一种人脸姿势判别与正脸合成的新方法

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

基于神经网络的人脸检测方法

基于神经网络的人脸检测方法 摘要:自动人脸检测应用十分广泛，如安全访问控制，基于模型的视频编码或基于内容的视频索引，所以它正在成为一个非常重要的研究课题。在本文中，我们在假设不考虑内容，场景的照明条件，大小，方向和外观的前提下，提出了一种检测复杂图像和精确本地半正面人脸的方法。这就是卷积神经网络结构，这种方法不像其他系统，其他系统需要一个手工检测的阶段或特征分类阶段。卷积神经网络结构是从一个大的训练集中自动合成自己的一套特征提取方法，所以它可以直接从未预处理的照片中提取变化的人脸模型，而且可以在神经元模型中利用感受区域，共享权数和空间采样对人脸进行一定程度的旋转，缩放和变形。我们将会对我们的结构，研究策略和检测过程进行详细的描述。最后我们将证明在环境和人脸变化的情况下这种方法相当稳健，具有精确检测的能力。 1简介 因为其广泛的应用范围，人脸检测正在成为一个非常重要的的研究课题。比如在安全访问控制，基于模型的视频编码，基于内容的视频索引等方面。相对于人脸检测，脸部识别和表情分析算法已经得到学术方面的足够关注。近年来，在光线，面部表情和姿势微小变化的情况下，对人脸的识别已经取得相当大的进展。在[1]中你会发现一个现象。就是大多数的人脸识别和表情分析算法是在特定条件下得到的，要么是在同一背景下要么是出现过的图像要么直接是“人脸照片”，在这种情况下，人脸识别相对比较容易。然而，多数情况人脸检测是在复杂的场景下，这并不简单。由于面部表情，表现力和方位的改变面部模型也会呈现巨大的变化。 最近一些检测非人脸照片的技术已经得到了提高。这些方法可大致分为三大类：本地的面部特征检测，模板匹配和图像不变性。第一种方法，低层次的计算机视觉算法[3，7，13]用于检测的面部特征，如眼睛，嘴巴，鼻子，下巴和其他特征部位。第二种方法，几个相关模板用来进一步检测本地特征。这些人脸特征将被作为硬性模板（基于eigenspaces [8])或（模板 [12, 5]）。这些方法有很大的缺点，就是即使是很小的约束全局条件被改变也会对人脸模型和提取特征造成强烈的影响，比如噪声，表情的变化和焦点的改变等。最后一种方法，即使在不同的成像条件下图像不变方案也假定图像存在一定空间关系，比如亮度分布，相似点，人脸模型[10]的唯一性。在场景不受限制的情况下，这些算法都不是很健壮。 肤色信息的使用是制约搜索空间的一个重要线索。在[4]中，Garcia and Tziritas提出一个快速检测到人脸的方法，即皮肤颜色过滤和概率分布方法，而所用到的统计数据是从小波包中分解提取得到的。在[5]中，Garcia 将可变的脸部模板进行扩展，从而使这种方法可以精确的定位面部特征。 对于一般灰度图像，不需要遵守人为设定的规则，事实证明，类似于[11，9]中提到的基于神经网络的方法，效果最好。在本文中，我们提出一种新的检测方法，这种方法是基于神经网络的检测方法，这种方法可以对复杂的照片即使是半正面的人脸进行准确的检测。不需要考虑场景的照明条件，人脸大小，方向和人的外貌特征等因素。

