人脸识别研究的背景意义现状及特征提取方法研究样本

人脸识别研究的背景意义现状及特征提取方法研究

1研究背景与意义............................ 错误!未定义书签。2国内外研究现状............................ 错误!未定义书签。

2.1 人脸识别的研究现状................... 错误!未定义书签。

2.2 人脸识别中稀疏编码的研究现状......... 错误!未定义书签。3人脸的特征提取方法概述.................... 错误!未定义书签。

3.1 基于局部特征的方法................... 错误!未定义书签。

3.2 基于整体特征的方法................... 错误!未定义书签。

基于特征脸方法........................ 错误!未定义书签。

基于弹性匹配的方法.................... 错误!未定义书签。

基于神经网络的方法.................... 错误!未定义书签。

基于不变性的方法...................... 错误!未定义书签。

基于Fisher线性判别方法............... 错误!未定义书签。

1研究背景与意义

人脸识别技术具有广泛的应用前景, 在国家安全、军事安全和公共安全领域, 智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等都是典型的应用; 在民事和经济领域, 各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证, 社会保险人的身份验证等具有重要的应用价值; 在家庭娱乐等领域,

人脸识别也具有一些有趣有益的应用, 比如能够识别主人身份的智能玩具、家政机器人, 具有真实面像的虚拟游戏玩家等等。

近年来许多神经生理学家在视觉系统上已展开了全面深入的研究, 而且取得了一些有重要意义的研究成果。这就使得在工程上利用计算机来模拟视觉系统成为可能。基于这一认识, 利用已有的生物学科研成果, 联系信号处理、计算理论以及信息论知识, 经过对视觉系统进行计算机建模, 使计算机能在一定程度上模拟人的视觉系统, 以解决人工智能在图像处理领域中碰到的难题。神经稀疏编码算法正是这样一种建模视觉系统的人工神经网络方法。这种算法编码方式的实现仅依靠自然环境的统计特性, 并不依赖于输入数据的性质, 因而是一种自适应的图像统计方法。

传统的人脸识别系统中, 不论是基于整体的或者局部特征的人脸识别方法, 都需要建立很好的模型来提取特征, 而稀疏编码理论对特征的选取方面要求相对较低, 因此结合特征提取方法再对稀疏编码算法进行深入研究, 并应用到人脸识别中, 扩展了人脸识别的方法理论, 将会对该领域的研究起到一定的促进作用, 因此具有很重要的学术意义。当前, 稀疏编码SC方法在盲源信号分离、语音信号处理、自然图像特征提取、自然图像去噪以及模式识别等方面已经取得许多研究成果, 具有重要的实用价值, 是当前学术界的一个研究热点。进一步研究稀疏编码技术, 不但会积极地促进图像信号处理、神经网络等技术的研究, 而且也将会对相关领域新技术的发展起到一定的促进作用。

2国内外研究现状

2.1 人脸识别的研究现状

人脸识别的研究历史比较悠久, Galton早在1888年和19 就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章, 对人类自身的人脸识别能力进行了分析, 但当时还不可能涉及到人脸的自动识别问题。最早的关于人脸识别问题的研究论文见于1964年Bertillon在Panoramic Research Inc.发表的技术报告, 和1965年Chan在Panoramic Research Inc.发表的技术报告, 到现在已有四十余年的历史。近年来, 人脸识别研究得到了诸多研究人员的青睐, 涌现出了诸多技术方法。特别是1990年以来, 人脸识别更得到了长足的发展, 每年都有大量的学术论文发表。现在, 几乎所有知名的理工科大学和IT产业的主要公司都有研究组在从事人脸识别的研究。

人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon, Allen和Parke为代表, 主要研究人脸识别所需要的面部特征。该阶段是人脸识别研究的初级阶段, 非常重要的成果不是很多, 也基本没有获得实际应用。

第二个阶段是人机交互识别阶段。该阶段代表性工作是Goldstion, Harmon和Lesk等用几何特征参数来表示人脸正面图像。她们用21维特征矢量表示人脸面部特征, 并设计了基于这一特

