人臉識別主要算法原理

1、人臉識別主要算法原理主流的人臉識別技術(shù)根本上可以歸結(jié)為三類，即：基于幾何特征的方 法、基于模板的方法和基于模型的方法。1. 基于幾何特征的方法是最早、最傳統(tǒng)的方法，通常需要和其他 算 法結(jié)合才能有比擬好的效果；2.基于模板的方法可以分為基于相關(guān) 匹配的方法、特征臉方法、線性判別分析方法、奇異值分解方法、神 經(jīng)網(wǎng)絡(luò)方法、動態(tài)連接匹配方法等。3.基于模型的方法如此有基于 隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。1.基于幾何特征的方法人臉由眼睛、鼻子、嘴巴、下巴等部件構(gòu)成，正因為這些部件的形狀、 大小和結(jié)構(gòu)上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述

2、，可以做為人臉識別的重要特 征。幾何特征最早是用于人臉側(cè)面輪廓的描述與識別，首先根據(jù)側(cè)面輪廓曲線確定假如干顯著點，并由這些顯著點導(dǎo)出一組用于識別的特 征度量如距離、角度等。Jia 等由正面灰度圖中線附近的積分投影 模擬側(cè)面輪廓圖是一種很有新意的方法。采用幾何特征進(jìn)展正面人臉識別一般是通過提取人眼、口、鼻等重要特征點的位置和眼睛等 重要器官的幾何形狀作為分類特征，但Roder對幾何特征提取的準(zhǔn)確 性進(jìn)展了實驗性的研究，結(jié)果不容樂觀?？勺冃文０宸梢砸暈閹缀翁卣鞣椒ǖ囊环N改良，其根本思想是：設(shè)計一個參數(shù)可調(diào)的器官模型（即可變形模板）,定義一個能量函數(shù)，通過調(diào)整模型參數(shù)使能量函數(shù)最小化，此時的模型參

3、數(shù)即做為該 器官的幾何特征。這種方法思想很好，但是存在兩個問題，一是能量函數(shù)中各種代價的加權(quán)系數(shù)只能由經(jīng)驗確定，難以推廣，二是能量函數(shù)優(yōu)化過程十分耗時，難以實際應(yīng)用?；趨?shù)的人臉表示可以實現(xiàn)對人臉顯著特征的一個高效描述，但它需要大量的前處理和精 細(xì)的參數(shù)選擇。同時，采用一般幾何特征只描述了部件的根本形狀與 結(jié)構(gòu)關(guān)系，忽略了局部細(xì)微特征，造成局部信息的丟失，更適合于做 粗分類，而且目前已有的特征點檢測技術(shù)在準(zhǔn)確率上還遠(yuǎn)不能滿足要 求，計算量也較大。2. 局部特征分析方法Local Face Analysis主元子空間的表示是緊湊的，特征維數(shù)大大降低，但它是非局部 化的，其核函數(shù)的支集擴(kuò)展在整個

4、坐標(biāo)空間中，同時它是非拓?fù)涞模?某個軸投影后臨近的點與原圖像空間中點的臨近性沒有任何關(guān)系，而局部性和拓?fù)湫詫δＪ椒治龊头指钍抢硐氲奶匦?，似乎這更符合神經(jīng) 信息處理的機(jī)制，因此尋找具有這種特性的表達(dá)十分重要。 基于這種 考慮，Atick提出基于局部特征的人臉特征提取與識別方法。這種方 法在實際應(yīng)用取得了很好的效果，它構(gòu)成了Facelt人臉識別軟件的根底。3. 特征臉方法Eigenface或PCA特征臉方法是90年代初期由Turk和Pentland提出的目前最流行的 算法之一，具有簡單有效的特點，也稱為基于主成分分析(principal ponent analysis,簡稱 PCA的人臉識別方法。