基于本征空间的多姿态人脸识别方法

基于本征空间的多姿态人脸识别方法 O 引言人类利用生物特征识别的历史可追溯到古代埃及人通过测量人体各部位的尺寸来进行身份鉴别，现代生物识别技术始于上世纪70 年代中期， 目前已经成为发达国家普遍重视并大力发展的关键技术和产业。在生物认证方面，人脸识别具有特定的优势。相比其他生物认证技术，如指纹识别，有一部 分人是没有指纹的，或者指纹无法录入，仅靠指纹识别就会出现障碍；如虹膜 识别，有些眼睛有障碍的人也是无法使用的；还有声音识别，对于发音有障碍 或者无法说话的人群来说，这是毫无意义的。正是基于人脸的人人具备这一先 天优势，近年来，作为生物特征认证的重要分支――人脸及器官的检测、定位 和识别技术开始受到广泛重视。多姿态人脸识别是目前人脸识别中的难点，识别率普遍不是很高。国内外许多学者已对多姿态人脸识别进行了深入研究， 提出了许多姿态判定和识别算法。在多姿态人脸数据库构建的基础上，利用PCA 对不同姿态的人脸分别建立特征空间，待识别人脸图像向相应的特征空间投影，进而利用欧氏距离进行分类识别，获得了较高的多姿态人脸图像识别率。 1 基于本征空间的多姿态人脸识别方法Sirovich 和Kirby 首先使用PCA 方法对人脸图像进行降维处理并实现了人脸图像的重建，随后，1991 年，Turk 和Pentland 首先利用PCA 方法实现了人脸识别(称为本征脸方法)。此后，基于本征空间的许多人脸识别方法被提出来，PCA 人脸识别方法也到了进一步的发展。1．1 利用本征脸建立多姿态人脸特征空间的步骤(1)从已知的人脸图像中按姿态选择训练图像M 张，每人可以选同姿态的一张或多张照片(表情和光照有所 变化)。(2)计算M×M的矩阵的特征值和特征向量，选择M’个主成份分量。(3)计算得到该姿态的特征脸空间μ。(4)重复步骤(1)～(3)得到各个姿态的特征

【CN109961021A】一种深度图像中人脸检测方法【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910164890.2 (22)申请日 2019.03.05 (71)申请人 北京超维度计算科技有限公司 地址 100142 北京市海淀区西四环北路160 号9层一区907 (72)发明人 马宁　徐杰　张颢　向志宏　 杨延辉　 (74)专利代理机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 代理人 陈霁 (51)Int.Cl. G06K 9/00(2006.01) (54)发明名称一种深度图像中人脸检测方法(57)摘要本发明涉及一种深度图像中人脸检测方法，包括以下步骤：找出深度图像中所有有效深度值的局部最小值点；计算局部最小值点的曲率，去除曲率超出范围的点；如果此时还有剩余的局部最小值点，则在纵向剖线上用深度阈值切割出人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点；如果还有剩余的局部最小值点，则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值，排除鼻子的深度值或比值超出一定范围的局部最小值点；如果还有剩余的局部最小值点，则通过深度阈值切割出可能存在的人脸，并排除切割区域尺寸小于实际人脸尺寸的局部最小值点；如果此时还有剩余的局部最小值点，则认为图像中有人脸，否则认为图像 中没有人脸。权利要求书2页 说明书3页 附图1页CN 109961021 A 2019.07.02 C N 109961021 A

权　利　要　求　书1/2页CN 109961021 A 1.一种深度图像中人脸检测方法，其特征在于，包括以下步骤： 找出深度图像中所有有效深度值的局部最小值点； 计算局部最小值点的曲率，去除曲率超出范围的点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则在纵向剖线上用深度阈值切割出可能的人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值，排除鼻子的深度值或比值超出一定范围的局部最小值点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则通过深度阈值切割出可能存在的人脸区域，并排除切割区域尺寸小于实际人脸尺寸的局部最小值点； 如果此时还有剩余的局部最小值点，则认为图像中有人脸，输出图像中所有的人脸区域位置，否则认为图像中没有人脸。 2.根据权利要求1所述的方法，其特征在于，所述找出深度图像中所有有效深度值的局部最小值点步骤，包括： 对深度相机输出的深度图像，找出深度图像中所有在局部窗口中有效深度值最小的像素点的位置，如果邻接的多个像素都为局部最小值点，则只取这几个邻接像素的中心位置为局部最小值位置。 3.根据权利要求1所述的方法，其特征在于，所述计算局部最小值点的曲率，去除曲率超出范围的点步骤，包括： 对得到的每个局部极小值点，在一定邻域范围内计算有效深度值梯度幅度的平均值，此梯度幅度平均值反映了物体表面的曲率，通过人鼻尖表面曲率的范围，可以排除一些不是鼻尖的局部最小值点。 4.根据权利要求1所述的方法，其特征在于，所述在纵向剖线上用深度阈值切割出可能的人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点步骤，包括：对于剩余的每个局部最小值点，找出深度图像中该位置的纵向廓线，由局部最小值点的深度和位置信息可以估计出该距离下真实人脸在纵向廓线上的最大范围，该范围作为人脸可能存在的范围，在该范围内，用该局部最小值点的深度值加上一个深度差值，作为深度切割的阈值，用该阈值切割出可能存在的人脸纵向廓线，并计算可能的人脸廓线的长度，由局部最小值点的深度可以估计出该距离下真实人脸廓线的长度，通过对比可以去除一些纵向剖线不符合真实人脸尺寸的局部最小值点。 5.根据权利要求1所述的方法，其特征在于，所述计算纵向剖线上鼻子廓线占人脸廓线长度的比值，排除比值超出一定范围的局部最小值点步骤，包括： 根据符合真实人脸尺寸的每个局部极小值点，计算其在人脸廓线上的梯度，如果梯度值不大于0，则继续计算其在人脸廓线上的上一个像素点的梯度；当梯度值大于0时，此时的像素点位置即为鼻子廓线的上边缘位置； 所述像素点位置的深度值与对应的局部最小值点位置的深度差值即为鼻子的高度；所述像素点位置与对应的局部最小值点位置的差值即为鼻子廓线的长度； 2

