使用特征脸进行人脸识别
使用特征脸进行人脸识别
Matthew A. Turk and Alex P. Pentland
Vision and Modeling Group,The Media, Laboratory
Massachusetts Institute of Technology
摘要
我们当前的方法来检测和识别人脸和描述工作、实时人脸识别系统的跟踪,并承认的人相比,那些特点的认识。我们的方法对人脸识别作为一个二维的认识问题,利用面临的事实,因此通常正直可描述由一个小的二维特征提出自己的观点。面对图像投射到特征空间(“空间”),最好的编码的变化已知脸孔图像。面部的空间被定义为“特征脸”。
而成立的特征;他们未必符合孤立的特征,例如眼睛、耳朵、鼻子。这个框架提供学习的能力,在无人监督的方式下确认人的身份。
1导论
开发一种计算模型的人脸识别是相当困难的.,因为面对复杂、多维的,有意义的视觉刺激。他们是一个天然的类的对象,站在正弦光栅,形成鲜明对比的是,“块”,世界和其他人工刺激人体和计算机视觉应用于研究[1]。因此大多数早期的视觉功能,为我们构建具体型号的视网膜或指纹活动。人脸识别是一种非常高的水平任务计算方法目前仅仅能建议广大限制对相应的神经活动
我们因此集中研究开发一种早期,目前的模式识别能力并不依赖于有充分的threw-dimensional模型或详细的几何形状。我们的目标是建立一个计算模型的人脸识别速度快、合理简便、准确约束的环境中,如办公室或家庭。
虽然人脸识别是一种高水平的视觉问题,有相当多的结构的任务。我们利用一些这样的结构方案,提出了识别的基础上,信息理论的方法。寻找最相关的信息进行编码在一群面临这将最好的区别,你们也要怎样相爱。这个方法转化成一个小的脸孔图像的特征图像,称为“特征脸”,即是主成分的初期培训的脸孔图像。识别进行了新的图像投射到子空间跨越了特征脸(“空间”),然后将其地位进行了比较,脸的空间位置已知的个体。
自动学习和后来的认识新面孔是实际在这个框架内。不同条件下的识别了合理的训练一定数量的特点,对“查看”正45度角度、剖面视图)。这个方法具有其他人脸识别方案在其速度和简单、学习能力、小或逐渐改变人脸图像。
1．1背景和相关的迟钝
“很多的工作在计算机识别的脸已经集中检测个人特征,如眼、鼻、口,头部轮廓,定义一个脸型的位置、大小、和之间的关系,这些特征。从Bledsoe的“2],[3] Kanade的早期系统、自动化或semi-automated策略的人脸识别和分类模型基础上,脸标准化距离特征点之间的比率。最近这个一般方法已经持续改善工作的Yuille近期文献[4]等。
这种方法也证明很难向视图,往往是很脆弱的。在研究人类策略的人脸识别,另外,表明个体特征及其直接关系的代表组成不足为成人,性能的人脸识别[5]。这种方法虽然仍是最受欢迎的人脸识别在计算机视觉文学。
联结方法试图捕捉到人脸识别,或类似完全构型性质的任务Fleming和Cottrell [6],建筑在先前的工作,Lahtio Kohonen[7]中,利用非线性部队训练网络通过繁殖,脸孔图像进行分类。STONHAM的WISARD系统[8]已被应用一些成功,都面临影像二进制的身份和表达。大多数的联结系统处理的面孔对待导正之输入影像中作为一种普遍的二维模式,并能使不明确的使用性能的构型一张脸。只有非常简单的系统进行了探讨,还不清楚他们将规模较大的问题
最近的工作由伯特等使用“智能感应”的方法基于多分辨率模板匹配[9]。这一策略使用专用的电脑而且建造金字塔图像的快速计算多尺度,已经确认人们在实时的。面对由手工模型从图像。
2 特征脸识别
先前的工作已经忽视了自动化fa.ec识别哪些方面的问题,仅仅是重要的脸刺激识别、假设预定义的测量和足够的有关。这个建议对我们而言,信息理论方法的脸孔图像编码和解码可能给洞察脸孔图像的信息内容,强调了显著的局部和全局的“特征”。这样的特征,可以或不可以直接关系到我们直觉概念等特征的脸,眼睛,鼻子,嘴和头发在语言信息理论,我们想要的相关信息提取人脸图像编码,尽可能高效、一比一脸编码与数据库模式编码类似。一个简单的方法来提取信息包含在一张脸,不知何故,捕捉变异收藏的脸孔图像,独立于任何判断的特点,并运用该信息进行编码和比较个体面对图像。
