人脸特征提取与识别(参考).docx

《人脸特征提取与识别(参考).docx》由会员分享，可在线阅读，更多相关《人脸特征提取与识别(参考).docx（8页珍藏版）》请在第壹文秘上搜索。

1、本科生毕业设计（论文）文献综述题目：人脸特征提取与识别姓名：学号：学院：专业：年级：指导老师：（签名）系主任（或教研室主任）：（签章）书目1前言I2 人脸特征提取与识别方法12.1 基于几何特征的方法I2.2 基于特征脸的方法22.3 局部特征分析1.FA方法32.4 基于弹性模型的方法42.5 神经网络方法42.6 其他方法53 总结5致谢：6参考文献：6人脸特征提取与识别1前言近年来，Internet和多媒体技术飞速开展，多媒体（包括图像、视频等）数据规模急剧膨胀。为了快速、精确地找到感爱好的图像或视频，人们提出了基于内容的图像检索（content-basedimageretrieva1.

2、简称CB1.R）技术,探讨让计算机对图像进展分类和检索的算法。CBIR涉及图像内容表示、相像性度量、高维索引技术等方面。*图像内容的表示是须要首先解决的问超。为了实现对图像内容的存取、访问和检索，MPEG-7提出/图像内容描述子的概念，例如颜色描述子、纹理描述子、形态描述子等。图像欧色内容通常用做色直方图来表示，纹理特征以纹理模式区分图像，形态特征用于包含特定形态对象的图像检索，颜色直方图（或称为颜色谱）因其简洁、有效的性能而在大多数CBIR系统中得到应用，但是颜色直方图对纹理图像的检索效果不好。不同的蚊理图像可能有特别相像的颜色直方图。所谓图像纹理，它反映的是图像的一种局部构造化特征，具体表

3、现为图像像素点某邻域内像素点灰度级或者颜色的某种改变，而且这种改变是空间统计相关的，它由纹理基元和基元的排列两个要素构成.纹理分析方法有统计方法、构造方法和基于模型的方法。2人脸特征提取与识别方法人脸识别本质上是三维塑性物体二维投影图像的匹配问题，它的困难表达在：（1）人脸塑性变形（如表情等）的不确定性：（2）人脸模式的多样性（如胡须、发型、眼镜、扮装等）：（3）图像获得过程中的不确定性（如光照的强度、光源方向等）。识别人脸主要依罪人脸上的特征。也就是说依据那些在不同个体上存在的较大差异而对同个人那么比拟稔定的度量。由于人脸改变困难，因此特征表述和特征提取特别困难。在对人脸图像进展特征提取和分

4、类之前一般须要做几何归一化和灰度归一化。几何归一化是指依据人脸定位结果聘图像中人脸变换到同一位置和同样大小，灰度归一化是指对图像进展光照补偿等处理，光照补偿能够肯定程度地克制光照改变的影响而提高识别率.2.1 基于几何特征的方法人脸由眼暗、鼻了、嘴巴、下巴等部件构成，正因为这些部件的形态、大小和构造上的各种差异才使得世界上每个人脸干差万别，因此对这些部件的形态和构造关系的几何描述，可以作为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先依据侧面轮廓曲线确定假设干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia等由正面灰度图中线旁边的枳分投影模拟侧面轮廊

5、图是一种很有新意的方法。采纳儿何特征进展正面人脸识别般是通过提取人眼、口、外等重要特征点的位置和眼咕等重要器官的几何形态作为分类特征，但Roder对几何特征提取的精询性进展了试验性的探讨，结果不容乐观。可变形模板法可以视为几何特征方法的一种改良，其根本思想是：设计一个参数可调的器官模型（即可变形模板，如图2T,图2-2所示），定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器仃的几何特征。这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广：二是能量函数优化过程特别耗时，难以实际应用。；图2-1可变形模板法的眼模型图22可变形模