5、特征子臉技術(shù)的根本思想是：從統(tǒng)計的觀點，尋找人臉圖像分布的根本 元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉(Eigenface)。實際上，特征臉反映了隱含在人臉樣本集合內(nèi)部的信息和人臉的結(jié)構(gòu) 關(guān)系。將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征向量稱為特征 眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中 生成子空間，稱為子臉空間。計算出測試圖像窗口在子臉空間的投影 距離，假如窗口圖像滿足閾值比擬條件，如此判斷其為人臉?；谔卣鞣治龅姆椒?，也就是將人臉基準(zhǔn)點的相比照率和其它描述人臉 臉部特征的形狀參數(shù)或類別參數(shù)等一起構(gòu)成識別特征向量，這種

6、基于整體臉的識別不僅保存了人臉部件之間的拓?fù)潢P(guān)系，而且也保存了各部件本身的信息，而基于部件的識別如此是通過提取出局部輪廓信息 與灰度信息來設(shè)計具體識別算法?，F(xiàn)在 Eigenface(PCA)算法已經(jīng)與 經(jīng)典的模板匹配算法一起成為測試人臉識別系統(tǒng)性能的基準(zhǔn)算法；而自1991年特征臉技術(shù)誕生以來，研究者對其進(jìn)展了各種各樣的實驗 和理論分析，F(xiàn)ERET'96測試結(jié)果也明確，改良的特征臉?biāo)惴ㄊ侵髁?的人臉識別技術(shù)，也是具有最好性能的識別方法之一。該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離 等屬性，然后再計算出它們的幾何特征量， 而這些特征量形成一描述該面像的特征向量。其技

7、術(shù)的核心實際為“局部人體特征分析和“圖形/神經(jīng)識別算法。這種算法是利用人體面部各器官與特征部 位的方法。如對應(yīng)幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù)據(jù)庫中所有的原 始參數(shù)進(jìn)展比擬、判斷與確認(rèn)。Turk和Pentland提出特征臉的方法， 它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間，由于主元具有臉的形狀， 也稱為特征臉，識別時將測試圖像投影到主元子空間上，得到一組投影系數(shù)，和各個人的人臉圖像比擬進(jìn)展識別。Pentland等報告了相當(dāng)好的結(jié)果，在200個人的 3000幅圖像中得到 95%勺正確識別率，在FERET數(shù)據(jù)庫上對150幅正面人臉象只有一個誤識別。但系統(tǒng)在進(jìn)展特征臉方法之前需要作大量預(yù)處理工作如歸一 化

8、等。在傳統(tǒng)特征臉的根底上，研究者注意到特征值大的特征向量（即特征臉）并不一定是分類性能好的方向，據(jù)此開展了多種特 征（子空間）選擇方法，如Peng的雙子空間方法、Weng的線性歧 義分析方法、Belhumeur的FisherFace方法等。事實上，特征臉方 法是一種顯式主元分析人臉建模，一些線性自聯(lián)想、線性壓縮型EP 網(wǎng)如此為隱式的主元分析方法，它們都是把人臉表示為一些向量的加 權(quán)和，這些向量是訓(xùn)練集叉積陣的主特征向量，Valentin對此作了詳細(xì)討論。總之，特征臉方法是一種簡單、快速、實用的基于變換系 數(shù)特征的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集和測試集圖像的灰度 相關(guān)性，而且要求測試圖像與訓(xùn)

9、練集比擬像，所以它有著很大的局限性?；贙L變換的特征人臉識別方法根本原理：KL變換是圖象壓縮中的一種最優(yōu)正交變換，人們將它用于統(tǒng)計特征提取，從而形成了 子空間法模式識別的根底，假如將 KL變換用于人臉識別，如此需假 設(shè)人臉處于低維線性空間，且不同人臉具有可分性，由于高維圖象空 間KL變換后可得到一組新的正交基，因此可通過保存局部正交基， 以生成低維人臉空間，而低維空間的基如此是通過分析人臉訓(xùn)練樣本 集的統(tǒng)計特性來獲得，KL變換的生成矩陣可以是訓(xùn)練樣本集的總體 散布矩陣，也可以是訓(xùn)練樣本集的類間散布矩陣， 即可采用同一人的 數(shù)X圖象的平均來進(jìn)展訓(xùn)練，這樣可在一定程度上消除光線等的干 擾，且計算