在数学方面,我们希望找到主成分的分布的面孔,或特征向量的协方差矩阵的脸的图像。这些特征能被认为是一组特征之间的变化特征,一起面对图像。每个形象定位贡献或多或少地各特征向量,以便我们可以显示特征向量作为一种诡异的脸,我们称之为一个特征脸。这些脸如图2所示。
在每一个人脸图像的训练可以准确的特征脸的线性组合。这个数字可能特征脸等于数量的脸孔图像的训练。然而面对也可近似的使用“最好”特征脸——那些有最大的特征,并因此账户内最方差的脸孔图像。主要原因是使用更少的特征脸计算效率。最好的M，M
特征脸跨度——脸子空间——维空间——所有可能的图像。不同频率的正弦波的作为和相位的功能分解(和傅里叶其实是特征函数线性系统),特征脸向量的基础特征脸分解。
这种利用特征脸的办法是出自一个技术开发，Sirovich和Kirby[10]有效代表的面部照片,采用主成分分析法。他们认为收藏的脸孔图像大致可重构,储存收集各面和一小、标准的照片。
它发生在美国,如果一个多面图像可以通过加权和的重建图像的特点,收集了一种有效的方法来学习就会认人,建立从已知的脸孔图像的特点,通过比较特别的脸识别特征权值的需要(大约)重建他们的重量与已知的个体。
下列步骤总结的认识过程。
1。初始化:获得培训的脸孔图像和计算,确定了特征脸的空间。
2。当一个新的人脸图像时,计算出了一套基于导正之输入影像中权重和M 特征脸输入图像由投射到每个特征脸。
3。确定图像是一脸(无论是已知的抑或未知的)通过检查,看看这个形象是足够接近“脸空间.
（a）
(b)
图1:(a)脸图像作为训练集(b)一般的脸ψ。
4。如果它是一张脸,分类权重模式为任何一个已知的人还是未知的。
5。(可选)。如果同样的未知的脸见过几次,计算其特点及纳入了重量模式的脸孔(即学会认出它)。
2.1特征脸计算
让脸部图像1(x, y)是一个二维N 由N 数组的强度值,或者一个向量的维N2期。一个典型的图像的大小由256描述了矢量256的尺寸、536、65、点设置,65岁,536子空间。一组图片;地图的点在这个巨大的空间。
图像的相似,在总体结构,是不会被随机分配在这个巨大的影像空间,从而可以被一个相对地空间的子空间。主要思想的主要成分分析 (或者是Karhunen-Loeve 试验)扩张找到向量空间分布的最佳账户内的脸孔图像的整体形象的空间。这些向量空间的定义的脸孔图像,这段时间我们称之为“脸”的每一个向量空间的长度,描述了一个护士被N2期的形象,是一种氮、线性组合的本来面目图像。因为这些向量所对应的协方差矩阵的本来面目,因为the3T 图像中有类似脸的出现。我们称呼他们,像“特征脸实例的特征脸如图2所示。
（1）
图2 7个特征脸从图像中计算图表1,没有这些背景移除
2.3用特征脸检测的面孔
我们也可以利用知识的脸空间检测和定位的脸在单一的图像。这让我们认识到在场的面孔除了任务的识别
创造矢量的重量为一幅图像等效投影到低维面图像的空间。在区间之间的距离图像投射到厚度和它之间的距离调整法导正之输入影像中,A 和B,其投影涂敷于脸部的空间。 在图3、影像投射在面对彻底时空间,而投影的人脸出现截然不同。这一基本理念是用来探测的面孔出现在一个场景:在每个位置的形象,计算距离ε当地首先和面部的空间。面对这种距离空间使用
作为衡量“特征脸”,那么结果计算距离空间中面临的每一点的形象是一个“空间”ε (x, y)的图像。图4显示的图形,它的脸的图像值低(黑暗的地区)意味着存在的脸，有一种截然不同的最低面对相应位置地图的脸的形象。
不幸的是,这个距离测度的直接计算是相当昂贵。我们已经为此研制出一种简单、更有效的计算方法,在面对图e(x, y);而在[11]了。
∑=ΦΦ=M T
n n M C 1n 1T AA =
2.4面空间重写
一张脸,在特定的脸在训练,应该接近于一般的脸的空间,是“face-like描述图像。换句话说,投影距离阈值应该是在一些εB6。已知的个人形象工程接近应该相应的脸类,即εk <θε。因此有四种可能性一输入影像和它的模式向量:(1)附近的空间和附近一脸类;(2)附近的空间,但没有脸靠近一个已知的脸;(3)从遥远的空间和附近一脸爪;(4)从遥远的空间,而不是附近一个已知的脸。图5显示这四个选项,简单的例子,两个特征脸。