6、板法的唠模型基于参数的人脸表示可以实现对人脸显著特征的个高效描述，但它须要大量的前处理和精细的参数选择。同时，采纳一般儿何特征只描述了部件的根本形态与构造关系，忽视了局部微小特征，造成局部信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满意要求，计算量也较大。2.2 基于特征脸的方法TUrk和Pen1.Iand提出特征脸的方法，它依据一组人脸训练图像构造主元子空间，由T主元具有脸的形态，也称为特征脸（如图2-3所示）识别时将测试图像投影到主元子空间上,得到一组投影系数，和各个己知的人脸图像比拟进展识别。Pent1.and等报告了相当好的结果，在200个人的3000幅

7、图像中得到95%的正确识别率，在FERET数据库上对150幅正面人脸象只有个误识别。但系统在进展特征脸方法之前须要作大量预处理工作,如归一化等。图2-3Pent1.and得到的特征股（主特征向此）在传统特征脸的根底上，探讨者留意到特征值大的特征人脸识向量（即特征脸）并不肯定是分类性能好的方向，据此开展了多种特征子空间）选择方法，如Peng的双子空间方法、Weng的线性歧义分析方法、BeIhUmeUr的FiSherFaCe方法等.事实上，特征脸方法是一种显式主元分析入股建模，一些线性自联想、线性压缩型BP网那么为隐式的主元分析方法。它们都是把人脸表示为些向量的加权和，这些向量是训练集又积阵的主特

8、征向量，Va1.etin对此作了具体探讨。总之，特征脸方法是种简洁、快速、好用的基于变换系数特征的算法，但由于它在木质上依兼于训练集和测试集图像的灰度相关性，所以还有着很大的局限性.2.3 局部特征分析1.FA方法主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后邻近的点与原图像空间中点的邻近性没仃任何关系，而局部性和拓扑性对模式分析和分割是志向的特性，好像这更符合神经信息处理的机制，因此找寻具有这种特性的表达特别重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效

9、果，它构成了FaCeIt软件的根底。同部特征分析I1.。Ca1.FeatureAna1.ysis,1.RA）是一种基于特征表示的面像识别技术，源于类似搭建积木的局部统计的原理1.FA基于全部的面像（包括各种困难的式样）都可以从由很多不能再简化的构造单元子集综合而成。这些单.元运用困难的统计技术而形成,它们代表了整个面像，通常跨越多个像素（在局部区域内）并代表了普遍的面部形态，但并不是通常意义上的面部特征。事实上，面部构造堆元比面像的部位要多得多。然而，要综合形成一张精确遇我的面像，只须要整个可用集合中很少的单元子集（1240特征单元）。要确定身份不仅仅取决于特性单元，还确定于它们的几何构造（比

10、方它们的相关位置）通过这种方式，1.FA将个人的特性对应成一种困难的数字表达方式，可以进展比照和识别。“面然”编码方式是依据脸部的本质特征和形态来工作的，它可以反抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的改变，具有强大的牢养性，使它可以从百万人中精确地识别出一个人。银晨面像识别系统用的就是这种方法。2.4 基于弹性模型的方法1.adeS等人针时畸变不变性的物体识别提出动态链接模型(D1.A)，将物体用稀疏图形来描述，其顶点用局部能量的多尺度描述来标记，边那么表示拓扑连接关系并用几何距离来标记，然后应用塑性图形匹配技术来找寻最近的己知图形。WiSCott等人在此根底上作了改良，用FER

11、ET等图像席做试验，用300幅人脸图像和另外300幅图像作比拟，精确率到达97.3%：此方法的缺点是计算量特别巨大。NaSIUr将人脸图像Mx,y)建模为可变形的3D网特别表(x,y,1.(x,y),从而将人脸匹配问题转化为可变形仰面的弹性匹配问题fN1.利用有限元分析的方法进展曲面变形,并依据变形的状况推断两张图片是否为同一个人.这种方法的特点在于将空间(x,y)和灰度I(x.y)放在了个3D空间中同时考虑，试验说明识别结果明显优于特征脸方法。1.anitiS等提出敏捷表现模型方法，通过自动定位人脸的显著特征，将人腌编码为83个模型参数，并利用区分分析的方法进展基于形态的人脸识别。2.5 神

