李學(xué)龍

【摘 要】人工智能作為一門(mén)多種學(xué)科互相滲透而發(fā)展起來(lái)的交叉學(xué)科在各方面都有著應(yīng)用。人臉識(shí)別通過(guò)知識(shí)表示、知識(shí)推理、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、專家控制、遺傳算法和群集智能等人工智能方法達(dá)到識(shí)別人物臉部特征的目的，進(jìn)而對(duì)其進(jìn)行判定。本文總結(jié)介紹了基于幾何特征、基于模型、基于統(tǒng)計(jì)以及基于神經(jīng)網(wǎng)絡(luò)等具體識(shí)別方法。

【關(guān)鍵詞】人工智能；人臉識(shí)別；神經(jīng)網(wǎng)絡(luò)

1 人工智能簡(jiǎn)介

人工智能（Aritificial Intelligence，AI）是一門(mén)綜合了計(jì)算機(jī)科學(xué)、控制論、信息論、神經(jīng)生理學(xué)、心理學(xué)、語(yǔ)言學(xué)、哲學(xué)等多種學(xué)科互相滲透而發(fā)展起來(lái)的一門(mén)交叉學(xué)科[1]，從誕生至今已有近60年的歷史。人工智能是研究如何制造智能機(jī)器或智能系統(tǒng)，來(lái)模擬人類智能活動(dòng)的能力，以延伸人們智能的科學(xué)[2]。人工智能不在乎計(jì)算機(jī)是依靠某種算法還是真正理解人類行為，只需要其能表現(xiàn)出與人相似的行為，它是計(jì)算機(jī)科學(xué)中的—個(gè)分支，涉及智能機(jī)器的研究、設(shè)計(jì)和應(yīng)用。人工智能的研究目標(biāo)在于怎樣用計(jì)算機(jī)來(lái)模仿和執(zhí)行人腦的某些功能，并開(kāi)發(fā)相關(guān)的技術(shù)以及產(chǎn)品，建立有關(guān)的理論。人工智能可分為：基本人工智能，包括知識(shí)表示、推理；高級(jí)人工智能，如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、專家控制；計(jì)算智能，如遺傳算法、群集智能。人工智能研究領(lǐng)域的三種主要觀點(diǎn)[3]：符號(hào)主義又稱為邏輯主義或計(jì)算機(jī)學(xué)派，其認(rèn)為符號(hào)是人類的認(rèn)識(shí)基元，同時(shí)人認(rèn)識(shí)的過(guò)程即是對(duì)符號(hào)的計(jì)算與推理的過(guò)程；聯(lián)結(jié)主義又被叫做仿生學(xué)派，其主要原理是人類的智能是由人腦的生理結(jié)構(gòu)和工作模式所決定；行為主義又被稱作進(jìn)化主義、控制論學(xué)派，其主要原理是智能取決于感知和行動(dòng)，它不需要知識(shí)、也不需要知識(shí)的表示與推理[4]。

2 人臉識(shí)別

人臉識(shí)別是指對(duì)輸入的人臉圖像或者視頻，判斷其中是否存在人臉，如果存在人臉，則進(jìn)一步給出每張人臉的位置、大小和各個(gè)主要面部器官的位置信息，并且依據(jù)這些信息，進(jìn)一步提取每張人臉蘊(yùn)含的身份特征，并將其與已知人臉庫(kù)中的人臉進(jìn)行對(duì)比，從而識(shí)別每張人臉的身份。人臉識(shí)別的研究起源于19世紀(jì)末，其發(fā)展大致分成三個(gè)階段[5]：第一階段以面部特征為主要研究對(duì)象；第二階段稱為人機(jī)交互式識(shí)別階段，分為采用幾何特征參數(shù)來(lái)表示人臉正面圖像和統(tǒng)計(jì)識(shí)別為基礎(chǔ)的方法；第三階段才被稱為真正的自動(dòng)識(shí)別階段，人臉識(shí)別技術(shù)進(jìn)入實(shí)用階段。