第一种情况,个体识别和鉴定。在第二种情形,未知的个体。最后两个案例表明,形象不是一个人脸图像。三个典型病例出现假阳性的作为;在我们最识别系统的框架,然而,虚假的识别能被检测出显著的距离和子空间的形象将面临影像。图3所示了一些图片和投影到脸上的空间。图3(a)和(b)的病例1,而图3(c)说明情况。
在我国现行制度计算的特征脸做的途径。大约需要350个人来运行SUN公司的工作系统来处理128x128大小的图像。
图5 面对空间的简化版的结果说明了四个突出的图像面对空间在这种情况下,有两个特征脸(u1和u2)和三种已知的个人(?1，?2和?3)。
3识别实验
对这种方法的可行性进行评估,我们面对联盟进行实验,建立存储脸孔图像识别和定位系统在动态环境下面临的。我们首先创建一个大型数据库的脸孔图像采集、各式各样成像条件。使用此数据库已经进行了几次试验来评价在已知的照明、规模、变化和方向。在第一项研究中,不同的照明效果,大小和头部方向是采用了完整的数据库的2500图像。不同群体的十六个图像的选择与应用的训练。在每个训练有诅咒一个图像的每一个人,都采取相同的条件下,图片尺寸,点燃头部方向。所有的图像数据库进行分类，16个个别未知脸被拒绝。
数据采集测量准确度平均的差异,培养条件的蓝绿色的条件。在这个案例中,θε无限θε约96%,该系统实现了正确的分类上平均变异,85%的照明平均正确方向变化,而且平均正确尺寸变化的64%
在第二个试验相同的程序,但接受了阈值被也是多种多样。在低价值,只有图像θε项
目非常密切的脸(病例1号和3号在数字)会被认可,所以将会有一些错误,但许多的图像将拒绝为未知。在高价值的是大多数图像会保密,但会有更多的错误。调整θεto达到100%准确识别了未知的利率时,19%,39%的不同照明、方向和60%的正弦波。设置任意未知的速度,导致了正确的识别率20%的100%,分别为94%,14%。
图6 头部跟踪和定位系统
这些实验显示增加性能的精度减少.验收阈值的可调达到完美的有效识别趋于零的阈值,但在许多成本图像被拒绝作为未知。权衡的咖啡馆和识别精度拒绝将不同的各种人脸识别中的应用。
结果表明,改变照明条件导致相对少的错误,而急剧下降和尺寸变化的表现。这并不令人惊讶,因为在照明独自附近变化关系,但仍维持在高像素大小变化下的相关性从一个图像是相当低的。很明显,需要一个多尺度方法,以便在某一特定的大小进行了比较。
4实时识别
人们不断前进。甚至当坐着,我们坐立不安并调整我们的身体姿势、眨眼,环顾四周,等。对于一个移动的人在一个静态的环境,我们创建一个简单的运动检测与跟踪系统,如图6、定位和跟踪头部的位置。简单的时空过滤,紧随其后的是一个非线性单元的变化使图像的强度随时间在过滤的形象使移动照亮了。
图像阈值滤波后产生一个二进制运动图像,分析了“运动”,随着时间的推移,纠结的决定如果运动是由一种人移动头部位置和确定。一些简单的规则,如“头部上方的小斑点上的斑点(大)”、“身体必须合理地缓慢移动头部和相邻的”(头不可能在图像开)。图7显示图象的头位置,随着头部的道路在前面的帧序列。
我们已经使用了上述技术建立一个系统的实时定位和认识面孔在合理的非结构环境。当运动检测和分析项目找一个头,首先,集中在头部,被派到人脸识别模块。测量脸部空间的距离ε、形象是要么拒绝为一脸,公认的一群熟悉的面孔,或者决定一个未知的脸。在这个系统识别的出现率两或三次。
图-7:头部的形象已经被锁定—盒子里是发送到人脸识别的过程。同样显示是路径的头部跟踪多个先前的帧。
5进一步与结论
我们正在扩展系统处理的一个范围以外的其他方面的正面全裸的观点)通过定义一个小数目的脸学时为每个已知相应特点提出自己的观点。人因为速度的识别系统有很多机会去尝试几秒钟内承认许多稍微不同的观点,至少有一件是容易接近的特点提出自己的观点。
智能系统也应该有能力去适应。在面对议论图像空间提供一种方法去学习和后来认识新面孔在无人监督的方式。当一个图像的空间足够靠近面(也就是说,它是类似脸),但不是被指定为类似脸中的一个,它开始熟悉的面孔贴上“未知”。电脑商店模式向量和相应的未知的形象。如果一个集“未知”模式向量空间格局,集群的新身份不明的脸。
喧闹的图像或部分面部被遮挡的应引起识别性能降低,因为这个系统实际上优雅地实行自动联合记忆的著名描述[7]。这是由投射的闭塞人脸图像的图3(b)。
