人臉識別技術(shù)

第27卷第11期計算機工程與設計2006年6月Vol.27No.11Computer Engineering and DesignJune 2006人臉識別技術(shù)張會(huì )森，王映輝(陜西師范大學(xué)計算機科學(xué)學(xué)院，陜西西安710062)摘要:人臉圖像的 易取性和人臉變化的多樣性使人臉識別研究更富有挑戰性.按照人臉檢測、特征提取和識別3個(gè)關(guān)鍵過(guò)程，分別對基于二維和三維人臉信息的人臉識別技術(shù)和方法進(jìn)行了詳細的闡述;展望了人臉識別研究的趨勢，并提出了可能取得突破性研究進(jìn)展的研究途徑。關(guān)鍵詞:人臉識別;特征提取;特征臉;彈性匹配;形變模型.中圖法分類(lèi)號:TP18文獻標識碼:A文章編號: 000-7024 (2006) 11-1923-06Face recognition technologyZHANG Hui-sen,WANG Ying-hui(School of Computer Science, Shanxi Normal University, Xian 710062, China)Abstract: People face image of easy fetch and people face variety make the face recognition of study more challenging. According tothe people faces of measure, feature extraction and face recognition three pieces ofkey course in face recognition, person face recognitiontechnology and method based on 2-D and 3-D person face information are explained in detail. Research trend of face recognition is given,and the research way is presented by which the unprecedented research progresses could be got possibly.Key words: face recognition; feature extraction; eigenface; elastic matching; morphable model三維人臉研究過(guò)程中,Parke"第I個(gè)將人臉模型參數化,并且可以通過(guò)參數的變化產(chǎn)生簡(jiǎn)單的動(dòng)畫(huà),但是人臉參數復雜，且人臉的結構都是一樣的，但世界上不存在完全一樣 的兩缺乏真實(shí)感。隨后Lee等人田使用真實(shí)人臉圖像合成紋理技張人臉，即使是雙胞胎也存在著(zhù)可區分之處。因為人臉的面術(shù),實(shí)現了具有真實(shí)感并且能產(chǎn)生各種表情的人臉模型,但是部特征存在差異，使得計算機人臉識別成為可能。人臉識別該模型使用了肌肉模型，計算量較大。隨后又出現了基于幾技術(shù)的研究始于20世紀60年代末，經(jīng)過(guò)幾十年的發(fā)展已經(jīng)何模型變形的人臉建模方法，該方法使用了多幅不同角度的取得了很大的進(jìn)展。人臉圖像，從這些圖像中提取有用的人臉特征點(diǎn),使用視覺(jué)方近年來(lái)隨著(zhù)各個(gè)部門(mén)對身份驗證要求的提高,各種身份法恢復出這些點(diǎn)的三維位置,然后再修改二維人臉圖像,最后識別技術(shù)得到了迅速發(fā)展。與其它身份識別技術(shù)相比，人臉進(jìn)行紋理映射或三維模型彩繪得到人臉的三維圖像。這種識別能在最自然、直接,特別是在非接觸環(huán)境和不驚動(dòng)被檢測方法簡(jiǎn)單且過(guò)真度高，是目前比較流行的方法。其中代表性人的情況下進(jìn)行的，因此計算機人臉識別技術(shù)成為最活躍的的有:Lee等人的基于正交圖像的三維人臉克隆";:Pighin等人研究領(lǐng)域之的基于圖像的人臉造型':Guenter等人的人臉造型技術(shù)等。人臉識別技術(shù)是生物識別技術(shù)的一種, 它結合了圖像處目前有許多研究人員從事人臉識別的研究，在國內比較理、計算機圖形學(xué)、模式識別、可視化技術(shù)、人體生理學(xué)、認知著(zhù)名的研究機構有清華大學(xué)明和中科院計算機技術(shù)研究所科學(xué)和心理學(xué)等多個(gè)研究領(lǐng)域，幾十年來(lái)尤其是在二維人臉等，在人臉識別方面積累了較多的經(jīng)驗，取得了較多的成果。識別方面,已經(jīng)產(chǎn)生了較豐富的技術(shù)、方法和理論。在三維人1二維人臉識別臉識別方面,由于其復雜性和數據獲取的困難性,三維人臉識別的研究進(jìn)展落后于二維人臉識別。二維人臉識別主要涉及人臉檢測、特征提取和人臉鑒別在人臉識別研究過(guò)程中,最早的研究者是Bledse'l",他以等步驟。典型的人臉圖像包括正面和側面兩種,在二維人臉人臉特征點(diǎn)的間距、比率等參數為依據,建成了一個(gè)半自動(dòng)的識別中基于正面的識別方法研究最多，主要集中在人臉的檢人臉識別系統。