分类:参考文献 更新时间:04-18 来源:网络
人脸识别技术(FRT)是一项重要的基于生物特征的识别技术,由于相比其他生物识别法具有相当大的优势,已成为当前自动识别领域的研究热点。人脸识别涉及图像处理、模式识别、计算机视觉等领域,其识别过程主要包含人脸检测、人脸特征提取以及人脸判定,在视频监控、身份识别、出入控制、家庭娱乐、安全等领域应用前景十分广泛。
本文第一章首先对人脸识别技术的背景、现状、应用领域等方面做了简单陈述,然后按照人脸识别过程对系统进行探究。第二章是图像预处理部分,介绍了图像处理中常用的预处理操作。第三章对比了人脸检测各方法,着重分析了基于Haar特征的AdaBoost人脸检测法的实现过程。第四章是人脸特征的提取与判定,介绍了基于小波变换、ICA与SVM的人脸特征提取与识别,通过在ICA的基础上结合SVM,可以提高人脸的识别效率与分类效果。最后,借助Matlab的GUI进行编程实现系统,完成系统主要模块功能。再使用ORL人脸库与自制人脸库对系统进行测试,以验证系统的性能。
通过测试比较,可知将ICA与SVM结合是一种有效的人脸识别方法,在保证准确率的基础上,可以缩短识别时间。
人脸识别技术的意义
随着社会各方面对快速有效的身份识别的需求,使得基于生物特征的识别技术愈发受到科研人员的重视。目前使用最普遍的三种基于生物特征的别技术包括指纹识别、虹膜识别和人脸识别[2]。但指前两者需要待检测人员的高度配合,这样便造成信息的采集比较繁琐。与之相比,人脸识别具有以下几个优点:
(1) 直接、友好、方便。人脸是人的内在生物特征,具有很强的稳定性与个体差异性,这样运用人脸来确认身份便成为一种最便捷的识别方法,从而易为用户所接受;
(2) 无侵犯性。图像获取容易,几乎不用打扰待测者便可轻易获得其人脸图像,不需要待测人员的高度配合或发生肢体接触;
(3) 无人工参与,高智能。识别系统可以遵循指令自动运行,无需用户过多参与;
(4) 成本低、易安装。
但人脸识别技术又是一项极具挑战性的技术。尽管人眼可以轻易地从复杂的环境中找出人脸和分辨出面部特征,但这对于计算机却非易事。因为人脸属于非刚性物体,形状、表情变化不一,且人脸图像通常是基于视图模式,极易受一些不确定因素的干扰,主要包括以下几种干扰因素[1]:
(1) 局部特征的随机性:人脸是一个柔性对象,其结构复杂多样,脸部的某些局部特征具有随机性且人脸随年龄的增长会发生变化;
(2) 表情:人脸表情丰富,不同的表情使同一张人脸呈现的外观不一样;
(3) 成像条件:人脸在成像过程中,容易受光照、摄像距离/角度等干扰因素的影响,这样便造成同一人在不同成像环境下所拍到的图片有差异;
(4) 装饰:一些附加装饰品会给识别带来困难,如化妆、眼镜等装饰物;
(5) 背景:图像背景越复杂,识别越困难;
(6) 遮挡:通常情况下,获取的图像中的人脸会受到不同程度事物遮挡,从而使得人脸的局部特征缺损或丢失。
这些都直接或间接地给人脸的检测带来一定的困难。所以要想计算机能够快速有效的实现对人脸图像的检测与识别,仍需要多方面的不懈努力。
国内研究现状
国内对人脸识别技术的研究晚于西方大约20年,最早始于80年代,研究单位包括清华大学、中科院自动化所[1]、哈尔滨工业大学、浙江大学[2]等。目前主要有三种力量,一是苏光大教授,被誉为中国的人脸识别技术之父;第二是中科院自动化所的李教授,专攻人脸识别,为许多的人脸识别应用提供了非常成熟的技术;第三支是香港中文大学的汤晓鸥教授带领的团队[3-5]。
其次,南京理工大学杨静宇[6]等采用奇异值分解方法对人脸识别进行研究。周志华团队[7]提出将神经网络集成应用于人脸识别,其识别精度从单一的神经网络能达到的75.625%提升到95%。三世光等[5]提出了基于纹理特征分布和变形模型的脸部特征提取方法。荆晓远等人提出了基于相关性和有效互补性分析的多分类器组合方法,先进正交小波变换,然后再提取其奇异值特征。2002年,由科学院技术研究所开发的人脸识别系统,只需0.1s即可自动检测到人脸,在一般的PC上完成身份识别也仅需1s。
国外研究现状
