，，，

(1.安徽警官職業(yè)學(xué)院 計算機基礎(chǔ)教研室，合肥 230031; 2.合肥師范學(xué)院 信息技術(shù)中心，合肥 230601)

0 引言

隨著城市發(fā)展日趨成熟以及便利交通設(shè)施的更新，大規(guī)模的人口流動于各個城市，如何有效的鑒別身份信息，如何保障信息安全和公共安全，特別是一些給人們帶來生命安全和災(zāi)難的恐怖事件，給人們帶來警醒和深思。而人臉作為一種可以通過非接觸即可得到驗證的最友好的生物特征，加上它的特殊性和唯一性，受人們追捧，也成為很多學(xué)者喜愛的研究點[1]。人臉識別是種新型的身份驗證方式，包括對圖像里人臉進行識別，與已有信息庫中人臉比對匹配的過程。隨著對人臉識別技術(shù)的研究和發(fā)展，很多研究者不斷提出改進的方法，但如何在不同的場景下提高人臉識別率是其核心的方法。

通過監(jiān)控識別人臉是其發(fā)展的重要方面以后也將進一步發(fā)展。為減少視頻數(shù)據(jù)的空間占比，目前市場大部分采用低分辨率的存儲方式來存放視頻數(shù)據(jù)，這對人臉的識別率帶來了極大的影響[2]，而通過人工識別人臉的工作因客觀條件有限極易出錯，因此如何利用計算機視覺技術(shù)準確、快速、低成本[3]的完成人臉識別工作解決人臉識別問題一直以來備受關(guān)注。與此同時，因犯罪分子冒充別人身份而未能識別也會引發(fā)一系列的安全問題，比如2002年9月11日，美國遇到恐怖襲擊至雙子塔崩塌事件(又稱9.11事件)，造成了大量人員傷亡。所以，人臉識別在公共安全的防御上具有很大意義。

人臉識別最早是法國人Galton提出的，以人臉的幾何特征進行識別，但由于人臉是多態(tài)非固定的，無法精確人臉形態(tài)模型；接著人臉識別開始出現(xiàn)基于模板匹配的方法[4]，它有著一定穩(wěn)固的識別效果，但因為人臉不是平面的，具有立體性，且呈現(xiàn)多面即多維性，具體識別時會出現(xiàn)識別時間過長耗費內(nèi)存空間的情況。上世紀的最后一個十年，人臉識別方法迎來了百花齊放的蓬勃發(fā)展至高峰的時期，出現(xiàn)了基于空間特征、基于模型的人臉識別方法等等，這些方法避開了人臉維度復(fù)雜特征多樣的問題，可以減少表情、噪聲的影響，但其實現(xiàn)的復(fù)雜度較高。新世紀后，人臉識別研究的方向則傾向于關(guān)注于如何減少外界環(huán)境的影響，出現(xiàn)了基于向量機、3D模型等學(xué)習理論的人臉識別方法。