Parke"第 1個(gè)用計算機生成了人臉圖像;在測和中國煤化工收稿日期: 2005-04-03.0TYHCNMH G基金項目:國家863高技術(shù)研究發(fā)展計劃基金項目(003A118105);陜西省自然基金項目(03F35);陜西師范大學(xué)校級重點(diǎn)基金項目(995147)。作者簡(jiǎn)介:張會(huì )森(1979-),男， 河北巨鹿人，碩士研究生，研究方向為圖形圖像技術(shù)與模式識別;王映輝 (1967-),男，甘肅莊浪人，教授，碩士生導師，研究方向為可視化、模式識別和軟件演化技術(shù)。- 1923 -.1 人臉檢測可選取虹膜中心、內眼角點(diǎn)外眼角點(diǎn)、上下眼瞼點(diǎn)、兩內眼角人臉檢測是從輸入的圖像中尋找可能存在的人臉區域，距、兩外眼角距和兩眼眼高等特征，這些信息可以確定出眼睛并確定其大小和姿態(tài)的過(guò)程。目前人臉檢測的方法很多，大的大小和位置,確保了特征的穩定性。致可分為基于統計的檢測方法和基于知識的檢測方法2類(lèi)。人臉面部器官比較復雜，一般特征提取方法可以從3個(gè)1.1.1 基于統計的人臉檢測方法角度對特征進(jìn)行提取:①通過(guò)面部拓撲結構幾何關(guān)系的先驗基于統計的人臉檢測"是構造分類(lèi)器將人臉?lè )譃榉侨四樦R，構造-一個(gè)包含面部器官的人臉模板對其特征進(jìn)行提樣本與人臉樣本進(jìn)行訓練,判別待檢測區域屬于哪類(lèi)樣本,從取;②將面部器官視為高維圖像空間的中的信號,通過(guò)代數的而實(shí)現人臉的檢測。在訓練過(guò)程中從整個(gè)人臉角度出發(fā)，找方法將這些信號檢測出來(lái)，達到提取面部器官特征的目的:出人臉共有的規律來(lái)檢測圖像中的人臉。為了檢測不同大?、劾蒙窠?jīng)網(wǎng)絡(luò )對 圖像進(jìn)行分類(lèi)，提取面部器官特征。具體的人臉，通常采用由粗到細的策略進(jìn)行,將待檢測的圖像劃分來(lái)說(shuō)，比較典型的特征提取方法有模板法、特征臉?lè )?、彈性匹成MxN塊,每個(gè)塊的大小是nxn個(gè)像素;對于被檢測的圖像，配法和神經(jīng)網(wǎng)絡(luò )等.盡管局部存在一些形變和灰度 差異，但由nxn個(gè)像素組成的.2.1基于模板的特征提取局部方塊內具有一定的統計特性，根據大量同類(lèi)目標的統計人臉的基本輪廓和臉部器官位置基本是固定的，在提取數據，計算每--區域的特性參數(比如邊緣信息和灰度信息),特征之前先定義-一個(gè)標準的模板(如輪廓模板、眼睛模板、嘴再經(jīng)過(guò)加權綜合得到整幅圖像的判決值,最后根據判決值來(lái)巴模板和鼻子模板等),利用Hough變換、方差投影和模板匹判定圖像。配相結合，有效地確定出眼睛、嘴巴和鼻子等器官的位置。定目前國際上普遍采用人工神經(jīng)網(wǎng)絡(luò )方法(ANN)。Feraud義模板需要用到人臉器官的幾何特征矢量(如眼睛、鼻子和嘴等"采用多級神經(jīng)網(wǎng)絡(luò )結構檢測人臉;Garcia等""采用一一個(gè)卷的位置和寬度等),它可以通過(guò)虹膜中心、內眼角點(diǎn)、外眼角點(diǎn)、積神經(jīng)網(wǎng)絡(luò )結構檢測人臉;梁路宏等u先采用雙眼模板和-鼻尖點(diǎn)、鼻孔點(diǎn)、耳屏點(diǎn)、耳下點(diǎn)、口角點(diǎn)頭頂點(diǎn)、眉內點(diǎn)和眉系列長(cháng)寬變化的人臉模板進(jìn)行模板匹配檢測，然后聯(lián)合兩個(gè)外點(diǎn)等關(guān)鍵點(diǎn)得到。特征的提取通常以面部器官的形狀和幾MLP (multiple layer perception)對人臉候選區域進(jìn)行確認。其何關(guān)系之間的匹配分量作為依據，匹配分量通常包括人臉兩次，Yang等"采用SNOWsparse network of winnow)方法檢測人點(diǎn)間的歐氏距 離、曲率和角度等,其中歐氏距離的判決是最常臉;Froba等”先用邊沿方向特征過(guò)濾掉大約90%的檢測區域，用的方法。再用SNOW方法進(jìn)行檢測，有效地提高了檢測速度,可達25標準模板可以是固定模板，也可以是參數可變的可變性幀/秒;陳茂林等叨提出自組織HMM的人臉檢測方法，先采用模板。固定模板比較簡(jiǎn)單，但是隨著(zhù)環(huán)境的變化模板也要更多視角人臉樣本對HMM進(jìn)行訓練,得到參數的初步估計。.換，有很大的局限性，- -般只針對簡(jiǎn)單的圖像;可變性模板叫1.1.2基于知識建模的人臉檢測方法以器官的幾何特征作為模板的參數,定義一一個(gè)能量函數，通過(guò)人類(lèi)根據自已已有的經(jīng)驗識別物體,在千差萬(wàn)別的物體改變參數使能量函數最小化，能量函數越小越接近提取的目中能準確定位物體，是大腦長(cháng)期對目標知識積累的結果。人標。 可變性模板在環(huán)境發(fā)生變化時(shí)只需要改變相應的參數即臉是一個(gè)較復雜多變的塑性物體,當然也有它剛性的一面。人可，因此靈活性和適應性都比較好,可處理質(zhì)量較差的人臉圖臉的輪廓、膚色和五官的相對位置,尤其是眼睛的相對位置都像，但是模板的描述不夠精確,適用于可變性不大的器官，常具有不變性;還有人臉的軸對稱(chēng)性和各器官的軸對稱(chēng)性;以及用于提取眼睛、嘴和鼻子的輪廓。面部的特殊標記等也是剛性的?？梢酝ㄟ^(guò)對這些特性建立知1.2.2 基于代數方法的特征提取識模型來(lái)識別人臉圖像。