人脸识别技术汇总

人脸识别技术

人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

人脸识别系统

人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。人脸因具有不可复制、采集方便、不需要被拍者的配合而深受欢迎。人脸识别系统具有广泛的应用：人脸识别出入管理系统、人脸识别门禁考勤系统、人脸识别监控管理、人脸识别电脑安全防范、人脸识别照片搜索、人脸识别来防登记、人脸识别ATM机智能视频报警系统、人脸识别监狱智能报警系统、人脸识别RFID智能通关系统、人脸识别公安罪犯追逃智能报警系统等等。

人脸识别系统的应用

人脸识别系统其实是台特殊的摄像机，判断速度相当快，只需要0.01秒左右，由于利用的是人体骨骼的识别技术，所以即使易容改装，也难以蒙过它的眼睛。而且“人脸识别系统”具有存储功能，只要把一些具有潜在危险性的“重点人物”的“脸部特写”输入存储系统，重点人物如擅自闯关，就会在0.01秒之内被揪出来，同时向其他安保中心“报警”。另外，某些重要区域如控制中心只允许特定身份的工作人员进出，这时候面部档案信息未被系统存储的所有人全都会被拒之门外。

与此前的指纹识别系统相比，人脸识别系统有很多的改进。指纹技术的使用寿命不如人脸识别系统，使用成本也高于人脸识别系统。由于沾水、沾汗、沾灰，还有传感器只能在室内使用等原因，指纹识别系统在露天户外使用的可能性很小。而用于人脸识别的摄像机一天24小时都可工作，第一它不侵犯人权，第二它是很安全的，无论室内还是户外均可使用。人脸识别系统意味着每个人的脸上都贴着名字，外人看不见，但监控系统能看得见。包括外国人，从踏入中国的一瞬间，他的图像和个人资料就会进入电脑的控制中心，不管在什么地方出现，都可认出此人。而且被观察的人不知道有设备在监视他，起到了科技奥运、文明奥运的功能。

人脸识别发展历史介绍

1 引言

在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动

机器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。

然而，对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，这些最基本的科学问题仍然困惑着研究人员。而退一步讲，即使对我们自己，尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等，大多数人却很难准确地描述出自己到底是如何区分他们的，甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家，也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然，飞机的翅膀并不需要像鸟儿的翅膀一样煽动，自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径，例如建立人脸识别的计算模型，这种计算模型可能是基于仿生神经网络的，也可能是纯粹基于统计的，或者是这二者之外的第三只眼睛，并通过构建实用的自动人脸识别系统来验证这些计算模型，从而找出对上述基本科学问题的解答。

本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法，简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了一些简单的探讨。

2 人脸识别发展历史

人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术方法等方面的特点大体划分为三个时间阶段，如表1所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍：

第一阶段(1964年~1990年)

这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometric feature based)的方法。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于1973年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一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。

第二阶段(1991年~1997年)

这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了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，比如最为著名的Visionics(现为Identix)的FaceIt

系统。

美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(Normalized Correlation)方法一道成为人脸识别的性能测试基准算法。

这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于1992年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。

贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析(Principal Component Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(Linear Discriminant Analysis, LDA)的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别方法以及近期的一些基于核学习的改进策略。

麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别方法。该方法通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的方法来进行人脸识别。

人脸识别中的另一种重要方法——弹性图匹配技术(Elastic Graph Matching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换[12]特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该方法的扩展。

局部特征分析技术是由洛克菲勒大学(Rockefeller University)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述方法，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已商业化为著名的FaceIt系统，因此后期没有发表新的学术进展。

由美国国防部反毒品技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET 人脸识别性能评测。该项目分别于1994年，1995年和1996年组织了3次人脸识别评测，几种最知名的人脸识别算法都参加了测试，极大地促进了这些算法的改进和实用化。该测试

的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。

柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为2D形状和纹理两个分离的部分，分别用统计的方法进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(Face Alignment)和识别中，并出现了很多的改进模型。

总体而言，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、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。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内的主流技术。

第三阶段(1998年~现在)

FERET’96人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业系统进一步发展。为此，美国军方在FERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。

基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别方法是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉方法进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的7幅同一视点图像恢复物体的3D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的3幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。