全球范圍內(nèi)現(xiàn)已有上百個國家的近五百個政府、機構(gòu)應(yīng)用了生物識別技術(shù)及產(chǎn)品。歐美等國已開始涉足通過系統(tǒng)的開發(fā)完成偵查人臉識別的應(yīng)用。9.11后，美國著手三大項目應(yīng)對公共安全問題，即國防生物識別項目、聯(lián)邦調(diào)查局(FBI)的“下一代身份識別系統(tǒng)”項目(NGI)、多國的簽證系統(tǒng)(U-VIS)。其中FBI的NGI項目重點研發(fā)的是新一代身份識別系統(tǒng)，是將公共視頻監(jiān)控中捕捉的照片與FBI數(shù)據(jù)庫中的罪犯圖片或在FBI公共圖片庫的照片來匹配，減小犯罪活動發(fā)生的概率。2012年，印度完成的“國民身份證項目”，建設(shè)了全球最大規(guī)模的生物特征識別數(shù)據(jù)庫，采集了印度超過12億人的包括十指指紋、人臉和虹膜3種生物特征。新世紀以來，我國每年都會組織“中國生物識別學(xué)術(shù)會議”，以促進人臉識別技術(shù)的發(fā)展?？蒲蟹矫妫禾K光大教授帶領(lǐng)清華大學(xué)課題小組研發(fā)成人臉識別系統(tǒng)，在較遠的距離(2米)內(nèi)完成身份證上圖像的人臉識別，而電子系教授丁曉青也研發(fā)成功了THfaceID系統(tǒng)進行人臉識別；中科院李子青教授開發(fā)的“中科奧森”近紅外人臉識別系統(tǒng)在北京奧運會、上海世博會和邊境檢查以及銀行里都加以應(yīng)用，同時還開發(fā)具備人臉識別的功能的數(shù)碼產(chǎn)品都及手機上的人臉識別軟件，還有聯(lián)想等多數(shù)主流筆記本電腦推出的具有人臉識別功能的筆記本等；中國科學(xué)院計算所高文教授帶領(lǐng)的團隊開發(fā)了GodEye系統(tǒng)；中國科技大學(xué)莊鎮(zhèn)泉教授帶領(lǐng)的團隊研究并實現(xiàn)了人臉考勤系統(tǒng)的應(yīng)用。還有20世紀初，由中科院計算所牽頭，聯(lián)合了銀晨科技實驗室籌建了人臉識別圖片庫，這是全球范圍內(nèi)最大的亞洲人臉圖像數(shù)據(jù)庫。 人臉識別在國內(nèi)已經(jīng)取得一定的成績并在繼續(xù)的研究應(yīng)用中，這也為我國二代證數(shù)據(jù)庫以及監(jiān)控系統(tǒng)普及的起了推動作用[5]。

1 人臉識別研究現(xiàn)狀

目前，計算機圖像領(lǐng)域比較有影響力的刊物(PAMI、IJCV、CVIU、PR)和國際會議(ICCV、CVPR、ECCV)等為智能視頻圖像領(lǐng)域的研究工作者提供了廣闊的交流平臺來展現(xiàn)自己最新的理論研究成果[6]。人臉識別是將運動目標檢測、圖像預(yù)處理、特征提取、降維、分類等多領(lǐng)域的技術(shù)知識進行了融合，如圖1所示是目前較常采用的人臉識別基本思路。

圖1 人臉識別基本思路流程

圖1中運動目標檢測、人臉識別及特征提取、降維是識別流程中的關(guān)鍵部分。如圖2所示，本文針對以上過程中的多種技術(shù)，進行分類，并對各種分類下的人臉識別方法進行逐一歸納分析。

圖2 人臉識別分類

2 傳統(tǒng)方法

最初人臉識別研究有兩個方向:一是幾何特征法，即鎖定人臉關(guān)鍵部位位置的二維結(jié)構(gòu)、之間距離及比值、特征向量、歐式距離、曲率、角度等參數(shù)；二是模板匹配法，主要用計算模板和圖象灰度的相關(guān)聯(lián)性來達到識別功能[7]。

2.1 基于幾何特征的方法

此種方法基本思想是:人臉的差異來源于人臉如眼睛、鼻子等各器官的不同，通過對它們進行數(shù)學(xué)描述，作為人臉識別的特征，如描述成各部件的寬度、弧度、垂直距離、形狀等等，進行識別。但此種方法識別前需進行調(diào)整統(tǒng)一下標準，以防出現(xiàn)角度、方向及不同比例影響下的識別誤差。

Kelly, Kanade和Bledsoe將人臉放入2維空間來進行識別，具體是采用人臉重要特征點之間的距離這一幾何特性的模型進行分類;Goldstein等將人臉重要特征標定在二維人臉上，用矢量來表征人臉特性;此外，Kaya等人用計算嘴唇和鼻子等長度的方法來表達人臉;Kanade在其論文中設(shè)計人臉檢測系統(tǒng)，推進了人臉半自動化辨別，用積分投影來計算人臉特征的參數(shù);Baron采用掩模的方法，通過描繪人臉中各部件器官來表達整張人臉。

盡管這種幾何特征來判別人臉的方法盡可能去描述各器官的數(shù)學(xué)特性，減少誤差，最后從識別效果看，這種方法仍然不能達到穩(wěn)固的識別率，且識別率不高。