Miao提出重心模板0,先用重心模此類(lèi)方法使用代數變換來(lái)提取人臉特征,其中比較經(jīng)典板粗匹配,再將候選人臉區域劃分為R個(gè)子區域,根據各子區的方法是特征臉叫方法。人臉由一些基本 的特征就可以描述，域內灰度特征和邊沿像素數的比例關(guān)系進(jìn)- -步驗證。Wong如鼻子、眼睛和嘴等特征，因此描述人臉的圖像可以縮小到很等"將遺傳算法和本征臉算法聯(lián)合起來(lái)檢測人臉。小的空間。特征臉?lè )椒ㄒ罁﨣-L (Karhunen-Loeve) 變換，設對于旋轉的人臉圖像，可采用檢測眼睛位置來(lái)確定人臉XEIR"為圖像的特征向量,N為圖像的維數,X的協(xié)方差矩陣的旋轉角度",也可用FFT變換"確定人臉的旋轉方向,再進(jìn)可定義為行人臉檢測。E={X-E(X)[X-E(x)T},2)1.2 人臉特征提取式中:E(X)一期望算子,T一 轉置運算, 這樣可以將協(xié)方差在特征提取之前,一般先要對圖像進(jìn)行歸一化處理，將人矩陣E分解為臉圖像校正為標準圖像?？刹捎脤底儞QE=φ/φ° ,3)t ln(xy)+1)式中:-=[,，, -.，. A=diag ,-}此時(shí)φ正交特g(xy)=a+bInc(1)征向量矩陣,人一對角特征向量矩陣。式中:fx;y)_原始圖像,gx,y) 輸 出圖像。中國煤化工一個(gè)新的維數較低的特這種變換可以擴展圖像低灰度范圍，壓縮高灰度范圍，從征空rMYHFE向量,利用圖像的代數而使圖像灰度均勻。寺征. CN MH G這種方法具有無(wú)需提取特征點(diǎn)的選取要保證有代表性、信息量大且冗余小,在一眼、嘴和鼻等幾何特征的優(yōu)點(diǎn),但在單樣本時(shí)識別率不高，且定的干擾下能確保不變性和適應性。例如在提取眼睛特征時(shí)，在人臉模式數較大時(shí)計算量大。- 1924.-KL變換存在線(xiàn)形度和可測量度的問(wèn)題，為此Cpeli等叫在BP網(wǎng)絡(luò )中隱含層對輸入層抽象提取，并將提取的特征提出多空間K-L變換。Shan 等凹采用特定人的特征空間法獲得送往輸出層。因此隱含層的神經(jīng)元數的確定很重要，一般滿(mǎn)了好于特征臉?lè )椒ǖ慕Y果。文獻[26]將特征臉和小波變換方法足如下函數結合起來(lái)，利用小波變換對人臉圖像進(jìn)行分解,然后對低頻分量(+1)H+(H+l)J≤KI5)和中頻平均分量分別運用特征臉?lè )治鰳嬙臁疤卣髯涌臻g”,該方式中:K一訓練樣本;I- 輸入層神經(jīng)元數;J-- 輸 出層神法綜合利用了特征臉?lè )治龈咝Ш托〔ㄗ儞Q多分辨率的特點(diǎn),提經(jīng)元數。- 般情況下J和I取人臉類(lèi)別數n,因此H=k2,即隱高了特征提取得準確度。含層的神經(jīng)元數宜取為訓練樣本數的-半。1.2.3基于彈性匹配法的特征提取有代表性的神經(jīng)網(wǎng)絡(luò )模型有:BP網(wǎng)絡(luò )、RBF網(wǎng)絡(luò )和Hop-彈性匹配法是-種較好的特征提取方法，主要思想是采field網(wǎng)絡(luò )等。神經(jīng)網(wǎng)絡(luò )的適應性、容錯性和魯棒性較強,但是用畸變不變性的物體識別特性，定義了-一種對于人臉變形具此方法需要的神經(jīng)元數目多,訓練時(shí)間較長(cháng).Freaud等哪提出有不變性的距離，采用屬性拓撲圖(如圖1所示)代表人臉，圖了constrained generative網(wǎng)絡(luò )模型，該模型基于標準圖像處理中任-頂點(diǎn)均包含一個(gè)特征向量，用來(lái)記錄人臉在該頂點(diǎn)位過(guò)程，然后使用統計分析的過(guò)程進(jìn)行處理。該模型較大,為了置附近的信息,邊則表示各特征點(diǎn)之間的關(guān)系。假設S1是人降低模型可采用多個(gè)濾波器和快速搜索算法解決。臉庫中定義的某人臉屬性拓撲圖,S為待識人臉屬性拓撲圖。1.3人臉鑒別在彈性匹配中也就是尋找S1中各節點(diǎn)在S中的最佳匹配節經(jīng)過(guò)特征提取過(guò)程后，人臉圖像被轉換成一種數字信息，點(diǎn)。匹配時(shí)通過(guò)函數將其與數據庫中已有的人臉特征信息進(jìn)行比較，鑒別出人臉E(M-EπclrYxr-E●的身份。鑒別的方法和前兩步的方法有很強的繼承性，主要HI (P(i)-P())-(Q(i)-0Q(i)) I'4).通過(guò)計算它們的相似度，若這兩個(gè)特征集合的相似度在某--來(lái)確定待識別人臉圖像向量場(chǎng)和庫中人臉圖像向量場(chǎng)的匹配特定的范圍內,可確定識別成功。程度。其中P(i)表示屬性圖S1中節點(diǎn)i在庫中人臉上的坐標，特征提取過(guò)程提取的是人臉的關(guān)鍵特性,除了這些以外Qj)表示屬性圖s中節點(diǎn)j在待識別人臉上的節點(diǎn)坐標。人臉還受到年齡、性別、表情和膚色等特征的影響,因此還要分析年齡、性別等相關(guān)的信息。對這些信息分析可以通過(guò)神經(jīng)網(wǎng)絡(luò )方法構建分類(lèi)器,將年齡和性別等因素分類(lèi),構建老化模型、性別模型等來(lái)完成。只有通過(guò)綜合分析這些信息之后，才能夠得出正確的識別結論。由2三維 人臉識別三維人臉圖像包含的信息比二維圖像要豐富得多，從理圖1屬性拓撲圖論上講三維識別要比二維識別更有效。