方法的特征脸人脸识别的动机是信息理论,以领先的理念,在一个小的人脸识别的图像特征的最佳逼近的脸孔图像,而不需要知道他们符合我们的直觉的概念和特征。部分面部虽然它不是一种优雅解决一般目标识别问题的方法,特征脸的确提供了可行的解决办法,是很适合的人脸识别问题。它检测迅速而且相对简单,并且在一些条件复杂的地方运行良好。
参考文献
[1] Davies, Ellis, and Shepherd (eds)Perceiving and Remembering Faces, Academic Press,
hondon. 1981.
[2] W. W. Bledsoe, "The model method in facial recognition," Panoramic Research
Inc., Palo Alto, CA, Rep. PRI:15, Aug. 1966
[3] T. Kanade,…Pictu re processing system by computer complex and recognition of human
faces,''Dept. of Information Science, Kyoto University, Nov. 1973.
[4] A. L. Yuille, D. S. Cohen, and P. W. Ilalli nan, "Feature extraction from faces using
deformable templates," Proc. CVPR, San Diegoe入.lone 1989
[5] S.Carey and R. Diamond, "Froth piecemeal configurational representation of
faces," ,Science, V ol.195, Jan. 21, 1977, 312-13.
[6] M. Fleming and G. Cottrcll, "Categorization of faces using unsupervised feature
extraction,'' Proc. IJC.NN-90, V ol. 2.
[7] T. Kohonen and P. Lehtio, '`Storage and pro cessing of information in distributed
associative memory systems," in G. E. Hinton and J. A. Anderson, Parodlel3lodcls of AssariaRiPx llemorg; Hillsdale, NJ: Lawrence F:rlbaum Associates, 1981, pp. 105-143. [8] T. Kohonham, "Practical face recognition and verification with WISARD,'' in H.
Ellis, M. Jeeves, F. Newcombe, and A. Young (eds.), A.s pects of Face Processiag.
Martnus Nijhoff Publishers. Dordrecht. 1986.
[9] P. Burt, "Smart sensing within a Pyramid Vision Machine," Proc. IEEE, V ol. 76,
No. 8,Aug. 1988.
[10] L. Sirovich and M. Kirby", "Low-dimensional procedure for the characterization of
human faces," J. Optt. 5oc. Am.. AA, V ol. 4, No. 3, March 1987. 519-524.
[1l] M.. Turk and A. PENTLAND, “Eigenfaces for Eecognition”, journal of Cofnitive Neuroscience, Mcrch 1991.
