人脸检测综述（人脸识别的背景和研究意义）

关于人脸检测综述（人脸检测和识别技术的文献综述） 的知识大家了解吗？以下就是小编整理的关于人脸检测综述（人脸检测和识别技术的文献综述） 的介绍，希望可以给到大家一些参考，一起来了解下吧！

人脸检测综述(人脸检测与识别技术文献综述)

(资料图)

通过阅读有关人脸检测与识别技术的文献，总结了传统身份识别和人脸检测与识别技术的背景、意义和国内外发展现状，重点介绍了人脸检测与识别的方法。

关键词:人脸检测；人脸识别；sub 空之间的分析；主成分分析。

面子不仅具有很强的自我稳定性和个体差异性，而且直接友好。与传统识别相比，更符合人类视觉习惯。一个完整的人脸识别过程一般包括人脸检测和人脸识别两个部分。人脸检测是指计算机在包含人脸的图像中检测人脸，并给出人脸所在区域的位置、大小等信息的过程[1]。人脸识别是指将待识别的人脸与已知人脸进行比较，获得相似度的相关信息。这里所指的人脸识别是狭义的识别，是广义人脸识别的一个子过程[2]。近年来，人脸检测和识别技术的研究取得了很大进展。

1人脸识别的背景和研究意义

身份识别和验证是人类社会日常生活中的基本活动之一。虽然可能是无意识的，但是我们每天都要识别很多人。同时，每个人总要通过各种方式方法来证明自己的身份。目前，我们大多数人仍然依靠传统的识别手段来完成识别过程。这些手段包括身份证、学生证等证件、钥匙、密码等各种身份证明材料。但这些方式的缺点不言而喻，使用不方便、不安全、不可靠，证件和钥匙携带不方便。目前广泛使用的依靠证书、密码等传统方法确认个人身份的技术面临严峻挑战，已经不能满足现代科技发展和社会进步的需要[4-6]。随着社会的发展和信息化程度的不断提高，人们对身份识别的准确性和实用性提出了更高的要求，传统的身份识别方法已经不能满足这些要求。生物特征识别利用了人类独有的生理特征，如指纹、虹膜等。或行为特征如签名、声音等。生物特征身份认证技术是一种新的安全技术，是本世纪最有前途的技术之一2人脸检测与识别技术的发展概述。

[7]

人脸检测是自动人脸识别系统中的关键环节和极其重要的一步。人脸检测的早期问题可以追溯到20世纪70年代，当时由于技术原因，人脸检测的研究处于停滞状态。直到20世纪90年代，由于人脸识别系统和视频解码的广泛应用，人脸检测的研究得到了新的发展。提出了运动、颜色和综合信息等更鲁棒的方法来变形模板，弹性曲线等特征提取方面的许多进步使得人脸特征的定位更加准确。目前国内外对人脸检测的研究很多，国外有麻省理工学院、CMU，清华大学、北工大、中科院计算所、自动化所等。

近年来，人脸识别研究受到许多研究者的青睐，出现了许多技术方法。特别是从1990年开始，人脸识别取得了很大的进步，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行业各大公司都有从事人脸识别研究的课题组。人脸识别的研究大致可以分为四个阶段。之一阶段，以Bertillon、Allen和Parke为代表，主要研究人脸识别所需的面部特征；第二阶段是人机交互识别阶段；第三阶段是真正的自动机器识别阶段；第四阶段是鲁棒性人脸识别技术的研究阶段。目前国外很多高校和研究机构已经开发了一些很好的人脸识别原型系统和优优资源网的一些成熟的商用人脸识别系统，如德国的Cognitec、美国的Indentix、Eyematic等[8]。

3.人脸识别的研究方法。

近年来，人们在人脸检测识别方法和三维人脸重建方法的研究方面取得了很大的进展，研究方法也越来越多。目前人脸识别技术的研究主要分为以下两类:人脸检测和人脸识别。人脸检测有四种方法:基于知识的方法、基于特征的方法、模板匹配的方法和基于外观的方法[9]。根据特征提取和选择方法的不同，以及出现的时间顺序，人脸识别方法分为三类:早期的几何特征法和模板匹配法、神经 *** 法和统计法。其中，分类只是相对的，有些方法可能会交叉[10]。

其框图如下:

