摘 要：隨著社會不斷發(fā)展和計算機技術(shù)的不斷進步，基于生物特征的身份驗證越來越受到人們的關(guān)注，其中人臉識別技術(shù)因為具有直接、友好、簡單等特點，成為目前模式領域中的一個研究熱點。本文分別對二維和三維人臉識別方法進行了研究。

關(guān)鍵詞：人臉識別；特征提取；二維圖像；三維圖像；圖像預處理

中圖分類號：TP309

1 臉部識別技術(shù)的背景及研究意義

人臉識別已經(jīng)越來越成為當前模式識別和人工智能領域的一個熱點，人臉識別技術(shù)有著其獨特的優(yōu)勢性：

（1）不需要人的配合，最易于隱蔽使用的識別技術(shù)；

（2）快速、簡單，無需干擾人們的行為，非接觸式采集，沒有侵犯性，可遠距離采集，容易被用戶接受；

（3）符合人類識別的習慣，直觀可靠、交互性強，適合改善人機界面。

2 基于KINECT的而為臉部識別技術(shù)

2.1 臉部圖像預處理

由Kinect設備所采集二維圖像的分辨率為640×480，如何快速地在一張復雜的圖像中將人臉檢測出來是一個值得考慮的問題。圖像金字塔被廣泛應用于各種視覺應用中。一系列以金字塔形狀排列的分辨率逐步降低的圖像集合可以組成一幅圖像的金字塔。金字塔的頂部是待處理圖像的低分辨率的近似，而底部是高分辨率表示。當向金字塔的上層移動時，尺寸減小、分辨率降低，反之亦然。如果物體的尺寸很小或?qū)Ρ榷炔桓撸话悴捎幂^高的分辨率觀察；如果物體尺寸很大或?qū)Ρ群軓姡瑒t可采用較低的分辨率。常用的圖像金字塔主要有拉普拉斯金字塔和高斯金字塔。其中，高斯金字塔是用來縮小圖像尺寸的，滿足我們的需求。其主要有兩個步驟：使用低通濾波器（高斯濾波）平滑圖像；對平滑圖像進行降采樣。這樣就可以得到一系列尺寸縮小的圖像。

2.2 臉部特征檢測

人臉檢測實際上是一個兩類人臉的鑒別問題，即在一副圖像中只有“人臉”和“非人臉”之分。人臉檢測是自動人臉識別系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)，現(xiàn)有的人臉檢測主要方法可以分為兩類：一是基于知識的方法，另一類是基于學習的方法。

基于知識的方法主要是通過特定的規(guī)則進行人臉檢測，其規(guī)則來源于關(guān)于人臉模式的先驗知識。例如人臉一般包括一個嘴巴、一個鼻子和位置相互對稱的兩只眼睛，而且它們具有固定的位置關(guān)系?；趯W習的方法主要是收集大量的人臉和非人臉樣本，然后通過機器學習算法，得到一個分類器，利用該分類器進行人臉檢測?；谔卣鞯姆椒ㄊ侨四槞z測中最常用的方法。Viola和Jones將Haar特征以及積分圖的概念引入到Adaboost算法當中，在人臉檢測的發(fā)展史上具有重大的意義。

2.3 臉部識別的方法

人臉識別的目的就是將待識別人臉的圖像或者特征與數(shù)據(jù)庫（預先存放的已知的人臉圖像或者相關(guān)的特征值）中的圖像或特征進行匹配。識別主要有兩個任務：一個是人臉辨別，即確定輸入圖像為數(shù)據(jù)庫中的哪一個人，是一個一對多的匹配過程；另一個則是人臉驗證，即驗證某個人的身份是否屬實，是一對一的匹配過程。近年來，基于局部二值式的人臉識別方法受到人們的廣泛關(guān)注。其本質(zhì)上提取圖像邊緣、角點等局部變換特征，這些對于區(qū)分不同人臉是重要的?；贙inect的三維臉部識別：

