脸部特征识别技术的发展及现状

赵　静

（宁夏大学数学计算机学院，宁夏 银川 750021）

【摘　要】人脸识别技术是生物识别技术研究的重要组成部分。阐述了人脸识别的整个过程，介绍了国内研究现状，总结了影响人脸识别技术应用的关键问题，分析了当前人脸识别技术面临的问题，并对人脸识别技术的发展进行了展望。

教育期刊网 http://www.jyqkw.com
关键词 人脸识别；特征脸；特征提取；特征匹配

※基金项目：宁夏高等学校科学技术研究项目（NGY2014052）。

作者简介：赵静（1977—），女，宁夏银川人，硕士，副教授，主要研究领域为图形图像处理、多媒体应用技术。

0　引言

脸部特征识别技术属于生物识别技术中的一个重要组成部分。实现迅速快捷的脸部识别算法，能够提高脸部识别效率，降低算法的复杂度。如何提高脸部识别的精度，增加脸部识别的稳定性，减少脸部识别的时间是目前脸部特征识别技术发展的热点问题。

脸部特征和其它生物特征相同，都具有唯一性和难以复制性，在身份鉴别领域具有重要的应用。此外，脸部特征识别还具有非强制性、非接触性、并发性等具有高防伪性、高隐蔽性和高稳定性的特点，能够实现远距离、非配合状态下实时对比和快速辨识的目的。

当前学术领域关于脸部特征识别的研究主要集中在人脸定位、区域风格、特征提取和特征匹配等方面。其核心算法主要是采用面部识别技术中的特征脸、Fisher脸以及子空间分析等方法进行脸部特征的分析。此外，在实际应用中，为了实现非接触采集过程还需要进行一定的预处理过程。整个人脸部特征识别流程见图1。

1　人脸特征识别技术

人脸脸部识别主要可以由图像采集、图像预处理、人脸检测、面部特征提取和分类识别几个部分构成。

1.1　图像采集和预处理

脸部特征的图像采集主要是通过摄像头、CCD等设备将脸部图像采集下来，并通过智能采集设备实现非接触式的搜索和识别图像的过程，在此过程中解决异常脸部特征差异引起的识别问题[1]。

而采集得到的原始图像往往受条件限制和干扰不能直接使用，必须要进行预处理。常见的预处理有灰度矫正、噪声过滤、图像增强等算法，通过这些处理过程来实现人脸图像的光线补偿、几何校正、滤波锐化等增强检测特征值的方法。

1.2　人脸图像的检测和定位

人脸的检测和定位主要是在给定区域内对采集到的图像进行特征检测定位。不仅能够定位人脸位置和大小，还可以对头部图像进行预处理和图像分割，利用先验规则[2]、几何形状信息[3]、色彩信息[4]、外观信息[5]和关联信息[6]进行脸部特征定位。好的脸部特征检测定位算法通过特征图像分割和处理能够较为稳定、精准的排除非目标图像筛选出较为准确的脸部特征图像，进行后续特征提取。当前较为常见的人脸检测主要采用了Adaboost[7]算法，该算法通过加权投票方式将人脸的部分特征构造组合成一个强分类器，以达到提高检测的速度和精度的目的。

1.3　人脸图像的特征提取

人脸的特征提取是将视觉、统计、代数等特征通过基于知识、代数以及统计学习的方法表征出来，得到特征数据提供给匹配识别的过程。

人脸特征提取的方法归纳起来分为两大类：一种是基于静态图像的形变特征提取的表征方法；另外一种是基于动态序列图像特征提取的表征方法[8]。

由于人脸特征提取过程中需要对人脸特征、纹理特点和几何描述进行大量繁杂的数据处理，图像相关的降维和变换算法均得到了广泛的应用。例如：基于几何特征的方法通过提取脸部重要器官的几何特征矢量来描述脸部宏观信息；主成分分析法则是利用识别部位的特征空间投影距离来描述脸部特征的差异；小波滤波法则主要捕捉了空间频率、位置及方向等信息进行脸部特征提取；基于模型的方法采用前后帧信息和模型参数描述脸部特征向量；光流法通过运动脸部图像序列特征点跟踪的方法消除了复杂背景对图像提取的影响；差分图像法则是通过相邻帧的差分运算获得关键帧信息构建特征向量。

人脸图像的特征提取是脸部特征识别技术的关键环节，也是当前该领域算法研究的热点领域。总的来看，1991年Turk和Pentland提出的特征脸（PCA）[9]和1997年Belhumeur等人提出的基于线性判别分析的Fisherface（LDA）方法[10]是人脸识别算法中最重要的基石。这两种算法对人脸识别技术领域做出了极大贡献，推进了整个人脸识别技术的发展。

1.4　人脸图像匹配与识别

人脸图像匹配与识别就是将提取出来的人脸特征参数进行搜索，并将图像特征点进行映射，寻找搜索策略，评估图像匹配程度的过程。经过搜索配准的图像结果直接关系到图像是否会被正确识别。

人脸匹配方法可以归纳为基于灰度、特征和其他理论三大类。常见的匹配方法包括采用平均绝对差、归一化积、有界部分匹配、R-块编码匹配、边缘特征匹配、兴趣点匹配等等，这些算法通过建立待测图像与样本库图像特征点之间的联系完成了相应的图像匹配辨识过程。

2　国内人脸特征识别技术进展及难点

国内的人脸识别领域较晚，1990年后，中科院[11]、清华大学[12]、上海交通大学[13]、北京交通大学[14]、中国科技大学[15]等先后在人脸识别领域取得了一定的成就。

