Summary

With the development of society, the level of information continues to improve, peoples identification of the accuracy and usefulness of a higher requirements, the traditional identification methods can not meet these requirements. Face recognition technology (FRT) is an important research direction in todays pattern recognition and artificial intelligence. Although the study face recognition has a long history, has a lot of variety of face recognition technology, but because of the face are complex mode and vulnerable face, skin color and clothing influence, there is no single face recognition technology is recognized as the fast and effective based bio-metric authentication technology is a new security technology, but also in this century, the most one of the technical potential.

Face recognition technology to know the basics

Face recognition technology is based on the persons facial features, a complete recognition process generally includes face detection and recognition of two parts, face detection refers to the computer detects a persons face in the image containing someones face, process and gives the location and size of the area where the face information, face recognition is to be recognized faces known face for comparison, the similarity of the relevant information.

Face recognition technology is the use of computer analysis of facial image, and then from the effective identification information, to 'identify' the identity of a technology automatic face recognition system consists of three main technology areas. The first is the image prepossessing, since the actual number of imaging systems exist imperfections affect external lighting conditions and other factors, to a certain extent, an increase of image noise, making the image becomes blurred, low contrast, gradation imbalance region. To improve the quality of the image, feature extraction to ensure there are effective, and to improve the recognition rate recognition system, prior to extracting features necessary for image pre-processing operations; face detection and location, that is to find out from the input image face and face position is located and the face is divided from the background, in the library all face the image size and position of each organ normalized; and finally to a normalized face image Application Face Recognition feature extraction and recognition.

Face Detection

① knowledge-based approach

Face detection one rule-based approach knowledge (Knowledge-Based Methods) based. Researchers from the a prior knowledge of the rules of the human face. Generally easier to make simple rules to describe the facial features and their relationships. Yang and Huang tiered face detection method based on knowledge . Their system consists of three rules. In the most advanced, to find all the possible people rule set windows and applications by scanning the input image at each position in the face candidate region. The more advanced rules generally described what looks like a face, and a lower level of rule depends on the details of the facial features.

② feature-based method

Methods (Feature-Based Methods) feature-based not only can and face detection from their geometry from the existing facial features. And knowledge-based approach to the contrary, it is looking for the same facial features for face detection. It has been proposed many first detecting human facial features, after inferring the existence of a human face. Based on the extracted features, the statistical model to describe the relationship between the characteristics and to determine the presence of human faces.

③ Template matching

Sakai and others with sub-template modeling eyes, nose, mouth and face contour, etc., to detect frontal face photos. Each sub-template is defined in accordance with line divisions. Extracting the input image based on the maximum gradient of the line, and then matches the child template. Calculate child relationship between the template image and profile face detection candidate regions, complete with other sub-template matching candidate region.

Craw, who proposed a face shape that is positioning method, who proposed a two-stage face detection method based on the shape of the front face of the template. Face model based on edge characteristics defined composition. These features are described in the left frontal face, hairline and right curves. Face must be vertical, unobstructed and positive.

④ appearance-based approach

First by learning, the establishment of appearance-based approach on the basis of a large number of training set on a can of face and non-face samples were classified correctly identify, and then to be detected global scanning images, scan using the classifier to detect the image window contains a face, if the face is given the position is located. Moghaddam and Pentland made in high-dimensional space using feature space decomposition of probability density estimation visual learning method. Principal component (PCA) analysis to define the subspace that best represents the face pattern set. Save the data in the main component main component of those times discarded components. This method is the vector space is divided into mutually exclusive and complementary subspaces master space or feature space and its orthogonal subspace. Therefore, the density of the object is broken down into 2-component master learning space by the main components of the face sheets into the density, and its vertical component (second component in the standard PCA is discarded. Multivariate Gaussians density and mixed Gaussians local feature statistics were then used to detect this probability density based on maximum likelihood estimation of the object.

