人臉識(shí)別算法分析

　　人臉識(shí)別（Facial Recognition），就是通過視頻采集設(shè)備獲取用戶的面部圖像，再利用核心的算法對(duì)其臉部的五官位置、臉型和角度進(jìn)行計(jì)算分析，進(jìn)而和自身數(shù)據(jù)庫(kù)里已有的范本進(jìn)行比對(duì)，后判斷出用戶的真實(shí)身份。人臉識(shí)別算法的原理：系統(tǒng)輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉數(shù)據(jù)庫(kù)中的若干已知身份的人臉圖象或者相應(yīng)的編碼，而其輸出則是一系列相似度得分，表明待識(shí)別的人臉的身份。

人臉識(shí)別算法分析1. 基于幾何特征的方法

　　人臉由眼睛、鼻子、嘴巴、下巴等部件構(gòu)成，正因?yàn)檫@些部件的形狀、大小和結(jié)構(gòu)上的各種差異才使得世界上每個(gè)人臉千差萬(wàn)別，因此對(duì)這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以做為人臉識(shí)別的重要特征。幾何特征最早是用于人臉側(cè)面輪廓的描述與識(shí)別，首先根據(jù)側(cè)面輪廓曲線確定若干顯著點(diǎn)，并由這些顯著點(diǎn)導(dǎo)出一組用于識(shí)別的特征度量如距離、角度等。Jia 等由正面灰度圖中線附近的積分投影模擬側(cè)面輪廓圖是一種很有新意的方法。

　　采用幾何特征進(jìn)行正面人臉識(shí)別一般是通過提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類特征，但Roder對(duì)幾何特征提取的精確性進(jìn)行了實(shí)驗(yàn)性的研究，結(jié)果不容樂觀。

　　可變形模板法可以視為幾何特征方法的一種改進(jìn)，其基本思想是 ：設(shè)計(jì)一個(gè)參數(shù)可調(diào)的器官模型 （即可變形模板），定義一個(gè)能量函數(shù)，通過調(diào)整模型參數(shù)使能量函數(shù)最小化，此時(shí)的模型參數(shù)即做為該器官的幾何特征。

　　這種方法思想很好，但是存在兩個(gè)問題，一是能量函數(shù)中各種代價(jià)的加權(quán)系數(shù)只能由經(jīng)驗(yàn)確定，難以推廣，二是能量函數(shù)優(yōu)化過程十分耗時(shí)，難以實(shí)際應(yīng)用。 基于參數(shù)的人臉表示可以實(shí)現(xiàn)對(duì)人臉顯著特征的一個(gè)高效描述，但它需要大量的前處理和精細(xì)的參數(shù)選擇。同時(shí)，采用一般幾何特征只描述了部件的基本形狀與結(jié)構(gòu)關(guān)系，忽略了局部細(xì)微特征，造成部分信息的丟失，更適合于做粗分類，而且目前已有的特征點(diǎn)檢測(cè)技術(shù)在精確率上還遠(yuǎn)不能滿足要求，計(jì)算量也較大。

人臉識(shí)別算法分析2. 局部特征分析方法（Local Face Analysis）

　　主元子空間的表示是緊湊的，特征維數(shù)大大降低，但它是非局部化的，其核函數(shù)的支集擴(kuò)展在整個(gè)坐標(biāo)空間中，同時(shí)它是非拓?fù)涞模硞€(gè)軸投影后臨近的點(diǎn)與原圖像空間中點(diǎn)的臨近性沒有任何關(guān)系，而局部性和拓?fù)湫詫?duì)模式分析和分割是理想的特性，似乎這更符合神經(jīng)信息處理的機(jī)制，因此尋找具有這種特性的表達(dá)十分重要?；谶@種考慮，Atick提出基于局部特征的人臉特征提取與識(shí)別方法。這種方法在實(shí)際應(yīng)用取得了很好的效果，它構(gòu)成了FaceIt人臉識(shí)別軟件的基礎(chǔ)。

人臉識(shí)別算法分析3. 特征臉方法（Eigenface或PCA）

　　特征臉方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有簡(jiǎn)單有效的特點(diǎn)， 也稱為基于主成分分析（principal component analysis，簡(jiǎn)稱PCA）的人臉識(shí)別方法。

　　特征子臉技術(shù)的基本思想是：從統(tǒng)計(jì)的觀點(diǎn)，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉（Eigenface）。

　　實(shí)際上，特征臉反映了隱含在人臉樣本集合內(nèi)部的信息和人臉的結(jié)構(gòu)關(guān)系。將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征向量稱為特征眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中生成子空間，稱為子臉空間。計(jì)算出測(cè)試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。

