自動(dòng)人臉識(shí)別技術(shù)

1、2金稻蒸臉器 http:/ http:/ 臉部熱量圖 指紋 手形 手部血管分布 虹膜 視網(wǎng)膜 簽名 語(yǔ)音 7810生物特生物特征征普遍性普遍性獨(dú)特性獨(dú)特性穩(wěn)定性穩(wěn)定性可采集可采集性性性能性能接受程接受程度度防欺騙防欺騙性性人臉人臉HighHighLowLowMediumMediumHighHighLowLowHighHighLowLow指紋指紋MediumMediumHighHighHighHighMediumMediumHighHighMediumMediumHighHigh手形手形MediumMediumMediumMediumMediumMediumHighHighMediumMediu

2、mMediumMediumMediumMedium虹膜虹膜HighHighHighHighHighHighMediumMediumHighHighLowLowHighHigh視網(wǎng)膜視網(wǎng)膜HighHighHighHighMediumMediumLowLowHighHighLowLowHighHigh簽名簽名LowLowLowLowLowLowHighHighLowLowHighHighLowLow聲音聲音MediumMediumLowLowLowLowMediumMediumLowLowHighHighLowLowA. Jain, L. Hong and S. Pankanti. “Biomet

3、rics: Promising Frontiers for Emerging Identification Market”， Communication ACM, 2000生物特生物特征征普遍性普遍性獨(dú)特性獨(dú)特性穩(wěn)定性穩(wěn)定性可采集可采集性性性能性能接受程接受程度度防欺騙防欺騙性性人臉人臉HighHighLowLowMediumMediumHighHighLowLowHighHighLowLow指紋指紋MediumMediumHighHighHighHighMediumMediumHighHighMediumMediumHighHigh手形手形MediumMediumMediumMediumMe

4、diumMediumHighHighMediumMediumMediumMediumMediumMedium虹膜虹膜HighHighHighHighHighHighMediumMediumHighHighLowLowHighHigh視網(wǎng)膜視網(wǎng)膜HighHighHighHighMediumMediumLowLowHighHighLowLowHighHigh簽名簽名LowLowLowLowLowLowHighHighLowLowHighHighLowLow聲音聲音MediumMediumLowLowLowLowMediumMediumLowLowHighHighLowLownBill Gates:

5、 以人類生物特征進(jìn)行身份驗(yàn)證的生物識(shí)別技術(shù)，在今后數(shù)年內(nèi)將成為IT產(chǎn)業(yè)最為重要的技術(shù)革命蒸臉器有用嗎 http:/ 年代,對(duì)人臉表情識(shí)別的研究變得非?；钴S,吸引了大量的研究人員和基金支持,EI 可檢索到的相關(guān)文獻(xiàn)就多達(dá)數(shù)千篇。美國(guó)、日本、英國(guó)、德國(guó)、荷蘭、法國(guó)等經(jīng)濟(jì)發(fā)達(dá)國(guó)家和發(fā)展中國(guó)家如印度、新加坡都有專門(mén)的研究組進(jìn)行這方面的研究。其中MIT、CMU、Maryland 大學(xué)、Standford 大學(xué)、日本城蹊大學(xué)、東京大學(xué)、ATR 研究所的貢獻(xiàn)尤為突出 。國(guó)內(nèi)國(guó)內(nèi)的清華大學(xué)、哈爾濱工業(yè)大學(xué)、中科院、中國(guó)科技大學(xué)、南京理工大學(xué)、北方交通大學(xué)等都有人員從事人臉及人臉表情識(shí)別的研究 50525354

6、5556所謂自動(dòng)人臉識(shí)別系統(tǒng)，是指不需要人為干預(yù)，能夠自動(dòng)獲取人臉圖像并且辨別出其身份的系統(tǒng) 一個(gè)自動(dòng)人臉識(shí)別系統(tǒng)至少要包含三個(gè)部分，即數(shù)據(jù)采集子系統(tǒng)、人臉檢測(cè)子系統(tǒng)和人臉識(shí)別子系統(tǒng) “人臉識(shí)別”有時(shí)是指整個(gè)自動(dòng)人臉識(shí)別系統(tǒng)所做的工作，有時(shí)是指人臉識(shí)別子系統(tǒng)所做的工作數(shù)據(jù)采集子系統(tǒng)人臉識(shí)別子系統(tǒng)人臉檢測(cè)子系統(tǒng)自動(dòng)人臉識(shí)別系統(tǒng)識(shí)別結(jié)果：He is !16*16人臉圖像預(yù)處理預(yù)處理歸一化直方圖均衡Gamma變換特征選擇特征選擇PCA(特征臉)小波變換BoostingBoosting訓(xùn)練器訓(xùn)練器訓(xùn)練集特征向量輸入（1） - 直方圖計(jì)算（2） - 選擇準(zhǔn)確率最高的一維作為弱學(xué)習(xí)機(jī)（3） - 根據(jù)公式計(jì)