征表示的识别系统。在这个阶段, Kanade博士于1973年在京都大学完成了第一篇人脸识别方面的博士论文。该阶段的方法仍摆脱不了操作员的干涉。

第三个阶段是真正的机器自动识别阶段。这一阶段时间相对短暂, 但却是人脸识别研究的高潮期, 不但诞生了主成分分析、线性判别分析、弹性图匹配、局部特征分析、独立分量分析、支持向量机、神经网络、隐马尔可夫模型、柔性模型(FlexibleModels)(包括主动形状模型(ASMs)和主动表观模型(AAMs))等若干代表性的人脸识别算法, 美国军方还组织了著名的FERET人脸识别算法测试, 并出现了若干商业化运作的人脸识别系统, 最为著名的是Visionics(现为Idenfx)的Facelt系统。这一阶段的人脸识别技术发展非常迅速, 所提出的算法在较理想图像采集条件、用户配合、中小规模正面人脸数据库上达到了非常好的性能。从技术方案上看, 2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段的主流技术。

第四个阶段是鲁棒的人脸识别技术的研究阶段。近几年来, 研究人员针对影响人脸识别的一些主要因素, 例如光照、姿态、表情、年龄、遮挡、低分辨率等变化因素, 提出了很多解决方法。如对于光照变化的处理方法主要有熵图像法、光照锥法、球谐波函数法、九点光源法等。对于姿态变化的处理方法主要有多视角法、局部到整体几何特征变换匹配法、通用3D模型法、 3D形变模型法、光流场法[7]等。

总体而言, 当前非理想成像条件下(特别是光照和姿态)、用户不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点。解决这类问题的方法的特点是经过描述和补偿变化因素, 从而提高算法的性能。非线性建模方法、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。

当前, 国外对人脸识别问题的研究很多, 比较著名的有CMU( 卡耐基·梅隆大学)、 MIT( 麻省理工学院)、 YALE( 耶鲁大学) 等机构; 国内的清华大学、中国科学院自动化研究所、上海交通大学、南京理工大学、哈尔滨工业大学等单位都有人员从事人脸识别相关工作的研究。关于人脸识别研究的重要国际会议有IEEE 的FG(IEEE International Conference Automatic Face and Gesture Recognition)、ICIP(International Conference on Image Processing)、 CVPR(Conference on Computer Vision and Pattern Recognition ) 等。

2.2 人脸识别中稀疏编码的研究现状

①假设条件

稀疏编码模型能够表示初级视觉皮层简单细胞编码外界视觉刺激图像的过程和特征,这种动态映射和表示层细胞的发放特性导致了细胞发放的稀疏分布。由于哺乳动物的视觉生理过程是很复杂的, 在用稀疏编码模型模拟初级视觉系统神经元的感受野特性时,

一般需要设置以下的假设:

1)

输入数据具有稀疏性(或超高斯性)结构; 2)

各个稀疏系数),,1(m i s i =之间是统计独立的; 3)

稀疏变换是一种线性变换; 4)

基函数A 非奇异,即特征矩阵A 的行列式0)det(≠A ; 5) 有噪声n 时,稀疏分量i s 和噪声信号n 是相互独立的。

② 稀疏编码模型

基于上述假设的稀疏编码模型的研究主要内容有:

1) Olshausen 等人把超完备基(基函数A 的维数大于输出神经元的

个数)引入到稀疏编码模型中, 利用概率密度估计模型建模V1区感受野, 并应用于时变的(time-varying)自然图像数据; 此模型比静止自然图像的稀疏编码模型计算复杂, 训练时间也较长;

2) Tenenbaum 等人提出了双线性稀疏编码模型, 对稀疏系数和基

函数进行两次稀疏变换,能够更好地体现自然图像的内容和类型, 但训练速度较慢;

3) Olshausen 和Simocelli 从小波变换的角度对自然数据进行神经

表示和有效编码, 这是一种完备基(基函数A 的维数等于输出神经元的个数)的稀疏编码模型, 此模型对图像数据的类型具有依赖性;

4) Oja 和Hyv?rinen等人围绕ICA 模型和不变特征子空间展开深入

研究, 由于ICA 方法要求的假设条件太强,其应用范围受到限

制;

5)Hoyer在Olshausen和Field提出的标准稀疏编码模型的基础上,

提出一种非负稀疏编码(NNSC)模型。NNSC模型考虑了人眼以不同的通道(ON-channel和OFF-channel)接收非负数据, 符合人眼的生理特性和主视皮层V1区简单细胞神经元的电生理特性, 但由于模型过于简化, 易受噪声的干扰;

6)Donoho等人提出的经过L1范数最小化的通用字典的最佳稀疏表

示方法。该方法的困难在于如何选择恰当的”字典”, 以获得最大的稀疏性;