　　基于特征分析的方法，也就是將人臉基準(zhǔn)點(diǎn)的相對(duì)比率和其它描述人臉臉部特征的形狀參數(shù)或類別參數(shù)等一起構(gòu)成識(shí)別特征向量，這種基于整體臉的識(shí)別不僅保留了人臉部件之間的拓?fù)潢P(guān)系，而且也保留了各部件本身的信息，而基于部件的識(shí)別則是通過提取出局部輪廓信息及灰度信息來設(shè)計(jì)具體識(shí)別算法。現(xiàn)在Eigenface（PCA）算法已經(jīng)與經(jīng)典的模板匹配算法一起成為測(cè)試人臉識(shí)別系統(tǒng)性能的基準(zhǔn)算法；而自1991年特征臉技術(shù)誕生以來，研究者對(duì)其進(jìn)行了各種各樣的實(shí)驗(yàn)和理論分析，F(xiàn)ERET‘96測(cè)試結(jié)果也表明，改進(jìn)的特征臉?biāo)惴ㄊ侵髁鞯娜四樧R(shí)別技術(shù)，也是具有最好性能的識(shí)別方法之一。

　　該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計(jì)算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。其技術(shù)的核心實(shí)際為“局部人體特征分析”和“圖形/神經(jīng)識(shí)別算法。”這種算法是利用人體面部各器官及特征部位的方法。如對(duì)應(yīng)幾何關(guān)系多數(shù)據(jù)形成識(shí)別參數(shù)與數(shù)據(jù)庫(kù)中所有的原始參數(shù)進(jìn)行比較、判斷與確認(rèn)。Turk和Pentland提出特征臉的方法，它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間，由于主元具有臉的形狀，也稱為特征臉 ，識(shí)別時(shí)將測(cè)試 圖像投影到主元子空間上，得到一組投影系數(shù)，和各個(gè)已知人的人臉圖像比較進(jìn)行識(shí)別。Pentland等報(bào)告了相當(dāng)好的結(jié)果，在 200個(gè)人的 3000幅圖像中得到 95%的正確識(shí)別率，在ＦＥＲＥＴ數(shù)據(jù)庫(kù)上對(duì) 150幅正面人臉象只有一個(gè)誤識(shí)別。但系統(tǒng)在進(jìn)行特征臉方法之前需要作大量預(yù)處理工作如歸一化等。

　　在傳統(tǒng)特征臉的基礎(chǔ)上，研究者注意到特征值大的特征向量 （即特征臉 ）并不一定是分類性能好的方向，據(jù)此發(fā)展了多種特征 （子空間 ）選擇方法，如Peng的雙子空間方法、Weng的線性歧義分析方法、Belhumeur的FisherFace方法等。事實(shí)上，特征臉方法是一種顯式主元分析人臉建模，一些線性自聯(lián)想、線性壓縮型ＢＰ網(wǎng)則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權(quán)和，這些向量是訓(xùn)練集叉積陣的主特征向量，Valentin對(duì)此作了詳細(xì)討論。總之，特征臉方法是一種簡(jiǎn)單、快速、實(shí)用的基于變換系數(shù)特征的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集和測(cè)試集圖像的灰度相關(guān)性，而且要求測(cè)試圖像與訓(xùn)練集比較像，所以它有著很大的局限性。

　　基于KL變換的特征人臉識(shí)別方法

　　KL變換是圖象壓縮中的一種最優(yōu)正交變換，人們將它用于統(tǒng)計(jì)特征提取，從而形成了子空間法模式識(shí)別的基礎(chǔ)，若將KL變換用于人臉識(shí)別，則需假設(shè)人臉處于低維線性空間，且不同人臉具有可分性，由于高維圖象空間KL變換后可得到一組新的正交基，因此可通過保留部分正交基，以生成低維人臉空間，而低維空間的基則是通過分析人臉訓(xùn)練樣本集的統(tǒng)計(jì)特性來獲得，KL變換的生成矩陣可以是訓(xùn)練樣本集的總體散布矩陣，也可以是訓(xùn)練樣本集的類間散布矩陣，即可采用同一人的數(shù)張圖象的平均來進(jìn)行訓(xùn)練，這樣可在一定程度上消除光線等的干擾，且計(jì)算量也得到減少，而識(shí)別率不會(huì)下降。

人臉識(shí)別算法分析4. 基于彈性模型的方法

　?。蹋幔洌澹蟮热酸槍?duì)畸變不變性的物體識(shí)別提出了動(dòng)態(tài)鏈接模型 （ＤＬＡ），將物體用稀疏圖形來描述 （見下圖），其頂點(diǎn)用局部能量譜的多尺度描述來標(biāo)記，邊則表示拓?fù)溥B接關(guān)系并用幾何距離來標(biāo)記，然后應(yīng)用塑性圖形匹配技術(shù)來尋找最近的已知圖形。Ｗｉｓｃｏｔｔ等人在此基礎(chǔ)上作了改進(jìn)，用ＦＥＲＥＴ圖像庫(kù)做實(shí)驗(yàn)，用 300幅人臉圖像和另外 300幅圖像作比較，準(zhǔn)確率達(dá)到 97.3%。此方法的缺點(diǎn)是計(jì)算量非常巨大 。

