人脸识别技术发展综述.docx

人脸识别技术发展综述摘 要 随着人工智能的快速发展，人脸识别已成功运用到民生安防的各个领域。相比其他生物识别技术，人脸识别具有交互友好性、方便性等特点。本文主要介绍人脸识别发展的历程，并描述了常用人脸识别方法极其优缺点。关键词 人脸识别 特征提取 深度学习中图分类号：TP316文献标识码：A0引言人脸作为人体显著的生物特征之一，包含了丰富的个人信息。人脸识别便是基于人的脸部特征信息进行身份识别的一项技术，在公共安全和生活服务中的各种应用场景发挥着举足轻重的作用，如刷脸支付、人机交互、智能安防、视频监控等。目前，人脸识别算法的识别精度已经超越了人类的识别精度。本文围绕人脸识别技术展开论述，首先介绍人脸识别技术的发展历程，然后针对应用广泛的人脸识别方法进讨论。一个完整的人脸识别过程如图1所示。首先是通过图像采集设备获取人脸图像，然后对采集的图像进行人脸检测从中分离出人脸，最后经过图像预处理等操作后进行特征提取，并进行特征比分类识别，从而得到识别结果。1人脸识别技术的发展历程人脸识别的发展主要经过以下几个阶段。20 世纪末人脸识别进入快速发展期，出现了众多经典方法如基于主成分分析 （Principal Component Analysis， PCA）、基于特征脸的 Eigenface 方法、基于线性判别分析（Linear Discriminant Analysis， LDA）的Fisherface。而后人脸识别研究进入了成熟期，这一阶段的研究主要是解决人脸识别中因外界因素带来的变化，如光照、表情、姿态、遮挡和噪声等。现在，人脸识别已进入深度研究阶段，深度学习为人脸识别成为主流，大量基于深度学习的人脸识别方法相继被提出。2人脸识别方法2.1基于几何特征的方法不同人脸的眼睛、鼻子、嘴巴等大小和结构各不相同，该方法通过对人脸中几何特征的关系进行几何描述，作为人脸的中重要特征。基于几何特征的人脸识别最早应用于人脸侧脸轮廓的描述。该方法思路直观易懂，计算相对简单，识别的速度快， 对光照的变化有一定的鲁棒性。但当遇到表情或姿态变化较大的情况，该方法的识别精度会受到很大影响，且忽略了人脸局部细节特征，容易造成信息丢失，识别率较低。2.2基于局部特征的方法该方法采用提取对表情、年龄、光照等具有鲁棒性的局部特征如鼻子、眼睛、嘴巴等来构建人脸整体特征信息。首先对人脸的整体结构信息进行辨认，然后对选取的局部细节特征进行比对识别。在该方法中，局部细节特征的选取将决定人脸识别的效果。该方法简单，但是特征分布不能全面反映人脸整体特征。尤其遇到遮挡物时，识别效果较差。常见的局部特征方法有Gabor特征、LBP特征等。2.3基于子空间的方法该方法的基本思想是提取人脸整体特征，根据性能目标寻找一个变换空间，然后利用空间变换将提取的高維特征变换到低维子空间，使子空间中的特征数据分布更为紧凑，分类更加清晰准确，并降低了计算复杂度。该方法由于提取特征稳定、计算量小得到广泛应用。常见的基于子空间的方法有PCA、基于核的Fisher判别方法KFDA等。2.4基于稀疏表示的方法该方法中训练特征集中全部的样本数据构成了稀疏表示所用的字典。该方法对使用的特征不敏感，训练过程简单，把处理后的图像数据排列成一个三维矩阵并将其存储到数据库里面。只要人脸图像包含够多的特征维数，即使提取简单的特征也会包含足够多的信息产生稀疏表示。该方法对图像局部遮挡的情况具有很好的鲁棒性。但训练集的完备性直接影响识别效果，且不能很好地解决姿态、表情、光照等影响。以上介绍的传统人脸识别方法由于自身的局限性，其识别精度受到影响，达不到预期效果。深度学习是模拟人类视觉感知神经系统的认知学习，能够获得更具表征力的高层特征。2.5基于深度学习的方法在深度学习框架下，学习算法直接从原始图像学习判别的人脸特征，通过神经网络自动地从海量数据中学习人脸表征，不仅简化了复杂的特征提取过程，还能够通过神经网络学习到人脸图像中的一些隐性规律和特征。该方法的特征提取和分类器训练在一个完整的神经网络中，通过具有多隐含层和大量训练数据的机器学习模型，学习更多有用特征，提高分类和识别的精准度。然而深度学习的计算复杂度较高，训练时间较长，在测试过程中，由于模型较多，不方便在嵌入式设备上直接运行。                                              （下转第286页）（上接第278页）基金项目：本文受重庆市教委科学技术研究项目（KJ1729405）资助。作者简介：邵艳清（1982-），女，硕士，讲师，主要研究方向移动通信技术、模式识别。参考文献1 IT Jolliffe.Principal Component AnalysisJ.Journal of Marketing Research，2002，87（100）：513.2 Turk，M.&A.Pentland.Eigenfaces for recognitionJ.Journal of Cognitive Neuroscience，1991，3（01）：71-86.3 Jain， A，K.&R.P.W.Duin&J.Mao.Statistical Pattern Recognition：A ReviewJ.IEEE Transactions  on Pattern Analysis & Machine Intelligence，2000，27（11）：1502.4 蒋阿娟，张文娟.人脸识别综述J.电脑知识与技术，2019，15（02）：173-174.5 Ojala T&Pietika nen M&Ma npa ？T.Multiresolution grayscale and rotation invariant texture classi？cation with local binary patternsJ.IEEE Trans PAMI，2002（24）：98-971.6 Daugman，J.G.Complete discrete 2-d Gabor transforms by neural networks for image analysis and compressionJ.IEEE Trans Acoust Speech Signal Process，1988（36）：11691179.7 刘小平.基于深度学习的人脸识别技术研究与应用D.成都：电子科技大学，2018.8 Kim，K.I.&K.Jung&J.K.ang.Face recognition using kernel principal component analysisJ. IEEE Signal Processing Letters，2002，9（02）：40-42.9 Liu，Q.&H.Lu&S.Ma.Improving kernel Fisher discriminant analysis for face recognitionJ.Circuits & Systems for Video Technology IEEE Transactions on， 2004，14（01）：42-49.10   杨巨成，刘娜，房珊珊等.基于深度学习的人脸识别方法研究综述J.天津科技大学学报，2016，31（06）：1-5.