人臉識(shí)別技術(shù)概述與展望

謝奕樊 山東師范大學(xué)附屬中學(xué)（幸福柳）

引言

19世紀(jì)80年代末，在《Nature》上Galton第一次系統(tǒng)介紹了人臉識(shí)別，是已知的最早的關(guān)于人臉識(shí)別的文章。然而，人臉識(shí)別技術(shù)經(jīng)過(guò)100多年的發(fā)展，在20世紀(jì)80年代后進(jìn)入才初級(jí)應(yīng)用階段。隨后，特別是近十幾年，人臉識(shí)別技術(shù)進(jìn)入蓬勃發(fā)展期，目前在身份識(shí)別、門(mén)禁、偵查等方面有著廣泛而重要的應(yīng)用。

1 人臉識(shí)別的發(fā)展趨勢(shì)

圖1 Web of science人臉識(shí)別每年發(fā)表文章

在Web of science上，對(duì)人臉識(shí)別進(jìn)行文獻(xiàn)檢索，檢索結(jié)果如圖1所示，可以看到計(jì)算機(jī)領(lǐng)域人臉識(shí)別每年發(fā)表的文章數(shù)目逐年遞增，有越來(lái)越多的人進(jìn)行相關(guān)研究，是研究的熱門(mén)領(lǐng)域。

圖2 據(jù)根據(jù)IBG發(fā)布的全球生物識(shí)別市場(chǎng)規(guī)模推算資料（IBG前瞻產(chǎn)業(yè)研究院整理）

人臉識(shí)別的市場(chǎng)：根據(jù)公開(kāi)文獻(xiàn)資料，2009-2016年全球人臉識(shí)別行業(yè)市場(chǎng)規(guī)模發(fā)展趨勢(shì)(單位：百萬(wàn)美元) 如圖2所示，可以看到人臉識(shí)別市場(chǎng)份額由2009年390億增長(zhǎng)到2016年2653億，增長(zhǎng)為原來(lái)6倍之多，市場(chǎng)份額越來(lái)愈大，具有很大的應(yīng)用前景。

2 人臉識(shí)別的方式

圖3是人臉的識(shí)別的過(guò)程，包含圖像獲取，預(yù)處理，特征提取，分類(lèi)識(shí)別等四步。

圖3 人臉識(shí)別的過(guò)程

3 人臉識(shí)別的技術(shù)方案

3.1 基于全局特征的人臉識(shí)別

此類(lèi)方法，將一張臉像表達(dá)為一個(gè)像素矩陣，這個(gè)矩陣通常被轉(zhuǎn)換成像素矢量。盡管這些方法很容易實(shí)現(xiàn)，但是它們對(duì)變化（姿勢(shì)、燈光、面部表情和方向）很敏感，影響識(shí)別的準(zhǔn)確率。將該類(lèi)技術(shù)可以進(jìn)一步劃分為線性和非線性的技術(shù)。

3.1.1 線性技術(shù)

這些方法將輸入的一個(gè)大空間圖像數(shù)據(jù)線性投影到一個(gè)區(qū)域相對(duì)較小的空間（子空間）。然而，該方法對(duì)臉部/非臉部形態(tài)進(jìn)行分類(lèi)時(shí)，并不是很有效。

特征臉?biāo)惴ǎ哼@是一種非常流行的面部識(shí)別方法，是基于PCA的技術(shù)（主成分分析）。給定一組樣本圖像，本質(zhì)上是找到這些面孔的主要組成部分，確定協(xié)方差矩陣的特征向量，然后將其描述為特征向量的線性組合。

2D PCA：為了避免將圖像轉(zhuǎn)換為向量時(shí)丟失信息，二維PCA接受的是輸入圖像而不是矢量。

獨(dú)立元分析法（ICA）：這是一種主要用于信號(hào)處理的方法。

多維標(biāo)度法（MDS）：該方法在投影中并不保存數(shù)據(jù)的方差，而是保存所有數(shù)據(jù)之間的距離，進(jìn)而通過(guò)特征值分解尋找一個(gè)最小化的線性變換。

非負(fù)矩陣分解法（NMF）：非負(fù)矩陣分解是一種不使用類(lèi)概念表示面的方法。NMF在基向量組合權(quán)重中不允許包含負(fù)元素。

線性判別分析法（LDA）：LDA，也叫做“Fisher線性判別”，是最廣泛使用的人臉識(shí)別方法之一。包括兩步：PCA減小原始空間和得到最終投影空間的向量。

獨(dú)立高強(qiáng)Gabor小波法：從正面圖像的Gabor小波變換中提取出高強(qiáng)度特征向量以提高人臉識(shí)別精度。Gabor小波被認(rèn)為是最好的人臉識(shí)別方法之一。

3.1.2 非線性技術(shù)