三維人臉識別的提出彈性匹配法提取人臉特征需要有一個(gè)學(xué)習的過(guò)程，開(kāi)始已經(jīng)很早，但只在近幾年發(fā)展比較快。需要人工定位特征點(diǎn),經(jīng)過(guò)一- 段時(shí)間學(xué)習后,可自動(dòng)進(jìn)行特征通過(guò)三維數據采集設備獲取人臉圖像時(shí)，人臉很難處于定位和提取。優(yōu)點(diǎn)在于，拓撲圖的頂點(diǎn)采用了Gabor 小波變垂直狀態(tài),水平方向總會(huì )有小角度偏轉,所以需要對采集到的換特征,對光線(xiàn)、大小和表情等具有一定的不變性。從理論上人臉位姿進(jìn)行校正，建立一個(gè)合適的坐標系來(lái)簡(jiǎn)化坐標變換彌補了特征臉提取特征的缺陷。的復雜度。在彈性匹配法的研究中,蘇光大等叨在原有經(jīng)典算法的我們一般采用法蘭克福坐標系,此坐標系是通過(guò)雙耳孔基礎上做了改進(jìn)，利用局部關(guān)鍵點(diǎn)的信息來(lái)整體匹配，特征點(diǎn)和左眼睛下緣來(lái)確定的，這種采用人臉面貌自身特征定義的主要定位在灰度變化劇烈、信息豐富的地方(如眼球、眼角等)。坐標系，具有與初始位姿無(wú)關(guān)的特性,應用起來(lái)比較方便。本1.2.4基于神經(jīng)網(wǎng)絡(luò )的特征提取文在法蘭克福坐標系基礎上提出了一種 新的坐標系，通過(guò)面神經(jīng)網(wǎng)絡(luò )是由許多簡(jiǎn)單單元組成,具有并行處理能力、自貌曲面的曲率分析得到相應的特征標識點(diǎn)，然后利用雙眼眼學(xué)習和記憶功能的非線(xiàn)性動(dòng)力學(xué)系統，通過(guò)學(xué)習過(guò)程獲得對角連線(xiàn)作為X軸方向(由左向右為正向),保持Z軸方向，利用關(guān)鍵特征點(diǎn)規律和規則的隱性表達。圖2為BP網(wǎng)絡(luò )模型。右手坐標系確定Y軸方向,由于面貌的識別特征采用了坐標無(wú)關(guān)的幾何特征,因此坐標原點(diǎn)可以保持不變,以減少坐標變換的運算。2.1 三維人臉建模在三維人臉識別中獲取人臉特征點(diǎn)的三維數據場(chǎng)是一個(gè)關(guān)鍵中國煤化工!型上采集特征點(diǎn)，因此三維)MH.CN MH G'人臉模型。重構三維人.臉模uTr從仙:輸入層隱舍層 輸出層(1)基于照片特征點(diǎn)模型。二維照片只有人臉平面信息, .圖2. BP 神經(jīng)網(wǎng)絡(luò )模型而三維人臉還有深度信息。從二維人臉來(lái)表達三維人臉，需一1925一要從二維人臉圖像中提取關(guān)鍵特征點(diǎn)，再加上深度信息重構的流動(dòng)等), 但是它的計算量相當大。人臉，最后對重構的人臉進(jìn)行紋理貼圖或三維模型彩繪技術(shù)，2.2三維 人臉特征提取形成更多的面部細節。從人臉照片到三維人臉建模，可以從三維人臉特征提取比二維人臉特征提取復雜得多，三維正、側面照片中提取關(guān)鍵特征點(diǎn)，設特征點(diǎn)P(X,Y,Z)在正面與.人臉表面有任意的拓撲，使得在二維人臉圖像中應用的方法側面照片上的成像點(diǎn)分別為P(u1,v1)與P:(u2,v2),則特征點(diǎn)的(如 傅立葉變換)無(wú)法直接在三維人臉圖像中應用。三維人臉三維坐標計算公式為特征提取主要采用統計的思想，對有意義的幾何特征和形狀.信息進(jìn)行計算。(X=k號u .和二維人臉特征提取不同的是，在提取特征前應先匹配(6|Y=ku空間坐標。也就是說(shuō)利用深度圖像處理技術(shù)分析人臉曲面的Z=kv曲率等幾何特征,并對人臉曲面進(jìn)行凹凸區域的分割、正側面(其中,k為歸一化系數)。用此方法生成三維模型并不是真正輪廓邊緣的提取，將提取的這些特征作為識別的要素。在三的三維，稱(chēng)其為2.5維;為了獲得較真實(shí)三維模型,可從多個(gè)角維人臉特征提取方面已經(jīng)有大量的研究，但是特征提取方法度獲取多幅頭部照片,圖像的獲取先手動(dòng)確定幾個(gè)像機初始還不成熟，主要有以下幾類(lèi):點(diǎn),然后利用極線(xiàn)約束條件確定圖像間匹配關(guān)系叫,將每幅照(1)基于圖像灰度的特征提取。這種方法依據的是:不同片中間最逼真的部分分割出來(lái)，再合成三維圖像。采用的不環(huán)境中圖像的灰度可能千差萬(wàn)別，但人臉的不同區域相對的同角度的照片越多，生成的三維模型越過(guò)真?；谡掌卣骰叶茸兓哂幸欢ǖ牟蛔冃?。提取特征時(shí)首先匹配三維空間點(diǎn)合成三維模型的方法所需的代價(jià)比較低，但是對特征點(diǎn)的方向,然后將圖像由空間域變換到頻率域中進(jìn)行處理,即將空依賴(lài)性較強，實(shí)現的圖像逼真度較低。間信息轉化為信號信息來(lái)處理。較有代表性的方法為灰度圖(2)肌肉模型。肌肉模型結合臉部肌肉的解劑結構、組織像的水平和垂直投影等方法。此方法針對大小為N.xN的人學(xué)等方面的知識，模擬臉部肌肉的動(dòng)作來(lái)合成許多臉部組織臉灰度圖像P(x,y),其中x∈[1,N],y∈[1,N],且像素值P(x,y)滿(mǎn)的細微變形，使臉部變得更加豐滿(mǎn)和逼真，并且可以產(chǎn)生人臉足P(x,y)∈[0,1],x為行索引值,y為列索引值,定義其投影圖為表情的變化。首先,Platt等人提出了基于肌肉物理特性的模M,xN)_K(8H62(7)型則。