2.2 基于模板匹配的方法

模板匹配方法是利用計算模板和圖象灰度的相關(guān)聯(lián)性來達到識別功能，增進了識別技術(shù)的穩(wěn)定性。具體是先給定多樣的參照模板，再將目標圖像與參照模板進行比較，比較相似度，依據(jù)其大小進行匹配檢測。

梁提出的單人臉檢測方法是用含雙眼和人臉長寬比例值不同的多個模板來匹配實現(xiàn)的[8]。第一步，用雙眼模板大致選取識別區(qū)域；第二步，用各種長寬比的人臉模板區(qū)分識別出的圖像中的有效區(qū)域(人臉)；第三步，用人臉邊緣特征相關(guān)技術(shù)驗證識別是否有效。

多模板匹配識別人臉的方法既能定位，又能檢測人臉，實現(xiàn)起來容易些，但在人臉尺度變化和姿勢變化時，較難處理。

3 其他方法

繼上述兩種早期傳統(tǒng)的研究方法后，人臉識別技術(shù)經(jīng)歷了百家爭鳴的局面，各種方法不斷的改進再改進，也逐漸走入了自動化、現(xiàn)代化的潮流，我們繼續(xù)來介紹：

3.1 基于子空間方法

子空間方法的思路是通過空間變換將采集到的圖映射到一子空間，這樣能增加圖像分布的緊湊性，減少計算量，依據(jù)對應(yīng)變化關(guān)系分成線性子空間和非線性子空間。

利用線性子空間法常用的有：主成分分析法(PCA)、線性判別(LDA)法、獨立成分分析法(ICA)、 特征臉法(Eigenface)、Fisher 線性分類法等。

主成分分析方法(PCA)是種經(jīng)典的方法，在人臉識別的特征提取和特征降維這兩個步驟環(huán)節(jié)都可以采用。其原理是通過K-L(Karhunen-Loeve)變換法將圖像多維信息矩陣變換成特征空間正交基，而對應(yīng)于最大特征值的特征向量叫做主成分 (Principal Components)，因而得名為“主成分分析法”[9]。K-L(Karhunen-Loeve)變換是去掉相關(guān)量的正交變換，因此PCA方法得到的子空間就是一個最優(yōu)的低維空間，能以最少的向量表征圖像特征，雖然丟失了些許信息，但不影響圖像質(zhì)量。

20世紀90年代初麻省理工學(xué)院的Pentland和Turk 將PCA方法應(yīng)用于人臉識別，開創(chuàng)性地提出了特征臉法(Eigenface)。把人臉圖像看成一個N行N列的隨機向量，以行來堆疊成一個N行1列的向量，與同維度的均值向量做差，然后進行K-L變換，最終得到一組正交基。所取的空間基與人臉維數(shù)相同，且相似于人臉形狀，將其稱為特征臉(Eigenface)。這樣就把需要識別的人臉在由“特征臉”組成的子空間里投影，且所投影的維數(shù)比原圖像減少很多，實現(xiàn)了降維。用PCA進行的人臉識別又被稱為特征臉法。此后的學(xué)者在人臉識別的研究上提出了更多方法，但都有著Eigenface的影子。目前，人臉識別中有檢測效能的算法是Eigenface和Normalized Correlation結(jié)合的。Belhumeur等提出的fisherface方法，是在降維時應(yīng)用PCA又結(jié)合了線性判別分析(LDA),得到最大的類間(sb)離散度和最小的類內(nèi)(sw)離散度[10]，目前為止，此算法仍是人臉識別中的主流方法。

線性判別分析LDA原理是在一個方向上進行投影，使待識別人臉圖像投影此方向后，得到最小sw和最大sb。但LDA性能優(yōu)于PCA只在訓(xùn)練集樣本數(shù)較多時才會出現(xiàn)。