7)中国的杨谦[9]等利用二维Gabor小波函数建立的一个基于超定

完备基的简单细胞群稀疏编码的计算模型, 并实现了自然图像的编码;

8)中国的孙玉宝等提出的基于Gabor感知多成份字典的图像稀疏

表示算法, 根据图像的几何结构特征建立匹配各层面图像结构的Gabor感知多成分字典, 该字典具有对图像中平滑、边缘与纹理结构的自适应性。

③稀疏编码存在的问题

当前, 由于人们对主视皮层V1区如何对复杂的自然环境进行有效编码的过程依然知之甚少, 因此上述的稀疏编码模型只是一种启发式的学习方法。主要存在的问题[10]是:

1)理论依据不完善。主视皮层V1区的稀疏编码的研究首先必须借

助感知神经科学的研究成果, 必须结合计算技术、统计学理

论、估计理论、人工神经网络等基础理论。这些理论的发展和完善有助于稀疏编码理论的发展;

2)神经元估计模型不精确。稀疏编码算法必须依靠一个好的神经

元的计算模型, 这个计算模型必须建立在神经生理科学研究的成果上。当前科学家们对V1区神经细胞复杂的响应特性的研究仍处于探索阶段, 故对V1区的神经元建模问题仍处于不断发展和完善的状态。

3人脸的特征提取方法概述

人脸特征主要可分为几何特征和代数特征两大类: 几何特征也称为直观特征, 它是以人脸器官的形状和几何关系为基础的特征矢量, 其分量一般包括人脸指定两点间的欧氏距离、曲率、角度等; 代数特征即人脸图像在本征空间形成的降维投影。人脸的几何特征比较稳定, 受人脸的姿态变化与光照条件等因素的影响小, 可是不容易抽取, 而且测量精度也较差; 人脸的代数特征容易得到, 可是稳定性较差, 容易受到外界因素的影响。当前国内外研究人脸识别的方法层出不穷, 人脸特征提取的方法可分为基于局部特征的识别和基于整体特征的识别。下面对这些方法进行分别介绍。

3.1 基于局部特征的方法

基于局部特征的方法是从脸部器官的形状及其相互位置关系

为出发点, 提取与识别人脸特征。尽管各个人的脸部器官在形状、大小上存在一定的差异, 但其相互位置关系及特征点形状等特性方面均有一定的规律, 这为人脸特征提取与识别提供了可能。局部模板匹配是一种较为常见的方法。文献[11]采用可变形模板技术建立眼睛模型, 根据能量函数调整模板参数达到最佳匹配, 以实现人脸识别目标。受人脸侧面轮廓的启发, 使用一种简单而有效的灰度投影方法进行人脸特征提取与识别, 并运用于三维人脸识别。由于灰度投影法的特性, 可将其与模板匹配方法结合, 提高识别的效果。

3.2 基于整体特征的方法

基于整体特征的方法从整体上对人脸进行特征提取, 进而识别人脸。单个器官的某些变化不会对整个人脸识别造成多大影响。此类方法较多, 它是当前人脸识别领域的一种主流方法。

基于特征脸方法

特征脸方法是从主分量分析法导出的一种人脸识别方法。K-L 变换是种常见的正交变换, 将其用于人脸识别取得了较好的效果。它根据一组人脸图像构造主分量子空间, 由于主元具有人脸的形状, 也称特征脸。将测试图像投影到主分量子空间上, 得到了一组投影系数, 与各个已知的人脸图像进行比较识别, 取得了较好的识别效果。特征脸方法原理简单、易于实现, 实质上是一种统计

性的模板匹配方法。特征脸方法把人脸作为一个整体来处理, 大大降低了识别复杂度。可是, 由于忽视了人脸的个性差异, 该方法有一定的理论缺陷。研究表明, 随着光照条件、人脸角度及人脸相对尺寸的变化, 识别率将急剧下降。实验证明, 特征脸方法的识别率随训练图像数目的增大而增大, 当然, 计算复杂程度也相应增加了。

基于弹性匹配的方法

该方法采用网格作为模板, 将图像间的比较变为网格间的比较。使用一种基于动态链接结构的弹性匹配法来定位人脸, 并根据人脸数据库进行匹配识别。将物体用稀疏图形描述, 其顶点用局部能量谱的多尺度描述来标记, 边则表示拓扑连接关系, 并用几何距离标记, 再应用弹性图形匹配技术来寻找最近的已知图形。弹性匹配方法整体识别性能优于特征脸方法, 但计算量大、识别速度慢。