Waters提出了一種層狀肌肉模型"來(lái)模擬人臉表情,這NINIP種模型可以實(shí)現逼真的面部特征和表情的變化，可產(chǎn)生逼真式中:V(x)和V;(y)--圖像 P(x,y)的垂直和水平投影,P -P的表情動(dòng)畫(huà)效果,但是計算量較大。在Waters的肌肉模型中，(x,y)的平均灰度值。這類(lèi)方法相對比較簡(jiǎn)單，只有圖像質(zhì)量虛擬肌肉Rumsn由固定點(diǎn)NO和肌膚切入點(diǎn)N1確定,肌肉收縮好、特征明顯時(shí)提取效果較好,并且算法的魯棒性不高。.時(shí),會(huì )對影響范圍內的網(wǎng)格點(diǎn)產(chǎn)生引力的作用，肌肉上某點(diǎn)S(2)基于動(dòng)態(tài)模板的特征提取。這種方法的實(shí)質(zhì)是參數的位移量OS=(N0-S)8c.其中c肌肉收縮因子(0≤c≤1);8是作化的圖元模型和能量函數的結合，其中能量函數的設計依據用力線(xiàn)形衰減因子,8=8,8。隨后Lee等人提出基于人臉解剖人臉的先驗知識來(lái)確定,模板由三維人臉特征點(diǎn)的參數組成，學(xué)的多層人臉物理模型"。張青山等叨在動(dòng)畫(huà)生成中提出了參數可以根據環(huán)境的變化而調整，在進(jìn)行特征提取時(shí)由模板基于肌肉模型的高層驅動(dòng)方法。的參數確定提取的面部三維特征。黃萬(wàn)軍等利用動(dòng)態(tài)模板(3)基于形變模型。形變模型是近幾年發(fā)展起來(lái)的一種較為精確地提取眼睛的特征。此類(lèi)方法對正面或近似正面人重構三維人臉的方法。它的基本思想是用線(xiàn)性組合的方法表臉圖像中的眼睛和嘴巴等器官的提取效果比較好。示同一類(lèi)物體，即一類(lèi)對象可以用該類(lèi)對象的基底的線(xiàn)性組(3)基于動(dòng)態(tài)輪廓模型(Snake模型)的特征提取。此類(lèi)方合來(lái)表示。神經(jīng)生物學(xué)的研究明也表明，人的眼睛也是通過(guò)法在圖像內定義一個(gè)曲線(xiàn)集，與待檢測人臉或某些器官的輪二維物體表現的線(xiàn)性組合來(lái)識別三維物體。Vetter和Blanz在廓進(jìn)行自適應匹配，活動(dòng)輪廓在能量函數的指導下收斂到局基于二維的形變模型的基礎上提出了三維人臉形變模型叫,該部邊界,而且可以保持曲線(xiàn)的連續與平滑。簡(jiǎn)單地說(shuō)就是“能模型使用激光掃描儀獲得三維原型人臉，并使用原型人臉建量”最小化的曲線(xiàn)，即能量最小時(shí)與待檢測物體的匹配度最立人臉形變模型，將模型與特定圖像匹配實(shí)現人臉的三維重高。Kass首次使用動(dòng)態(tài)輪廓模型求不規則物體的外觀(guān)特征咖。建。Romdhani等咧采用激光掃描儀獲得人臉的3D數據,分別Williamns等提出了基于動(dòng)態(tài)輪廓模型的改進(jìn)算法明采用貪心對一些基準點(diǎn)構成的形狀和基準點(diǎn)的灰度(或彩色)完成PCA，算法加快了系統的運行速度，增強了穩定性。此類(lèi)方法適用得到3D人臉形狀和灰度(彩色)基圖像,通過(guò)變化參數就可獲于人臉外輪廓和眉毛等器官的特征提取，但不適合眼睛和嘴得不同的3D人臉模型。形變模型的優(yōu)點(diǎn)是應用少量的參數，巴特征的提取?？梢苑从澄矬w本質(zhì)特征的信息。它的主要缺點(diǎn)是對圖像的適(4)基于神經(jīng)網(wǎng)絡(luò )的特征提取。神經(jīng)網(wǎng)絡(luò )同樣可以很好用范圍受制于預先建立的圖像庫,特定化的過(guò)程較慢。地應用到三維人臉識別中,通過(guò)設計分類(lèi)器,對圖像樣本進(jìn)行(4)物理學(xué)模型。物理學(xué)模型D0I是近年來(lái)發(fā)展較快的模中國煤化工應及魯棒性強的特點(diǎn)，型。它使用多層彈性網(wǎng)格和有限元網(wǎng)格表示皮膚的物理特性，在人MHCNMHG然神經(jīng)網(wǎng)絡(luò )對臉部器官采用了一種保持體積恒定的變形規則，通過(guò)解大規模的動(dòng)力的定位形心均權燈的維術(shù)，世很勝心圳對器官的精確提取。方程組來(lái)模擬面部變形。這種模型能實(shí)現相當逼真的面部描2.3 三維人臉鑒別述，甚至可以模擬過(guò)真動(dòng)畫(huà)效果(如表情變化、頭發(fā)運動(dòng)、眼淚三維人臉鑒別利用上一步中所提取的面部關(guān)鍵特征，與一193方數據數據庫中已有的圖像進(jìn)行比較，從而得出人臉的身份。由于技術(shù)引入到人臉識別中,組建各種類(lèi)型的人臉圖像數據庫,或三維數據的復雜性,通常在比較之前,先將數據庫中的圖像用不同區域的人臉圖像數據庫,應用網(wǎng)絡(luò )技術(shù)和分布式計算技近似于所提取的特征的方式表示，以減低比較的復雜度。對術(shù)來(lái)檢索人臉數據,以達到降低數據庫的冗余度、提高識別速比圖像常用的方法和二維人臉鑒別方法類(lèi)似，通常使用最大度的目的。相似性判別法;另外三維圖像和二維圖像有密切的關(guān)系，由于(2)深入研究基于三維信息的人臉識別，增強人臉識別的三維數據比較復雜，所以也可將三維圖像轉換為二維圖像效果。由于三維動(dòng)畫(huà)的發(fā)展，促使三維建模方面的研究發(fā)展進(jìn)行鑒別。較快,取得的成果較多;但是對于三維人臉特征提取方面的研2.3.1最大相似性判別法究較少，不像二維人臉識別有較成熟的方法。