3.1人脸检测方法

3.1.1基于知识的方法

基于知识的方法(KBM)是一种基于规则的人脸检测方法。规则来自研究人员对人脸的先验知识。一般很容易提出简单的规则来描述面部特征及其关系。

杨和黄采用了基于层次知识的人脸检测方法[11]。他们的系统由三个层次的规则组成。在更高级别，通过扫描输入图像的窗口并应用每个位置的规则集来找到所有可能的人脸候选。高级规则通常描述人脸的样子，而低级规则取决于面部特征的细节。多分辨率分层图像是通过平均和子采样生成的，如图2所示。

编码规则通常以较低的分辨率确定人脸的候选区域，包括人脸中心部分的浅阴影部分，其中存在基本相同的灰度单元。

图2杨和黄的检测方法

图2杨和黄的检测方法

3.1.2基于特征的方法

基于特征的方法不仅可以从现有的面部特征中检测人脸，还可以从它们的几何关系中检测人脸。与基于知识的方法相反，它是寻找人脸的不变特征进行人脸检测。在推断人脸的存在之前，已经提出了许多方法来检测人脸的面部特征。通常用边缘检测器提取眉毛、眼睛、鼻子、嘴巴、发际线等面部特征。根据提取的特征，建立统计模型描述特征之间的关系，确定已有的人脸。基于特征的算法的问题是图像特征受到光照、噪声和遮挡的严重破坏，人脸的特征边界被削弱，阴影可能造成强边缘，这可能使算法难以使用。

模板匹配的方法

Sakai等人使用子模板，如眼睛、鼻子、嘴和面部轮廓，对照片中的正面人脸进行建模和检测。每个子模板是根据行分割来定义的。基于更大梯度变化提取输入图像的直线，然后与子模板进行匹配。计算子图像与轮廓模板的关系来检测人脸的候选区域，并完成与候选区域中其他子模板的匹配。

克劳等人提出了基于正面人脸的形状模板，即人脸形状定位方法。Sobel算子用于提取边缘，将它们组织在一起，并根据几个约束条件搜索人脸模板。头部轮廓上的位置。

Govindaraju等人提出了两阶段人脸检测方法。根据由边缘定义的特征来构建人脸模型。这些特征描述了正面面部左侧、发际线和右侧的曲线。面部必须垂直，无障碍，正面。

3.1.4基于外观的方法

基于外观的方法首先基于大量的训练样本集，通过学习建立一个能够正确识别人脸和非人脸样本的分类器，然后对检测图像进行全局扫描，利用分类器检测扫描图像窗口是否包含人脸，如果包含人脸，给出人脸的位置。

Moghaddam和Pentland提出了一种概率视觉学习方法[12]，该方法使用高维特征空之间的分解密度估计。主成分分析(PCA)用于定义sub 空来更好地表示人脸模式集。主组件保留数据中的主组件，并丢弃那些子组件。在这种方法中，向量空被分解成两个互斥且互补的sub 空 sub或feature 空 sub及其正交sub 空 sub。因此，物体的密度被分解成由主分量空之间的主分量展开的两个分量的密度，其垂直分量(标准PCA中丢弃的次分量)如图3所示。多元高斯和混合高斯密度分布用于学习人脸局部特征的统计。这些概率密度然后用于基于更大值的

基于似然估计的目标检测。该方法已用于人脸定位、编码和识别。与传统的特征脸方法相比，该方法在人脸识别中表现出更好的性能。

图3图像空分为主子空和竖补空。

图3将图像空间分解成

主子空间及其正交补

3.2人脸识别方法

3.2.1早期的几何特征法和模板匹配法

最早的人脸识别方法是基于几何特征的方法[13]。其基本思想是提取人脸代表性部位(如眉毛、眼睛、鼻子、嘴巴等)的相对位置和大小。)作为特征，然后借助人脸轮廓的形状信息对人脸进行分类识别。模板匹配法是模式识别中最简单的模式分类方法。在人脸识别中，将数据库中的人脸图像视为已知模板，然后根据待识别图像与已知模板的相关性进行分类。

神经 *** 方法

基于神经 *** 的人脸识别方法也是早期的方法之一。目前流行的基于动态链接结构的弹性图匹配方法已经取得了一定的成功。它利用Gabor小波提取和描述人脸中的一些局部特征点(节点)，并以标号图的形式连接起来。标记图之间的相似性用来衡量人脸图像之间的相似性。弹性图匹配方法不仅反映了人脸的几何特征信息，而且可以通过标记图的弹性变形来描述人脸的一些变化，因此可以达到较好的识别性能。