人脸识别的主要方法

1.1 人脸识别的主要方法 目前，国内外人脸识别的方法很多，并且不断有新的研究成果出现。人脸识别的方法根据研究角度的不同，有不同的分类方法。根据输入图像中人脸的角度不同，可以分为正面，侧面，倾斜的人脸图像的识别；根据图像来源的不同，可分为静态和动态的人脸识别；根据输入图像的特点，又可分为灰度图像和彩色图像的人脸识别等等。本文重点研究基于正面的、静态的灰度图像的识别方法。 对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称HMM)方法等；二是基于连接机制的识别方法，包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称EBGM)方法等；三是一些其他的综合方法及处理非二维灰度图像的方法。下面分别进行介绍。 1.1.1 基于特征脸的方法 特征脸方法[5]，又称为主成份分析法(Principal Component Analysis 简称PCA)，它是20 世纪90 年代初期由Turk 和Pentland 提出的，是一种经典的算法。它根据图像的统计特征进行正交变换(即K-L 变换)，以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量，即特征脸。 特征脸方法的基本思想是将图像经过K-L 变换后由高维向量转换为低维向量，并形成低维线性向量空间，利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。这样，就产生了一个由“特征脸”矢量张成的子空间，称为“人脸子空间”或“特征子空间”，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，因此利用特征脸方法可以重建和识别人脸。 通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。主分量特征

3D模型的多姿态人脸识别

3D 模型的多姿态人脸识别 张小平,李夏忠,刘志镜 (西安电子科技大学计算机信息应用研究中心　陕西西安　710071) 摘　要:多姿态人脸识别是当前人脸识别中的难点,识别率普遍不是很高。本文提出了一种利用正面、侧面照片建立起三维虚拟人脸模型,然后对待识别照片进行角度估计,把模型库中的每一个3D 模型在该角度附近进行多次投影,搜索出与待识别照片相似度最高的照片。这种方法可以有效的提高人脸识别率,增强人脸识别系统的鲁棒性。 关键词:人脸识别;三维模型;多姿态;角度计算 中图分类号:T P 36811 文献标识码:B 文章编号:1004373X (2003)1405904 Pose var ied Face Recogn ition Ba sed on 3D m odel ZHAN G X iaop ing ,L I X iazhong ,L I U Zh ijing (Computer Info r m ati on R esearch Center ,X idian U niversity ,X i ′an ,710071,Ch ina ) Abstract :Po se varied Face R ecogn iti on is a nu t of face recogn iti on and has a low rati o of recogn iti on at p resen t 1A w ay is p resen ted by bu ilding the 3D virtual person model u sing fron t and side face pho to and then m ak ing the p ro jecti on of the each 3D model near the ro tating angle esti m ated by the unknow n pho to fo r m any ti m es and finding ou t the si m ilar pho to 1R ecogn iti on rati o can be raised effectively and system ′s robu st is increased also by th is m ethod Keywords :face recogn iti on ;3D model ;po se varied ;angle reckon 收稿日期:20030422 1　引　言 近年来,随着自动身份验证、视觉监视系统等应用领域的需求,计算机人脸识别技术受到了广泛的重视。但目前大多数研究集中在正面人脸图像的识别上,然而图像中人脸的姿态不一定是固定的,研究多姿态人脸识别是非常必要的。在这方面,B eym er 等采用引 入虚视点的方法,即将二维的图像和三维的人脸模型相结合,对多姿态的人脸图像进行识别,用这种方法进行识别计算非常复杂[1]。另外,L ades 等采用弹性匹配技术识别不同姿态的人脸[2],这种方法要求较为准确地定位特征,但是人脸通常缺乏足够的纹理信息难以满足这一要求。当前,处理人脸多姿态识别主要有3种方法:一是利用多姿态人脸数据库,通过定位两个 瞳孔点的位置加以配准,再对配准后特定姿态的人脸进行识别,这种方法需要很大的人脸数据库;二是利用与姿态无关的信息进行识别,如肤色模型,这种方法识别率不是很高;三是利用人脸三维几何特征进行识别,但对人脸旋转角度有限制。本文采用建立人脸的三维虚拟模型的方法对人脸进行识别,可以有效地 解决上述问题。2　三维虚拟人脸建模 本文采用从固定拓扑的一般人头模型变形的建模方法,由于人类面部特征的位置、分布基本上是一样的,特定人脸的模型可以通过对一个原始模型中特征和其他一些网格点位置进行自动或交互式的调整(保持拓扑不变)得到。为了使标准人脸网格体在形状上与特定人相吻合,在特征细节上仍需进一步地调整与修改。如果采用自动拟合方法,问题将转化为模式匹配问题,具体做法不在此讨论。自动拟合方法虽然自动化程度高,但计算时间长,而且由于噪声的影响,结果常常不是很理想。如果采用人机交互进行拟合,先将标准人脸图像的网格重叠到特定人的人脸图像上,然后利用鼠标拉动网格点使得标准人脸图像的眼眉、嘴、牙等主要对应部分尽可能地匹配,就可以使人脸模型更精确。 211　特定人脸3D 网格模型的建立 这里采用的是人机交互方式,系统的内部有一个原始的人头模型,以后所有特定模型的建立都是基于这个原始模型。假定包含整个原始模型的最小的立方体的高、宽、深度分别为h ,w ,d ,单位是象素点。可按 9 5