人臉的三維信此方法首先匹配人臉整體的輪廓和三維空間方向:然后，息的獲取有兩種渠道:①從簡(jiǎn)單易取的二維圖像中提取;②直在保持姿態(tài)固定的情況下，匹配臉部不同特征點(diǎn)(這些特征點(diǎn)接通過(guò)三維掃描儀器獲得?；谇罢咭延胁簧俚难芯砍晒?，是經(jīng)過(guò)特征提取步驟提取出來(lái)的)。匹配時(shí)根據人臉特征向但由于二維照片本身所含信息的局限性，基于二維照片的三量的統計相似度來(lái)判斷,相似度在-定范圍之內即為識別結維人臉識別方法并未取得突破性的進(jìn)展。所以，開(kāi)展基于真果。相似度的計算公式為三維人臉信息的人臉識別方法研究更具有其深遠意義。s=/(n-p)k+(6- +...+.h.(8)(3)進(jìn)- -步研究人臉表情和時(shí)變特征的識別問(wèn)題。人的臉式中:t-待檢驗樣本的特征向量的第i個(gè)特征分量;pr-部并不是僵硬和-成不變的。這些變化也是影響人臉識別樣本庫中樣本的特征向量的第i個(gè)特征分量;k-- -第i個(gè)特的重要因素,解決好這些問(wèn)題也是人臉識別的重要內容.已征分量的權值;m-特征向量的維數。經(jīng)有人在這方面進(jìn)行了相應的研究，如建立了面部表情模.相似度計算不能反映臉形圖像中的哪些變化量是關(guān)鍵型、利用光流來(lái)跟蹤面部運動(dòng)單元的識別"等方法。但并的，哪些又是偶然的。因此可采用貝葉斯統計識別方法來(lái)解未很好地解決由表情變化所產(chǎn)生的對人臉識別的負面影響。決這個(gè)問(wèn)題”。設人臉圖像M和M:的典型變化量0=M-M2,如何降低這些變化帶來(lái)的負面效應，也是具有挑戰性的研Q是同一人不同圖像之間的變化量,匹配度的計算公式為:究課題。貝葉斯統計識別將圖像從高維空間轉換到低維空間,在S(M,M)-P(O∈Q)=P(Q|O)9)4結束語(yǔ)低維空間中解決圖像變化量的問(wèn)題。人臉識別是一項跨學(xué)科的研究課題 ,在研究過(guò)程中面臨著(zhù)2.3.2基于平面投影的二維識別方法相當程度的難度。由于人臉具有很大的柔性,會(huì )產(chǎn)生一定的變在現實(shí)中面臨較多的是對二維人臉照片進(jìn)行識別。在三形，而且表情、光線(xiàn)和附著(zhù)物等在不同的環(huán)境下具有較大的差維人臉識別的數據庫中，存儲的是人臉樣本的三維幾何特征別，這為人臉識別要取得突破性的進(jìn)展帶來(lái)困難的同時(shí)，卻為.數據，因此在任意姿態(tài)的人臉識別方面具有優(yōu)勢。由于二維其賦予了一定的挑戰性,從而促使著(zhù)人們對其不斷地探求。人臉識別技術(shù)比較成熟，我們可以把三維特征信息轉化為二人臉識別技術(shù)經(jīng)過(guò)幾十年的發(fā)展，已經(jīng)碩果累累,尤其是維特征信息,間接識別三維圖像。三維圖像應用的是柱面坐在二維識別方面。三維人臉識別方面每年也有許多文獻發(fā)表，標，通過(guò)映射把圖像映射到平面坐標上,轉換成二維圖像,可提出了一些新的方法和技術(shù)，但應用不太理想。人臉識別的以方便地應用二維人臉識別方法。這種方法將二維的識別優(yōu)最終 目的是取得良好的應用效果，目前出現的許多人臉識別勢和三維的姿態(tài)識別優(yōu)勢結合到一起,提高了識別效果。系統多數是基于二維人臉圖像進(jìn)行人臉識別的，應用范圍和效果都很有限。這一切為我們繼續探求人臉識別的有效方法3研究展望提供了廣闊的空間。目前人臉識別特別是三維人臉識別的研究基本處于實(shí)驗參考文獻:階段。在實(shí)驗當中針對信息不是很復雜或者人臉庫圖像較少時(shí)，識別率比較高,識別速度也比較快,但是投入到實(shí)際應用[] 張翠平,蘇光大.人臉識別技術(shù)綜述[J]. 中國圖象圖形學(xué)報,中并非如此。已經(jīng)有一些方法推廣到實(shí)際應用中，國內外已2000,5(11):885-894.經(jīng)有二維人臉識別系統問(wèn)世,但是識別率和準確性并不是很[2] Parke F LA parametric model of human faces[D].Salt Lake Ciy:高。目前三維人臉識別的系統還不夠成熟。每年都會(huì )有許多University ofUiah, 1974.新的算法和理論產(chǎn)生，尤其是近幾年在二維和三維人臉識別[3] Lee Y, Terzopoulos D, Waters K. Realistic modeling for facia-方面都有突飛猛進(jìn)的發(fā)展，但是這些方法應用到實(shí)際中還存lanimation[A].Proceedings of SIGGRAPH9S[C].Los Angeles:在許多缺陷。ACM Press, 195.55-62.從應用角度出發(fā),筆者認為人臉識別應從以下幾個(gè)方面[4] 張新宇，張三元,葉修梓.基于圖像化幾何的三維模型彩繪[].增強研究:中國煤化工(1)研究通過(guò)分布式檢索處理海量的人臉數據,提高識別s]modeling for animation[J].的速度。完善的人臉圖像庫是人臉識別技術(shù)的基礎，組建完HH. CN M H 2013304善的人臉圖像數據庫需要大量的人臉圖像,隨著(zhù)圖像的增多，6] Pighin F,Hecker J, Lischinski D,et al. Synthesizing realistic fa-相應的檢索速度也會(huì )隨之降低。