内容发布更新时间 : 2024/5/20 13:26:50星期一 下面是文章的全部内容请认真阅读。

人脸识别技术综述

控制工程 陈龙斌 12013002342

摘要：简要介绍了人脸识别技术的研究背景及其发展历程；对人脸识别技术的常用方法进行了分类总结；重点对近年来人脸识别方法的研究进展进行综述并对各种方法加以评价；总结了现阶段存在的研究困难并提出今后的发展方向。 关键词：人脸识别；人脸检测；人脸定位；特征提取

1 引言

随着计算机和生物医学工程技术迅速发展，利用生物特征来鉴别个人身份成为安全验证首选方式，具有普遍性、安全性、唯一性、稳定性等。可选的生物特征包括生理特征（如人脸、指纹、虹膜掌纹等）或行为特征（如笔迹、语音、步态等）。人脸识别技术是一种最友好的生物识别技术（非接触、非侵犯），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。人脸识别应用领域：身份鉴定、身份确认、视频监控、面部数据压缩。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

人脸识别研究的初级阶段。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

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

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。

人脸识别系统，是指不需要人为干预，能够自动获取人脸图像并且辨别出其身份的系统。包括：数据采集、人脸检测与跟踪、人脸识别这三个子系统。目前国内比较成熟的人脸识系统有：1.中科奥森人脸识别系统 2.南京理工的人脸识别系统 3.深圳康贝尔人脸识别系统

1

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。 5. 表情/姿态分析：让计算机感知表情变化，分析理解人的情绪。 6. 生理分类：对人脸生理特征分析，得出性别、年龄、种族等信息。

人脸图像获取 人脸检测 定位人脸区域 预处理 人脸特征库 特征抽取 结果 对比识别 人脸特征

人脸识别流程

人脸识别的技术难点在于：1. 复杂条件下人脸检测和关键点定位 2. 光照变化 3. 姿态 4. 表情 5. 遮挡 6. 年龄 7. 低质量照片 8.大规模人脸识别 9. 样本缺乏 10.海量数据学习.11 信息采集设备带来的问题

2 图像预处理

人脸图像获取设备有照相机、摄像机、扫描仪等。包括静态图像和动态图像。常见格式有BMP、GIF、JPEG、TIFF、PSD、PNG、SWF、SVG等。

常用的图像预处理方法有灰度化、二值化、几何校正、直方图修正、滤波、锐化、像素平均法等。

2.1 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

2

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。

2.2 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：f?x,y??0.299?r?0.587?g?0.144?b?0.5；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。

3