视频图像中人脸识别技术的发展与应用研究

李慧颖

（中国石油化工股份有限公司胜利油田分公司技术检测中心，山东 东营 257000）

1 人脸识别技术的难点分析

人脸识别技术是一项利用计算机对人脸数据进行分析、识别，以实现身份识别和身份认证的技术，该技术的基本原理是在对人脸图像进行预处理后，提取出有代表性的特征，之后将其与数据库中已有的人脸图像进行比对，并进行相似度的精准匹配与精确计算，从而判断其属于哪一个人，或是否与数据库中的人脸图像相匹配，最后完成身份的识别[1]。但是，这项技术也有一定的制约性，要先确定画面是否有人脸，再对其进行识别判断。同时，人脸的面部毛发和化妆品以及外界环境等也会对面部检测造成较大的影响。人脸识别技术中包含人脸辨别，这就需要将人脸数据和指定的数据库中的已知数据进行比对，从而获得更详细的信息。另外，人脸识别技术在应用期间还需要对面部表情进行信息分析，对不同的情绪和细微表情进行归纳整理。由于人脸的表情过于丰富，数据库中含有的数据并不能包含人脸的所有表情，因此在识别期间也会出现一定的误差。同时，网络病毒的干扰会导致视频图像人脸识别在应用期间出现黑屏或者卡顿现象，影响整体使用时效性。为了将这种影响度降到最低，就需要工作人员提高视频监控系统的安全等级，实现防护一体化[2]。

2 视频图像中人脸识别预处理技术

2.1 直方图均衡化技术

在视频图像中，采用直方图均衡化技术的人脸识别预处理是一个比较常用的图像质量增强方法，也叫作灰度均衡。图像增强方法是图像视频人脸识别预处理方法的前期处理方法，主要是通过一定的技术手段提高图片的视觉效果，从而提高人脸识别技术对图像的提取精准度。直方图均衡化技术的基本原理是将最初图像的直方图变换为均匀分布的形式，使得图像的整体对比度得到一定程度的改善，在一定程度上提高像素灰度值的动态范围。利用直方图均衡化技术对视频图像进行前期预处理，能够增强特征降维之前的图像均衡化效果。通常情况下，视频图像的对比度较小，其直方图分布一般也会集中在比较小的范围内。进行直方图均匀化处理，能够使视频图像的灰度级出现的概率相等或高度相似，进一步提高视频图像的对比度和清晰度，使得视频图像的信息量大大增加。

2.2 图像平滑技术

图像平滑是一种有效减少或者抑制噪声的图像处理技术，在一定程度上能够提高人脸识别的精准度，提升并促进人脸识别技术的应用。图像平滑技术在应用期间基本不会影响图像本身的线条和轮廓的清晰程度，通过采用图像平滑技术的频域法和空域法，还能够有效地提升图像平滑度，进而推动人脸识别技术的发展。此外，对视频图像中的人脸进行平滑处理，可以采用邻域平均法对图片视频中的细小噪声进行抑制，使得图像视频整体的人脸辨别度更高，更加便于与数据库中的已录入数据进行高精度匹配比对。但是邻域若是超过一定范围，图像的细节就会逐渐消失，图像整体就会变得非常模糊，会影响人脸识别的效果。此时就只能采用取阈值的邻域平均法来计算，按照邻域平均值将得到的总像素数乘以各点像素的原数值，若是所得到的结果绝对值比预设的阈值大，则使用平均值替代；若是没有超过，整个图像的原数值也不会发生改变。通过图像的平滑技术能够提升视频图像中人脸的清晰度，进而推动人脸识别技术的创新发展。

2.3 图像放缩技术

利用图像放缩技术能对人脸信息进行宏观调控，从而对人脸进行有效识别。在视频图像中人脸与摄像头的距离会不断变化，因此截取到的人脸大小不同，能提取的人脸范围也不尽相同。为了更好地解决人脸图像大小不一的问题，满足后续特征降维和识别的要求，可通过图像放缩技术对人脸图像进行放缩，进而获得统一的人脸图像。视频图像放缩技术在操作期间可以通过一对互相制约的要素进行处理，即图像的处理精度和图像的处理速度。在通常情形下，为了获得更高速度甚至实时的图像传输，可以使用比较简单的计算或者运算量较小的计算。想要得到精度更高的处理结果，则需要使用复杂的算法，但是这种更高精度级别的算法会影响系统的运行速度和反应速率，所以并不推荐这种算法[3]。目前视频图像中人脸识别技术利用最近邻插值算法，能够有效地提高图像的放缩速度和放缩效率，输出像素灰度值等于距离该点映射到的位置最近像素点的灰度值，最终促使人脸识别技术不断地精简算法，提高自身的识别速率，加快系统的运算速度。

2.4 光照补偿技术

视频图像中人脸识别技术的光照补偿技术能够较好地对人脸进行光照补偿，在一定程度上使得人脸色彩鲜明，进而更好地帮助进行人脸识别验证。大多数的视频图像，很容易受到室内或者室外光源的影响。当光照不均匀时，截取图像中的人物面部亮度也会不均匀，产生的阴影容易给人脸图像识别造成不同程度的影响。因此，利用光照补偿技术，可以对视频图像中的人脸进行良好的光照均衡补偿，从而让人脸识别的过程变得更顺利，减少不必要的误判。