為此可以考慮將分布式計算cial expressions from photographs [A]. Proceedings of Sigg- 1927 -Raph'98[C].Orlando: ACM Press, 1998.75-84.plication to face recognition[J]. IEEE Trans PAMI, 2000, 22(6):7] Guenter B,Grimm C,Wood D,et al. Making faces[A]. Procee-570-582.dings of SiggRaph'98[C]. Orlando:ACM Press, 1985566.[24] Raffacle appelli, Dario Maio, Davide Matoni. Multispace KL8] LuX G, Zhou J, Zhang C S.A novelalgorihm for rotated humanfor pattem representation and cassification [0]. IEEE Transface detection[A].Proc IEEE Conferenceon Computer VisionandPAMI, 20,239)977-996.Pattemn Recognition [C]. Hilton Head Island, South Carolina,25] Shan s, Gao W, Zhao D. Face rcognitin from a single exampleUSA: 2000.760-764.image based on face specific subspace [A]. Proc IEEE ICASSP9] Ai H Z,Liang L H,XuG Y. A general fram ework for face detec-2002C].tion[A].Tan Tie-Niy,Shi Yuan-Chun,Gao Weneds. Procthe 3rd[26]陳粟,倪林.- -種特 征臉?lè )治龊托〔ㄗ儞Q相結合的人臉識別方Conference on Multim odal Interfaces, Lecture Notesin Com-法[].計算機應用, 2004,24(10):75-81.puter Science1948[C].Berlin: Springer-Verlag, 200.19-126.[27]丁嶸, 蘇光大,林行剛.使用關(guān)鍵點(diǎn)信息改進(jìn)彈性匹配人臉識[10] WangJ G,TanTN. A new face detection method based on shape別算法[J].電子學(xué)報, 2002,30(9):1292-1294.infomation[].Pattern Recognition Letters, 200,21(6-7):463-28] Raphael Feraud, Olivier J Bernier, Viallet Jean Emmanuel, et al.A fast and accurate face detecter based on neural neyworks[J].11] Sungk K, Poggiot. Example-based learming for view-based bu-IEE Trans PAM, 2001,23(1):42-53.men face detectionOJ.IEEE Transations on Pattern Analysis[29] Pighin F, Szeliski R, Salesin D H. Modeling and animation real-and Machine Itelligence, 2000,20(1):39-51.istic faces fromimages[J]. Proceedings International Journal of[12] Feraud R,Bermier OJ,ValletJ E, et al. A fast and accurate detec-Computer Vision, 2002, 50(2):143-169.tor based on neural networks [J].IEEE Trans Pattern Analysis[30] Platt s, Badler N. Animating facial expressions []. Computerand Machine Ielligence, 2001,23(1);:42-53.Graphics, 1981,15(3)-245-252.[13] Garcia C,Delakis M. A neural architectuer for fast and robust[31] Waters KA muscle model for animation three -dimensional fa-face detection proceedings[A]. Intemational Conference on Pat-cial expression[A]Proceedings of the SIGGRAPH[C]. 1987.17-tern Recognition[C]. 2002.44-47.24.[14]梁路宏,艾海舟,徐光祜.基于模板匹配與人工神經(jīng)網(wǎng)絡(luò )確認的[32]張青山，陳國良,具有真實(shí)感的三維人臉動(dòng)畫(huà)[].軟件學(xué)報,人臉檢測[J.