人脸识别技术发展综述

摘 要 随着人工智能的快速发展，人脸识别已成功运用到民生安防的各个领域。相比其他生物识别技术，人脸识别具有交互友好性、方便性等特点。本文主要介绍人脸识别发展的历程，并描述了常用人脸识别方法极其优缺点。

关键词 人脸识别 特征提取 深度学习

中图分类号：TP316文献标识码：A

0引言

人脸作为人体显著的生物特征之一，包含了丰富的个人信息。人脸识别便是基于人的脸部特征信息进行身份识别的一项技术，在公共安全和生活服务中的各种应用场景发挥着举足轻重的作用，如刷脸支付、人机交互、智能安防、视频监控等。目前，人脸识别算法的识别精度已经超越了人类的识别精度。本文围绕人脸识别技术展开论述，首先介绍人脸识别技术的发展历程，然后针对应用广泛的人脸识别方法进讨论。

一个完整的人脸识别过程如图1所示。首先是通过图像采集设备获取人脸图像，然后对采集的图像进行人脸检测从中分离出人脸，最后经过图像预处理等操作后进行特征提取，并进行特征比分类识别，从而得到识别结果。

1人脸识别技术的发展历程

人脸识别的发展主要经过以下几个阶段。20 世纪末人脸识别进入快速发展期，出现了众多经典方法如基于主成分分析 （Principal Component Analysis， PCA）、基于特征脸的 Eigenface 方法、基于线性判别分析（Linear Discriminant Analysis， LDA）的Fisherface。而后人脸识别研究进入了成熟期，这一阶段的研究主要是解决人脸识别中因外界因素带来的变化，如光照、表情、姿态、遮挡和噪声等。现在，人脸识别已进入深度研究阶段，深度学习为人脸识别成为主流，大量基于深度学习的人脸识别方法相继被提出。

2人脸识别方法

2.1基于几何特征的方法

不同人脸的眼睛、鼻子、嘴巴等大小和结构各不相同，该方法通过对人脸中几何特征的关系进行几何描述，作为人脸的中重要特征。基于几何特征的人脸识别最早应用于人脸侧脸轮廓的描述。该方法思路直观易懂，计算相对简单，识别的速度快， 对光照的变化有一定的鲁棒性。但当遇到表情或姿态变化较大的情况，该方法的识别精度会受到很大影响，且忽略了人脸局部细节特征，容易造成信息丢失，识别率较低。

2.2基于局部特征的方法

该方法采用提取对表情、年龄、光照等具有鲁棒性的局部特征如鼻子、眼睛、嘴巴等来构建人脸整体特征信息。首先对人脸的整体结构信息进行辨认，然后对选取的局部细节特征进行比对识别。在该方法中，局部细节特征的选取将决定人脸识别的效果。该方法简单，但是特征分布不能全面反映人脸整体特征。尤其遇到遮挡物时，识别效果较差。常见的局部特征方法有Gabor特征、LBP特征等。

2.3基于子空间的方法

该方法的基本思想是提取人脸整体特征，根据性能目标寻找一个变换空间，然后利用空间变换将提取的高維特征变换到低维子空间，使子空间中的特征数据分布更为紧凑，分类更加清晰准确，并降低了计算复杂度。该方法由于提取特征稳定、计算量小得到广泛应用。常见的基于子空间的方法有PCA、基于核的Fisher判别方法KFDA等。

2.4基于稀疏表示的方法

该方法中训练特征集中全部的样本数据构成了稀疏表示所用的字典。该方法对使用的特征不敏感，训练过程简单，把处理后的图像数据排列成一个三维矩阵并将其存储到数据库里面。只要人脸图像包含够多的特征维数，即使提取简单的特征也会包含足够多的信息产生稀疏表示。该方法对图像局部遮挡的情况具有很好的鲁棒性。但训练集的完备性直接影响识别效果，且不能很好地解决姿态、表情、光照等影响。

以上介绍的传统人脸识别方法由于自身的局限性，其识别精度受到影响，达不到预期效果。深度学习是模拟人类视觉感知神经系统的认知学习，能够获得更具表征力的高层特征。

2.5基于深度学习的方法

在深度学习框架下，学习算法直接从原始图像学习判别的人脸特征，通过神经网络自动地从海量数据中学习人脸表征，不仅简化了复杂的特征提取过程，还能够通过神经网络学习到人脸图像中的一些隐性规律和特征。该方法的特征提取和分类器训练在一个完整的神经网络中，通过具有多隐含层和大量训练数据的机器学习模型，学习更多有用特征，提高分类和识别的精准度。然而深度学习的计算复杂度较高，训练时间较长，在测试过程中，由于模型较多，不方便在嵌入式设备上直接运行。                                              （下转第286页）（上接第278页）

基金项目：本文受重庆市教委科学技术研究项目（KJ1729405）资助。

作者简介：邵艳清（1982-），女，硕士，讲师，主要研究方向移动通信技术、模式识别。

参考文献

[1] IT Jolliffe.Principal Component Analysis[J].Journal of Marketing Research，2002，87（100）：513.

[2] Turk，M.&A.Pentland.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience，1991，3（01）：71-86.

[3] Jain， A，K.&R.P.W.Duin&J.Mao.Statistical Pattern Recognition：A Review[J].IEEE Transactions  on Pattern Analysis & Machine Intelligence，2000，27（11）：1502.

[4] 蒋阿娟，张文娟.人脸识别综述[J].电脑知识与技术，2019，15（02）：173-174.

[5] Ojala T&Pietika ╥nen M&Ma ╡npa ╝ ？T.Multiresolution grayscale and rotation invariant texture classi？cation with local binary patterns[J].IEEE Trans PAMI，2002（24）：98-971.

[6] Daugman，J.G.Complete discrete 2-d Gabor transforms by neural networks for image analysis and compression[J].IEEE Trans Acoust Speech Signal Process，1988（36）：1169–1179.

[7] 刘小平.基于深度学习的人脸识别技术研究与应用[D].成都：电子科技大学，2018.

[8] Kim，K.I.&K.Jung&J.K.ang.Face recognition using kernel principal component analysis[J]. IEEE Signal Processing Letters，2002，9（02）：40-42.

[9] Liu，Q.&H.Lu&S.Ma.Improving kernel Fisher discriminant analysis for face recognition[J].Circuits & Systems for Video Technology IEEE Transactions on， 2004，14（01）：42-49.

[10]   杨巨成，刘娜，房珊珊等.基于深度学习的人脸识别方法研究综述[J].天津科技大学学报，2016，31（06）：1-5.