[摘 要] 本文通過工業(yè)界世界級(jí)人臉測(cè)試，說明人臉識(shí)別發(fā)展現(xiàn)狀，分別從二維、三維角度，闡述了人臉識(shí)別算法現(xiàn)狀，并對(duì)人臉識(shí)別算法發(fā)展趨勢(shì)予以說明。

[關(guān)鍵詞] 人臉識(shí)別 二維識(shí)別算法 三維識(shí)別算法

一、引言

1.人臉識(shí)別概述。人臉識(shí)別由于可接受性好，在生物識(shí)別領(lǐng)域得到較快的發(fā)展。人臉識(shí)別的研究范圍廣義上來講大致包括以下五個(gè)方面的內(nèi)容：人臉定位和檢測(cè)、人臉表征（人臉特征抽取）、人臉鑒別、表情/姿態(tài)分析、生理分類五方面內(nèi)容。

2.人臉識(shí)別現(xiàn)狀。目前有世界級(jí)的人臉檢測(cè)算法測(cè)試項(xiàng)目，它的結(jié)論完全可以揭示人臉識(shí)別現(xiàn)狀。最早是1993年，美國國防部高級(jí)研究項(xiàng)目署和美國陸軍研究實(shí)驗(yàn)室FERET項(xiàng)目組，建立了FERET人臉數(shù)據(jù)庫，用于評(píng)價(jià)人臉識(shí)別算法的性能。針對(duì)工業(yè)界的是在2002年，F(xiàn)RVT2O02對(duì)成熟的全自動(dòng)人臉識(shí)別系統(tǒng)進(jìn)行獨(dú)立的技術(shù)評(píng)價(jià)，提供評(píng)價(jià)人臉識(shí)別系統(tǒng)滿足大規(guī)模、真實(shí)世界應(yīng)用能力的性能度量。FRVT2006是第一次將靜態(tài)人臉識(shí)別、虹膜識(shí)別與3D人臉識(shí)別放在一起進(jìn)行測(cè)試；與FRVT2002相比，靜態(tài)人臉識(shí)別與3D人臉識(shí)別算法結(jié)合的錯(cuò)誤率下降了一個(gè)數(shù)量級(jí)；FRVT2006是第一次將機(jī)器識(shí)別效果與人的識(shí)別能力進(jìn)行比較，結(jié)果發(fā)現(xiàn)，在不同的光照環(huán)境下，給定一個(gè)低的虛警率，七個(gè)自動(dòng)人臉識(shí)別算法的性能相當(dāng)于或優(yōu)于人的識(shí)別能力，若不指定虛警率，則七個(gè)算法中的三個(gè)算法的性能相當(dāng)于或優(yōu)于人的識(shí)別能力。

二、二維人臉識(shí)別算法綜述

目前的人臉識(shí)別方法主要集中在二維圖像方面，二維人臉識(shí)別主要利用分布在人臉上從低到高80個(gè)節(jié)點(diǎn)或標(biāo)點(diǎn)，通過測(cè)量眼睛、顴骨、下巴等之間的間距來進(jìn)行身份認(rèn)證。人臉識(shí)別算法主要有：

1.基于模板匹配的方法:模板分為二維模板和三維模板，核心思想:利用人的臉部特征規(guī)律建立一個(gè)立體可調(diào)的模型框架，在定位出人的臉部位置后用模型框架定位和調(diào)整人的臉部特征部位，解決人臉識(shí)別過程中的觀察角度、遮擋和表情變化等因素影響。

2.基于奇異值特征方法：人臉圖像矩陣的奇異值特征反映了圖像的本質(zhì)屬性，可以利用它來進(jìn)行分類識(shí)別。

3.子空間分析法：因其具有描述性強(qiáng)、計(jì)算代價(jià)小、易實(shí)現(xiàn)及可分性好等特點(diǎn)，被廣泛地應(yīng)用于人臉特征提取，成為了當(dāng)前人臉識(shí)別的主流方法之一。