10、量也得到減少，而識別率不會下降。4. 基于彈性模型的方法Lades等人針對畸變不變性的物體識別提出了動態(tài)模 型（DLA ）,將物體用稀疏圖形來描述（見如下圖），其頂點用局部能量譜的多尺度描述來標(biāo)記，邊如此表示拓?fù)溥B接關(guān)系并用幾何距 離來標(biāo)記，然后應(yīng)用塑性圖形匹配技術(shù)來尋找最近的圖形。Wiseott等人在此根底上作了改良，用FERET圖像庫做實驗， 用 300幅人臉圖像和另外 300幅圖像作比擬，準(zhǔn)確率達(dá) 到97.3%。此方法的缺點是計算量非常巨大。 Nastar將人臉圖像（I ）（ x,y ）建模為可變形的 3D網(wǎng)格外表 （x,y,I （ x,y ）（如如下圖所示 ），從而將人臉匹配問題轉(zhuǎn)化為

11、可 變形曲面的彈性匹配問題。利用有限元分析的方法進(jìn)展曲面變形，并根據(jù)變形的情況判斷兩X圖片是否為同一個人。這種方法的特點在于 將空間(x,y )和灰度I (x , y )放在了一個 3D空間中同時考 慮，實驗明確識別結(jié)果明顯優(yōu)于特征臉方法。Lan itis等提出靈活表現(xiàn)模型方法，通過自動定位人臉的顯著特征點將人臉編碼為83個模型參數(shù)，并利用區(qū)分分析的方法進(jìn)展基于形狀信息的人臉識別。 彈性圖匹配技術(shù)是一種基于幾何特征和對灰度分布信息進(jìn)展小波紋 理分析相結(jié)合的識別算法，由于該算法較好的利用了人臉的結(jié)構(gòu)和灰 度分布信息，而且還具有自動準(zhǔn)確定位面部特征點的功能，因而具有良好的識別效果，適應(yīng)性強(qiáng)識別率較

12、高，該技術(shù)在FERET測試中假如 干指標(biāo)名列前茅，其缺點是時間復(fù)雜度高，速度較慢，實現(xiàn)復(fù)雜。5. 神經(jīng)網(wǎng)絡(luò)方法Neural Networks人工神經(jīng)網(wǎng)絡(luò)是一種非線性動力學(xué)系統(tǒng)，具有良好的自組織、自適應(yīng)能力。目前神經(jīng)網(wǎng)絡(luò)方法在人臉識別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的50個主元，然后用自相關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到5維空間中，再用一個普通的多層感知器進(jìn)展判別，對一些簡單的測試圖像效果較好；In trator 等提出了一種 混合型神經(jīng)網(wǎng)絡(luò)來進(jìn)展人臉識別，其中非監(jiān)視神經(jīng)網(wǎng)絡(luò)用于特征提 取，而監(jiān)視神經(jīng)網(wǎng)絡(luò)用于分類。Lee等將人臉的特點用六條規(guī)如此描 述，然后根據(jù)這六條規(guī)如此進(jìn)展五

13、官的定位，將五官之間的幾何距離輸入模糊神經(jīng)網(wǎng)絡(luò)進(jìn)展識別，效果較一般的基于歐氏距離的方法有較 大改善，Laurenee等采用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)展人臉識別，由于卷積神經(jīng)網(wǎng)絡(luò)中集成了相鄰像素之間的相關(guān)性知識，從而在一定程度上獲得了對圖像平移、旋轉(zhuǎn)和局部變形的不變性，因此得到非常理想的 識別結(jié)果，Lin等提出了基于概率決策的神經(jīng)網(wǎng)絡(luò)方法（PDBNN）其主要思想是采用虛擬（正反例）樣本進(jìn)展強(qiáng)化和反強(qiáng)化學(xué)習(xí)，從而 得到較為理想的概率估計結(jié)果，并采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu)（OCON）加快網(wǎng)絡(luò)的學(xué)習(xí)。這種方法在人臉檢測、人臉定位和人臉識別的各個 步驟上都得到了較好的應(yīng)用，其它研究還有：Dai等提出用Hopfield