以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。

布兰兹(Blanz)和维特(Vetter)等提出的基于3D变形(3D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别方法是这一阶段内一项开创性的工作。该方法在本质上属于基于合成的分析技术，其主要贡献在于它在3D形状和纹理统计变形模型(类似于2D时候的AAM)的基础上，同时还采用图形学模拟的方法对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更加有利于人脸图像的分析与识别。Blanz的实验表明，该方法在

CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该方法的有效性。

2001年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的速度达到了每秒15帧以上。该方法的主要贡献包括：1)用可以快速计算的简单矩形特征作为人脸图像特征;2)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习方法;3)采用了级联(Cascade)技术提高检测速度。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。

沙苏哈(Shashua)等于2001年提出了一种基于商图像[13]的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。

巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的方法解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模方法的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别方法的发展。而且，这使得用凸优化方法来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。

FERET项目之后，涌现了若干人脸识别商业系统。美国国防部有关部门进一步组织了针对人脸识别商业系统的评测FRVT，至今已经举办了两次：FRVT2000和FRVT2002。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT2002测试就表明Cognitec, Identix和Eyematic三个商业产品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对37437人121,589 幅图像的人脸识别(Identification)最高首选识别率为73%，人脸验证(Verification)的等错误率(EER[14])大约为6%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT2002测试就表明：目前的人脸识别商业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。

总体而言，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[15]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。

3 结束语

人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更加深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统

的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模方法(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更加准确地逼近这些问题的正确答案。

计算所人脸识别课题组经过多年努力，终于逐渐进入了国际人脸识别竞争的第一方阵。我们提出的新颖算法、完成的高效识别系统也逐渐得到了国内外同行的认可。但我们也必须清醒地看到，在人脸识别领域，其实很难说谁的算法就比别的算法真正地好了多少。而且众多的研究人员正在加入进来，逆水行舟，慢进则退。我们必须付出更多的艰辛才能真正在算法和系统两方面超越前人，取得更大的研究成果!

人脸识别技术优点

人脸识别优点：

（相比较其他生物识别技术而言）非接触的，用户不需要和设备直接接触；

非强制性，被识别的人脸图像信息可以主动获取；

并发性，即实际应用场景下可以进行多个人脸的分拣、判断及识别；

人脸识别的弱点

对周围的光线环境敏感，可能影响识别的准确性；

人体面部的头发、饰物等遮挡物，人脸变老等因素，需要进行人工智能补偿；（如可通过识别人脸的部分关键特性做修正）。

人脸识别主要功能模块

人脸捕获与跟踪功能：

人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。

人脸识别比对：

人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。

人脸的建模与检索：

可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板（人脸特征文件）保存到数据库中。在进行人脸搜索时（搜索式），将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。

真人鉴别功能：

系统可以识别得出摄像头前的人是一个真正的人还是一幅照片。以此杜绝使用者用照片作假。此项技术需要使用者作脸部表情的配合动作。

图像质量检测：

图像质量的好坏直接影响到识别的效果，图像质量的检测功能能对即将进行比对的照片进行图像质量评估，并给出相应的建议值来辅助识别。

人脸识别的算法

人脸识别技术中被广泛采用的区域特征分析算法，它融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型,即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。

人脸识别核心算法

人脸识别技术的核心算法包括：

人脸识别核心算法包括检测定位、建模、纹理变换、表情变换、模型统计训练、识别匹配等关键步骤，其中最关键的技术包括两部分：人脸检测（Face Detect）和人脸识别（Face Identification）。

检测技术核心称为：迭代动态局部特征分析(SDLFA)，它是以国际通用的局域特征分析（LFA）和动态局域特征分析（DLFA）为基础，并且针对现实业务场景进行了全面的算法增强及结果优化，识别技术核心称为：实时面部特征匹配（RFFM），其识别特征数据紧凑，特征算法准确高效，是国际国内独创性的识别技术。

除了业界先进的优化SDLFA方式和RFFM核心算法外, 针对现实环境下的识别效果，人脸识别技术的核心算法还针对海量的上下文信息，进行高精度的线性及非线性判别分析，在高可信度的效能目标下，对检测技术和识别算法，进行了全面的（效能&速度）指标提升：l SDLFA（Sparsification Dynamic Local Feature Analysis）：动态局域特征分析；针对静态图像及动态视频图像序列，完成脸部检测、跟踪及检出；

l RFFM-(Real Face Feature Matching)：实时面部特征匹配，提取并数字化面部特征数据，进行人脸的分析和识别对比。

人脸识别门禁

人脸识别终端采用全新模具外观设计，是一款完全脱机的人脸识别门禁考勤产品，它定位于中高端门禁考勤市场，取代目前市场上的刷卡、指纹门禁考勤机。

该产品支持刷卡人脸拍照、工号人脸识别、人脸识别、刷卡人脸识别四种验证方式，方便用户灵活选择，支持TCP/IP、U盘两种通信方式，用户灵活选择，实现用户数据和门禁记录的上传下载，配置专业版门禁考勤管理软件。