4.局部保持投影(Locality Preserving Projections，LPP)是一種新的子空間分析方法，它是非線性方法Laplacian Eigen map的線性近似，既解決了PCA等傳統(tǒng)線性方法難以保持原始數(shù)據(jù)非線性流形的缺點(diǎn)，又解決了非線性方法難以獲得新樣本點(diǎn)低維投影的缺點(diǎn)。

5.主成分分析(PCA)

PCA模式識(shí)別領(lǐng)域一種重要的方法，現(xiàn)在已被廣泛地應(yīng)用于人臉識(shí)別算法中，基于PCA人臉識(shí)別系統(tǒng)在應(yīng)用中面臨著一個(gè)重要障礙：增量學(xué)習(xí)問題。增量PCA算法由新增樣本重構(gòu)最為重要 PCS，但該方法隨著樣本的增加， 需要不斷舍棄一些不重要PC，以維持子空間維數(shù)不變， 因而該方法精度稍差。

6.其他方法：彈性匹配方法、特征臉法(基于KL變換)、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、基于積分圖像特征法(adaboost學(xué)習(xí))、基于概率模型法。

三、三維人臉識(shí)別算法綜

二維人臉識(shí)別方法的最大不足是在面臨姿態(tài)、光照條件不同、表情變化以及臉部化妝等方面較為脆弱，識(shí)別的準(zhǔn)確度受到很大限制，而這些都是人臉在自然狀態(tài)下會(huì)隨時(shí)表現(xiàn)出來的。三維人臉識(shí)別可以極大的提高識(shí)別精度，真正的三維人臉識(shí)別是利用深度圖像進(jìn)行研究，自90年代初期開始，已經(jīng)有了一定的進(jìn)展。三維人臉識(shí)別方法有：

1.基于圖像特征的方法：采取了從3D結(jié)構(gòu)中分離出姿態(tài)的算法。首先匹配人臉整體的尺寸輪廓和三維空間方向；然后，在保持姿態(tài)固定的情況下，去作臉部不同特征點(diǎn)(這些特征點(diǎn)是人工的鑒別出來)的局部匹配。

2.基于模型可變參數(shù)的方法：使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結(jié)合，去恢復(fù)頭部姿態(tài)和3D人臉。隨著模型形變的關(guān)聯(lián)關(guān)系的改變不斷更新姿態(tài)參數(shù)，重復(fù)此過程直到最小化尺度達(dá)到要求。基于模型可變參數(shù)的方法與基于圖像特征的方法的最大區(qū)別在于：后者在人臉姿態(tài)每變化一次后，需要重新搜索特征點(diǎn)的坐標(biāo)，而前者只需調(diào)整3D變形模型的參數(shù)。

四、人臉識(shí)別算法發(fā)展趨勢(shì)

二維與三維人臉識(shí)別相結(jié)合，多種模式的識(shí)別使用，可以有效地提高人臉識(shí)別精確度；二維識(shí)別算法逐步應(yīng)用于三維人臉識(shí)別；人臉識(shí)別算法要能克服：姿勢(shì)、表情的變化，佩戴眼睛、珠寶和其它一些因素及光線等因素影響；識(shí)別算法應(yīng)該需要更少的計(jì)算量。

參考文獻(xiàn)：

[1]段 錦 周春光 劉小華:三維人臉識(shí)別研究進(jìn)展[J].小型微型計(jì)算機(jī)系統(tǒng)，2004，25(5):886～890

[2]邢書寶:電子商務(wù)環(huán)境下生物特征識(shí)別技術(shù)綜述[J].《商場(chǎng)現(xiàn)代化》，2008年第9期，P146

[3]PATRA A K.Influence of Wind Sspeed Profile and Roughness Parameters on the Downwind Extension of Vulnerable Zones During Dispersion of Toxic Dense Gases[J].Journal of LossPrevention in the Process Industries，2006(19):495～497