人脸识别文献综述

文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机

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

人脸识别技术的几个主要研究方向

人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大

人脸识别技术及研究关键问题

人脸识别技术及研究关键问题 基本概念： 人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、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含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每个人脸的身份。 人脸识别的过程可以分为以下三个部分： 1、人脸检测：判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小； 2、面部特征定位：对找到的每个人脸，检测其主要器官的位置和形状等信息； 3、人脸比对：根据面部特征定位的结果，与库中人脸对比，判断该人脸的身份信息； 从应用的角度，人脸识别包括两大类： 1、人脸身份识别：即根据人脸图像识别出人物的身份，解决是谁的问题； 2、人脸身份确认/验证：判断图像中的人脸是否是指定的人，即解决是不是某人的问题； 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。 研究方向： 1、人脸检测与跟踪技术 显然，要识别图像中出现的人脸，首要的一点就是要找到人脸。人脸检测与跟踪研究的就是如何从静态图片或者视频序列中找出人脸，如果存在人脸，则输出人脸的数目、每个人脸的位置及其大小。人脸跟踪就是要在检测到人脸的基础上，在后续的人脸图像中继续捕获人脸的位置及其大小等性质。人脸检测是人脸身份识别的前期工作。同时，人脸检测作为完整的单独功能模块，在智能视频监控、视频检索和视频内容组织等方面有直接的应用。 我们课题组提出并实现了一个复杂背景下的多级结构的人脸检测与跟踪系统，其中采用了模板匹配、特征子脸、彩色信息等人脸检测技术，能够检测平面内旋转的人脸，并可以跟踪任意姿态的运动的人脸。简述如下:这种检测方法是一个两级结构的算法，对于扫描窗口，首先和人脸模板进行匹配，如果匹配，那么将其投影到人脸子空间，由特征子脸技术判断是否为人脸。模板匹配的方法是：按照人脸特征，将人脸图像划分成14个不同区域，用每个区域的灰度统计值表示该区域，用整个样本的灰度平均值归一化，从而得到用特征向量表示的人脸模板。通过非监督学习的方法对训练样本聚类，得到参考模板族。将测试图像的模板与参考模板在某种距离测度下匹配，通过阈值判断匹配程度。特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。实际上，特征脸反映了隐

人脸检测和识别技术的文献综述

人脸识别技术综述 摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。 关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法; 随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。 1. 人脸识别技术基本介绍 人脸识别技术是基于人的脸部特征，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大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得

出相似程度的相关信息。 计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中出有效的识别信息, 用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术的研究历史 国内关于人脸自动识别的研究始于二十世纪80年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。 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；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所