基于神经网络的方法

人工神经网络当前正越来越被频繁地应用于人脸识别, 大部分的人脸识别神经网络都采用多层感知器和BP(Back propagation)学习算法。实验表明该法具有较强的适应能力和鲁棒性, 能够有效地运用与多人脸、不同尺寸、不同姿态、不同肤色、不同光照条件和复杂背景的情况, 是一种有效的人脸识别方法。而且经过适

当增加训练样本的数量和类型, 能够进一步提高识别性能。由于神经网络方法具有良好的学习特性, 且不受模式形变的影响, 因此使用神经网络的方法识别效果较好, 其发展趋势是使用混合神经网络或神经网络群来达到更好的识别效果。

基于不变性的方法

利用人脸的某种稳定的不变性特征也可进行人脸识别。奇异值具有稳定性、不变性(旋转、平移、转置不变性), 可用于描述人脸。因此将人脸图像看作一个数值矩阵, 用奇异值分解提取奇异值, 构成奇异值向量用于人脸识别[14]。用于图像识别的不变矩理论也常见于人脸的识别, 同类人脸图像产生的不变矩特征相差不大, 不同类人脸图像产生的不变矩特征相差较大。实际表明, 不变矩适用于人脸识别效果较好。

基于Fisher线性判别方法

基于线性判别分析的Fisher线性判别方法是解决小样本问题的一种方法, 其实质是将人脸图像表示成一个列向量, 经过LDA变换提取其特征向量。一般先对人脸图像运用PCA方法进行变换降维, 再使用LDA方法, 以避免LDA方法对高维人脸图像空间计算的不稳定性。

人脸识别流程

概述 本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。 本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下： 第一步人脸检测定位 确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：

页脚内容 第二步人脸图像预处理 图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关 重要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下： 第三步特征提取对比识别 人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描 述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。

人脸识别技术的应用背景及研究现状

1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较

面部表情识别实验报告分析

面部表情识别实验 实验报告 小组成员： 面部表情识别实验 西南大学重庆 400715

摘要：情绪认知是一种复杂的过程，它包含观察、分析、判断、推理等，是借助于许多线索，特别是借助面部那些活动性更大的肌肉群的运动而实现的。所以，情绪认知的准确度受多种因素的影响。 当我们与他人相互交往的时候，不管是不是面对面。我们都正在不断的表达着情绪，同时又正在观察，解释着的对方做出的表情，在人际交往过程中，情绪的表达和认知是十分的迅速和及时，那么人是借助于哪些表情来认知他人的情绪的呢？情绪识别实际上并不是针对表情本身的，而是针对这它背后的意义。例如：皱眉可能是一种情绪的表现，我们见到这种面部表情就试图解释潜在于它背后的情绪。尖锐，短促，声音嘶哑可能是一种情绪表现，我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸，顿足可能是一种情绪的表现，我们见到这种动作表情就是试图解释潜在于它背后的情绪。对于这个复杂的问题，心理学家曾经做过许多的研究。 面部表情认知的研究可分为两个步骤：第一步是面部表情刺激物的制作或选择，这可以用专门拍摄(录像)或图示来描画，也可以用完全装扮出的活生生的表情或自发的表情等。第二步时对表情进行识别评定。也可以用多种方法，如自由评定法，即让被试自由地对表情给出情绪词汇；或限制评定法，即向被试提供各种提供各种情绪词汇或情绪情境，要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等；或参照自由评定法，即向被试提供参考线索（如情境，人格特征等），让其说出所表达的情绪的词汇等。 关键词：情绪表情认知线索