獨立分量分析(ICA)是求出圖像的一階、二階至高階信息，通過線性變換，其中分離獨立的正交基，以表達圖像。實驗證明，人在識別物體時是借助圖像的相位譜信息，高階統(tǒng)計量具有重要的作用.PCA方法是相關(guān)圖像的二階統(tǒng)計量， ICA有效利用了信號的二階以上信息量， 是PCA方法另一種形式，但比PCA有著更廣闊的應(yīng)用。

基于線性子空間的人臉識別，實質(zhì)上也把人臉圖像中的情緒、噪聲等影響做了線性簡單的描述，因此不能很詳細地去表達細節(jié)。非線性子空間方法是把圖像數(shù)據(jù)分開處理，對線性不可分的部分，通過非線性方式映射到隱性的高維特征空間，使此空間中的圖像線性或接近線性，繼續(xù)在此空間里把圖像用線性方式處理，完成了原空間意義上的非線性的處理，達到人臉判別的目的。這里的高維空間又稱為核空間，以上即是用核方法來達到人臉辨別的目的。此過程在計算上只須用高維因變量表達兩兩向量在高維空間的內(nèi)積，不用明確非線性變換。 有核主成分分析法(KPCA)、核Fisher判決分析法(KFDA )、核線性判別分析法(KLDA )、流行學(xué)習((Manifold learning)、局部線性嵌入(LLE) 和等距映射(ISOMAP)、保局投影法(LPP )等。

3.2 基于空間特征的方法

人臉識別方法還有基于空間特征的方法。基于空間特征法依據(jù)空間提取，主要分為兩個，分別是基于整體和基于局部。

基于整體的研究方法是使用人臉的整個屬性，即提取特征時除了提取人臉圖像的各器官特征還取樣各器官之間的相對位置等整體屬性。方法有特征臉(Eigenface)方法、 Fisherface方法、直接LDA(線性判別分析)方法、神經(jīng)網(wǎng)絡(luò)法RBF及隱馬爾可夫模型(Hidden RMarkov Mode)方法。

特征臉(Eigenface)方法在本文之前論述的線性子空間法中進行過歸類，此處也可歸為基于整體的空間特征法。同理于特征臉(Eigenface)方法，F(xiàn)isherface方法也如此，這并不奇怪，它們應(yīng)用了線性子空間的原理，也符合基于整體的空間特征方法原理。

隱馬爾可夫模型(Hidden RMarkov Mode)法是由Samaria最早用于人臉辨別的，隨后Li 等提出另一種自適應(yīng)的HMM，它的狀態(tài)數(shù)因變量于信號源，從而更加細致地反映模式信息。Huang等為有效處理人臉遮擋問題，先獨立建立HMM在由人臉五官劃分的五個子區(qū)域中，再將這些單獨的HMM借助語法結(jié)構(gòu)重組一個整體的人臉HMM，取得不錯的效果。HMM構(gòu)建的基礎(chǔ)是統(tǒng)計模型，不用考慮和提取人臉復(fù)雜圖像，能夠穩(wěn)定表達情緒姿態(tài)及光照影響，不足之處是較為復(fù)雜[11]。

基于局部的研究法主要是采用人臉的局部特征，常用局部人臉各部件特征達到辨識的目的，具體有彈性圖匹配EGM(Elastic Graph Matching)方法、局部特征分析LFA(LocalFeature Analysis)方法、動態(tài)鏈接結(jié)構(gòu)DLA(Dynamic Link Architecture)方法等。

彈性圖匹配EGM算法[12]，即Elastic Graph Matching。這法的原理是將人臉的一些特征點以頂點的形式通過一張屬性圖標來標識，這些特征點表達了面部的重要特性，具有多方向局部矢量性和多分辨率，稱之為Gabor特征[13]。正是這一特征通過各個特征點的幾何關(guān)系表征著圖像的邊緣特性。EGM通過特殊搜索定位已設(shè)定的人臉重要特性點，提取它們的Gabor特性，傳輸至屬性圖中，最后與已有的圖片庫里的人臉屬性圖進行識別判斷，辨識人臉。此方法技能建模人臉的局部特征又能把握全局性的特征，是種比較有效的人臉識別算法。具體包括基于小波變換、Gabor小波變換、LBP局部二值模式(Local Binary Patterns, LBP)算子和LTP算子、HOG特征、SIFT和SURF等。