人脸识别技术研究背景与方法

人脸识别技术研究背景与方法 1人脸识别技术研究背景 .................................................................................... 错误!未定义书签。 1.1人脸检测技术概述 ................................................................................. 错误!未定义书签。 1.2人脸检测的研究内容 ............................................................................. 错误!未定义书签。 2 人脸检测方法 ................................................................................................... 错误!未定义书签。 2.1基于知识的方法 ..................................................................................... 错误!未定义书签。 2.2基于特征的方法 ..................................................................................... 错误!未定义书签。 2.3模板匹配 ................................................................................................. 错误!未定义书签。 2.4基于外观的方法 ..................................................................................... 错误!未定义书签。 2.5 其他方法 ................................................................................................ 错误!未定义书签。 2.6人脸检测方法评析 ................................................................................. 错误!未定义书签。1人脸识别技术研究背景 在计算机及网络技术高速发展的现代社会中，信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提，在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。目前，个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失、由于使用过多或不当而损坏、密码易被遗忘和破解等诸多问题。由于技术的发展，犯罪分子伪造假证件的手段越来越高明，如假身份证、假工作证、假文凭等在现实社会中也不时发生;在信息界，黑客攻击别人的计算机系统，破译计算机口令亦常有之。美国每年在福利发放、信用卡交易、移动电话以及ATM交易方面由于身份诈骗而造成的经济损失高达60亿美元。因此，目前广泛使用的依靠证件、个人识别号码(PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已不能适应现代科技发展和社会进步的需要。 人们希望有一种更加方便可靠的办法来进行身份鉴别，生物特征识别技术给这一愿望带来了实现的可能。早在古埃及时人们就开始通过人体生物特征的测量(如人脸、人手等)来鉴别人的身份;在刑侦领域，人们也早已使用最有效的人体生物特征之一—指纹来确定罪犯。人们可能会遗忘或丢失他们的卡片或密码，但绝不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹等。因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入人们社会生活的各个领域，迎接新时代的挑战。美国政府在“9.11”事件以后连续签署了三个国家安全法案，要求采用生物识别技术。2003年6月，联合国国际民用航空组织公布了其生物技术的应用规划，将

人脸检测方法综述

０引言 人脸检测是模式识别的一个新近的发展方向和重要应用，人脸检测和识别在安全识别、身份鉴定、以及公安部门的稽查活动中都有广泛而重要的应用前景。 就人脸检测这一部分，它是人脸识别的首要步骤，长久以来人们都在致力于找到一个能够快速定位人脸的算法。目前人脸检测的方法主要有两种，基于启发式模型的方法和基于统计式模型的方法，而近些年，基于统计模型的模式识别方法被广泛运用，比如基于神经网络的模式识别等。本文将介绍人脸检测中遇到的一系列问题，并列举数据比较各种人脸检测方法的检测效果，以作参考。 １人脸检测和人脸识别 说到人脸检测就不能不提到人脸识别问题，人脸识别问题是指：对输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、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含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每个人脸的身份。 人脸识别的过程可以分为以下三个部分： （１）人脸检测：判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小； （２）面部特征定位：对找到的每个人脸，检测其主要器官的位置和形状等信息； （３）人脸比对：根据面部特征定位的结果，与库中人 脸对比，判断该人脸的身份信息 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。 本文提出的人脸检测问题是人脸识别这个问题下的一个子问题，这也是人脸识别的前提。 人脸检测研究具有重要的学术价值，人脸是一类具有复杂细节变化的自然结构目标，由于人脸的特殊性，人脸检测面临如下几个难题： （１）人脸外貌、 表情、肤色的不同，造成模式的可变性； （２）人脸可能存在眼睛、 胡须等附属物；（３）人脸影像收到光照产生的阴影影响。 因此，如果能够找到解决此类问题的方法，构造人脸检测和跟踪系统，将为人脸识别以及类似的复杂模式检测问题提供重要启发。 目前国内外针对人脸检测问题的研究很多，比如著名的ＭＩＴ、ＣＭＵ等，国内的又清华大学、 北京工业大学、中科院计算技术研究所等，而且，ＭＰＥＧ７标准组织已经建立了人脸识别草案小组，人脸检测算法也是征集内容之一。随着人脸检测问题研究的深入，国际上在此项目上发表的相关论文数也大幅度增长，本文针对人脸检测 收稿日期：２００５－１０ 作者简介：吕琳（１９８２－），男，同济大学嘉定校区软件学院硕士在读。 人脸检测方法综述 吕琳 （同济大学软件学院，上海２０１８０４） 摘要：随着计算机科学的发展和社会的进步，人脸检测的研究和应用越来越得到广泛的关注。但是设计快速有效的人脸检测方法仍然是一个难度很大的问题。本文将从人脸检测方法的两个主要模式出发，分析了当前人脸检测的主要问题和方法，并对这些方法进行比较。 关键词：人脸检测；启发式模型；统计式模型 中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：１００９－３０４４（２００５）３６－０１５９－０４ ＳｕｒｖｅｙｏｎＨｕｍａｎＦａｃｅＤｅｔｅｃｔＭｅｔｈｏｄ ＬＶＬｉｎ （ＳｃｈｏｏｌｏｆＳｏｆｔｗａｒｅＥｎｇｉｎｅｅｒｉｎｇ，ＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０１８０４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｃｏｍｐｕｔｅｒｓｃｉｅｎｃｅａｎｄｔｈｅｓｏｃｉｅｔｙ，ｔｈｅｆａｃｅｄｅｔｅｃｔｉｏｎｒｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｄｒｅｗｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎ．Ｂｕｔｈｏｗｔｏｄｅｓｉｇｎｆａｓｔａｎｄｅｆｆｉｃｉｅｎｔｆａｃｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｉｓｓｔｉｌｌａｂｉｇｐｒｏｂｌｅｍ．Ｔｈｉｓｐａ－ｐｅｒｗｉｌｌａｎａｌｙｚｅｔｈｅｐｒｉｍａｒｙｐｒｏｂｌｅｍａｎｄｍｅｔｈｏｄｏｆｆａｃｅｄｅｔｅｃｔｉｏｎ，ｗｈｉｃｈｂａｓｅｄｏｎｔｗｏｐｒｉｍａｒｙｆａｃｅｄｅｔｅｃｔｉｏｎｐａｔｔｅｒｎｓ，ａｎｄｍａｋｅａｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｔｈｅｓｅｍｅｔｈｏｄｓ． Ｋｅｙｗｏｒｄ：Ｆａｃｅｄｅｔｅｃｔｉｏｎ；Ｈｅｕｒｉｓｔｉｃｍｏｄｅｌ；ＳｔａｔｉｓｔｉｃａｌＭｏｄｅｌ

