人脸识别综述

蒋阿娟 张文娟

摘要：人脸识别技术是一门具有很大发展潜力的生物识别技术，广泛应用于人们生活的各个领域，本文主要介绍人脸检测统计的方法和基于知识的方法，同时重点介绍人脸特征提取的各种方法并描述其方法的优缺点以及对未来的发展趋势的展望。

关键词：人脸识别;人脸检测方法;特征提取方法;发展趋势

中图分类号：TP311        文献标识码：A        文章编号：1009-3044（2019）02-0173-02

Summary of Face Recognition

JIANG A-juan， ZHANG Wen-juan

（Anhui University of Science and Technology，Huainan 232000，China）

Abstract： Face recognition technology is a biometric technology with great potential for development. It is widely used in various fields of people's life. This paper mainly introduces methods of face detection statistics and knowledge-based methods， and focuses on the introduction of face feature extraction. The method describes the advantages and disadvantages of its method and its prospects for future development trends.

Key words： Face recognition; face detection method; feature extraction method; development trend

1 引言

人脸识别[1]是一种生物识别技术，描述了人脸的整体特征和轮廓，是一种通过模式识别来对人的身份进行识别的技术。人脸识别因为其具有获取方便，不需要别人的主动配合，可以直观的锁定目标相对于其他生物特征识别技术在最近几十年被广泛地应用于公安系统，出入境人员核查系统，科目考试，支付宝等电子商务的各个领域。尽管人脸识别技术被广泛应用于各个领域但因其拍照的姿势，光照的不同，表情的变化，遮挡物的有无，年龄的增长等均会影响人脸的识别率，因此人脸识别仍有很多的难点需要攻克。近些年人们对人脸识别的研究领域也就逐渐的有所偏移，逐渐的偏向于表情分析研究，遮挡物图像的重构，年龄判断。年龄判断的应用市场越来越多，例如手机中识别年龄的APP，它是通过将人脸固定在一个方形区域中，从而判断人脸的年龄，不过年龄识别的技术还没有成熟，会出现一些识别错误。售货机中应用的人脸年龄识别相对范围比较小一些，通过判断有无十八岁，从而禁止向未成年人售卖烟酒等产品。

人脸识别流程主要是按照人脸检测，特征提取，人脸比较即分类识别的顺序对人脸进行判断。人脸的检测就是对图像的轮廓进行特定算法从而判断有无人脸，特征提取就是将人脸的特征通过计算机代码表示出来，人脸比对主要是將要识别的面部与已有的面部进行比较来确定是否是同一个人。人脸检测和特征提取是人脸识别的两个重要组成部分，本文将着重介绍这两部分所使用的方法，人脸识别的主要流程如图1所示。

2 人脸检测方法

人脸检测的方法整体上可以分为两个部分，一部分是统计的方法，另一部分是基于知识的方法。统计的方法的检测是将人脸当作训练样本进行训练，利用计算机对采集的图像进行大量的训练学习，最终对人脸区域进行检测判断。基于知识的方法是通过人脸的五官，肤色，纹理等特征信息利用已有的经验对人脸进行检测。

2.1 统计的方法

统计的方法是将训练样本进行训练后，进行人脸区域的检测。基于统计方法有特征空间法、人工神经网络方法（Artificial Neural Network ANN）、隐马尔可夫模型（Hidden Markov Models HMM）。特征空间法依据人脸特征空间的规律模型得到人脸的模型参数，从而对人脸进行检测。人工神经网络方法[2]是对人工神经网络隐藏层进行训练学习，能够将人脸图像区域快速地找出。隐马尔可夫模型[3]是用于通过对测试的图像区域进行一系列的操作获取HMM的参数模型，通过获取的模型参数进行人脸的检测。

2.2基于知识的方法

基于知识的方法[4]需要依靠已有的经验对其人脸检测。基于知识的人脸检测方法有关键特征点、肤色模型、模板匹配方法。关键特征点主要是对人脸主要轮廓及五官的位置，相对距离进行人脸的检测。肤色模型主要是利用人脸肤色的不同依据肤色特征差异获取肤色模型，对人脸进行检测。模板匹配需要先建立一个模板库，将测试样本与模板库进行相似性的度量，从而实现人脸的检测。

基于知识的方法需要依据先验的知识，统计的方法需要大量的训练学习，两者相比较而言统计的方法更具有广泛的应用性，可发展性。人脸检测方法如图2所示。

3 特征提取的方法

人脸检测主要是确定待识别的身份中是否存在人脸，如何进行身份的识别就是特征提取的过程中所需要考虑的问题，特征提取主要是对人脸区域中的特征进行提取然后与已获取的人脸特征进行判别比较是否为同一人。特征提取的方法较多，主要从几个方面来讲述。

