人臉識別技術(shù)的應(yīng)用背景及研究現(xiàn)狀

人臉識別技術(shù)的應(yīng)用背景及研究現(xiàn)狀

1．人臉識別技術(shù)的應(yīng)用

隨著社會的不斷進(jìn)步以及各方面對于快速有效的自動身份驗(yàn)證的迫切要求，生物特征識別技術(shù)在近幾十年中得到了飛速的發(fā)展。作為人的一種內(nèi)在屬性，并且具有很強(qiáng)的自身穩(wěn)定性及個(gè)體差異性，生物特征成為了自動身份驗(yàn)證的最理想依據(jù)。當(dāng)前的生物特征識別技術(shù)主要包括有：指紋識別，視網(wǎng)膜識別，虹膜識別，步態(tài)識別，靜脈識別，人臉識別等。與其他識別方法相比，人臉識別由于具有直接，友好，方便的特點(diǎn)，使用者無任何心理障礙，易于為用戶所接受，從而得到了廣泛的研究與應(yīng)用。除此之外，我們還能夠?qū)θ四樧R別的結(jié)果作進(jìn)一步的分析，得到有關(guān)人的性別，表情，年齡等諸多額外的豐富信息，擴(kuò)展了人臉識別的應(yīng)用前景。當(dāng)前的人臉識別技術(shù)主要被應(yīng)用到了以下幾個(gè)方面：

（1）刑偵破案公安部門在檔案系統(tǒng)里存儲有嫌疑犯的照片，當(dāng)作案現(xiàn)場或通過其他途徑獲得某一嫌疑犯的照片或其面部特征的描述之后，可以從數(shù)據(jù)庫中迅速查找確認(rèn)，大大提高了刑偵破案的準(zhǔn)確性和效率。

（2）證件驗(yàn)證在許多場合（如?？?，機(jī)場，機(jī)密部門等）證件驗(yàn)證是檢驗(yàn)?zāi)橙松矸莸囊环N常用手段，而身份證，駕駛證等很多其他證件上都有照片，使用人臉識別技術(shù)，就可以由機(jī)器完成驗(yàn)證識別工作，從而實(shí)現(xiàn)自動化智能管理。

（3）視頻監(jiān)控在許多銀行，公司，公共場所等處都設(shè)有24小時(shí)的視頻監(jiān)控。當(dāng)有異常情況或有陌生人闖入時(shí)，需要實(shí)時(shí)跟蹤，監(jiān)控，識別和報(bào)警等。這需要對采集到的圖像進(jìn)行具體分析，且要用到人臉的檢測，跟蹤和識別技術(shù)。

（4）入口控制入口控制的范圍很廣，既包括了在樓宇，住宅等入口處的安全檢查，也包括了在進(jìn)入計(jì)算機(jī)系統(tǒng)或情報(bào)系統(tǒng)前的身份驗(yàn)證。

（5）表情分析根據(jù)人臉圖像中的面部變化特征，識別和分析人的情感狀態(tài)，如高興，生氣等。此外，人臉識別技術(shù)還在醫(yī)學(xué)，檔案管理，人臉動畫，人臉建模，視頻會議等方面也有著巨大的應(yīng)用前景。

2．人臉識別技術(shù)在國外的研究現(xiàn)狀

當(dāng)前很多國家展開了有關(guān)人臉識別的研究，主要有美國，歐洲國家，日本等，著名的研究機(jī)構(gòu)有美國MIT的Media lab,AI lab,CMU的Human-Computer Interface Institute，Microsoft Research,英國的Department of Engineering in University of Cambridge等。綜合有關(guān)文獻(xiàn)，目前的方法主要集中在以下幾個(gè)方面：

（1）模板匹配

主要有兩種方法，固定模板和變形模板。固定模板的方法是首先設(shè)計(jì)一個(gè)或幾個(gè)參考模板，然后計(jì)算測試樣本與參考模板之間的某種度量，以是否大于閾值來判斷測試樣本是否人臉。這種方法比較簡單，在早期的系統(tǒng)中采用得比較多。但是由于人臉特征的變化很大，很難得到有效的模板來表示人臉的共性。變形模板在原理上與固定模板相同，但其中包含一些非固定的元素，一種方法是手工構(gòu)造參數(shù)化的曲線和曲面以表征人臉中的某些非固定特征，如眼睛，鼻子和嘴唇等。另一種方法是系統(tǒng)自動生成自適應(yīng)的曲線或曲面，以構(gòu)成變形人臉模板。檢測方法是：將模板與測試圖像進(jìn)行彈性匹配，并加入懲罰機(jī)制，利用某種能量函數(shù)表示匹配程度。

（2）示例學(xué)習(xí)

示例學(xué)習(xí)的基本思想是從某一概念的已給正例和反例的集合中歸納產(chǎn)生出接受所有正例同時(shí)排斥所有反例的該概念的一般規(guī)則。將人臉樣本和非人臉樣本送入學(xué)習(xí)機(jī)中，產(chǎn)生出判別規(guī)則，從而用于作為判斷輸入的測試圖像是否屬于人臉的主要判別依據(jù)。為了獲得較高的精度，學(xué)習(xí)過程需要大量的樣本，另外樣本數(shù)據(jù)本身是高維矢量，因此，研究通用而有效的學(xué)習(xí)算法的關(guān)鍵是精確的區(qū)分性和數(shù)據(jù)維數(shù)的降低。

將多個(gè)表示人臉模式的線性空間進(jìn)行組合，是示例學(xué)習(xí)的另一條途徑。采用了Kohonen自組織映射網(wǎng)絡(luò)對人臉樣本和非人臉樣本進(jìn)行聚類，對每一類樣本進(jìn)行Fisher線性判別，得到每一類的判別平面，從而構(gòu)成圖像子空間，并運(yùn)用高斯模型描述每個(gè)子空間，估計(jì)出類條件概率密度。這樣，對于測試圖像，計(jì)算其屬于各個(gè)子空間的概率，分類決策為概率最大的類是它所屬的類，從而判斷測試圖像是否為人臉。