人脸识别系统工作原理:

人脸识别系统功能特点:

· 精准识别：黑暗中也可识别

· 方便快捷：不用按，只用看

· 直观性好：彩屏显示，语音报姓名

· 适用性强：只要你有一张脸

· 安全性好：照片追查，无一漏

网

· 健康产品：非接触，卫生

· 兼容性好：标准韦根接口，开关输出

· 方便输入：拼音输入中文姓名

· 功能强大：四种验证，灵活选择

· 门禁功能：加密通信，防拆报警

· 管理软件：功能强大，自动升级

单对象人脸识别技术研究（一）

1 引言

随着计算机网络和通信技术的发展，信息安全、知识产权保护和身份认证等问题成了一个重要而紧迫的研究课题。身份认证是保证系统安全的必要前提，在多种不同的安全领域都需要准确的身份认证。传统的身份证、智能卡、密码等身份认证方法存在携带不便、容易遗失、不可读或密码易被破解等诸多问题。基于人脸识别技术的身份认证方法与传统的方法相

比，具有更好的安全性、可靠性和有效性，因此正越来越受到人们的重视，并逐渐进入社会生活的各个领域。

人脸识别技术具有广泛的应用前景，可以应用到多种不同的安全领域，因其识别特征的独特性、惟一性和相对稳定性，逐渐成为一非常热门的研究课题。许多典型的人脸识别算法和应用系统都是针对标准或特定的人脸数据库，利用库内人脸进行训练，并在相同的库中实现人脸识别。但在软件保护、计算机安全等特殊应用中，身份认证仅针对单个对象进行人脸识别，现有的人脸识别方法并不能胜任这样的识别任务。为此，本文针对单对象人脸识别的特点，讨论了单对象人脸检测和识别的关键技术，在此基础上提出了一种单对象人脸识别算法，实验结果证明了该方法的有效性。

2 单对象人脸识别的特点

与典型的人脸识别相比，单对象人脸识别有以下4个方面的特点：

应用领域人脸识别的应用领域很广，如刑侦破案、证件核对、保安监控等，而单对象人脸识别主要应用在软件保护、计算机安全锁、特定对象追踪等领域。

识别系统的目标单对象人脸识别的最终目标是系统必须具有高度的安全性和可靠性，即识别错误率趋于0。虽然降低识别错误率的同时识别率也会降低，但可以通过提示用户调整姿态(如注视摄像头等)加以改善。

肤色模型由于单对象人脸识别仅针对特定的对象，所以人脸检测的肤色模型可采用自适应的方法调整肤色范围。

分类方法单对象人脸识别不存在人脸数据库，常用的最小距离分类法不能够正确识别特定的对象，只能用阈值作为判据。因此，阈值的选取十分重要，阈值过大则容易出现错判，存在安全隐患;而阈值过小又会影响识别效率。

3 人脸的检测和归一化

人脸检测是人脸识别的前提。对于给定的图像，人脸检测的目的在于判断图像中是否存在人脸，如果存在，则返回其位置和空间分布。利用人脸肤色和面部特征，将人脸检测分为两个阶段：外脸检测和内脸定位。外脸检测主要利用人脸肤色进行初步的脸区检测，分割出肤色区域;内脸检测是在外脸区域中利用面部几何特征进行验证和定位。

3.1 外脸检测

外脸检测的任务是将待检图像中可能的人脸区域找出来并加以标记，其步骤如下：

(1)根据人类肤色在色彩空间中存在区域性的特点，将可能为人脸的像素检测出来。为更好地利用肤色特征，同时选用HSI和YcbCr两种色彩空间对图像进行二值化处理，肤色范围限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]内。将满足条件的像素标记为肤色像素，其余的均为非肤色像素。