如今很多国家进行了与人脸识别技术相关的研究,以日本、美国为代表。许多大学在这方面也取得重大进展,例如英国College London 大学Cox等人提出混合距离技术,实现了半自动人脸识别系统。Harvard大学的Yuille[2]在前人的基础上使用可变化的参数模型来表征人脸,具备较强抗干扰能力。英国Manchester大学的Lanitis等人[1]提出了柔性形状模型技术,进行人脸图像的识别。
目前在人脸识别领域中,国际上主要形成了以下6个研究方向[8][9]:
(1) 基于K-L变换的人脸识别法;
(2) 基于模板匹配的识别法;
(3) 基于隐马尔科夫模型法;
(4) 基于动态链接结构的弹性图匹配方法;
(5) 基于几何特征的人脸识别法;
(6) 神经网络识别法。
人脸识别的研究内容
人脸识别一般被描述为:给定一静止或动态图像,运用已有人脸图像数据库来识别确认一个或多个人[2]。其研究内容包含以下四个方面[8]:
(1) 人脸检测(face detection)。所谓人脸检测,就是判别任一图片内是否有人脸,若有人脸,标出其位置。
(2) 人脸表征(face representation)。选用高效可行方法对图像中检测出的人脸或库中的人脸进行表征,其表征结果可用作人脸识别依据。
(3) 人脸识别(face identification)。遵循一定的度量准则将待识人脸特征与已知的人脸特征对比,获得所需要的结果。该过程可分为两类,一类是确认,一对一进行图像信息比较。另一类是匹配,是一对多进行信息匹配判决的过程。
(4) 表情分析(facial expression analysis)。剖析检测出的人脸表情,感知面部表情的变化,同时能有效的对感知到的表情分门别类。
对输入图像实施人脸检测操作,标出图中可能存有人脸的区域。而对于视频,还需要对其中人脸进行实时跟踪,这样可挑选出最适当人的脸来进行最终判别确认;接着再对检测出的人脸以及面部的主要器官进行归一化操作,将其缩放至同一尺寸,以便与库中的已知人脸数据进行比较;最后进行人脸识别,给出识别结果。
由于采集环境的复杂性,通常会使所获得的图像存有对比度不够、位置和大小不确定等缺陷;另外当把一张图片输入计算机时,由于输入转换器的影响,输入的图像会含有一定的噪声,这些因素将使图像产生失真。所以为了降低这些干扰的影响,保证后续操作结果的准确性,图像预处理操作就变得愈发重要。
本文主要对人脸识别技术中人脸检测、人脸表征以及人脸判定三方面进行研究与分析,在学习和分析前人的成果基础上,更加深入的理解了人脸检测、人脸表征以及人脸判定这三方面的相关理论。在人脸检测方面,重点分析了基于Haar特征的AdaBoost人脸检测法的实现方法,探讨了Haar矩形特征的提取以及图像积分图和分类器的获取;在人脸表征与判定方面,则着重研究了基于小波变换、ICA与SVM的人脸表征与判定。分别对AdaBoost算法、ICA、SVM从概念、优缺点到现状进行了详细的分析,且给出算法的具体实现步骤。并使用Matlab进行编程,实现算法到代码的转换,获得相应的功能模块,再结合Matlab的图形用户界面GUI实现系统,以便更好的人机交互。最后通过检测数据,验证系统性能。由于检测的数据是取自于标准的人脸数据库ORL和自建人脸库,数据量不是很大,且图片大小相差不大,所以系统给出的识别效果很好,总体来说本系统已能成功实现静态图片中人脸的检测和识别。
本系统主要有两个功能模块,人脸检测与人脸识别,虽然满足了设计的需要,达到了人脸识别的目的,但仍有不少需要改进的地方,主要有以下几点:
(1) 本系统功能不够丰富,只能对静态图像进行人脸识别,不能对动态图像或视频中人脸进行识别与跟踪。
(2) 采用ORL标准人脸库,人脸背景简单其图像大小一致且数量小,所以系统具有较好的识别效果,而实际中的图像背景往往是错综复杂的,识别效果就未必满足要求。
(3) 只能适应数据量少的人脸库,而现实应用中,人脸库中数据量是非常大的,识别效率会大大降低,识别时间将会过长。
(4) 系统界面还不够完善,结构不是很整齐,需待进一步优化。
(5) 本系统程序尤其人脸识别代码亟待改进优化,以缩短识别时间。
基于以上文问题,后续的工作重点便是改进算法或结合其他算法,如神经网络、Deep Learning,以改善人脸识别系统识别效率和增强其实用范围。