中国无线安防技术资源网

         早在上世纪60年代末，人脸识别即引起了研究者的强烈兴趣，但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。进入上世纪90年代，由于高速度、高性能计算机的出现，人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，人脸识别研究得到了前所未有的重视。
　　虽然我们人类可以毫不困难地通过人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别仍存在许多困难，其表现在：人脸是非刚体，存在表情变化；人脸随年龄的增长而有所改变；发型、眼镜对人脸造成遮挡；人脸所成图像受光照、成像角成像距离等影响。此外，人脸识别技术研究与相关学科的发展及人脑的认识程度紧密联系。这诸多因素使得人脸识别研究成为一项极富挑战性的课题。
　　一、人脸识别的发展过程
      19世纪末期，Sir Franis Galton就对人脸识别的问题进行了研究。早期人脸识别研究主要有两个方向：一是提取人脸几何特征的方法，该识别方法从图像中抽取特征比较困难，对强烈的表情变化或姿态变化鲁棒性较差，更适合于做粗分类。主要代表是MIT的Brunelli和Poggio小组；二是模板匹配的方法。主要是利用计算机模板和图像灰度的自相关性来实现识别功能。主要代表是Harvard和Smith_Kettlewell眼睛研究中心的Yuille。Berto在1993年对这两类方法作了较全面的介绍和比较后认为：模板匹配的方法优于几何特征的方法。目前的研究也主要有两个方面：其一是基于整体的研究方法。它考虑了模式的整体属性，包括特征脸方法(Eigenface)。在此基础上还出现了各种改进方法，如Yale大学的Belhumeur提出的Fisher脸方法等；SVD分解的方法；弹性图匹配的方法(elastic graph matching)；隐马尔可夫模型方法(Hidden Markov Model)；神经网络方法；其二是基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量。这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各种部件本身的信息。
　　二、人脸识别方法的研究
　　1.特征脸方法(即主成分分析方法PCA)。这种方法起源于图像描述技术。Kirby和Sirovich用主成分分析有效的表达了人脸图像。
　　他们对给定的一组原始人脸图像集合，计算图像压缩最好的坐标系统，每个坐标事实上是他们定义为特征图(eigenpictures)的图像。他们认为从理论上来说，任何人脸图像集合都可以用两个集合近似的重建，其一是每个人脸的权值集合，其二是一组标准的图像集合(eigenpictures)。人脸的权值通过将人脸投影到对应的特征图像得到。Turk和Pentland[10][11]认为如果大量的人脸图像可以由一组特征图像的加权来重建，那么有效的人脸识别方法就是通过长期的经验建立特征图像，通过比较重建图像所需要的特征权值识别人脸。因此，每一个人脸都可以用一组重建的权值表示。简单地说，就是将一高维的向量，通过一个特殊的特征矩阵，投影到一个低维的向量空间，表征为一个低维向量，并保留主要信息。即通过低维表征的向量和特征向量矩阵就可以完全重构出所对应的高维向量。这种表达相对于图像本身就是一种高度压缩的方式。