人脸识别流程
概述 本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。 本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下： 第一步人脸检测定位 确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：
页脚内容 第二步人脸图像预处理 图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关 重要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下： 第三步特征提取对比识别 人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描 述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。
人脸识别的技术有哪些你了解吗
人脸识别的技术有哪些你了解吗？ 西安鉴真人脸识别公司告诉你在现如今人脸识别是一种新兴行业。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。西安鉴真人脸识别公司告诉你人脸识别系统广泛采用区域特征分析算法，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，具有广阔的发展前景。 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、人脸识别来访登记、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。西安鉴真人脸识别公司告诉你人脸识别技术包含的三个部分是： (1)人脸检测 面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法： ①参考模板法：首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸； ②人脸规则法：由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸； ③样品学习法：这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器； ④肤色模型法：这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。 ⑤特征子脸法：这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。 值得提出的是，上述5种方法在实际检测系统中也可综合采用。
人脸识别系统的主要组成部分
现在人脸识别系统运用到很多的领域，不断地完善、改进，但不管如何，其主要的组成部分还是不变的。接下来，就讨论一下主要组成部分都有哪些吧。 一、人脸图像采集及检测 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 二、人脸图像预处理 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
三、人脸图像特征提取 人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。 四、人脸图像匹配与识别 人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。 以上就是主要的组成部分，感兴趣的可以寻找官网进行了解学习。 浙江大华技术股份有限公司，是全球先进的以视频为核心的智慧物联解决方案提供商和运营服务商，以技术创新为基础，提供端到端的视频监控解决方案、系统及服务，为城市运营、企业管理、个人消费者生活创造价值。
人脸识别介绍
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
基于matlab的人脸识别算法(PCA)
3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)
人脸识别系统的原理与发展
人脸识别系统的原理与发展 一、引言 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。它广泛采用区域特征分析算法，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，具有广阔的发展前景。2012年4月，铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统；可以对人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大； 二、概述 人脸识别系统概述 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。 人脸识别系统功能模块 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。
人脸识别技术
人脸识别技术 人脸识别 人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点： 非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术流程 人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。 人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处
特征提取在人脸识别中的应用.pdf