1 前言 传统心理学把情绪列为心理现象的三大方面之一。情绪也是心理学理论体系中一个不可缺少的研究环节。情绪（emotion）是体验，又是反应；是冲动，又是行为；它是有机体的一种复合状态。情绪的表现有和缓的和激动的，细微的和强烈的，轻松的和紧张的等诸多形式，广泛地同其他心理过程相联系。自古以来，科学家们十分注意探讨情绪之奥妙，但与情绪的重要性不相适应的是，长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。造成这一现象的最主要原因是情绪所特有的复杂性以及由此衍生出来的情绪研究方法学上的困难。我国心理学家孟昭兰（1987）将理论认为面部表情是传递具体信息的外显行为面部表情是提供人们在感情上互相了解的鲜明标记。情绪过程既包括情绪体验，也包括情绪表现，而表情既是情绪的外部表现，也是情绪体验的发生机制；既是最敏锐的情绪发生器，也是最有效的情绪显示器。这就从机制上说明了以面部肌肉运动模式作为情绪标志的根据。 面部表情（facial expression_r）的发生是有其客观的物质基础的：表情按面部不同部位的肌肉运动而模式化，面部反应模式携带着心理学的意义，那就是或快乐、或悲伤等具体情绪。但是，对表情进行测量的原则在于：所要测量的是面孔各部位的肌肉运动本身，而不是面部所给予观察者的情绪信息。该实验将14名被试分为两组进行表情认知的实验，实验目的在于通过实验了解面部表情认知的基本

人脸识别可行性研究报告

人脸识别可行性研究报告 一报告目录 第一章前言 第一节课题背景 一课题的来源------------------------------------------------------------------------------1 二人脸识别技术的研究意义------------------------------------------------------------2 第二节人脸识别技术的国内外发展概况---------------------------------------------------3一国外发展概况---------------------- --------------------------------------------------3 二国内发展概况---------------------------------------------------------------------------4 第二章系统的需求分析和方案选择---------------------------------------------------------6第一节可行性分析------------------------------------------------------------------------------6 一技术可行性分析------------------------------------------------------------------------6 二操作可行性分析------------------------------------------------------------------------7 第二节需求分析---------------------------------------------------------------------------------7 一应用程序的功能需求分析------------------------------------------------------------7 二开发环境的需求分析------------------------------------------------------------------8 三运行环境的需求分析------------------------------------------------------------------8 第三节预处理方案选择------------------------------------------------------------------------9 一设计方案原则的选择------------------------------------------------------------------9 二图像文件格式选择---------------------------------------------------------------------9 三开发工具选择---------------------------------------------------------------------------9 第一章前言 第一节课题背景 一课题的来源 随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。 二人脸识别技术的研究意义

人脸识别技术的应用背景及研究现状

人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：

人脸识别介绍

人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库

不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。

模式识别特征选择与提取

模式识别特征选择与提取 中国矿业大学计算机科学与技术学院电子信息科学系 班级：信科11-1班，学号：08113545，姓名：褚钰博 联系方法（QQ或手机）：390345438，e-mail:390345438@https://www.wendangku.net/doc/bf11480768.html, 日期：2014 年06月10日 摘要 实际问题中常常需要维数约简，如人脸识别、图像检索等。而特征选择和特征提取是两种最常用的维数约简方法。特征选择是从某些事物中提取出本质性的功能、应用、优势等，而特征提取是对特征空间进行变换，将原始特征空间映射到低维空间中。 本文是对主成分分析和线性判别分析。 关键词：特征选择，特征提取，主成分分析，线性判别分析 1.引言 模式识别的主要任务是利用从样本中提取的特征，并将样本划分为相应的模式类别，获得好的分类性能。而分类方法与分类器设计，都是在d（变量统一用斜体）维特征空间已经确定的前提下进行的。因此讨论的分类器设计问题是一个选择什么准则、使用什么方法,将已确定的d维特征空间划分成决策域的问题。对分类器设计方法的研究固然重要，但如何确定合适的特征空间是设计模式识别系统另一个十分重要，甚至更为关键的问题。如果所选用的特征空间能使同类物体分布具有紧致性，即各类样本能分布在该特征空间中彼此分割开的区域内，这就为分类器设计成功提供良好的基础。反之，如果不同类别的样本在该特征空间中混杂在一起，再好的设计方法也无法提高分类器的准确性。本文要讨论的问题就是特征空间如何设计的问题。 基于主成分分析的特征选择算法的思想是建立在这样的基础上的：主成分分析方法将原始特征通过线性变换映射到新的低维空间时，获得的主成分是去了新的物理意义，难以理解，并且主成分是所有原始特征的线性组合。所以将主成分分析与特征选择相结合，设计多种相似性度量准则，通过找到与主成分相关的关键特征或者删除冗余、不相关以及没有意义的特征，将主成分又重新映射到原始空间，来理解成主成分的实际意义。 基于线性判别分析的高维特征选择将单个特征的Fisher准则与其他特征选择算法相结合，分层消除不相关特征与冗余特征。不相关特征滤波器按照每个特征的Fisher评价值进行特征排序，来去除噪音和不相关特征。通过对高维数据特征关联性的分析，冗余特征滤波器选用冗余度量方法和基于相关性的快速过滤器算法。分别在不同情境下进行数据分类实验，验证其性能。