3 视频图像中的人脸识别技术应用分析

3.1 人脸检测算法技术

对视频图像中的人脸识别能够利用动态检测技术和静态检测技术进行分析处理。动态监测技术一般称为差分检测，利用两帧进行差分来检测出位移变化的人脸区域，这种方法较为简单，但是对于光照捕捉不够明显，并且对人脸的运动速度有较高的限制，一旦人脸移动的速度过快或者过慢，图像容易产生“洋葱皮”效应，就会影响检测的结果。而静态人脸测试技术则是先提取视频图片中的一帧作为待测试图片，然后再利用人脸的共同性以及周围环境的相似性进行分类，再对人脸图像做鉴别处理。由于静态测量方式在使用期间不需要考虑人脸的动态位移速率，因此能够有较强的适用性。在静态图像的人脸识别检测技术中可以基于几何形状进行分析、基于面部曲线变形模板进行分析、基于马赛克技术进行分析、基于模板匹配进行分析、基于神经网络进行分析和基于级联分类器进行分析[4]。基于几何形状的检测算法在使用期间主要利用人脸的轮廓形状或者对称性检测人脸，运用灰度信息和边界信息来进行分析，这种算法使得人脸识别技术更加的精准；而基于面部曲线变形模板则主要根据人脸以及面部器官结构分布的特点来进行分析，然后进行曲线建模，提取曲线，最终通过模型匹配的方式检测人脸；基于马赛克技术则利用多分辨率的图像马赛克技术进行多层次的匹配来检测人脸，通过此方法能够迅速地实现图像分布模式匹配，使得人脸识别功能更为的有效；基于模板匹配进行分析则主要研究人脸数据的图像分布原理，利用人脸的模板进行数据匹配。但是此方法在运用期间对光照的要求较高，所以运用期间要非常注重光照和角度条件；基于神经网络技术的方法也是采用了机器学习的方法，可以通过对某一区域的人脸图像进行分类器输入，进而确定此区域是否属于人脸区。不过因为在测试时对图像的尺寸还不能确定，因此，必须对不同尺寸的图像进行分别检查，否则会影响系统的检测速度；在基于级联分类器技术进行人脸检测识别期间可以先构造一个分类器，接着在待检测的图像上设置子窗口，最后再进行信息变换，通过这种方式，可以对视频图像中的人脸识别技术进行更深入的分析与探讨，从而使得人脸识别的检测过程变得更快、更有效。

3.2 帧间差分的人脸识别检测技术

视频图像中人脸识别是动态的，所以在识别分析过程中要同时对正反两视频帧进行差分测量，以便识别移动的人脸位置。使用帧间差分的人脸识别检测技术方法可以简单高效地对人脸进行识别检测，并且还可以一定限度上忽略光线的干扰。帧间差分的人脸识别检测技术的适用性较高，整体实用性也比较高，但此技术在使用期间对人脸的运动速度也有一定限制，若是人脸运动得过快或者过慢，人脸识别结果就容易出现误判；若是检测出的区域过大，同时包含很多非人脸区域，也会影响人脸识别的最终结果。通常在使用帧间差分的人脸识别检测技术时必须先在视觉图像上获得视频帧一和帧二，然后再对二者进行差分，并取差的绝对值进行二值化，这样有利于后期图像处理的水平和垂直投影操作，最后再对经过二值化后的图像做水平和垂直投影求边。通过帧间差分的人脸识别检测技术能够较好地检测出人脸的各条边界，在所求人面的左右边缘之间，再分别依次从两边向中间做阈值测量，所设定的阈值为人脸的边界，同理在进行人脸上下边界识别期间也可以按照同样的方式进行分析。

3.3 肤色模型的人脸识别检测技术

由于视频图像中人脸面部的颜色分布依赖于所选取的颜色空间，因此颜色空间的选取非常重要，在人脸识别检测期间要选择颜色空间受亮度变化影响最小的空间，不仅能较好地限制肤色区域，还能使得人脸识别操作在检测期间更加的顺利[5]。根据分析可知，虽然人的皮肤颜色有较大的差异，但是其在色度上的差异比亮度上的差异要小，所以通过对色度进行分析，能够建立相同的二维高斯模型。肤色模型的人脸识别检测技术能够对视频图像中的人脸进行分析处理，使其色度能够集中在同一个区域中，具体的工作流程是先建立肤色模型，将视频图像变为二值图像进行处理，再选取适当的门限值，把人脸皮肤与非肤色区别开来，找到可能是人脸皮肤的部位，然后再对不同特征的脸区和非脸区进行检测。现阶段肤色模型的人脸识别检测技术虽然能够有效地测出人脸区域，但是因为光照的原因无法检测人耳朵的具体区域，所以，一定程度上讲，这种肤色模型的人脸识别检测技术仍然受到很大的制约，加之在识别时还容易受到光照的影响，所以这项技术还需要不断地改进完善。

4 视频图像中人脸识别技术的发展前景

现阶段视频图像中人脸识别技术的发展已经取得了一定的成果，并且能够运用在较多的领域中。视频图像中人脸识别技术最常用的方向就是安保系统，随着国家的不断发展，运用人脸识别技术对安保进行加强成了现今的潮流趋势。同时运用视频图像中的人脸识别技术还能够进行人员跟踪、车辆识别等，可以有效保障民众安全。在安保、监狱管理等领域，视频图像中的人脸识别技术也将拥有更大的发展空间，而人脸识别技术又以其高效的便捷性以及精准度可以用作远程面部鉴定或者用于电子支付等多个领域。虽然此技术现在已经发展到了一定程度，识别精度也相对较高，但是应用时还会受到来自各方面的影响，比如前文所提及的光线等因素，所以还需要做持续性的创新，以开拓更大更广的应用范围。

5 结束语

根据分析可知，人脸识别技术是一项应用适用性较高的技术，因此在创新发展期间要不断地对其进行算法创新，从计算机技术和光学等不同领域对此进行完善处理，进而推动视频图像中人脸识别技术的应用发展。随着我国经济社会的高速发展，视频图像中的人脸识别技术将迎来更广阔的应用前景。