Method of Face Recognition

① Early geometric features and template matching methods

The first method is based on the geometric features of fac

剩余内容已隐藏，支付完成后下载完整资料

附录A 译文

摘要

随着社会的发展，信息化水平的不断提高，对精度和实用性人的识别提出了更高的要求，传统的身份识别方法不能满足这些要求。人脸识别技术（FRT）是当今模式识别与人工智能的一个重要研究方向。虽然人脸识别的研究历史悠久，人脸识别技术有很多的多样性，但由于面对的是复杂的模式，受到脆弱的脸，肤色和服装的影响，没有一个单一的人脸识别技术是公认的快速、有效的基于生物特征认证技术，人脸识别是一种新的安全技术，而且在本世纪，这是最有潜力的技术之一。

人脸识别技术的认识基础

人脸识别技术是基于人的脸部特征，一个完整的认识过程一般包括人脸检测和识别两部分，人脸检测是指计算机检测到一个含有某人的脸的图像过程和给出的位置，大小的区域的人脸信息，人脸识别是被称为面面比较，比较相关信息的相似性。

脸部识别技术是利用面部图像的计算机分析，然后进行有效信息识别。向“辨识”技术自动人脸识别系统的身份由三个主要的技术领域。第一是图像的预处理，因为存在成像系统的实际数量的缺陷，外部照明条件以及其他因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊，低对比度，灰度不平衡区域。为了提高图像的质量，特征提取，以确保有效，从而能够提高系统识别率，在图像预处理操作功能之前，人脸检测和定位，即从输入图像中找出面部位置使脸部与背景分割，最终获取正规化面部图像应用人脸识别特征提取与识别。

人脸检测

1. 基于知识的方法

人脸检测一个以规则为基础的认知方法（以知识为基础的方法）。研究人员从人脸的规则的一个先验知识。一般比较容易做出简单的规则来描述面部特征和它们之间的关系。Yang和Huang分层的人脸检测方法以知识为基础。其系统主要由三个规则。在最先的方法中，找出所有可能的人通过扫描输入的图像在脸部候选区域的每个位置窗口。更先进的技术通常描述人脸是什么样子的，一个较低的水平准则取决于面部特征细节。

2. 基于特征的方法

方法（基于特征的方法）基于特征不仅可以和从现有五官几何脸部检测。与知识为基础的是相反的，它正在寻找相同的面部特征进行人脸检测。已经提出许多第一检测人的面部特征，之后推断人脸的存在。基于特征的方法，统计模型来描述特性之间的关系，并确定人脸的存在。

3. 模板匹配

Sakai等人用子模板造型的眼睛，鼻子，嘴和面部轮廓等，来检测正面人脸照片。每个子模板是根据线分割限定。提取根据该行的最大梯度输入图像，然后匹配子模板。计算模板图像和侧面人脸候选区域检测，完成与其他子模板匹配的候选区域之间的父子关系。

Craw，提出了一种人脸的形状定位的方法，他提出了一个基于模板的前脸造型的两级的人脸检测方法。基于边缘特征的人脸模型定义的组成。这些特点是在于左边的正面描述，发际线和曲线。人脸必须垂直且端正。

4. 基于外观的方法

首先通过学习，建立外观基础的方法的脸和非人脸样本的大量训练集的基础上进行了分类正确识别，然后检测全局扫描图像，扫描使用分类器来检测图像窗口包含一个面，如果脸部被给定了位置。利用概率密度估计视觉学习方法特征空间分解取得高维空间。主成分（PCA）分析，以确定最能代表面部图形集的子空间。保存的数据在这些时候丢弃组件的主要成分。此方法是向量空间分为互相排斥并互补的子空间主空间或特征空间，并且其正交子空间。该物体的密度是分解成由脸板的主要成分为双组分的密度掌握学习的空间，其垂直分量（在标准的PCA组件二丢弃。多元高斯密度混合然后高斯局部特征的统计数据进行基于对象的最大相似估计这个概率密度检测。