3 常用的人臉識(shí)別方法

人臉識(shí)別的技術(shù)與方法一般分為：基于幾何特征的方法和基于模板匹配的方法。對(duì)于基于幾何特征方法而言，首先檢測(cè)出眼耳口鼻等臉部主要部件的位置和大小，然后分析這些部件的總體幾何分布關(guān)系以及相互之間的參數(shù)比例來(lái)識(shí)別人臉。基于模板的方法也叫做基于表象的方法，利用模板與整個(gè)人臉圖像的像素值之間的自相關(guān)性進(jìn)行人臉的識(shí)別[6]。通過(guò)分析常用的人臉識(shí)別方法，本文將人臉識(shí)別的方法分為基于幾何特征的方法、基于模型的方法、基于統(tǒng)計(jì)的方法、基于神經(jīng)網(wǎng)絡(luò)的方法。

3.1 基于幾何特征的方法

最早的基于幾何特征的方法由Bleclsoe提出，該方法將幾何特征定義為面部特征點(diǎn)之間的距離和比率，通過(guò)最近鄰方法來(lái)識(shí)別人臉，但必須手動(dòng)定位面部特征點(diǎn)，因此屬于半自動(dòng)系統(tǒng)。側(cè)影識(shí)別是另一個(gè)基于幾何特征的人臉識(shí)別方法，其原理是通過(guò)提取人臉的側(cè)影輪廓線上特征點(diǎn)，將側(cè)影轉(zhuǎn)化為輪廓曲線，提取其中的基準(zhǔn)點(diǎn)，然后識(shí)別這些點(diǎn)之間的幾何特征。

基于幾何特征的方法非常直觀，能快速識(shí)別人臉，只需要較少內(nèi)存，光照對(duì)特征的提取影響不大，缺點(diǎn)是當(dāng)人臉變化時(shí)，特征的提取不精確，并且由于對(duì)圖像細(xì)節(jié)信息的忽略，導(dǎo)致識(shí)別率較低，因此近年來(lái)少有發(fā)展。

3.2 基于模型的方法

隱馬爾可夫模型（Hidden Markov Model，HMM）是一種常用的模型，基于HMM的方法被Nefian和Hayes引入到人臉識(shí)別領(lǐng)域，它是一組統(tǒng)計(jì)模型，用于描述信號(hào)統(tǒng)計(jì)特性。Cootes等人提出主動(dòng)形狀模型（Active Shape Model，ASM），對(duì)形狀和局部灰度表象建模，定位新圖像中易變的物體[5]。Lanitis等用該方法解釋人臉圖像，其原理是使用ASM找出人臉的形狀，然后對(duì)人臉進(jìn)行切割并歸一到統(tǒng)一的框架，通過(guò)亮度模型解釋和識(shí)別與形狀無(wú)關(guān)的人臉。

主動(dòng)表象模型（Active Appearance Model，AAM）通常被看作是ASM的一種擴(kuò)展，一般作為通用的非線性圖像編碼模式，通用的人臉模型經(jīng)變形處理后與輸入圖像進(jìn)行匹配，并將控制參數(shù)作為分類的特征向量。

3.3 基于統(tǒng)計(jì)的方法

基于統(tǒng)計(jì)的方法將人臉圖像視為隨機(jī)向量，采用一些統(tǒng)計(jì)方法對(duì)人臉進(jìn)行特征分析，這類方法有較為完善的統(tǒng)計(jì)學(xué)理論的支持，因此發(fā)展較好，研究人員也提出了一些比較成功的統(tǒng)計(jì)算法。