(2)去噪处理。在以每一个肤色点为中心的5×5邻域内统计肤色像素的个数，超过半数时中心点保留为肤色，否则认为是非肤色。

(3)将二值图像中的肤色块作区域归并，并对目标区域进行比例、结构分析，过滤掉不可能的人脸区域。目标区域的高度/宽度比例限定在0.8～2.0。

3.2 内脸检测和定位

将包含眼、眉、鼻和嘴的区域称为内脸区域。内脸区域能够很好地表达人脸特征，且不易受背景、头发等因素的干扰，因此内脸区域的检测和定位对后续的特征提取和识别至关重要。

在外脸区域的上半部，对二值图像进行水平方向和垂直方向的投影，确定两个包含黑点的矩形区域作为双眼的大致区域。在确定的两个区域中，对黑点进行区域膨胀，可以得到眼睛的基本轮廓和左石眼角，黑点坐标的平均值作为瞳孔的位置。

设左右瞳孔的坐标分别为(Lx，Ly)和(Rx，Ry)，两个瞳孔之间的距离为d，根据人脸的几何特征，我们将内脸区域定义为：宽度=-d×1.6，高度=-d×1.8，左上角坐标为(Lx-d×0.3，(Ly+Ry)/2-(-d)× 0.3)。实验表明，该区域能够很好地表达人脸特征。

3.3 内脸区域的归一化

由于各待测图像中的人脸大小具有很大的随机性，因此，有必要对内脸区域进行归一化操作。人脸归一化是指对内脸区域的图像进行缩放变换，得到统一大小的标准图像，实验中，我们规定标准图像的大小为128×128。归一化处理，保证了人脸大小的一致性，体现了人脸在图像平面内的尺寸不变性。

图1是一个人脸检测和归一化的例子，其中的原始图像来自实验室现场拍摄。

4 人脸特征提取及DWT-DCT平均脸

对归一化的人脸图像，采用小波变换与DCT相结合的方法提取人脸特征。首先对人脸图像进行3层小波分解，取低频子图像LL3作为人脸特征提取的对象，从而获得每幅训练样本或测试样本的低频子图像;然后对低频子图像进行离散余弦变换(DCT)，DCT系数个数与子图

像的大小相等(即256)，由于图像DCT变换，能量集中在低频部分，因此只取其中的136个低频系数作为特征向量。

为了使测试样本与训练样本具有可比性，提取全部训练样本的特征向量，计算所有训练样本的平均特征，构成DWT-DCT平均脸，即：

其中N为训练样本数，xk,i表示第i个样本的第k个特征向量，mk为平均脸的第k个特征向量，k=1，2， (136)

单对象人脸识别技术研究（二）

5 人脸的识别

完成训练过程并获得待测样本的特征后，即可进行人脸识别，本文采用欧氏距离进行分类。

5.1 计算样本与平均脸的欧氏距离

用m和x表示平均脸和样本的特征向量，则样本与平均脸的欧氏距离为：

其中mk表示平均脸的第k个特征向量，xk表示待测样本的第k个特征向量。身份认证时，计算待测样本与平均脸的欧氏距离，并与特定对象的自适应阈值进行比较，将小于阈值的样本判为该对象的人脸，即认证通过。

5.2 自适应阈值的选取

与典型的人脸识别方法不同，单对象人脸认识没有人脸数据库，不能用距离最小作为判据，只能用阈值作为判别依据。阈值的选取应兼顾识别率和识别的准确性，实验中我们取训练样本与平均脸的欧氏距离平均值作为分类阈值，即:

其中，N为训练样本数，此值不宜太小;di为第i个样本与平均脸之间的欧氏距离。

6 实验结果及分析

本文选用西安交通大学人工智能与机器人研究所东方人脸库(AI&R)的视点子库进行实验，该数据库包括每位被拍摄人在19个不同视点角度下(10°为一个单位)拍摄的中性表情图像。实验包括类内测试和类间测试。类内测试用于考查单对象人脸识别的识别率，而类间测试则用于考查误识率。随机选取5个人，每人用7幅图像(-30°～+30°)作为训练样本，分别计算平均脸和自适应阈值、类内识别率和类内距离，另外再选取50个人，每人一幅正面图像作为类间测试样本，分别对5个对象进行类间测试，实验结果如表1所示。从实验数据可以得出如下结果：

(1)类内识别率不高，原因是自适应阈值为训练样本与平均脸的欧氏距离平均值，训练样本中的部分图像不能被识别。在实验室中，我们通过提示被试注视摄像头、适当调整姿态等措施提高图像的拍摄质量，使识别率得到了显著的改善。