電子學(xué)報, 2001,296)-744-747.2003,14(3):643-650.[1S] Yang M H,Roth D,Ahuja N. A SNOW-based face detectoe[A].[33] Bulthoff H, Edelman S Y, TarrM J. How are three dimnen-sionalSolla S A, Leen T K, Muller K R. Advances in Neural Informa-objects repesented in the brain?[]. Cerebral Corlex, 1995,5(3);tion Processing Systems 12[C].MIT Press, 200.855 861.247-260.[16] Froba B, Kublbeck C.Robust face detection at video rate based[34] Blanz Vetter TA morphable model for the synthesis of3D fa-on edge orientation features [A]. Proc Fifth IEEE Intermationalces[A]. Proeeding of SIGGRAPH99[C]. Los Angeles: ACMConference on Automatic Face and Gesture Recognition [C].Press, 199.187-194.2002.327-332.[35] Sami Romdhani, Volker Blanz, Thomas Vetter. Face idenifica-[17] 陳茂林,戚飛虎.自組織的隱馬兒可夫模型的人臉檢測研究[J].tion by fting a 3D morphable model using linear shape and tex-計算機學(xué)報, 202,2511:1165-1169.ture error functions [A]. Denmark: 7th European Conference on[18] Miao J,Yin B,Wang K,et al.A hierarchical multiscale and multi-Computer Vision Copenhagen[C.2002.angle system background using gravity- center template[]. Pa1- [36] Terzopoulos D, Waters K. Physcally-based facial modeingtemn Recognition, 1992():1237-1248.analysis and animation []. Joumal of Visualization and Com-[19] Wong K W, Lam K M, Siu W C. An eficient algorithm for hu-puter Animation, 1990,1(2):73-80.man face detection and facial feature extraction under different[37]黃萬(wàn)軍,尹寶才,孔德慧.基于三維可變形模板的眼睛特征提取conditions[J]. Pattern Recognition, 2001,34:1993-2004.[].計算機研究與發(fā)展, 2002,39(4>:495-501.20] 張洪明，趙德斌,高文.基于膚色模型、神經(jīng)網(wǎng)絡(luò )和人臉結構模 [38] Kass M, Witkin A, Terzopoulos D. Snakes: Active contor mo-型的平面旋轉人臉檢測[].計算機學(xué)報, 2002,25 (11): 1250- .delsl].Internation Journal of Computer Vision, 1988,1(4):321-1256.331.[21] ZhouJ, Lu X G, Zhang D, et al. Orientation analysis for rotated [39] Williamns, Donna, Shah, et al. A fast algorithm for active conto-human face detetion[]. Image and Vision Computin, 2002,urs and curvature estimation[J].CVGIP: Image Understanding,(20): 257-264.中國煤化工[22] Yuille A, Hallinan P, Cohen D. Feature extraction from faces[40]民族大學(xué)學(xué)報(自然科學(xué)using deformable templates[J]. International Journal of Com-TYHCNMHGputer Vsion,9292)2)991[41] Mase K.Recognition of facial expression frorm optical flow[J].[23] Lui Chengjun, Harry Wechster. Evolutionary pursuit and its ap-iEICE transactions, 191,(10);:3474-3483.一1928 -