人脸识别技术的研究

曹青媚

内蒙古农业大学职业技术学院，内蒙古包头 014000

0 引言

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

由于人脸和指纹、虹膜等其他部位拥有相同的唯一性，所以我们可以利用其进行身份分辨，相比指纹、虹膜等类型的识别，比较人脸识别具有如下特点：

非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；

非接触性：用户不需要和设备直接接触就能得到所需信息；

同时性：现实环境的多人脸进行及时区分，评判；

除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等优点。

1 人脸识别的发展

近十几年，我们使用可见光图像来辨别人脸，并把基于这种方式的识别技术看成是传统方式，是常用的方法。它最大的问题在于当周围光线有改动时，人脸的分辨成功几率会直线下降，极其不稳定。这种使用在现实中是不利于推广应用的。现在出现了三维图像人脸识别和热成像人脸识别技术来弥补上述的不足。但这两种技术刚开始进行，识别效果并没有太大的提高。

迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这几年该方法完善的很快，使人脸识别技术民用的脚步越来越近。

2 人脸识别的技术流程

人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。

2.1 人脸图像采集及检测

人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的相关部位。

人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar 特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。

主流的人脸检测方法基于以上特征采用Adaboost 学习算法，Adaboost 算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。

人脸检测过程中使用Adaboost 算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。

2.2 人脸图像预处理

人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。

2.3 人脸图像特征提取

人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。

基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。

2.4 人脸图像匹配与识别

人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

3 人脸识别的现状

人脸识别的优势在于其自然性和不被被测个体察觉的特点。

所谓自然性，是指该识别方式同人类（甚至其他生物）进行个体识别时所利用的生物特征相同。例如人脸识别，人类也是通过观察比较人脸区分和确认身份的，另外具有自然性的识别还有语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。

不被察觉的特点对于一种识别方法也很重要。我们希望在使用这项技术时不让适用者感觉到不安，最好能够让使用者感觉不到它的存在而自然行动。不像指纹、虹膜这些生物特征需要告知使用者，并且要求配合来得到所需的数据，人脸识别可以在不被察觉的情况下实施调查。这是由于人脸识别可以利用可见光获取人脸图像信息。

人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。影响人脸识别准确度的因素都有以下两点。

1）人脸识别的基本算法是计算面部轮廓，五官的特征点，然后根据这些点连接的结构来识别人脸，比如两眼之间的距离，两耳到鼻尖的距离，眼窝的深度等等吧，大概是这样。但是因为人脸图像不一定都是正面证件照那样的，所以光照，拍摄角度对图像的影响很大，如何在各种光照和视角环境中准确地获得人脸的特征，是其中一个难点。

2）人脸识别的难点是匹配，本质上来讲人脸识别是一个分类任务：学习一组带标签(身份)的人脸图像，然后对未加标签的人脸图像和标签进行配对(图像--＞身份)，怎么构造"高效" "准确" 的算法来进行有督导学习也是一个难点。

4 结论

本文针对近年在图像界兴起的人脸识别技术做了发展作了一个总体的梳理，包括人脸识别的概念、特征、技术发展和优劣势。可以看出人脸识别应用刚起步，还有很长的路要走。

[1]人脸识别中光照处理方法的分析.刘笃晋，孙淑霞，李思明.计算机系统应用，2011(1).

[2]谭晓衡，张建慧.基于LLR算法的多姿态人脸识别.计算机应用研究，2011，1(28).

[3]赵冬娟，梁久祯.融合2DPCA和模糊2DLDA的人脸识别.计算机应用，2011，2(31).