人脸识别方法

1. 早期的几何特征和模板匹配方法

第一种方法是基于面部识别方法，几何特征的基本思想是提取面部代表性地点（如眉毛，眼睛，鼻子，嘴等）的相对位置和相对大小作为一个功能，通过面部轮廓为辅的形状信息的人脸分类识别。模式识别模板匹配方法是最简单的一种模式分类方法。人脸识别，面的图像数据库被称为模板，然后计算出图像的大小之间的相关性及要被识别的模板进行分类。

2. 神经网络

基于神经网络的人脸识别也是早期的方式之一。目前，比较流行的基于动态链接结构的弹性图匹配（弹性图匹配）的方法，并取得了一定成效。它是由Gabor小波提取并描述了一些颜面局部特征点（节点），并把它们签名（标号图）形式与之间测得的签名人脸图像相似性之间的相似程度联系起来。弹性图匹配法不仅反映了信息的几何特征的脸，也可以通过一些变化的弹性变形签名在脸上进行说明，因而可以达到更好的识别性能。

3. 基于统计

统计方法是目前最受关注的一类。其想法是要学习获得人脸的统计特性，并用于确定分类。统计方法来确定模型子空间（子空间分析）方法是其中主要的一种，它认为人们在松散面部图像高维空间分布，通过线性或非线性变换压缩成低维子空间去，使在低维子空间的人脸图像的分布在一个更紧凑，更利于分类。

人脸识别技术的应用

人脸因为直接，友好和方便的特点，用户无需任何心理障碍，更容易被人接受，从而导致了广泛的研究和应用。当前脸部识别技术主要适用于以下几个方面：

1.1 刑侦警察部门怀疑存储在文件系统中的照片，当犯罪现场或获得的照片或嫌疑人的面部特征通过其他手段的描述，您可以迅速从数据库中找到确认，大大提高了犯罪调查检测精度和效率。

1.2 多次验证文件（如海口，机场，保密部门等）可以做到通过机器验证鉴定工作，使自动化智能管理。

1.3 视频监控，当有异常情况，需要实时跟踪，监控，识别和报警。这就要求采集到的图像具体分析，并利用人脸检测，跟踪和识别技术。

1.4 访问控制，应用范围广，包括在建筑物的安全检查，住宅的入口，并且还包括所述身份信息到验证之前，计算机系统或系统验证。

1.5 根据脸部特征的面部图像识别和人的情绪状态分析变化表达分析。

监控视频中的人脸识别

视频信号处理中有许多应用，例如在视觉通信会议为残疾人的唇读服务。在许多系统中提到的，这是检测引用跟踪人脸的不可缺少的一部分。它涉及到大量的人脸实时跟踪。一般来说，根据跟踪的角度，跟踪方法可以分为两类。一些人把引用脸基于微量鉴定运动跟踪，而另一些人引用到边缘的人脸跟踪和追踪区域跟踪。

跟踪是以识别真正对象识别技术为基础，跟踪系统易受限制。基于动作跟踪是依赖于运动检测技术，该技术可分为视频流（光流）（检测）方法和动作 - 能量（运动能量）（检测）方法。

基于跟踪所述（轨道）的图像序列边缘法，这些边缘通常是边界线的主要对象。但是，由于被跟踪的对象必须显示颜色和照明条件在的明显变化的边缘，所以这些方法会遇到颜色和光的变化。另外，当背景的图像有很明显的边缘，（跟踪方法）很难提供一个可靠（测量）的结果。目前，许多的方法是从时间相关的文献中获得的。因为视频包含来自多种获得实时相机噪声的场景，许多系统都很难获得可靠脸跟踪结果。许多最新的研究脸部追踪有背景噪音的问题，研究倾向于追踪未经证实的脸，如胳膊和手。