人脸识别方法综述

人脸识别方法报告 人脸识别（Face Recognition）是指给定一个静止或动态图像，利用已有的人脸数据库来确认图像中的一个或多个人。 人脸自动识别系统包括人脸检测与定位和特征提取与人脸识别两个主要技术环节，如图所示： 1.人脸检测与定位部分 检测图像中是否有人脸图像，若有，将其从背景中分割出来，并确定其在图像中的位置。 在某些控制拍摄条件的场合，如证件照等，背景相对简单，定位比较容易。而在复杂背景下获得的图像，由于人脸在图像中的位置是未知的，此时人脸的检测与定位将受到以下诸因素的影响：( 1) 人脸在图像中的位置、旋转角度和尺度的变化；( 2) 发型 和化妆会遮盖某些特征；( 3) 图像中的噪声。 2.特征提取与人脸识别 这部分主要分为三个部分，分别是图像预处理、特征提取、人脸识别。 图像预处理：为了更精确地获得图像的有效特征信息，在特征提取前一般需要对图像做几何归一化和灰度归一化的处理。前者是指根据人脸定位结果将图像中的人脸位置、尺度调整到同一位置和同样大小；后者主要是采用光照补偿等处理方法解决光照变化对检测的影响。 特征提取：进行特征提取时根据所采取识别方法的不同，具体提取的特征形式也不相同。如在基于几何特征的识别方法中，需要提取特征点，然后构造特征矢量；在基于统计的特征脸方法中则是提取图像相关矩阵的特征矢量来构造特征脸；在模板匹配法中提取相关系数做为特征；而在基于神经网络的识别中一般不需要专门的特征提取过程。 人脸识别：特征提取结束后，下一步就是人脸识别。在数据库中预先存放了已知的人脸图像或有关的特征值，识别的目的就是将待识别的图像或特征与数据库中数据进行匹配。识别任务分为两类：人脸辨认，确定输入图像为库中哪一个；人脸证实，验证某人的身份是否属实。 常用的人脸识别方法有： 1.基于几何特征的人脸识别方法 基于几何特征的人脸识别方法，是在抽取人脸图像上显著特征的相对位置及其参数的基础上进行识别。早期的人脸识别是用手工确定人脸特征点的位置并将其输人计算机中，其工作的流程：检测出面部特征点，通过测量这些关键点之间的相对距离（欧式距离)，得到描述每个脸的特征矢量，如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