关于人脸识别技术的发展研究

人脸识别技术优势 863计划、国家科技支撑计划、自然科学基金都拨出专款资助人脸识别的相关研究。国家“十一五”科技发展规划中也将人脸识别技术的研究与发展列入其中[4]，明确指出：“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，人脸识别具有高安全性、低误报率的出入口控制新产品。”在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展。如中科院自动化所，清华大学，中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。人脸识别作为一种新兴的生物特征识别技术(Biometrics)，与虹膜识别、指纹扫描、掌形扫描等技术相比，人脸识别技术在应用方面具有独到的优势： 1.人脸识别使用方便，用户接受度高。人脸识别技术使用通用的摄像机作为识别信息获取装置，以非接触的方式在识别对象未察觉的情况下完成识别过程。 2.直观性突出。人脸识别技术所使用的依据是人的面部图像，而人脸无疑是肉眼能够判别的最直观的信息源，方便人工确认、审计，“以貌取人”符合人的认知规律。 3.识别精确度高，速度快。与其它生物识别技术相比，人脸识别技术的识别精度处于较高的水平，误识率、拒认率较低。 4.不易仿冒。在安全性要求高的应用场合，人脸识别技术要求识别对象必须亲临识别现场，他人难以仿冒。人脸识别技术所独具的活性判别能力保证了他人无法以非活性的照片、木偶、蜡像来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。举例来说，用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。 5.使用通用性设备。人脸识别技术所使用的设备为一般的PC、摄像机等常规设备，由于目前计算机、闭路电视监控系统等已经得到了广泛的应用，因此对于多数用户而言使用人脸识别技术无需添置大量专用设备，从而既保护了用户的原有投资又扩展了用户已有设备的功能，满足了用户安全防范的需求。 6.基础资料易于获得。人脸识别技术所采用的依据是人脸照片或实时摄取的人脸图像，因而无疑是最容易获得的。 7.成本较低，易于推广使用。由于人脸识别技术所使用的是常规通用设备，价格均在一般用户可接受的范围之内，与其它生物识别技术相比，人脸识别产品具有很高的性能价格比。 概括地说，人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有极其广阔的市场应用前景。 我将人脸识别的一些应用列举出来，希望抛转引玉，大家不断完善，开拓更多的应用领域。 1）监控布控

人脸表情识别

图像处理与模式识别 ------人脸表情识别介绍摘要：人脸表情是我们进行交往和表达情绪的一种重要手段，不经过特殊训练，人类对其面部表情往往很难掩饰，所以，通过对人脸表情进行分析，可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分，也是模式识别、图像处理领域的一个重要研究课题，近几年来，受到了越来越多的科研人员的关注。 本文综述了国内外近年来人脸表情识别技术的最新发展状况，对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取，做了详细分析和归纳。 关键词：人脸定位；积分投影；人脸表情识别；流形学习；局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic. In this paper,we present the latest development of this area,and give a detailed analysisand summary for facial