人脸识别的子空间

计算机科学与人工智能实验室，三菱电机研究实验室，面孔的照片，表示为高维像素排列，往往属于固有的低维流形。脸部识别和计算机视觉研究一样，它们描述了大致的识别，参数和分析线性和非线性子空间，从原来的特征脸技术的概率相似性分析最近推出的贝叶斯方法，按时间顺序排列的技术。我们还讨论了其中的一些技术比较实验评估以及相关的子空间方法的应用，用于改变姿势，照明和表达实际问题。

面空间与人脸图像处理视觉信号及其维计算机分析（光反射离开面的表面），其由数字传感器注册为像素值的阵列。像素可以编码颜色或仅强度。在本章中，我们假设后一种情况下（即，灰度级图像）。适当的归一化和调整大小到固定米乘n的大小之后，像素阵列可以通过简单地写入其像素值在一个固定的（通常为光栅）顺序被表示为一个m维图像空间中的点（即，矢量） 。在这样的多维数据分析的一个关键问题是维数，必要指定数据点的坐标数。下面我们讨论影响在面部图像的情况下，这数目的因素。

1.1 图像空间对战工作面空间要指定在图像空间中的任意的图像，需要指定每个像素值。因此，“标称”维度的空间，由像素表示所决定，为Mn，高数量甚至对于中等规模的图像。那这种表示操作识别方法，从一些潜在的缺点受苦，他们大多根植于维的所谓的诅咒。处理高维的例子，特别是在相似的情况下，并基于匹配的识别，在计算上是昂贵的。格雷戈里Shakhnarovich和Baback蒙哈达bull;有关参数方法，参数的头号通常需要估计的维度呈指数增长。往往这个数量比可用于训练图像，使得在图像空间病态的估计任务的数目高得多。同样，对于非参数方法，来代表的数据的基础分布所需的例子样品的复杂性，该号码有效，是高的惊人。然而，太大的面的表面的平滑，并具有规则纹理。因此，每个像素采样实际上是不必要的密：一个像素的值通常高度相关与周围像素的值。此外，脸的外观高度受限;例如，一个面的任何前视图是大致对称的，有眼的两侧，鼻子在中间，并依此类推。该点在图像空间中的绝大比例，并不代表实际可能的面孔。因此，自然限制决定了的面部图像实际上限制在子空间称为面空间。

1.2 主函数和基函数是很常见的模拟面部空间作为（可能断开）主要歧管嵌入在高维图像空间。其固有维数是由度的面部的空间内自由的数量来确定;子空间分析的目的是确定该号码并提取歧管的主要模式。主模式被计算为像素值的函数和称为主歧管的基函数。为了使这些概念具体化，可以考虑在R3中一条直线，通过原点并平行传递给矢量= [A1，A2，A3] T ...。线路上的任何点都可以由三个坐标来描述;然而，这是由行上的所有的点的子空间具有单自由度，与主要模式对应于平移沿着一个方向。因此，代表点在这个子空间需要一个单一的基函数：phi;（X1，X2，X3）= 3 J = 1 ajxj。这里的类比是线和面之间的空间R3和图像空间之间。需要注意的是，在理论上，根据所描述的模型中的任何面部图像应落在面部空间。在实践中，由于传感器噪声，信号通常具有面对空间之外一个非零分量。这引入了不确定性的模型，并且需要能够提取主歧管的基函数在噪声存在的代数和统计技术。