3优优资源网。2.3基于统计的方法

统计学是目前最受关注的方法之一。它的思想是学习。

到人脸的统计特征，并进行区分分类。其学习和识别过程的模型如下

显示了4个。

图4统计方法识别模型

sub 空 pace分析方法是主要方法之一，其思想是通过线性或非线性变换，将高维空空间中松散分布的人脸图像压缩到低维sub 空空间中，然后在低维sub 空空间中。此外，高维计算被简化为低维计算。目前已成功应用于人脸识别的线性sub 空分析方法有主成分分析/PCA、线性判别分析/LDA、独立成分分析/ICA、非负矩阵分解/NMF；基于核技术的非线性亚[/k0/]分析包括核主成分分析(KPCA)和核Fisher判别分析(KFDA)。

主成分分析如下:

基于线性sub 空分析方法的人脸识别实际上是存储实际的人脸图像

表情、姿势、光照等等复杂的变化都是线性简化的，不可能得到完整的描述。内核技术的思想是用一个非线性映射，把原来空之间的数据映射到一个隐藏特征空F::x & isin；Rn & rarrf & isinf，然后对隐藏特征空区间内的数据进行分析，这样可以有效地分析原始数据的非线性关系。在计算中，不需要显式计算这个非线性变换，只需要计算F中两个向量在隐特征之间的点积空 (3.1)。特征之间的f空用这样的点积来描述。

k ( x，y)= ((x)*(y)) (3.1)

常用的点积核函数有三种:多项式点积核函数、径向基点核函数和

Sigmoid点积核函数[14-16]。

主成分分析(PCA)最早是由Scholkopf等人[17]提出的，其思想是把核技术

和主成分分析。首先，通过内核技术将原始数据投影到隐藏特征空之间的F中，

在线性主成分分析之后，获得相对于原始空的非线性主成分

空。根据主成分分析原理，求解隐特征空之间F中的主成分等价于求解。

下面是特征值问题:

w=Sw (3.2)

其中s代表样本在F中的投影在隐藏特征空之间的分散矩阵。

因为隐藏特征之间的线性变换空，所以有这样的关系:对应& ne0

的特征向量w一定存在于(x1)，(x2)构成的空空间中，...，(xN)。数学

w可以由等式(3.3)表示:

(3.3)

如果把(3.3)代入(3.2)，求解特征值的问题就变了。

理解下面的特征值问题:

N =K (3.4)

其中矩阵k是N×N；n，Ki，j= k(xi，xj)=((xi)，(xj))的矩阵，

=(1 ,2,...(名词)T .

类似地，可以选择前m个大特征值的特征向量作为隐藏特征之间的f空。

在主分量中，那么原始空空间中数据X在W上的投影是:

(3.5)

4.总结与展望。

随着社会的不断发展，传统的身份识别技术已经不能满足人们的需求。与其他生物识别技术相比，人脸识别在易用性上有着独特的技术优势，主要体现在以下几个方面:可以隐蔽操作，尤其适用于安全监控；非接触式采集，无创，易于接受，不会对用户造成生理伤害，容易被大多数用户接受；具有方便、快捷、强大的事后跟踪能力；图像采集设备成本低；更符合人类的识别习惯，交互性强[18]。

人脸检测是人脸信息处理领域的重要课题，也是计算机视觉和人机交互领域的研究热点。该问题的突破将极大地推动人脸识别、表情识别、视频监控、身份验证等相关领域的研究[19]。人脸检测和识别是一个具有挑战性的研究课题，还有许多问题需要进一步研究和解决。人脸检测和识别非常困难。经过几十年的研究，人脸识别技术在环境可控的条件下已经达到了实用化的水平，但是在考虑光照、姿态、表情的影响时，其应用范围受到了很大的限制。

近年来，为了进一步解决人脸表情和姿态的问题，三维人脸识别技术得到了很大的发展，三维人脸模型重建方法也越来越多。然而，如何将3D识别的结果整合到2D识别中以建立有效的识别标准还需要进一步的讨论，人脸特征的选择和提取算法也需要进一步的优化[20]。

关键词：