特征提取在人脸识别中的应用 刘磊，2014080008 一、 人脸识别研究现状 人脸识别的研究早已展开,Calton等早在1888年和1910年就分别在Nature杂志上发表过两篇关于利用人脸特征进行身份识别的文章,提出检测人脸特征或是关键点的方法。自动人脸识别的研究论文最早出现在1965年Chan和Bledsoe在Panoramic Research Inc上发表的技术报告中至今已有四十多年的历史。学者们一般将AFR的研究历史按照研究内容、技术方法等划分为以下三个阶段。 第一阶段(1964—1990年)。这一阶段人脸识别刚刚起步,还只是被作为一个一般性的模式识别问题进行研究,所釆用的方法主要是比较人脸的几何结构。总体而言,这一阶段可以看做是人脸识别研究的初级阶段,代表性的成果没有很多,也没有得到实际应用。 第二阶段(1991一1997年)。尽管第二阶段的时间比较短暂,但却是人脸识别研究的发展高峰期,不仅涌现出大量重量级研究成果,而且出现了若干商业化运作的人脸识别系统。这一阶段的人脸识别技术发展非常之快,所提出的算法在较理想图像采集条件下的中小规模正面人脸数据库上可以达到令人满意的性能。 第三阶段(1998—现在)。20世纪90年代以来,对人脸识别方法的研究变得非常热门,吸引了大量的研究人员和基金支持。由于主流的人脸识别技术对于光照、姿态等非理想采集条件,以及用户不配合造成的人脸变化等条件下的鲁棒性比较差。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。 二、人脸识别系统 人脸识别系统是提取人脸的相关特征信息,并根据这些特征信息进行身份识别的生物识别技术,它利用计算机对人脸静态图像或动态视频流进行分析,提取出对识别有用的信息,从而进行身份认证,它是人类用来进行身份确认最直接、最自然、最友好的生物特征识别方法,而且与其他身份识别方法相比,人脸识别具有采集过程的非侵犯性、釆集的便捷性等优点,特别是使用者不会产生任何心理障碍,通过对人脸表情与姿态进行分析,还能获得其他识别系统难以获得的一些信息。 三、人脸识别的描述分类 1、人脸检测
人脸识别主要算法原理
人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA）
人脸识别技术发展及应用分析解读
人脸识别技术发展及应用分析 人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机采集人脸图像，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术处理，包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识，达到识别不同人身份的目的。 市场现状 人脸识别技术的研究始于20世纪60年代末期。 20世纪90年代后期以来，一些商业性的人脸识 别系统逐渐进入市场，但是，这些技术和系统离 实用化都有一定距离，性能和准确率也有待提高。 美国遭遇恐怖袭击后，这一技术引起了广泛关 注。作为非常容易隐蔽使用的识别技术，人脸识 别逐渐成为国际反恐和安全防范重要的手段之一。 近年来，人脸识别在中国市场，也经历着迅速的 发展，而且发展的脚步也越来越快。主要原因有以下两方面。 科技的进步 国际上，美国标准与技术研究院（NIST）举办的Face Recognition Vendor Test 2006，通过大规模的人脸数据测试表明，当今世界上人脸识别方法的识别 精度比2002年的FRVT2002至少提高了一个数量级（10倍），而对于高清晰，高质量人脸图像识别，机器的识别精度几乎达到100%。在我国，近年来科技界和社会各个方面都认识到人脸识别技术的重要性，国家政策对人脸识别技术研究给予了很大支持，使得我国人脸识别技术也得到了迅速的发展。 应用需求的增加 越来越趋向于高科技的犯罪手段使得人们对各种场合的安全机制要求也近乎 苛刻，各种应用需求不断涌现。人脸识别市场的快速发展一方面归功于生物识别需求的多元化，另一方面则是由于人脸识别技术的进步。从需求上来说，除了传统的考勤、门禁等应用外，视频监控环境下的身份识别正成为一种迫切的需求，
人脸识别技术的弊端
三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。
基于MATLAB的人脸识别
基于ＭATＬAB的人脸识别
————————————————————————————————作者: ————————————————————————————————日期:
图像识别 题目:基于MＡTＬAB的人脸识别 院系:计算机科学与应用系 班级: 姓名： 学号： 日期：
设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。
关于人脸识别技术的发展研究
人脸识别技术优势 863计划、国家科技支撑计划、自然科学基金都拨出专款资助人脸识别的相关研究。国家“十一五”科技发展规划中也将人脸识别技术的研究与发展列入其中[4]，明确指出：“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，人脸识别具有高安全性、低误报率的出入口控制新产品。”在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展。如中科院自动化所，清华大学，中科院计算所自主开发的人脸识别技术已经达到了国际先进的水平。人脸识别作为一种新兴的生物特征识别技术(Biometrics)，与虹膜识别、指纹扫描、掌形扫描等技术相比，人脸识别技术在应用方面具有独到的优势： 1.人脸识别使用方便，用户接受度高。人脸识别技术使用通用的摄像机作为识别信息获取装置，以非接触的方式在识别对象未察觉的情况下完成识别过程。 2.直观性突出。人脸识别技术所使用的依据是人的面部图像，而人脸无疑是肉眼能够判别的最直观的信息源，方便人工确认、审计，“以貌取人”符合人的认知规律。 3.识别精确度高，速度快。与其它生物识别技术相比，人脸识别技术的识别精度处于较高的水平，误识率、拒认率较低。 4.不易仿冒。在安全性要求高的应用场合，人脸识别技术要求识别对象必须亲临识别现场，他人难以仿冒。人脸识别技术所独具的活性判别能力保证了他人无法以非活性的照片、木偶、蜡像来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。举例来说，用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。 5.使用通用性设备。人脸识别技术所使用的设备为一般的PC、摄像机等常规设备，由于目前计算机、闭路电视监控系统等已经得到了广泛的应用，因此对于多数用户而言使用人脸识别技术无需添置大量专用设备，从而既保护了用户的原有投资又扩展了用户已有设备的功能，满足了用户安全防范的需求。 6.基础资料易于获得。人脸识别技术所采用的依据是人脸照片或实时摄取的人脸图像，因而无疑是最容易获得的。 7.成本较低，易于推广使用。由于人脸识别技术所使用的是常规通用设备，价格均在一般用户可接受的范围之内，与其它生物识别技术相比，人脸识别产品具有很高的性能价格比。 概括地说，人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有极其广阔的市场应用前景。 我将人脸识别的一些应用列举出来，希望抛转引玉，大家不断完善，开拓更多的应用领域。 1）监控布控
