摘 要 隨著人工智能的快速發(fā)展，人臉識別已成功運(yùn)用到民生安防的各個(gè)領(lǐng)域。相比其他生物識別技術(shù)，人臉識別具有交互友好性、方便性等特點(diǎn)。本文主要介紹人臉識別發(fā)展的歷程，并描述了常用人臉識別方法極其優(yōu)缺點(diǎn)。

關(guān)鍵詞 人臉識別 特征提取 深度學(xué)習(xí)

中圖分類號：TP316文獻(xiàn)標(biāo)識碼：A

0引言

人臉作為人體顯著的生物特征之一，包含了豐富的個(gè)人信息。人臉識別便是基于人的臉部特征信息進(jìn)行身份識別的一項(xiàng)技術(shù)，在公共安全和生活服務(wù)中的各種應(yīng)用場景發(fā)揮著舉足輕重的作用，如刷臉支付、人機(jī)交互、智能安防、視頻監(jiān)控等。目前，人臉識別算法的識別精度已經(jīng)超越了人類的識別精度。本文圍繞人臉識別技術(shù)展開論述，首先介紹人臉識別技術(shù)的發(fā)展歷程，然后針對應(yīng)用廣泛的人臉識別方法進(jìn)討論。

一個(gè)完整的人臉識別過程如圖1所示。首先是通過圖像采集設(shè)備獲取人臉圖像，然后對采集的圖像進(jìn)行人臉檢測從中分離出人臉，最后經(jīng)過圖像預(yù)處理等操作后進(jìn)行特征提取，并進(jìn)行特征比分類識別，從而得到識別結(jié)果。

1人臉識別技術(shù)的發(fā)展歷程

人臉識別的發(fā)展主要經(jīng)過以下幾個(gè)階段。20 世紀(jì)末人臉識別進(jìn)入快速發(fā)展期，出現(xiàn)了眾多經(jīng)典方法如基于主成分分析 （Principal Component Analysis， PCA）、基于特征臉的 Eigenface 方法、基于線性判別分析（Linear Discriminant Analysis， LDA）的Fisherface。而后人臉識別研究進(jìn)入了成熟期，這一階段的研究主要是解決人臉識別中因外界因素帶來的變化，如光照、表情、姿態(tài)、遮擋和噪聲等。現(xiàn)在，人臉識別已進(jìn)入深度研究階段，深度學(xué)習(xí)為人臉識別成為主流，大量基于深度學(xué)習(xí)的人臉識別方法相繼被提出。

2人臉識別方法

2.1基于幾何特征的方法

不同人臉的眼睛、鼻子、嘴巴等大小和結(jié)構(gòu)各不相同，該方法通過對人臉中幾何特征的關(guān)系進(jìn)行幾何描述，作為人臉的中重要特征。基于幾何特征的人臉識別最早應(yīng)用于人臉側(cè)臉輪廓的描述。該方法思路直觀易懂，計(jì)算相對簡單，識別的速度快， 對光照的變化有一定的魯棒性。但當(dāng)遇到表情或姿態(tài)變化較大的情況，該方法的識別精度會(huì)受到很大影響，且忽略了人臉局部細(xì)節(jié)特征，容易造成信息丟失，識別率較低。

2.2基于局部特征的方法

該方法采用提取對表情、年齡、光照等具有魯棒性的局部特征如鼻子、眼睛、嘴巴等來構(gòu)建人臉整體特征信息。首先對人臉的整體結(jié)構(gòu)信息進(jìn)行辨認(rèn)，然后對選取的局部細(xì)節(jié)特征進(jìn)行比對識別。在該方法中，局部細(xì)節(jié)特征的選取將決定人臉識別的效果。該方法簡單，但是特征分布不能全面反映人臉整體特征。尤其遇到遮擋物時(shí)，識別效果較差。常見的局部特征方法有Gabor特征、LBP特征等。

2.3基于子空間的方法

該方法的基本思想是提取人臉整體特征，根據(jù)性能目標(biāo)尋找一個(gè)變換空間，然后利用空間變換將提取的高維特征變換到低維子空間，使子空間中的特征數(shù)據(jù)分布更為緊湊，分類更加清晰準(zhǔn)確，并降低了計(jì)算復(fù)雜度。該方法由于提取特征穩(wěn)定、計(jì)算量小得到廣泛應(yīng)用。常見的基于子空間的方法有PCA、基于核的Fisher判別方法KFDA等。