后期又出現(xiàn)對此方法改進的LFA(Local Feature Analysis)，即局部特性分析法的簡稱，此種方式是由Atick等從統(tǒng)計學(xué)表達提出的，它能在繼全局的PCA降維之后提取出局部特性，從這個角度說，LFA要優(yōu)于單純的PCA分析法，彌補了它不能保留局部特征結(jié)構(gòu)的缺點[14]。因而LFA在人臉識別中效果更好，且已在商用人臉識別系統(tǒng)中應(yīng)用。

3.3 基于統(tǒng)計的方法

基于統(tǒng)計的人臉識別方法是用統(tǒng)計原理找出圖像的疑似人臉特征，建設(shè)機器學(xué)習分類器，通過訓(xùn)練疑似人臉樣本，判斷。使用統(tǒng)計來進行人臉辨別的方法實際融合了機器學(xué)習和統(tǒng)計的算法將人臉識別轉(zhuǎn)型成統(tǒng)計模式分類問題。

除了以上已經(jīng)介紹過的子空間法、局部特征分析方法，使用統(tǒng)計原理的方法還包括有神經(jīng)網(wǎng)絡(luò)法(ANN)和支持向量機法(SVM)、貝葉斯方法(Bayes)以及Boosting方法。

ANN是仿效生物神經(jīng)系統(tǒng)傳遞信息的原理將人臉區(qū)域分為多個部分[15]，每個區(qū)域相當于信息傳導(dǎo)過程中的一個單位(即神經(jīng)元)，采用多級輸出進行判斷完成人臉檢測，歷經(jīng)了認知神經(jīng)網(wǎng)絡(luò)、主動神經(jīng)網(wǎng)絡(luò)、感知--理解-決策神經(jīng)網(wǎng)絡(luò)、復(fù)雜神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)及大數(shù)據(jù)深度學(xué)習的發(fā)展階段，讓人臉識別速度和效率。

3.4 基于學(xué)習的方法

支持向量機(SupportVector Machines)，即S VMs，它既基于學(xué)習也基于統(tǒng)計。SVMs是個以最小化結(jié)果風險取得的能起到分類作用的超平面，所以它實質(zhì)上是分類器，最終分類常見的有兩種：類內(nèi)差法(sw)和類間差法(sb)[16]。

三維可變模型3D Morphable Model Jones是結(jié)合了圖像analysis(分析) 和 synthesis(合成)技術(shù)在多姿態(tài)多噪聲下的人臉識別方法，這種方法并非將圖像從三維轉(zhuǎn)化成二維，而是直接對人臉建模，通過直接獲取如皺紋、器官立體模型等三維信息，從而排除了噪聲和姿態(tài)等因素的影響，提高識別率。

基于Boosting的學(xué)習方法是弱分類器的技術(shù)，由Jones和Vlola的，是開創(chuàng)的，它以Adaboost表征人臉特性，再進行辨識。后期有很多改進的算法，比如AdaGabo方法, 即將Adaboost結(jié)合LBh算法等，能在人臉圖片庫上取得高成效。

4 結(jié)束語

人臉識別是生物識別技術(shù)的一種，在計算機視覺領(lǐng)域一直是比較熱門的研究話題，在人工智能大發(fā)展的時代背景中，更為突出。本文針對該領(lǐng)域進行了詳細的闡述和說明，將人臉識別分成兩類，一類是傳統(tǒng)的方法，有幾何特征和模板匹配的方法等。另一類是近現(xiàn)代基于交互和自動方法，該類主要包含了基于子空間、基于空間特征、基于統(tǒng)計和基于學(xué)習人臉識別方法等，對人臉識別的方法不再局限于靜態(tài)時能提取識別人臉特征，考慮如何在有效識別人臉特征時，簡化運算量，對邊緣圖像的辨別提高，對識別運算進行自動、多樣本的識別，學(xué)習以提高識別率的問題。希望本文對人臉識別相關(guān)技術(shù)的介紹，能夠?qū)υ擃I(lǐng)域的相關(guān)研究工作者提供一定的幫助。