12、经网络方法H前神经网络方法在人脸识别中的探讨方兴未艾。Va1.entin提出一种方法，首先提取人脸的50个主元，然后用自相关神经网络将它映射到5维空间中，再用一个一般的多层!知器进展判别，对一些简洁的测试图像效果较好：IntratOr等提出一种混合型神经网络来进展人脸识别，其中非监视神经网络用于特征提取，而监视神经网络用于分类。1.CC等将人脸的特点用六条规那么描述，然后依据这六条规那么进展五官的定位，将五官之间的几何距离输入模糊神经网络进展识别，效果较一般的基于欧氏距高的方法有较大改善：1.aUrenCe等采纳卷枳神经网络方法进展人脸识别，由于卷枳神经网络中集成了相邻像素之间的相关性学问，从

13、而在肯定程度上获得了对图像平移、旋转和局部变形的不变性，因此得到特别志向的识别结果：1.in等提出广基F概率决策的神经网络方法(PDBNN),其主要思想是采纳虚拟(正反例)样本进展强化和反强化学习，从而得到较为志向的概率估计结果,并采纳模块化的网络构造(OCON)加快网络的学习。这种方法在人脸检测、人脸定位和人脸识别的各个步骤上都得到了较好的应用。其它探讨还有:Dai等提出用Hopfie1.d网络进展低辨别率人脸联想与识别：GUtta等提出将RBF与树型分类器结合起来进展人脸识别的混合分类器模型；PhiIIiPS等人将MatChingPUrSUiI波波器用于人脸识别；还有人用统计学习理论中的支

14、掠向属机(SVM)进展人脸分类。神经网络方法在人脸识别上的应用比起前述几类方法来有肯定的优势，因为对人脸识别的很多规律或规那么进展显性的描述是相当困难的,而神经网络方法那么可以通过学习的过程获得对这些规律和规那么的随性表达，它的适应性更强，一般也比拟简洁实现。2.6 其他方法BrUneI1.i等对模板匹配方法作了大量试验，结果说明在尺度、光照、旋转角度等各种条件稳定的状况卜.，模板匹配的效果优于其他方法，但它对光照、旋转和表情改变比拟敏感，影响了它的干脆运用。GoUdai1.等人采纳局部自相关性作为人脸识别的推断依据，它具有平移不变性，在脸部表情改变时比拟稳定。在的近的一些工作中，Benari

15、e等提出VFR的表示框架并将它用人脸识别的工作中，1.am等人探讨f不同视点下的人脸匹配和识别问题，Vetter等人探讨/由单幅入脸图像生成其他视点的人脸图像的可能性，MirhOSSeini等那么探讨了多种信息融合的人脸识别方法。3总结作为模式识别、图像分析与理解等象域的典型探讨课题，人脸识别不仅在理论上具有重要价值，而且在平安、金融等领域具有重要的应用前景，因此在学术界和产业界都受到了广泛的关注，目前已经出现了一些好用的商业系统。然而，由于图像采集条件和人脸自身属性的改变，例如图像采集时的光照、视角、摄像设备的改变，人脸的表怙、扮装、年龄改变等，都可能使得同一人的不同照片表观差异很大，造成识

16、别上的困难。因此，提高人脸识别系统对这些改变的鲁棒性成为该领域探讨人员的重要目标之一。为实现鲁棒的识别,可以从人脸建模、分类器设计等不同角度入手：前者试图从寻求对各种外界条件导致的图像改变具有不变性的人脸描述入手：而后者那么试图使得分类器对特征的变异有足够的鲁棒性。另外，也可以同时从两个角度入手解决问题。在人脸识别的早期，基于表观(appeurunce)的人脸识别方法往往干脆采纳图像灰度作为特征进展分类或者特征选择的根底，如CorreIatiOrbEigenfaces,Fisherfaces等。而近年来，对图像灰度进展多尺度、多方向的GabQr小波变换渐渐成为主流的思路之一，这主要是因为Gabor小波可以很好地模拟大脑皮层中单细胞感受野的轮席，捕获突出的视觉属性，例如