當(dāng)前頁面：人臉識別系統(tǒng)
返回首頁面部識別系統(tǒng)
人臉識別主要分為人臉檢測、圖像預(yù)處理、特征提取和匹配識別4個過程（如圖1所示）。
1.人臉檢測
人臉檢測在實(shí)際應(yīng)用中主要用于人臉識別的預(yù)處理，即從輸入圖像中檢測并提取人臉圖像，標(biāo)定出人臉的位置和大小。目前常用的人臉圖像模式特征有：直方圖特征、顏色特征、結(jié)構(gòu)特征及haar特征等�；谝陨咸卣鞑捎肁daboost算法挑選出最能代表人臉的矩形特征，按照加權(quán)投票方式，按級構(gòu)造成級聯(lián)分類器。檢測時，級聯(lián)分類器對圖像中的每一塊進(jìn)行分類并將最終通過級聯(lián)分類器的圖像判定為人臉圖像。
圖1 人臉識別過程
2.圖像預(yù)處理
人臉檢測獲取的原始圖像由于受到各種條件的限制和隨機(jī)干擾，往往不能直接使用，需要在人臉圖像預(yù)處理部分對圖像進(jìn)行包括光線補(bǔ)償、灰度變換、直方圖均衡化、歸一化、濾波及銳化等處理。
3.特征提取
特征提取是人臉識別中最關(guān)鍵的一步，簡單說它是指通過一些數(shù)字來表征人臉信息，這些數(shù)字就是要提取的特征。
目前主流的特征提取算法主要分為線性特征提取算法和非線性特征提取算法。線性特征提取算法的代表是主分量分析（PCA）與線性鑒別分析（LDA）。
主分量分析是一種基本的多維數(shù)據(jù)描述方法，其基本思想是：利用一組為數(shù)不多的特征去盡可能地精確表示樣本的特征。主分量分析通常采用樣本總體協(xié)方差矩陣的特征向量系作為展開基(即K-L坐標(biāo)軸)，而那些對應(yīng)若干個最大特征值的特征向量則被稱為主分量或者主成分(principal component)。模式樣本在這些主分量上線性投影后，所得的系數(shù)即稱為主分量特征。主分量分析具有：消除了模式樣本之間的相關(guān)性和實(shí)現(xiàn)了模式樣本的維數(shù)壓縮兩大優(yōu)點(diǎn)，即主分量分析給出了原始高維樣本的一種簡約表示�？梢宰C明，這種表示在最小協(xié)方差意義下是最優(yōu)的。由于這些優(yōu)點(diǎn)，主分量分析被成功應(yīng)用于人臉圖像表示。但是由于這種表示是以所有樣本的最優(yōu)重建為目的，因此對于描述不同類樣本之間的差異而言，它不一定是最優(yōu)的描述。從這個意義上說，用它描述的特征來進(jìn)行人臉識別不是最優(yōu)的。
線性鑒別分析是眾多模式識別方法中最經(jīng)典的方法之一。LDA算法的目的是確定一組最優(yōu)鑒別矢量(投影軸)，使得原始數(shù)據(jù)在該鑒別矢量集上投影后類間離散度和類內(nèi)離散度的行列式之比達(dá)到最大，稱該方向?qū)?yīng)的矢量為Fisher最佳鑒別矢量。LDA的物理意義是，樣本在這些最優(yōu)鑒別矢量上投影后，同類的樣本盡可能靠近，而不同類樣本盡可能地分離，類間散布程度與類內(nèi)散布程度之比達(dá)到最大。如果說PCA獲得的是樣本的最佳表示特征集，那么LDA獲得的則是樣本的最佳鑒別特征集，該特征集應(yīng)該更適于模式的分類。
但對于人臉識別而言，由于表情、光照、姿態(tài)等變化而引起的人臉圖像之間的差異造成人臉圖像在高維空間的分布是非線性的，而線性特征提取方法是對這些非線性特征進(jìn)行了線性簡化，所以無法獲得更好的識別效果。于是，非線性特征提取方法引起了研究者們廣泛的關(guān)注，并取得極大的發(fā)展。非線性特征提取方法大致可分為兩個分支，即基于核的特征提取方法和以流形學(xué)習(xí)為主導(dǎo)的特征提取方法。
4.匹配識別
將提取到的待識別人臉特征與數(shù)據(jù)庫中的人臉特征進(jìn)行對比，根據(jù)相似度對人臉的身份信息進(jìn)行判斷。而這一過程又可以分為兩個大類：一類是一對一驗(yàn)證，一類是一對多辨認(rèn)。
一對一驗(yàn)證是指將待識別人的特征信息與歷史采集特征信息進(jìn)行兩兩比對，若兩者的相似度不低于設(shè)定的閾值，則驗(yàn)證通過，否則失敗。在這種模式下通常采用錯誤拒絕率（FNMR，F(xiàn)alseNon-Match Rate）和錯誤接受率（FMR，F(xiàn)alse Match Rate）兩個指標(biāo)衡量生物特征識別技術(shù)性能，具體定義如（1）和（2）所示。
一對多的辨認(rèn)是利用未知身份生物特征在大量的已知身份的生物特征數(shù)據(jù)庫中查詢，設(shè)置相似度閾值，并返回列表長度，識別未知生物特征擁有者的身份。一般用錯誤匹配率（FPIR，F(xiàn)alse Positive Identification Rate）和正確識別率（TPIR，True Positive Identification Rate）兩個指標(biāo)衡量識別性能。具體定義如（3）和（4）所示。
在人臉識別性能測試中為了衡量人工查看的工作強(qiáng)度，還定義了SEL（Selectivity）指標(biāo)衡量一對多識別性能，SEL具體定義如（5）所示。
alt="" align="right" />當(dāng)光照條件和人臉姿態(tài)發(fā)生變化后(例如人臉在深度方向發(fā)生偏轉(zhuǎn))，人臉識別系統(tǒng)的識別率會出現(xiàn)嚴(yán)重的下降。鑒于以上技術(shù)缺陷，在人臉識別技術(shù)領(lǐng)域，各大高校、科研機(jī)構(gòu)都在進(jìn)行更加深入的研究，各種各樣的新技術(shù)、新算法不斷涌現(xiàn)。例如，基于多線索的人臉識別技術(shù)通過在認(rèn)知判別中引入多種有效的特征信息和多種理論推理方法，全面、準(zhǔn)確地認(rèn)識和區(qū)分對象；基于線性表示的魯棒人臉識別算法，該算法首先檢測出圖像中存在的噪聲點(diǎn)，然后在去除噪聲的基礎(chǔ)上求得準(zhǔn)確的表示系數(shù)，做出更加準(zhǔn)確的識別；基于流形學(xué)習(xí)的局部最大間距鑒別嵌入(LMMDE)特征提取方法。該方法在保持樣本局部結(jié)構(gòu)的同時，考慮位于同一流形上不同類樣本的差異性，有效解決了因近鄰關(guān)系扭曲而引起的不同類樣本相互重疊的問題。