2.4基于稀疏表示的方法

該方法中訓(xùn)練特征集中全部的樣本數(shù)據(jù)構(gòu)成了稀疏表示所用的字典。該方法對使用的特征不敏感，訓(xùn)練過程簡單，把處理后的圖像數(shù)據(jù)排列成一個(gè)三維矩陣并將其存儲(chǔ)到數(shù)據(jù)庫里面。只要人臉圖像包含夠多的特征維數(shù)，即使提取簡單的特征也會(huì)包含足夠多的信息產(chǎn)生稀疏表示。該方法對圖像局部遮擋的情況具有很好的魯棒性。但訓(xùn)練集的完備性直接影響識別效果，且不能很好地解決姿態(tài)、表情、光照等影響。

以上介紹的傳統(tǒng)人臉識別方法由于自身的局限性，其識別精度受到影響，達(dá)不到預(yù)期效果。深度學(xué)習(xí)是模擬人類視覺感知神經(jīng)系統(tǒng)的認(rèn)知學(xué)習(xí)，能夠獲得更具表征力的高層特征。

2.5基于深度學(xué)習(xí)的方法

在深度學(xué)習(xí)框架下，學(xué)習(xí)算法直接從原始圖像學(xué)習(xí)判別的人臉特征，通過神經(jīng)網(wǎng)絡(luò)自動(dòng)地從海量數(shù)據(jù)中學(xué)習(xí)人臉表征，不僅簡化了復(fù)雜的特征提取過程，還能夠通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到人臉圖像中的一些隱性規(guī)律和特征。該方法的特征提取和分類器訓(xùn)練在一個(gè)完整的神經(jīng)網(wǎng)絡(luò)中，通過具有多隱含層和大量訓(xùn)練數(shù)據(jù)的機(jī)器學(xué)習(xí)模型，學(xué)習(xí)更多有用特征，提高分類和識別的精準(zhǔn)度。然而深度學(xué)習(xí)的計(jì)算復(fù)雜度較高，訓(xùn)練時(shí)間較長，在測試過程中，由于模型較多，不方便在嵌入式設(shè)備上直接運(yùn)行。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（下轉(zhuǎn)第286頁）（上接第278頁）

基金項(xiàng)目：本文受重慶市教委科學(xué)技術(shù)研究項(xiàng)目（KJ1729405）資助。

作者簡介：邵艷清（1982-），女，碩士，講師，主要研究方向移動(dòng)通信技術(shù)、模式識別。

參考文獻(xiàn)

[1] IT Jolliffe.Principal Component Analysis[J].Journal of Marketing Research，2002，87（100）：513.

[2] Turk，M.&A.Pentland.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience，1991，3（01）：71-86.

[3] Jain， A，K.&R.P.W.Duin&J.Mao.Statistical Pattern Recognition：A Review[J].IEEE Transactions ?on Pattern Analysis & Machine Intelligence，2000，27（11）：1502.

[4] 蔣阿娟，張文娟.人臉識別綜述[J].電腦知識與技術(shù)，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 patterns[J].IEEE Trans PAMI，2002（24）：98-971.

[6] Daugman，J.G.Complete discrete 2-d Gabor transforms by neural networks for image analysis and compression[J].IEEE Trans Acoust Speech Signal Process，1988（36）：1169–1179.

[7] 劉小平.基于深度學(xué)習(xí)的人臉識別技術(shù)研究與應(yīng)用[D].成都：電子科技大學(xué)，2018.

[8] Kim，K.I.&K.Jung&J.K.ang.Face recognition using kernel principal component analysis[J]. IEEE Signal Processing Letters，2002，9（02）：40-42.

[9] Liu，Q.&H.Lu&S.Ma.Improving kernel Fisher discriminant analysis for face recognition[J].Circuits & Systems for Video Technology IEEE Transactions on， 2004，14（01）：42-49.

[10] ? 楊巨成，劉娜，房珊珊等.基于深度學(xué)習(xí)的人臉識別方法研究綜述[J].天津科技大學(xué)學(xué)報(bào)，2016，31（06）：1-5.