人脸识别的常用方法与总结

人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等)，自动进行身份鉴别一种技术，它综合运用了数字图像/视频处理、模式识别等多种技术。


　　1、人脸识别技术概念
　　人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等)，自动进行身份鉴别蝗一种技术，它综合运用了数字图像/视频处理、模式识别等多种技术。
　　广义上的人脸识虽指对人体脸部的识别，特指脸部眼、鼻、口以及面颊等部位的识别。人脸识别技术又称为面像识别。人脸识别技术又称为面像识别、人像识别、相貌识别、面孔识别、面部识别等。这些叫法的含义有细微的差别，特定意义上的人脸识别一般依据视频中活体人脸进行身份识别，比如门禁等应用，而面像识别、人像识别则强调的是像，以确定人像图片中人物的身份为主，比如照片、画像比对等应用。
　　人脸识别主要依据人脸上的特征，依据那些在不同个体之间存在较大差异而对于同一个人比较稳定的度量。由于人脸变化复杂，因此特征表述和特征提取十分困难。诸多因素使人脸识别成为一项极富挑战性的课题。

　　2、人脸识别技术三个主要环节
　　人脸检测(Face Detection):实现人脸自动提取采集，从摄像机视野或图片内的复杂背景图像中自动提取人的面部图像。确认检测目标的人脸属性。
　　人脸确认(Face Verification):将某人面像与指定人员面像进行一对一的比对，根据其相似程度(一般以是否达到或超过某一量化的可信度指标/阀值为依据)来判断二者是否是同一人。
　　人脸鉴别(Face Identification)：将某人面像与数据库中的多人的人脸进行比对(有时也称“一对多”比对)，并根据比对结果来鉴定此人身份，或找到其中最相似的人脸，并按相似程度的大小输出检索结果。

　　3、人脸确认与鉴别的两种使用模式
　　身份指认(Judgment)：在该种模式下，计算机需要明确回答某人的身份是或非，给出问题的明确解答，通常用于数量和范围有限人群的识别，比如门禁等。
　　身份检索(Search)：计算机不需要明确回答某人的身份是或非，只需给出

　　4、人脸识别的基本方法
　　4.1 几何特征的人脸识别方法 　　几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。
　　4.2 基于特征脸（PCA）的人脸识别方法
　　特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。

　　4.3 神经网络的人脸识别方法
　　神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

　　4.4 弹性图匹配的人脸识别方法
　　弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

　　4.5 线段Hausdorff 距离(LHD) 的人脸识别方法
　　心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

　　4.6 支持向量机(SVM) 的人脸识别方法

　　近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本（每类300个），这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论

4．7隐马尔可夫模型法

Samaria最早提出建立关于人脸的隐马尔可夫模型。HMM是使用马尔可夫链 来模拟信号统计特性的一组统计模型。利用HMM对人脸进行描述和识别，把各个器官的数值特征和一个状态转移模型联系起来。其参数能较好地表征具体的人脸模型。HMM方法的优点是稳定性好，对姿态和环境的变化具有较好的鲁棒性，对不同角度的人脸图像和不同的光照条件，都可以达到满意的识别精度。


5、人脸识别技术在公安工作中的应用

人脸识别技术研究方法的不断创新和完善，使其在实际工作中的应用前景越来越广阔。随着公安情报资料搜集工作的逐步完善、公安基层管理信息化、自动化水平的提高以及现有情报信息资料和技术设备的不断整合，人脸识别技术在公安工作中的应用领域将更广。
1．布控排查。发达的海陆空交通网络使人员的流动性大大增加，在方便了人们工作和生活的同时，也为犯罪分子提供了便利。在机场、港口、火车站、汽车站等公共场所设置人脸识别系统，当犯罪嫌疑人、通缉的在逃人员以及重要的贩毒人员等出现时可以及时识别并报警；
2．边境检查。对外开放的不断深入，国际交往的不断增加，使出入境人员数量不断猛增。把好边境检查关，就是守护好国门，保护好国家的安全。在边检通道设置人脸识别系统，当国际恐怖分子等重大嫌疑人入境或重大案件犯罪嫌疑人外逃时可以及时识别并报警；
3．犯罪嫌疑人识别。公安机关可以利用各种人像资料库，将犯罪嫌疑人的图像与人脸识别系统资料库中重点人口的图像进行筛选、比对并识别，这样可以提高办案效率；
4．司法人像鉴定。在刑事司法鉴定中，可以使用在犯罪现场监控录相获得的视频图像与嫌疑对象进行人像同一鉴定；在民事诉讼中，可以对检材中的人像与样本照片或某人进行同一鉴定，从而判断检材中的人像与样本照片是否同一或检材中的人像是否就是某人；
5．重点场所的门禁：一些重点场所对出入人员有严格的资格限制，对出入人员身份进行准确识别是确保重点场所安全的关键。比如在银行金库、博物馆、机要室、武器库、重要会议室等重点场所设置人脸识别系统，可以对出入人员进行身份识别，保障重点场所的安全。
人脸识别技术是一项极富挑战性的课题，目前最好的商业人脸识别系统对表情、背景、距离变化的图像均能取得接近100%的正确识别率，也就是说，目前人脸识别技术对于正面图像的这些变化已经具备了良好的适应能力，但总的来讲，人脸识别技术本身还有待于进一步发展，更有赖于在应用中发展。到目前为止，还没有一种最有效的、鲁棒性强的人脸识别算法，而将各种方法中的优势有效综合是以后研究的必然趋势。随着图像处理、模式识别、人工智能以及生物心理学的研究进展，人脸识别技术也将会获得更大的发展。在一些高级信息安全的应用中，需要研究人脸与指纹、虹膜、语音等识别技术的融合方法，以提高特征表达的鲁棒性和可持续性，进而提高识别率，这也是生物特征识别技术的发展趋势。