（1）圖像預處理。Kinect使得用戶可以用低廉的價格獲取深度圖像，但是受到成本所限，Kinect的硬件能力并不算出眾。Kinect獲得的深度圖像分辨率比較低，在遮擋區(qū)域、光滑物體表面存在較大的深度信息缺失空洞另外，這種深度信息的噪聲比較大。為了改善圖像質(zhì)量，避免空洞和噪聲對后續(xù)步驟的影響，需要對圖像進行預處理。濾波是一種常見的預處理手段。常用的深度圖濾波方法主要有：雙邊濾波、拉普拉斯濾波等方法。雙邊濾波主要是通過平滑數(shù)據(jù)點的位置而達到去噪的目的，它使得每個數(shù)據(jù)點向其法向量的方向移動。此濾波方法對于高梯度區(qū)域的去噪效果不理想，同時能平滑在形狀變化比較劇烈的區(qū)域中的特征的尖銳部分。拉普拉斯濾波則是將當前點移動到其領域的幾何重心處，這個過程是以多次迭代的方式實現(xiàn)的。其本質(zhì)就是擴撒噪聲能量到其局部領域中的其他點，從而達到濾波的效果。然而，拉普拉斯濾波是一種各向同性的濾波方法，對那些分布不是很均勻的點云，它們領域重心基本上不會和其領域結(jié)構(gòu)的中心點重合，這將會導致該點偏移到點云密集處，從而偏離原來的位置，多次迭代之后點云模型將會扭曲變形。

為了從噪聲點云圖中建立平滑的曲面，Levin等提出了基于投影定義的移動最小二乘（Moving Least Squares，MLS）曲面逼近法，這種方法不僅可以適應任意拓撲形狀點云的曲面估計，而且還擁有較好的幾何性質(zhì)。MLS曲面擁有良好的任意拓撲表達能力和去噪能力，為后續(xù)步驟點云集CP匹配結(jié)果的精確度提高做好了準備。

（2）臉部特征提取。目前主要方法基于骨骼跟蹤技術(shù)的算法。人體骨骼跟蹤算法在Kinect人體行為識別中非常重要，該識別過程通常被用來作為行為識別的第一步，比如說，通過定位人體中的骨骼支架，可以提取出人手的部位，從而可以把手的部分單獨拿出來分析，這樣就達到了手勢的定位，而后面的手勢識別則可以在剛剛定位出的領域進行處理。

（3）臉部識別。這里我們介紹ICP算法：最近迭代算法（Iterative Closest Point，ICP）是一種點集對點集配準方法，最早由Paul J.Best提出。可以用于兩個3D物體的匹配，這里的3D物體可以是點集，也可以是曲面或者曲線。其主要思想：給定兩個點集和它們之間剛體變化的初始估計，ICP算法通過對某個誤差函數(shù)迭代最小化的過程得到兩個點集配準的剛體變換函數(shù)。每次迭代過程中，首先找出它們之間對應的點對，然后使得點集變化之后各對應點之間的總誤差最小。反復重復上述過程，知道滿足收斂所需要的匹配精度。

3 總結(jié)與展望

人臉識別是一個跨學科、富有挑戰(zhàn)性的前沿課題，由于人臉識別中光照、表情、姿態(tài)等方面存在的不確定性，各種理論還有待進一步完善和改進。本文目前對人臉識別的還研究還遠遠不夠，還需要對以下相關(guān)的內(nèi)容做進一步的研究和分析：

（1）3D人臉幾何的提取。目前3D人臉識別的整體識別效果相對于2D人臉識別差距還很大，一部分原因是3D人臉識別起步較晚，目前還遠未達到2D識別的高度。

（2）3D人臉數(shù)據(jù)的高精度提取。3D人臉數(shù)據(jù)的好壞直接影響了識別效果，所以說3D人臉數(shù)據(jù)的高精度提取也是提高識別效果的一個途徑。

（3）目前三維人臉識別系統(tǒng)尚不能徹底的解決人臉表情變化的影響，如何有效的降低表情對人臉識別的影響也需要進一步的研究。

參考文獻：

[1]林丹.面像識別技術(shù)[J].安防科技，2003.

[2]陳麗靜.基于雙目立體視覺的二維人臉識別方法研究[D].長春理工大學，2009.

[3]鄧娜.基于球面調(diào)和函數(shù)的3D人臉識別方法[D].中山大學，2007.

[4]潘綱.二維人臉識別若干技術(shù)研究[D].浙江大學，2003.

[5]田文君.基于深度圖像的二維人臉特征提取[D].北京交通大學，2009.

[6]張瑾.基于信息融合的二維人臉識別[D].北京交通大學，2009.

[7]Viola P，Jones M.Robust Real-Time Face Detection.International Journal of Computer Vision，2004（02）：137-154.

作者簡介：宋健，男，遼寧大連人，2011級本科在讀，研究方向：土建類；代越，王禹和，趙梓健，2012級本科在讀。

作者單位：大連理工大學 創(chuàng)新實驗學院，遼寧大連 116024