7、算相應(yīng)的權(quán)重，調(diào)整樣本分布（4）- 轉(zhuǎn)向（3）直到到達(dá)規(guī)定的循環(huán)次數(shù) - 輸出加權(quán)組合后的分類器Boosting訓(xùn)練器內(nèi)部結(jié)構(gòu)SOMMLP基于網(wǎng)絡(luò)級(jí)聯(lián)的面部表情識(shí)別子系統(tǒng)PCA最近距離分類器基于PCA和最近距離分類器級(jí)聯(lián)的表情識(shí)別子系統(tǒng)FLD最大相關(guān)分類器基于FLD與最大相關(guān)分類器級(jí)聯(lián)的表情識(shí)別子系統(tǒng)幾何關(guān)系最近鄰距離分類器基于幾何關(guān)系與最近鄰距離分類器級(jí)聯(lián)的識(shí)別子系統(tǒng)圖像預(yù)處理SVM信息融合中心識(shí)別結(jié)果是人臉識(shí)別的基準(zhǔn)技術(shù)，并已成為事實(shí)上的工業(yè)標(biāo)準(zhǔn)該方法基于主成分分析（PCA）PCA是將分散在一組變量上的信息集中到某幾個(gè)綜合指標(biāo)（主成分）上的數(shù)學(xué)方法，實(shí)際上起著數(shù)據(jù)降維的作用，并保證降維過(guò)程

8、最大化保留原數(shù)據(jù)的差異這對(duì)最大化類間差異（即不同人之間的差異）并最小化類內(nèi)差異（即同一人的不同圖像間的差異）很有效用PCA將2維數(shù)據(jù)降到1維的例子，綠色點(diǎn)表示二維數(shù)據(jù)，PCA的目標(biāo)就是找到這樣一條直線，使得所有點(diǎn)在這條直線上的投影點(diǎn)之間的平均距離最大。也就是最大化地保留了原數(shù)據(jù)的差異性u(píng)直接計(jì)算C 的本征值和本征向量是困難的，可以通過(guò)對(duì)矩陣 做奇異值分解間接求出um值的選擇：12(),(),()DxxxX11miiniiT如果將本征向量恢復(fù)成圖像，這些圖像很像人臉，因此稱為“本征臉” M. Turk & A. Pentland, JCN91利用PCA分析眼、鼻、嘴等局部特征，即本征特征方法 R

9、. Brunelli & T. Poggio, TPAMI93 A. Pentland et al., CVPR94這實(shí)際上相當(dāng)于：為若干重要的特征建立本征空間，然后將多個(gè)本征空間集成起來(lái)本征臉利用全局特征，本征特征利用局部特征，二者各有優(yōu)勢(shì)待識(shí)別圖像本征臉識(shí)別結(jié)果本征特征識(shí)別結(jié)果 A. Pentland et al., CVPR94(2)(1)(3)(4)難題能否自動(dòng)確定：該用哪些特征？（眼睛？鼻子？嘴？）特征的確切位置在哪兒？（從哪兒到哪兒算眼睛？）將二者結(jié)合，可以得到更好的識(shí)別效果同樣，這實(shí)際上相當(dāng)于：為若干重要的特征建立本征空間，然后將多個(gè)本征空間集成起來(lái)由于嘴部受表情影響很嚴(yán)重，因此

10、未考慮嘴部特征0.70.750.80.850.90.951123456789 10 11 12 13 14 15 16 17 18 19 20RankSEMEeigenfaceeigenfeatureeigenface + eigenfeatureCumulative match score X. Geng & Z.-H. Zhou, unpub04FERET人臉數(shù)據(jù)庫(kù)上的結(jié)果(3)(2)(1)(4)(2)(1)(3)(4)待識(shí)別圖像出現(xiàn)在算法返回的前Rank個(gè)圖像中SEME選擇的特征本征臉+本征特征所用的特征0.912345RankSEMEeigenfaceeigenfeatureeigenface + eigenfeatureCumulative match scoreSEME的訓(xùn)練（計(jì)算）開(kāi)銷很大，但只需訓(xùn)練一次0.90.920.940.960.98112345Ran