这标志着我国在人脸识别领域掌握了一定的核心技术。 2002年，北京科瑞奇技术股份有限公司成功推出了一种人脸鉴别系统。该系统能对人脸图像信息进行分析和处理，以及对图像进行特征识别和提取。由于人脸识别一般需要使用正面照，而需要识别的人脸图像往往是在不同时间拍摄的，所使用的照相机也不一定一样，所以，该系统对人脸的识别有一定的价值。 2005年1月，国家"十五"攻关项目《人脸识别系统》，在清华大学电子系人脸识别课题组的负责人苏光大教授主持下，顺利通过了公安部专家的鉴定，按该鉴定委员会的说法，这项技术已经处于国内领先水平，甚至是国际先进水平。《人脸识别系统》主要对这个人脸识别系统进行了模块的划分，详细介绍了各个模块的功能，并且着重介绍了图像预处理这个模块及其子模块。由于图像处理好坏直接影响了系统后面的定位和识别工作，因此包含图像灰度化、光线补偿、图像对比度增强等在内的图像预处理这个模块在整个系统中起了很关键的作用。 2人脸识别技术 2.1 人脸识别概述[2] 人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。 2.1.1 人脸识别的研究范围 “人脸识别(Face Recognition)”的研究范围一般主要包括以下五个方面的 (1)  人脸的检测(Face Detection)：在不同背景条件下检测出人脸存在并且确定其位置.影响这一任务的因素主要有光照、噪声、面部倾斜度以及各种各样遮挡等。 (2)  人脸的表征(Face Representation)：采取某种表示方式表示检测出来的人脸。一般的表示法包含代数特征、几何特征、固定特征 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 、特征脸、云纹图等. (3)  人脸的识别(Face Identification)：主要是将需要识别的人脸和所存在的数据库中人脸比较。这一过程的关键是选择恰当的人脸表征方式，以及匹配策略。 (4)  表情/姿态分析(Expression/Gesture Analysis):主要是对需要识别的人脸表情或者姿态信息进行分析,归类。 (5)  生理分类(Physical Classification)主要是指对需要识别的人脸的生理特征进行分析,得出相关信息，比如性别，年龄等。 2.2 人脸检测算法 2.2.1 基于肤色特征的检测方法 人脸的一些面部细节特征，比如眼睛，鼻子，嘴等，受旋转，表情等变化影响很大，但肤色则不同，它不仅是人脸的重要信息，而且又具有相对的稳定性，能和大多数背景物体的颜色区别。一般常用肤色模型来描述肤色特征，比如直方图模型，高斯模型，混合高斯模型等。 其实，肤色模型和其他的数学建模也是一样的，即用一种代数的或查找表等形式来说明哪些像素的色彩属于肤色，或者表征出的某个像素的色彩和肤色的相似程度。在用肤色模型对肤色进行检测的过程中，主要有两个阶段：模型的建立和模型的运用。 模型的建立主要是指通过对大量的肤色像素集进行统计分析，然后确定模型中的一些参数；而模型的运用主要是指通过已经建立好的肤色模型来判别所输入的像素或区域是否是肤色，或者给出它和肤色的相似程度。 2.2.2 基于启发式模型的方法 这种方法的过程一般是先抽取图像的几何形状，灰度，纹理等，然后再检验他们是否符合人脸的一些基本条件。由于人脸的各个器官，比如眼睛，鼻子，嘴等具有较为恒定的模式，所以一些方法首先检测出这些器官或者其他局部特征，然后根据这些器官的相对位置关系判别是否该区域是人脸。 2.2.3 基于特征空间的方法 这种方法是将人脸区域的图像变换到其他某一特征空间，并且根据其分布规律划分为人脸和非人脸两种模式，常用的分析方法有主分量分析 (PCA)等。PCA方法是根据人脸图像的统计特征进行正交变换（K-L变换），来消除原有向量各个分量之间的相关性，通过这样的变换，能够得到特征值依次递减的特征向量，即特征脸。 2.2.4 基于统计模型的方法 这种方法是解决复杂的人脸识别检测问题的有效途径，是目前比较流行的方法，它主要针对正面人脸的检测，并且优点很明显：（1）它不依赖于人脸的参数模型和先验知识。能够有效地避免不完整的或者不精确的知识造成的错误；（2）它采用实例学习方法获取模型的参数，在统计意义上可靠性更好；（3）学习实例的学习可以很好的扩充检测模式的范围，提高检测系统的鲁棒性。 3.1 需求分析 顾名思义，人脸识别系统的主要功能就是识别人脸。系统可以通过摄像头获取所需要的人脸，并且通过对所获得图片的预处理，对人脸进行定位和特征的提取。因此，人脸识别系统应该主要包含以下模块： 1图像的获取 主要是通过摄像头捕获图像，或者从已有图片库中获取图像。 2图像的预处理 主要是对图像进行一些必要的处理，比如光线补偿，高斯平滑，均衡直方图，二值化变化等。 3人脸检测与定位 主要是将预处理后的图片定位，标记出眼睛，鼻子，嘴巴等。 4人脸特征的提取 主要是将眼睛，鼻子，嘴巴等提取出来。 5人脸的识别 将图片中提取得到的特征值和已有后台数据库中的值进行比较。 3.2 预处理技术 该部分的作用主要是对所输入图像进行适当的处理，使之具有的特征能够明显的显现出来。通常该部分包括以下几个子模块：