3.1 基于模板匹配的方法

模板匹配的方法[5]主要思想是将待识别的面部与模板库中面部的特征相匹配，匹配度较高的则将待识别的人脸划分为模板库中的人脸。模板匹配的方法又可以从静态和弹性两种，静态的方法就是将模板库中的人脸的整体灰度图像或者局部灰度图像与待识别的样本特征进行匹配，如果待识别的样本因表情或者其他因素与没有此模式的模板库进行比较则识别效果极具下降，弹性模板匹配算法取代了静态模板方法。弹性的模板匹配算法主要思想是将人脸看作是一个二维的网格拓扑。通过模板库中人脸模板与待识别的图像之间的节点所对应的特征向量对比匹配，找出最相似的人脸模板，则将待识别人脸归为最相似的那一类。弹性匹配模板的优点是对于光照以及变换的角度不敏感，缺点是需要对每个人脸的模型图进行存储，识别速度较慢。

3.2 基于几何特征的方法

几何特征的识别算法[6]主要思想是从局部方面将已有人脸的鼻子、嘴巴、眼睛等五官的相对位置以及之间的距离分布的特征与待识别的人脸的五官的相对位置和距离分布的特征进行判别比较。几何特征相对模板匹配来说识别方法简单，较易被研究者接受理解，缺点是从局部方面来对特征分布情况进行比较，不能全面的体现人脸的特征，对于遮挡物等情况识别效果较差。

3.3 基于子空间方法

子空间的方法[7]主要是对人脸进行整体部分的特征提取，子空间代表性方法主要有主成分分析方法（Principal Componet Analysis，PCA），主要思想是通过K-L变换消除人脸分量之间的相关性，得到一组正交的基底，最大值的基底与人脸形状相似，从而将人脸从高维数据降到低维中。PCA方法的优点是可以很好地表示人脸的信息，缺点是对人脸进行区分有些困难。线性判别分析方法（Linear Discriminate Analysis ，LDA）与主成分分析方法比较的优点是能够对人脸进行很好的分类识别。LDA的主要思想是将同类数据尽量聚集在一起，不同数据尽量分散开，缺点是会出现小样本的问题。

3.4 基于机器学习的方法

随着科技的发展，我们会获得大量的数据，而计算机就是对数据的一个处理。机器学习主要是利用人脸中相应的数据学习形成一个模型，对于待识别的样本模型会做出相应的人脸判别。主要有人工神经网络法，支持向量机法（Support Vector Machine，SVM）[8]，人工神经网络方法主要是通过不同的神经元构成输入，隐藏，输出的网络层，机器通过不断的学习训练得出人脸的规律和隐性的表达，这个方法的主要优点是能对人脸进行隐性的表达，且鲁棒性较好。缺点是运算过程涉及的神经元较多，运行时间较长。支持向量机主要是一种结构风险最小化的二分类方法，通过机器学习将人脸进行升维然后对高维空间人脸数据进行线性可分。优点是可解决非线性问题，维数高的问题。缺点是只可解决小样本问题，同时消耗大量的内存。

人脸特征提取的方法如图3所示：

4 总结

人脸识别技术随着科技的发展慢慢走向成熟，有许多新的人脸识别的算法出现，但没有一个算法能完全有效地适应于任何场景下的识别。人脸识别仍然有很多难点需要去解决。例如获取图像的设备先进与否会影响获取图像的质量进而影响识别效果，人脸姿态，表情，年龄的变化，有无遮挡物都会影响人脸最终的识别效果。

人臉识别技术在不断的发展，其发展趋势可以从以下几个方面来介绍：1）单一的算法已经没办法提高人脸的识别效果，未来将会是多种识别方法的综合。2）从静态的图片识别到动态的跟踪识别。3）通过对人脸的非线性的建模，建立一个3D的模型[9]，从而获取较为逼真的肤色，纹理，色泽等人脸特征可有效地解决姿态，表情变化等问题。4）模拟建立一个人脸随着年龄增加的不同时期年龄模型，进而转变为不同时期的图片。随着科技的发展，人脸识别技术也在不断地改进增加，相信未来将会广泛地应用于生活中。

参考文献：

[1] 张翠平，苏光大.人脸识别技术综述[J].中国图象图形学报，2000，5（11）：885-894.

[2] 叶学义，陈雪婷，陈华华，等.级联型P-RBM神经网络的人脸检测[J].中国图象图形学报，2018，21（7）：875-885.

[3] 余龙华，王宏，钟洪声.基于隐马尔科夫模型的人脸识别[J].计算机技术与发展，2012， 22（2）：25-28.

[4] 姜军，张桂林.一种基于知识的快速人脸检测方法[J].中国图象图形学报，2002，7（1）：6-10.

[5] Dai Y ， Nakano Y . Face-texture model based on SGLD and its application in face detection in a color scene[J]. Pattern Recognition， 1996， 29（6）：1007-1017.

[6] 陆继凯， 段华睿， 杨垒. 几何特征法解决跨年龄段人脸匹配问题[J]. 数字通信世界， 2017（7）.

[7] 综述人脸识别中的子空间方法[J].自动化学报，2003，29（6）：900-911.

[8] 刘向东，陈兆乾.基于支持向量机方法的人脸识别研究[J].小型微型计算机系统， 2004， 25（12）：2261-2263.

[9] 郭梦丽，达飞鹏，邓星，等.基于关键点和局部特征的三维人脸识别[J].浙江大学学报：工学版， 2017，51（3）：584-589.