特征提取在人脸识别中的应用.pdf

特征提取在人脸识别中的应用 刘磊，2014080008 一、 人脸识别研究现状 人脸识别的研究早已展开,Calton等早在1888年和1910年就分别在Nature杂志上发表过两篇关于利用人脸特征进行身份识别的文章,提出检测人脸特征或是关键点的方法。自动人脸识别的研究论文最早出现在1965年Chan和Bledsoe在Panoramic Research Inc上发表的技术报告中至今已有四十多年的历史。学者们一般将AFR的研究历史按照研究内容、技术方法等划分为以下三个阶段。 第一阶段(1964—1990年)。这一阶段人脸识别刚刚起步,还只是被作为一个一般性的模式识别问题进行研究,所釆用的方法主要是比较人脸的几何结构。总体而言,这一阶段可以看做是人脸识别研究的初级阶段,代表性的成果没有很多,也没有得到实际应用。 第二阶段(1991一1997年)。尽管第二阶段的时间比较短暂,但却是人脸识别研究的发展高峰期,不仅涌现出大量重量级研究成果,而且出现了若干商业化运作的人脸识别系统。这一阶段的人脸识别技术发展非常之快,所提出的算法在较理想图像采集条件下的中小规模正面人脸数据库上可以达到令人满意的性能。 第三阶段(1998—现在)。20世纪90年代以来,对人脸识别方法的研究变得非常热门,吸引了大量的研究人员和基金支持。由于主流的人脸识别技术对于光照、姿态等非理想采集条件,以及用户不配合造成的人脸变化等条件下的鲁棒性比较差。目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。 二、人脸识别系统 人脸识别系统是提取人脸的相关特征信息,并根据这些特征信息进行身份识别的生物识别技术,它利用计算机对人脸静态图像或动态视频流进行分析,提取出对识别有用的信息,从而进行身份认证,它是人类用来进行身份确认最直接、最自然、最友好的生物特征识别方法,而且与其他身份识别方法相比,人脸识别具有采集过程的非侵犯性、釆集的便捷性等优点,特别是使用者不会产生任何心理障碍,通过对人脸表情与姿态进行分析,还能获得其他识别系统难以获得的一些信息。 三、人脸识别的描述分类 1、人脸检测

人脸识别技术的主要研究方法

1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且

人脸识别系统研究分析

摘要 文章具体讨论了主成分分析( PCA)人脸识别算法地原理及实现.它具有简单、快速和易行等特点,能从整体上反映人脸图像地灰度相关性具有一定地实用价值. 人脸识别是目前较活跃地研究领域, 本文详细给出了基于主成分分析地人脸特征提取地原理与方法.并使用matlab 作为工具平台, 实现了一个人脸自动识别地系统原型.实验结果表明, 该系统识别率为100%, 达到预期地效果.如果想进一步提高人脸识别率, 可以考虑与其他方法结合.仅单独使用任何一种现有地方法一般都不会取得很好地识别效果, 将其他人脸识别方法组合是今后研究地一种趋势.也可以考虑改进分类决策地方法.本系统采用地最小距离分类法属于线性地分类器, 而利用神经网络这类学习能力更强地非线性分类器对高维人脸识别问题可能会有更好地解决.b5E2R。

目录 1.引言 (1) 2．需求分析 (1) 2.1 课题地来源 (1) 2.2人脸识别技术地研究意义 (2) 2.2.1 面部关键特征定位及人脸2D形状检测技术 (2) 2.2.2面部感知系统地重要内容 (2) 2.3人脸识别地国内外发展概况 (3) 2.3.1国外地发展概况 (3) 2.3.2国内地发展概况 (4) 3．概要设计 (5) 3.1问题描述 (5) 3.2模块设计 (5) 3.3主成分地一般定义 (6) 3.4主成分地性质 (7) 3.5主成分地数目地选取 (7) 4. 详细设计--PCA算法地功能实现 (8) 4.1引言 (8) 4.2 K-L变换 (8) 4.3 PCA方法 (9) 4.4利用PCA进行人脸识别 (10) 5.实验及结果分析 (11) 6. 总结 (14) 7. matlab 源码 (15) 参考文献 (19)

人脸识别技术的应用背景及研究现状

人脸识别技术的应用背景及研究现状 文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]

人脸识别技术的应用背景及研究现状1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面： （1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 ??（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。

?（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Compute r Interface Institute，Microsoft Research,英国的Department of Engine ering in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼

人脸识别方法与制作流程

本技术公开了一种人脸识别方法,自从上个世纪七十年代以来，随着人工智能技术的兴起，以及人类视觉研究的进展，人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域。如今，人脸识别在安全验证系统（电脑登陆和手机解锁）、档案管理、视频会议、公安系统(罪犯识别等)等方面的巨大应用前景，更令其成为一个研究热点。本技术利实现了一个集多种预处理方法于一体的人脸识别方法，利用灰度图像的直方图比对来实现人脸图像的识别判定。 技术要求 1.一种人脸识别方法，其特征在于，包括以下步骤： 101．预存储目标对象面部图像信息； 102．对预存储的图像进行数字化处理； 103．采用人脸比对方法对目标对象与上述102步骤形成的图像进行比对。 2.根据权利要求1所述的人脸识别方法，其特征在于，步骤102中所述的数字化处理方法 为直方图均衡化方法，具体过程如下： 假设源图在坐标(a，b)处的灰度为s，通过映射转换为图像p，在灰度直方图均衡化的处理过程中，假定图像的映射函数定义为:p = EQ (s)； 直方图均衡化映射函数为： 其中K为图像的灰度级数。 3.根据权利要求1所述的人脸识别方法，其特征在于，步骤102中所述的数字化处理方法 为直方图规定化方法，具体过程为： 假设A为原始图的灰度级数，B为规定图的灰度级数，且B≤A；