1.3 主成分分析的主成分分析（PCA）是一个基于提取多维数据的主分量的期望数量的维数降低技术。第一主成分是原始尺寸具有最大方差的线性组合;第n主成分是具有最高方差线性组合，受到正交于n - 1第一主成分。 PCA的想法示于图;轴标记phi;1相当于最大方差的方向和被选择作为第一主成分。在二维情况下，在一个高维空间中的选择过程将继续，遵循的突起的差异。 PCA是密切相关的卡洛变换的Lo`eve变换（KLT），其衍生于该信号处理的历境作为正交变换与依据Phi;= [phi;1，。 。 。 ，phi;N] T，即对任意kle;Ntilde;最大限度地减少了平均的L2重建误差数据积点X ...（1）一个可以显示[12]认为，该假设下，该数据是零均值，PCA的制剂和KLT是一般性identical.Without损失，我们下文假设数据确实零均值;也就是说，平均面X是始终减去数据。在KLT基矢量可以计算以下面的方式。设X是Ntimes;M数据矩阵的列X1。 。 。 ，XM是嵌入RN中一个信号的观测值;在脸部识别的情况下，M是可用的人脸图像的数目，并且N =百万是在图像的像素的数目。通过求解特征值问题Phi;= [phi;1获得康莱特基础Phi;。 。 。 ，Phi;M] T是Sigma;的特征向量矩阵，Lambda;是对角矩阵的特征值lambda;1ge;。 。 。 Sigma;关于其主对角线ge;lambda;N，所以phi;j是相应于第j个最大特征值的特征向量。然后，它可以证明，本征值lambda;I是投射在phi;i来的数据的方差。因此，为了执行数据的PCA和提取K主成分，必须投影数据上phi;K，康莱特基础Phi;的第k列，其对应于第kSigma;的最高特征值。这可以看作是一个线性投影RN→RK，它保留了信号的最大能量（即，方差）。 PCA的另一个重要特性是它去相关的数据：Phi;TkX的协方差矩阵是总是对角。 PCA的主要性能概括由下述即，近似重建，正交性的basisPhi;k的，并且解相关的主成分苡=phi;Ti的x，分别。其中的PCA是成功地找到主歧管，它是不太成功，因为主歧管的清晰非线性。 PCA可通过奇异值分解（SVD）来实现。 ANM的SVDtimes;N（B）PCA降低到一维图。 PCA / KLT的概念。实线，在原有的基础;虚线，康莱特基础。这些点在一条直线上，在30°旋转，然后通过各向同性2D高斯噪声扰动的规则间隔位置选定。湾仅使用第一主成分的数据的投影（1D重建）。它可以表明U =Phi;，这样SVD允许的PCA的有效和健壮的计算，而无需估计的数据协方差矩阵Sigma;。当的实例的数目，M是大于N维小得多，这是一个关键的优点。

1.4 征频谱和维度的一个重要很大程度上尚未解决的问题是k的选择，主要歧管的固有维数。这个数字对于复杂自然的视觉信号的没有分析推导可用于日期。为了简化这一问题，这是常见的假设，在感兴趣的信号的噪声嵌入（在我们的情况下，从面部空间取样的点）在高维空间中，信噪比是高的。在统计上，这意味着，沿着歧管的主要模式的数据的方差高相比互补空间内的方差。这种假设涉及征频谱和维度，该组中的数据协方差矩阵Sigma;的特征值。回想一下，在第i个本征值等于沿着第i主成分的方差;因此，合理的算法，用于检测k是要搜索的位置沿减小本征频谱，其中lambda;I的值显著下降。典型的本征频谱对脸部识别问题，和自然的选择的k为这样的光谱。在实践中，k的选择还遵照计算的限制。

欧氏距离

因为有许多移动物体，所以顺序跟踪人脸的主要部分是很困难的。此外，还需要检查的物体的运动是一个人的脸或非人脸。我们使用矢量的特征空间的分量，以一个人的脸部候选区域服务检验问题。为了降低特征空间的维数，我们把投影到低维特征空间，我们称之为特征空间或空间面N维候选面部图像。在特征空间中，每个特征的面部图像显示了不同的变化。

为了测试候选面部区域是否是真正的人脸图像，也利用方程来（测试）功能空间的候选面部区域。测试是使用人脸和非人脸，通过公式来实现投影区域检测区域

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[499724]，资料为PDF文档或Word文档，PDF文档可免费转换为Word