特征臉?lè)椒ㄓ蒚urk和Pentland提出，該方法中人臉由各個(gè)特征臉擴(kuò)展的空間表示，雖然人臉信息可以有效地表示，但不能對(duì)其進(jìn)行有效鑒別和區(qū)分。為取得更好的人臉識(shí)別效果，研究者又提出使用其他的線性空間來(lái)代替特征臉空間[6]。Moghaddam等人提出了貝葉斯人臉識(shí)別方法，用基于概率的方法來(lái)度量圖像相似度，將人臉圖像之間的差異分為類間差異和類內(nèi)差異，其中類間差異表示不同對(duì)象之間的本質(zhì)差異，類內(nèi)差異為同一對(duì)象的不同圖像之間的差異，而實(shí)際人臉圖像之間的差異為兩者之和。如果類內(nèi)差異大于類間差異，則認(rèn)為兩人臉圖像屬于同一對(duì)象的可能性大。

奇異值分解（Singular Value Decomposition，SVD）作為一種有效的代數(shù)特征提取方法，奇異值特征具有多種重要性質(zhì)，如鏡像變換不變性、位移不變性、旋轉(zhuǎn)不變性以及良好的穩(wěn)定性等，因此人臉識(shí)別領(lǐng)域也引入了奇異值分解技術(shù)。

3.4 基于神經(jīng)網(wǎng)絡(luò)的方法

神經(jīng)網(wǎng)絡(luò)用于人臉識(shí)別領(lǐng)域也有較長(zhǎng)的歷史，Kohoncn最早將自組織映射（Self-Organizing Map，SOM）神經(jīng)網(wǎng)絡(luò)應(yīng)用于人臉識(shí)別，即使當(dāng)輸入人臉圖像有部分丟失或者具有較大噪音干擾時(shí)，也能完整的恢復(fù)出人臉。人臉識(shí)別中最具影響的神經(jīng)網(wǎng)絡(luò)方法是動(dòng)態(tài)鏈接結(jié)構(gòu)（Dynamic Link Architecture，DLA），對(duì)網(wǎng)絡(luò)中語(yǔ)法關(guān)系的表達(dá)是該方法最突出的特點(diǎn)。

用于人臉識(shí)別的神經(jīng)網(wǎng)絡(luò)還有：時(shí)滯神經(jīng)網(wǎng)絡(luò)（Time Delay Neural Net-works，TDNN），是MLP的一種變形，徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function Network，RBFN）以及能有效地實(shí)現(xiàn)低分辨率人臉的聯(lián)想與識(shí)別的Hopfield網(wǎng)絡(luò)等[6]。

與其他人臉識(shí)別方法相比，神經(jīng)網(wǎng)絡(luò)方法具有特有的優(yōu)勢(shì)，人臉圖像的規(guī)則和特征的隱性表示可通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練獲得，避免了特征抽取的復(fù)雜性，有利于硬件的實(shí)現(xiàn)，缺點(diǎn)是可解釋性較弱，要求訓(xùn)練集中有多張人臉圖像，因此只適合于小型人臉庫(kù)。人工智能應(yīng)用在人臉識(shí)別、模式識(shí)別方面能夠提高運(yùn)行效率、減小計(jì)算量小、程序的代碼編寫(xiě)更為簡(jiǎn)潔。

【參考文獻(xiàn)】

[1]武海麗.初識(shí)人工智能[J].科技創(chuàng)新導(dǎo)報(bào)，2009，02：196.

[2]王甲海.創(chuàng)新型人工智能教育改革與實(shí)踐[J].計(jì)算機(jī)教育，2010（08）：136.

[3]肖斌，薛麗敏，李照順.對(duì)人工智能發(fā)展新方向的思考[J].信息技術(shù)，2009，12：166-168.

[4]朱祝武.人工智能發(fā)展綜述[J].中國(guó)西部科技，2011，10（17）：08-10.

[5]裴佳佳.基于子空間的人臉識(shí)別技術(shù)研究[D].浙江工業(yè)大學(xué)，2009.

[6]李武軍，王崇駿，張煒，陳世福.人臉識(shí)別研究綜述[J].模式識(shí)別與人工智能，2006，19（01）：58-66.

[責(zé)任編輯：丁艷]