第一步，完成对原图像直方图的灰度均衡化； 第二步，规定直方图，并对规定的直方图进行均衡化； 第三步，逆转第一个步骤的变换，即将原始直方图一一对应到规定的直方图，将所有函数映射到函数上，其中原始图像的概率密度函数为，期望获得的图像概率密度函数为，r表示源图的灰度级，z表示期望获得图像的灰度级。 技术说明书 一种人脸识别方法 技术领域 本技术涉及识别方法，具体地，涉及一种人脸识别方法。 背景技术 目前，远程身份认证已成为一个热门应用，在很多领域都存在强烈需求，例如门禁系统，各种账户身份认证等，为了加快认证效率，机器化系统化智能认证已是大势所趋，随之产生了各种不同的验证方式，比如指纹、虹膜和人脸识别等，其中人脸识别是最近比较受重视的验证方式，但是由于人脸识别时都需采用预存目标人面部图像然后比的方式进行，而图像比对的精度则很难得到保证。 技术内容 本技术的目的在于，针对上述问题，提出一种人脸识别方法，以实现准确识别的优点。为实现上述目的，本技术采用的技术方案是：一种人脸识别方法，包括以下步骤：101.预存储目标对象面部图像信息； 102.对预存储的图像进行数字化处理； 103.采用人脸比对方法对目标对象与上述102步骤形成的图像进行比对。 进一步的，步骤102中所述的数字化处理方法为直方图均衡化方法或直方图规定化方法。

人脸表情识别综述

人脸表情识别综述 一、人脸表情识别技术目前主要的应用领域包括人机交互、安全、机器人制造、医疗、通信和汽车领域等 二、1971年，心理学家Ekman与Friesen的研究最早提出人类有六种主要情感，每种情感以唯一的表情来反映人的一种独特的心理活动。这六种情感被称为基本情感，由愤怒（anger）、高兴(happiness)、悲伤(sadness)、惊讶(surprise)、厌恶(disgust)和恐惧(fear)组成 人脸面部表情运动的描述方法---人脸运动编码系统FACS (Facial Action Coding System)，根据面部肌肉的类型和运动特征定义了基本形变单元AU（Action Unit），人脸面部的各种表情最终能分解对应到各个AU上来，分析表情特征信息，就是分析面部AU的变化情况 FACS有两个主要弱点：1.运动单元是纯粹的局部化的空间模板；2.没有时间描述信息，只是一个启发式信息 三、人脸表情识别的过程和方法 1、表情库的建立：目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的 Cohn-Kanade AU-Coded Facial Expression Image Database(简称CKACFEID)人脸表情数据库;日本ATR 建立的日本女性表情数据库(JAFFE)，它是研究亚洲人表情的重要测试库 2、表情识别: （1）图像获取:通过摄像头等图像捕捉工具获取静态图像或动态图像序列。 （2）图像预处理:图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。 →目的:改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类识别打好基础 主要工作→人脸表情识别子区域的分割以及表情图像的归一化处理(尺度归一和灰度归一) （3）特征提取:将点阵转化成更高级别图像表述—如形状、运动、颜色、纹理、空间结构等,在尽可能保证稳定性和识别率的前提下，对庞大的图像数据进行降维处理。 →特征提取的主要方法有：提取几何特征、统计特征、频率域特征和运动特征等 1）采用几何特征进行特征提取主要是对人脸表情的显著特征,如眼睛、眉毛、嘴巴等的位置变化进行定位、测量,确定其大小、距离、形状及相互比例等特征,进行表情识别 优点：减少了输入数据量 缺点：丢失了一些重要的识别和分类信息，结果的精确性不高

人脸识别主要算法原理doc资料

人脸识别主要算法原 理

人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但

Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识

人脸识别技术的主要研究方法

人脸识别技术的主要研 究方法 The manuscript was revised on the evening of 2021

1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整个图片才能得到检测结果，并且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。近几年来，针对该方法的人脸检测研究相对比较活跃。 4、基于代数特征的人脸识别方法