(2)在50人的类间测试中，最小距离均大于阈值，即错误识别率为0。实验室的现场测试中也得到了相同的结果。

(3)文中提出的单对象人脸识别方法能够成功地识别特定对象，并能准确地排除其他对象，可用于软件保护、计算机安全等系统的身份验证。

7 结语

本文提出的单对象人脸识别方法，针对单对象人脸识别的特点，综合考虑了识别率和认证的准确性，运用平均脸方法有效地缩小类内距离，同时扩大类间距离，取训练样本与平均脸的欧氏距离平均值作为分类阈值。实验结果表明，该方法具有识别有效性和认证可靠性，在单对象人脸识别的实际应用中是一种可行的方法。

人脸识别监控系统探讨

系统概述

本系统是基于布控与监控的需求，利用人脸识别算法与视频监控技术相结合开发出的，对重点监控人员的实时追踪报警的智能视频监控产品。特别适用于商场、机场、关口、火车站、汽车站、码头、银行等公共场合。

系统在目标进入摄像机的监控范围就能捕获其清晰的面部照片，并可跟踪捕捉其面部照片，将其中某些不能满足质量要求的照片自动过滤掉，把符合质量要求的照片和数据库内监控名单进行比对，如达到预设的相似度，系统会自动发出声、光报警，提示人工处理;同时保存相应照片、时间、通道等记录信息。

系统采用高清工业级摄像机，能使获得的图像能满足识别的质量要求，提高了准确率，使人脸识别在监控中的应用达到应用水平。

系统采用高性能比对服务计算机，支持多路高清视频同时采集、比对和报警。系统前台采用C/S结构，系统稳定、性能优越;后台采用B/S结构，使管理人员能实现远程统一管理与集中处理，提高工作效率。

系统性能

环境说明：以下参数是基于我们实际人脸识别监控项目(室内超市环境)、光线均匀的环境下统计的数据。

性能统计：

(1) 人脸检测的准确率(Correct Face Detection Rate):>99%;

(2) 动态匹配准确率(CAR): >95%;

(3) 误识率(FAR): <5%;

(4) 报警响应时间(Response Time): < 1秒;

(5) 检测速度(Capture Speed)： 8-10帧/秒F/S，4幅人脸/帧 4 face/Frame;

(6) 可同时支持多路视频比对。The system supports matching from multiple IP cameras.

系统界面

系统应用

1、大型商场、超市、百货公司

2、政府部门、金融机构等重要场所

3、机场、火车站、长途汽车站、地铁等公共场所

汉王人脸幼儿接送系统

行业背景

父母们都忙于工作，因此进入幼儿园的幼儿年龄越来越小，作为家长为孩子的安全终日焦虑，我们的耳边也常常能够听到一些关于小孩子被一些不法分子冒领的事情。而为什么不法分子会有冒领的机会可趁呢？那就是幼儿园对来认领者缺乏有效的身份认证机制！人脸识别幼儿接送系统正是能够帮你把握好认领者认证这道关！

系统概述

汉王采用最先进的人脸识别技术，推出人脸幼儿接送机，不但解决了接送孩子的身份确认，而且方便出勤统计及相关管理。极大地满足了幼儿人身安全的迫切需求，解决了家长的后顾之忧！每一位幼儿在入学注册时都必需进行登记接送者、接送者面像。使用过程中，每次入园时和放学时，接送家长需要进行人脸识别，如果识别失败拍照后即报警通知管理员，如果认证成功即拍照放行。每一次接都有详细的时间、接送家长的拍照可供查询。

系统供应短信提示的扩展功能，幼儿每一次被接走时，系统都会发短信到家长手机中。

系统组成

系统采用网络式架构，可方便于不同规模的幼儿园使用本系统。架构拓朴图如下：

系统特点

·人脸身份验证方式，可显示家长或幼儿详细信息与照片，便于教师进行辨认比对。

·验证快速，人脸验证小于1秒/人。

·验证成功时系统自动拍照。

·身份识别数据存档与人事资料管理，数据导出与打印功能。

·具有完善的幼儿出勤统计功能，图表与数据相结合，减少教师日常工作。

·实时列表功能，教师可在自己班级便可知道哪位家长将要接送哪位幼儿。

·数据实时传输，管理人员随时都可任意在局域网上进行查询与各项管理工作。