　　Nastar將人臉圖像 （Ⅰ ） （ｘ，ｙ）建模為可變形的 3Ｄ網(wǎng)格表面 （ｘ，ｙ，Ｉ（ｘ，ｙ） ） （如下圖所示 ），從而將人臉匹配問題轉(zhuǎn)化為可變形曲面的彈性匹配問題。利用有限元分析的方法進(jìn)行曲面變形，并根據(jù)變形的情況判斷兩張圖片是否為同一個(gè)人。這種方法的特點(diǎn)在于將空間 （ｘ，ｙ）和灰度Ｉ（ｘ，ｙ）放在了一個(gè) 3Ｄ空間中同時(shí)考慮，實(shí)驗(yàn)表明識(shí)別結(jié)果明顯優(yōu)于特征臉方法。

　　Lanitis等提出靈活表現(xiàn)模型方法，通過自動(dòng)定位人臉的顯著特征點(diǎn)將人臉編碼為 83個(gè)模型參數(shù)，并利用辨別分析的方法進(jìn)行基于形狀信息的人臉識(shí)別。彈性圖匹配技術(shù)是一種基于幾何特征和對(duì)灰度分布信息進(jìn)行小波紋理分析相結(jié)合的識(shí)別算法，由于該算法較好的利用了人臉的結(jié)構(gòu)和灰度分布信息，而且還具有自動(dòng)精確定位面部特征點(diǎn)的功能，因而具有良好的識(shí)別效果，適應(yīng)性強(qiáng)識(shí)別率較高，該技術(shù)在FERET測(cè)試中若干指標(biāo)名列前茅，其缺點(diǎn)是時(shí)間復(fù)雜度高，速度較慢，實(shí)現(xiàn)復(fù)雜。

人臉識(shí)別算法分析5. 神經(jīng)網(wǎng)絡(luò)方法（Neural Networks）

　　人工神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)力學(xué)系統(tǒng)，具有良好的自組織、自適應(yīng)能力。目前神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的 50個(gè)主元，然后用自相關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到 5維空間中，再用一個(gè)普通的多層感知器進(jìn)行判別，對(duì)一些簡(jiǎn)單的測(cè)試圖像效果較好；Intrator等提出了一種混合型神經(jīng)網(wǎng)絡(luò)來進(jìn)行人臉識(shí)別，其中非監(jiān)督神經(jīng)網(wǎng)絡(luò)用于特征提取，而監(jiān)督神經(jīng)網(wǎng)絡(luò)用于分類。Lee等將人臉的特點(diǎn)用六條規(guī)則描述，然后根據(jù)這六條規(guī)則進(jìn)行五官的定位，將五官之間的幾何距離輸入模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，效果較一般的基于歐氏距離的方法有較大改善，Laurence等采用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行人臉識(shí)別，由于卷積神經(jīng)網(wǎng)絡(luò)中集成了相鄰像素之間的相關(guān)性知識(shí)，從而在一定程度上獲得了對(duì)圖像平移、旋轉(zhuǎn)和局部變形的不變性，因此得到非常理想的識(shí)別結(jié)果，Lin等提出了基于概率決策的神經(jīng)網(wǎng)絡(luò)方法 （PDBNN），其主要思想是采用虛擬 （正反例 ）樣本進(jìn)行強(qiáng)化和反強(qiáng)化學(xué)習(xí)，從而得到較為理想的概率估計(jì)結(jié)果，并采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu) （OCON）加快網(wǎng)絡(luò)的學(xué)習(xí)。這種方法在人臉檢測(cè)、人臉定位和人臉識(shí)別的各個(gè)步驟上都得到了較好的應(yīng)用，其它研究還有 ：Dai等提出用Hopfield網(wǎng)絡(luò)進(jìn)行低分辨率人臉聯(lián)想與識(shí)別，Gutta等提出將RBF與樹型分類器結(jié)合起來進(jìn)行人臉識(shí)別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用于人臉識(shí)別，國(guó)內(nèi)則采用統(tǒng)計(jì)學(xué)習(xí)理論中的支撐向量機(jī)進(jìn)行人臉分類。

　　神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別上的應(yīng)用比起前述幾類方法來有一定的優(yōu)勢(shì)，因?yàn)閷?duì)人臉識(shí)別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。因此人工神經(jīng)網(wǎng)絡(luò)識(shí)別速度快，但識(shí)別率低 。而神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，其識(shí)別重要的一個(gè)目標(biāo)就是降維處理。

　　PCA的算法描述：利用主元分析法 （即 Principle Component Analysis，簡(jiǎn)稱 PCA）進(jìn)行識(shí)別是由 Anderson和 Kohonen提出的。由于 PCA在將高維向量向低維向量轉(zhuǎn)化時(shí)，使低維向量各分量的方差最大，且各分量互不相關(guān)，因此可以達(dá)到最優(yōu)的特征抽取。