14、網(wǎng)絡(luò)進(jìn)展低分辨率人臉聯(lián)想與識別，Gutta等提出將RBF與 樹型分類器結(jié)合起來進(jìn)展人臉識別的混合分類器模型，Phillips 等人將MatchingPursuit濾波器用于人臉識別，國內(nèi)如此采用統(tǒng)計學(xué)習(xí) 理論中的支撐向量機(jī)進(jìn)展人臉分類。神經(jīng)網(wǎng)絡(luò)方法在人臉識別上的應(yīng)用比起前述幾類方法來有一定的優(yōu)勢，因為對人臉識別的許多規(guī)律或規(guī)如此進(jìn)展顯性的描述是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法如此可以通過學(xué)習(xí)的過程獲得對這些規(guī)律和規(guī)如此的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比擬容易實現(xiàn)。因此人工神經(jīng)網(wǎng)絡(luò)識別速度快，但識別率 低。而神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個一維向量輸入， 因此 輸入節(jié)點龐大，其識別重要的一個目標(biāo)就

15、是降維處理。PCA的算法描述：利用主元分析法（即 Principle ponent Analysis,簡 稱 PCA進(jìn)展識別是由 Anderson和 Kohonen提出的。由于 PCA 在將高維向量向低維向量轉(zhuǎn)化時，使低維向量各分量的方差最大，且 各分量互不相關(guān)，因此可以達(dá)到最優(yōu)的特征抽取。6. 其它方法:除了以上幾種方法，人臉識別還有其它假如干思路和方法，包括一下一些：1隱馬爾可夫模型方法Hidden Markov Model2Gabor小波變換+圖形匹配1準(zhǔn)確抽取面部特征點以與基于Gabor引擎的匹配算法，具有較好的準(zhǔn)確性，能夠排除由于面部姿態(tài)、 表情、發(fā)型、眼鏡、照明環(huán)境等帶來的變化。2

16、Gabor濾波器將 Gaussian網(wǎng)絡(luò)函數(shù)限制為一個平面波的形狀，并且在濾波器設(shè)計中 有優(yōu)先方位和頻率的選擇，表現(xiàn)為對線條邊緣反響敏感。3但該算法的識別速度很慢，只適合于錄象資料的回放識別，對于現(xiàn)場的適 應(yīng)性很差。3 人臉等密度線分析匹配方法1多重模板匹配方法該方法是在庫中存貯假如干標(biāo)準(zhǔn)面像模板或面像器官模板，在進(jìn)展比對時，將采樣面像所有象素與庫中所有模板采用歸一化相關(guān)量度量進(jìn)展匹配。2線性判別分析方法LinearDiscriminantAnalysis , LDA3本征臉法本征臉法將圖像看做矩陣，計算本征值和對應(yīng)的本征向量作為代數(shù)特征進(jìn)展識別，具有無需提取眼嘴鼻等幾何特征 的優(yōu)點，但在單樣本時識別率不高，且在人臉模式數(shù)較大時計算量大4 特定人臉子空間（FSS）算法該技術(shù)來源于但在本質(zhì)上區(qū)別于傳統(tǒng)的"特征臉"人臉識別方法。"特征臉"方法中所有人共有一個 人臉子空間，而該方法如此為每一個體人臉建立一個該個體對象所私 有的人臉子空間，從而不但能夠更好的描述不同個體人臉之間的差異 性，而且最大可能地擯棄了對識別不利的類內(nèi)差異性和噪聲，因而比傳統(tǒng)的"特征臉?biāo)惴?quot;具有更好的判別能力。另外