當(dāng)輸入數(shù)據(jù)結(jié)構(gòu)是線性時(shí)，線性方法可以得到數(shù)據(jù)稀疏的真實(shí)表達(dá)。然而，當(dāng)數(shù)據(jù)是非線性的，需使用核函數(shù)的來(lái)構(gòu)建一個(gè)大的空間，在這個(gè)空間中，將問(wèn)題變成線性的。在此背景下，提出了幾種非線性方法：

核主成分分析（KPCA）：KPCA是使用核函數(shù)對(duì)經(jīng)典的線性技術(shù)PCA進(jìn)行非線性重構(gòu)。由于KPCA技術(shù)是基于“內(nèi)核”的，內(nèi)核矩陣的大小與樣本數(shù)量的平方成正比，因此訓(xùn)練樣本困難。

支持向量機(jī)（SVM）：該方法在不需要更多知識(shí)的情況下，具有高泛化性能識(shí)別的學(xué)習(xí)技術(shù)，可以更好地減少圖像的大小。然而，盡管該方法經(jīng)常在某些特定的測(cè)試中提高識(shí)別率，但是卻無(wú)法像線性方法一樣保持足夠的可靠性。

4 基于局部的人臉識(shí)別方法

4.1 基于興趣點(diǎn)的人臉識(shí)別方法

該方法首先提取特定的幾何特征，比如頭部的寬度，眼睛之間的距離等等。然后，這些數(shù)據(jù)將成為“分類(lèi)器”識(shí)別個(gè)體的入口。

彈性圖匹配法（EBGM）：這是DLA方法的擴(kuò)展，其圖像節(jié)點(diǎn)位于臉部的一些選定點(diǎn)上。

幾何特征向量法：該技術(shù)使用訓(xùn)練集來(lái)檢測(cè)眼睛的位置，首先計(jì)算待測(cè)圖像和訓(xùn)練集之間的相關(guān)系數(shù)，然后搜索得到最大值。

人臉統(tǒng)計(jì)模型法：該方法使用許多特定檢測(cè)器去檢測(cè)人臉各部分特征，如眼睛，鼻子，嘴巴等。

4.2 基于局部外觀的人臉識(shí)別方法

該類(lèi)技術(shù)，在局部區(qū)域定義好后，對(duì)于人臉識(shí)別系統(tǒng)的性能是至關(guān)重要的就是找到代表該區(qū)域信息的最佳方式。常用的方法有：Gabor系數(shù)法，哈兒小波法，傅里葉變換法，尺度不變特征變換法（SIFT），局部二值模式法（LBP），局部相位量化法（LPQ），韋伯定律描述符（WLD）等。

與全局方法相比，局部方法具有一定的優(yōu)勢(shì)。一是可以提供基于局部區(qū)域的附加信息，二是對(duì)于每種類(lèi)型的局部特征，可以選擇最合適的分類(lèi)器。

4.3 基于統(tǒng)計(jì)模型的混合方法

該方法同時(shí)使用全局和局部統(tǒng)計(jì)以結(jié)合二者的優(yōu)勢(shì)。

隱馬爾可夫模型（HMM）：在人臉識(shí)別中，該方法對(duì)于重要的面部區(qū)域（頭發(fā)、前額、眉毛、眼睛、鼻子、嘴和下巴），會(huì)從上到下排列成自然的順序。

基于偽隱馬爾可夫模型的Gabor變換（GWT-PHMM）：該方法可以結(jié)合Gabor小波變換（GWT）的多分辨率能力和偽隱藏馬爾科夫模型的局部交互二者的優(yōu)勢(shì)。

在HMM使用PCA和離散余弦變換（DCT）的識(shí)別系統(tǒng)：不使用DCT，直接使用PCA降低維度。

HMM-LBP：這是一種被稱(chēng)為HMM-LBP的混合方法，允許通過(guò)使用LBP工具對(duì)人臉圖像進(jìn)行來(lái)進(jìn)行特征提取。

此外，還有GARG（高斯分布黎曼流形判別分析），HMMSVM-SVD，SIFT-2D-PCA，小波變換和定向LBP等方法可以實(shí)現(xiàn)人臉識(shí)別。

5 結(jié)論

盡管在人臉識(shí)別領(lǐng)域取得了很高的成功率，但仍然存在兩個(gè)主要的未解決的問(wèn)題，即照明和姿勢(shì)的變化。為了克服這兩個(gè)問(wèn)題，提供更精確的面部形狀信息，出現(xiàn)了更多新技術(shù)，例如3D人臉識(shí)別，深層神經(jīng)網(wǎng)絡(luò)（DNNs），紅外（IR）成像等都取得了重大成功。在未來(lái)，人臉識(shí)別的難點(diǎn)，諸如數(shù)據(jù)采集免干擾、遠(yuǎn)距離識(shí)別、3D細(xì)節(jié)構(gòu)建、環(huán)境設(shè)別光照、多姿態(tài)人臉識(shí)別、表情變化、人的老化、飾物或者遮擋、膚色變化等也必然被進(jìn)一步克服。