李欣源

【摘 要】本文綜述了各種算法在人臉識別中的應(yīng)用，以及人臉識別技術(shù)應(yīng)用的展望。

【關(guān)鍵詞】人臉識別；檢測；應(yīng)用前景

一、引言

近幾年，智能手機行業(yè)開始越來越多的采用人臉識別作為手機安全防護的方式，人臉識別技術(shù)開始逐漸出現(xiàn)在人們的日常生活中。不管是“從圖中找到人臉的位置”，或是“識別出這個人臉對應(yīng)的身份”，亦或是其他，大家都會把這些不同的人臉技術(shù)統(tǒng)稱為“人臉識別技術(shù)”。

人臉識別和有著廣泛應(yīng)用的指紋識別、虹膜識別同樣，屬于生物特征識別技術(shù)，是應(yīng)用生物體本身的生物特征來區(qū)分生物體個體的計算機技術(shù)。自1965年由陳（Chan）和布萊索（Bledsoe）發(fā)表的關(guān)于人臉識別的技術(shù)報告開始，人臉識別的研究至今已持續(xù)了五十余年，也一直是一項熱門的計算機技術(shù)研究領(lǐng)域。人工智能、機器學習、機器識別、模型理論、視頻圖像處理等多種專業(yè)技術(shù)都在人臉識別上有所體現(xiàn)，而是否具備頂尖的核心算法、并令識別結(jié)果有實用化的識別率和識別速度是人臉識別成功的關(guān)鍵。

二、研究和分析

（一）人臉檢測

人臉檢測（Face Detection）是一種在任意數(shù)字圖像中找到人臉的位置和大小的計算機技術(shù)。它可以檢測出人的面部特征，同時忽略周遭環(huán)境和身體等其他任何東西。[1]

大多數(shù)算法將人臉檢測實現(xiàn)為一個兩類模式分類任務(wù)。這即是說會用特征值來轉(zhuǎn)換圖像的指定位置，然后一個預(yù)先訓練好的分類器將決定該部分是或不是人臉。

目前的一個相對優(yōu)秀的人臉檢測算法是Viola-Jones的級聯(lián)分類器算法[2]。這種算法使用基于Haar特征的級聯(lián)分類器策略，能夠有效并快速的找到不同狀態(tài)和尺寸的人臉圖像。在OpenCV上有一個該算法的實現(xiàn)。

（二）人臉配準

人臉配準（Face Alignment）是一種圖像預(yù)處理方法，是定位出人臉上五官關(guān)鍵點坐標的一項技術(shù)。定義的關(guān)鍵點數(shù)目是預(yù)先設(shè)定好的固定數(shù)值，因不同人工的定義而不同，常見的有68點，90點等。

由TF Cootes提出的一種參數(shù)化表觀模型算法Active Appearance Models （AAMs）[3]是目前廣泛應(yīng)用的一種人臉配準算法，它利用主成分分析對可變性目標的形狀和紋理進行統(tǒng)一建模，并使用二范數(shù)最小化策略對未知目標進行匹配。

當前效果的較好的一些人臉配準技術(shù)，基本通過http：//www.dataguru.cn/article-9664-1.html union_site=innerlink深度學習框架實現(xiàn)，這些方法都是基于人臉檢測的坐標框，按某種事先設(shè)定規(guī)則將人臉區(qū)域扣取出來，縮放的固定尺寸，然后進行關(guān)鍵點位置的計算。因此，若不計入圖像縮放過程的耗時，人臉配準算法是可以計算量固定的過程。

（三）人臉特征提取

人臉特征提?。‵ace Feature Extraction）是將人臉圖像轉(zhuǎn)化為固定長度的數(shù)值串的過程。該數(shù)值串即是“人臉特征（Face Feature）”，能夠表征對應(yīng)的人臉特點。

如何提取魯棒的人臉特征仍然是一個難題。早期的研究[4]中提出了Eigenface方法。該方法應(yīng)用主成分分析（PCA）對人臉的外表變化用特征臉將人臉特征降維識別。此后研究[5]以此為基礎(chǔ)提出了Fisherface方法，使用線性判別分析（LDA），在應(yīng)用PCA對特征向量進行降維的基礎(chǔ)上，使特征的類內(nèi)差異減小的同時增大類間差異。

后來，研究者發(fā)現(xiàn)PCA與LDA這些基于全局特征的方法對于表情、遮擋、光照等變化很敏感，于是基于局部特征的人臉算法逐漸成為新的熱點。局部二值模式（LBP）算法是一種典型的基于局部特征的識別算法。Ahonen T提出的基于LBP編碼分塊直方圖識別框架就是如此。隨后出現(xiàn)的局部三值模式（LTP）、方向梯度直方圖（HOG）、尺度不變特征轉(zhuǎn)換（SIFT）等人臉特征算法都是基于局部特征的人臉識別算法。

（四）人臉對比

人臉比對（Face Compare）”是衡量兩個人臉之間相似度的算法。人臉比對算法的輸入是兩個人臉特征（由人臉特征提取算法獲得），輸出是兩個特征之間的相似度。

在應(yīng)用中該算法會先對檢測到的人臉區(qū)域與現(xiàn)有的人臉庫中的人臉進行目標搜索和比對，然后通過返回的相似度的值確定最優(yōu)的匹配對象，其中人臉特征的描述決定了人臉比對的效率和性能。

三、應(yīng)用和發(fā)展趨勢

人臉識別技術(shù)已經(jīng)發(fā)展得越來越成熟，在日常生活中也得到了廣泛的應(yīng)用。

比如數(shù)碼相機的人臉自動對焦和笑臉快門技術(shù)，它根據(jù)人的頭部的部位進行判定，首先確定頭部，然后判斷眼睛和嘴巴等頭部特征，通過特征庫的比對，確認是人面部，完成面部捕捉。然后以人臉為焦點進行自動對焦，可以大大的提升拍出照片的清晰度。笑臉快門技術(shù)就是在人臉識別的基礎(chǔ)上，完成面部捕捉，接著判斷嘴的上彎程度和眼的下彎程度，以此來判斷是否在笑。

在各種智能化技術(shù)普及的現(xiàn)在，我們也可以用智能電視上集成的攝像頭來檢測走過來的人臉，通過計算該用戶的性別和年齡范圍來針對性的播放廣告；或是識別用戶的面部朝向，當用戶并沒有面向屏幕時，可以自動降低屏幕的亮度，在用戶重新面向屏幕時再回升亮度，以此來實現(xiàn)能源的節(jié)約。

【參考文獻】

[1]Tomaz F， Candeias T， Shahbazkia H. Improved Automatic Skin Detection in Color Images[C]// International Conference on Digital Image Computing： Techniques and Applications， Dicta 2003， 10-12 December 2003， Macquarie University， Sydney， Australia. DBLP， 2003：419-428.

[2]Viola P， Jones M J. Robust Real-Time Face Detection[J]. International Journal of Computer Vision， 2004， 57（2）：137-154.

[3]Edwards G J， Taylor C J， Cootes T F. Face recognition using the active appearance model.[C]// 1998：135-164.

[4]Pentland A， Moghaddam B， Starner T. View-based and modular eigenspaces for face recognition[C]//Computer Vision and Pattern Recognition， 1994. Proceedings CVPR'94.， 1994 IEEE Computer Society Conference on. IEEE， 1994： 84-91.

[5]Belhumeur P N， Hespanha J P， Kriegman D J. Eigenfaces vs. fisherfaces： Recognition using class specific linear projection[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 1997， 19（7）： 711-720.