人脸识别主要算法原理
人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）
人脸识别论文(基于特征脸)陈立
人脸识别论文（基于特征脸） 学生姓名：陈立学号： 20107977 专业年级： 10级计算机科学与技术一班
摘要 生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。 本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下： （1）对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。 （2）介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。 （3）给出了基于matlab环境的编程及实验结果，并对结果进行分析。 关键词：人脸识别，特征脸，K-L变换，主成分分析
第一章人脸识别概述 1.1 生物特征识别技术 生物特征识别技术是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来多为先天性的;行为特征则是习惯使然，多是后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括:指纹、掌纹、虹膜、视网膜、脸像、声音、笔迹等。 那么，生物特征识别技术是如何进行个人特征识别的呢? 生物鉴别的过程分成三个步骤:生物特征数据采样，生物特征提取和特征匹配。数据采样过程是通过各种传感器对生物特征进行原始数据采集的过程，生物特征提取过程则从传感器采集的数据中抽取出反映个体特性的信息(通常是某种数学上的编码过程)，匹配阶段则是计算生物特征之间的相似性并进行排序和一致性判断的过程。 生物特征识别技术主要有人脸识别、指纹识别、语音识别、虹膜识别等。生物识别技术在上个世纪己经有了一定的发展，其中指纹识别技术己经趋近成熟，但人脸识别技术的研究目前还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别则可以用已有的照片或是摄像头远距离捕捉图像，无须特殊的采集设备，系统的成本低。并且自动人脸识别可以在当事人毫无察觉的情况下即完成身份确认识别工作，这对反恐怖活动等有非常重大的意义。由于人脸识别技术具有如此之多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。 1.2 人脸识别技术 所谓人脸识别，是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个面部主要器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。其研究内容包括以下五个方面：
人脸识别发展趋势及应用领域分析
人脸识别发展趋势及应用领域分析 人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，具有极其广阔的市场应用前景。在公安、国防、海关、交通、金融、社保、医疗及其他民用安全控制等行业和部门存在着广泛的需求。 一、人脸识别何以瞬间爆发？ 其实对于整个生物识别领域来说，由于指纹识别应用时间早，价格低廉，而且使用便利，因此早早地便占据了国内的大部分市场，在顶峰时期，甚至可以达到90%左右。但是，又是什么力量，使人脸识别在短短五六年的时间里，就实现了如此迅猛的腾飞呢？ （一）政策因素：抛开技术因素，国家政策的支持可以说是人脸识别崛起的重要因素之一。尤其随着近些年来，平安城市等技术的大力推广，我国安防市场的需求也随之迅速升温，各领域安保的等级也就随之实现明显的提升。甚至在部分地区的部分领域，人脸识别已经开始被列为使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。因此，虽然政策的角色只是一种诱导的作用，但是这种诱导对于人脸识别的爆发，却又是不可或缺的。 （二）社会需求：在我国，随着城镇化的进程加快，流动人口比例大大增加，面临的突发事件和异常事件越来越复杂。因此这也就给城市的安保工作，以及视频监控带来了更大的压力。传统依靠人工来“盯”的方式难免会因疲劳或精神不集中等原因影响监视效果，难以胜任对庞大数据库的分析与理解，从而影响事后查找证据，更难以满足时代的需求，于是，人们对于具有智能分析的视频监控应用的呼声越来越高。 二、人脸识别发展趋势 （一）与视频监控相结合：随着人脸识别技术的进一步发展，将人脸识别技术将实现与数字监控系统的进一步融合，将成为人脸识别技术的另外一大应用领域。据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的市场规模。（二）逐步取代指纹考勤：人脸识别考勤，通过对人脸一些独一无二的特征识别对验进行考
人脸识别技术分析
人脸识别技术分析 近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。 对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。 在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
人脸识别主要算法原理doc资料
人脸识别主要算法原 理
人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但
Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识
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