其中，中科院的陈熙林、王蕴红、谭铁牛等人对人脸数据库和算法实用技术、人脸特征及特征融合进行了深入研究。此后，国内的人脸检测技术应用得到了迅速发展，特别是在奥运会、世博会、二代身份证等领域得到了有效的应用。当前人脸识别技术呈现出了主流化、芯片化、标准化和多生物特征融合、RFD联合的趋势，在诸多行业和领域内展现除了良好的发展势头。

总的来看，人脸识别技术因其具有非接触性和自然性的特点，可以在不被人察觉的情况下进行身份识别，具有广泛的用途，也是当前模式识别研究的热点领域。然而，在实际识别过程中，现有的人脸特征识别算法需要解决以下三方面问题：

首先，人脸本身具有极大相似性，这种相似性不仅表现在结构相似上，而且也反应在纹理方面。大多数同种族人具有空间上极为接近的人脸特征，因此算法就需要识别较为细微的差别；

其次，人脸本身属于具有弹性形变的非刚体，同一个人在不同背景和表情状态下得到的视觉图像会有极大的不同，建立人脸特征模型必须具有一定的鲁棒性和精准性；

第三，人脸图像本身是高维数复杂模型，其预处理、定位、检测和识别过程都具有较大的难度，特别是在实时处理算法过程中对计算量有着较为苛刻的要求，因此需要解决算法的实时性和简洁性问题。

3　结论

随着当前生物识别技术的发展，作为跨多学科的人脸识别技术已经从单一的研究课题逐步成为实用化技术，国内外的科研机构和企业已经将该技术产品化。但现有技术在非主动配合条件下仍有较大的较多的难点问题亟待解决，特别是在高运算速度和复杂背景下的人脸识别算法仍需要进行深入的研究。

就目前研究来看，人脸识别技术现阶段算法人脸识别技术还需要考虑以下几方面问题：1）通过引入三维表情信息来解决头部刚性运动和面部柔性运动引起的面部表情特征微小变形提取难题；2）通过数据融合理论综合应用多种特征提取算法解决面部复杂表情特征细节，实现特征的精准提取；3）光照和脸部遮挡对人脸识别的影响虽有许多解决方案，但仍不能达到较好的应用效果。采用多尺度小波变换来提取对光照变化不敏感的底层视觉特征，增加算法的鲁棒性；4）人脸识别算法在应用中最重要的是算法的简洁性和易用性，现有算法都需要从图像中提取特征点，对应数据库进行检索，存在实时性不足的缺陷，而快速检索则存在精确度不够的问题。在实际应用中需采用快速匹配来进行检索确定图像范围，再用复合算法进行有效定位，就可以提高图像处理速度，实现简洁、实时的算法。

当前，人脸识别技术发展迅猛，随着技术的发展，实用、鲁棒、精确、简洁的人脸识别算法是当前和今后一段时间内研究的重点和热点问题，仍需要进行大量深入研究拓展其实用性。

教育期刊网 http://www.jyqkw.com
参考文献

［1］袁宝华.异常人脸的定位与识别[D].南京理工大学，2005.

［2］Kanade T.， Picture processing by computer complex and recognition of human faces[R]. Kyoto Univ.， Dept. Inform. sci.，1978.

［3］M. Kass， A. Witkin， D. Terzopoulos. Snakes： Active Contour Models[J]. International journal of computer vision. 1988，1 （4）：321-331.

［4］R.-L. Hsu， M. Abdel-Mottaleb， A.K. Jain. Face Detection in Color Images. Pattern Analysis and Machine Intelligence[J]. IEEE Transactions on. 2002，24 （5）： 696-706.

［5］M.C. Burl， T.K. Leung， P. Perona. Face Localization Via Shape Statistics. [C]// Int. Workshop on Automatic Face and Gesture Recognition，1995：154-159

［6］M. Lades， J.C. Vorbruggen， J. Buhmann， J. Lange， C. von der Malsburg， R.P. Wurtz， W. Konen. Distortion Invariant Object Recognition in the Dynamic Link Architecture[J]. Computers， IEEE Transactions on， 1993，42 （3）：300-311

［7］Zhang J， Li J， Jiang S， et al. The research of face detection based on double skin model and Adaboost algorithm[C].IEEE，2013：1-4.

［8］乔明，陈亚军.人脸表情特征提取方法的研究进展[J].重庆工学院学报：自然科学版， 2008，22（6）：118-121.

［9］Turk M and Peniland A. Face Rcognition using eigenfaces[C]// Proceeding of the IEEE Computer Society Confereneeon Computer Vision and Pattem Reeognition，1994：586-591.

［10］Belhumeur PN， Hespanha JP and Kriegma DJ. Eigenfaces vs. Fisherfaees： Recognition Using Class Specific Linear Projeet[J]. IEEE Trans. on PAMI，1997（19）： 7ll-729.

［11］山世光，高文，陈熙霖.基于纹理分布和变形模板的面部特征提取[J].软件学报，2001（04）.

［12］杨琼，丁晓青. 运用竞争反样本的人脸认证算法[J].清华大学学报：自然科学版，2004（01）.

［13］Zhang Q， Cai YZ， Xu XM. Orthogonal Discriminant Improved Local Tangent Space Alignment Based Feature Fusion for Face Recognition[J]. Journal of Shanghai Jiaotong University（Science）.2013（04）.

［14］金一.人脸识别中的若干算法研究[D].北京交通大学，2009.

［15］张志坚，赵松，张培仁.增强典型相关分析及其在多模态生物特征识别特征层融合中的应用[J].中国科学技术大学学报，2010（08）.

［责任编辑：刘展］