1 人臉識別技術概述

人臉識別是指利用分析比較人臉視覺特征信息進行身份鑒別的計算機技術，其可以定義為：輸入查詢場景中的靜止圖像或者視頻，使用人臉數據庫識別或驗證場景中的一個人或者多個人，通常也被稱為面部識別、人像識別。人臉識別具有非強制性、非接觸性、并發性等特點，因此研究者在上世紀六、七十年代就開始了人臉識別技術的研究。進入九十年代后，隨著高性能計算機的發展，人臉識別技術獲得了重大突破。美國國家標準技術局(NIST)舉辦的FRVT2006(Face RecognitionVendor Test 2006)通過大規模的人臉數據庫測試表明，人臉識別技術的識別精度要比FRVT2002至少提高了一個數量級。部分識別算法的精度超過了人類的平均水平。對于高分辨率、高質量的正面人臉的識別率達到100%。

2 人臉識別技術的難點

雖然人臉識別技術經歷了較長的研究階段，但至今還是被認為是生物特征識別技術中較為困難的研究課題之一，其原因在于：

1.背景環境的復雜多樣

在進行人臉識別前需要先對監控場景中的人臉進行定位，即人臉檢測。人臉檢測的正確與否直接影響人臉識別性能。當監控場景的背景較為復雜時，人臉檢測率也會隨之降低，因此能夠適應復雜背景環境的人臉檢測算法是人臉識別技術的難點之一。

2. 光照條件的復雜多變

在智能視頻監控系統的實際應用中，會由于監控環境光線的變化造成檢測到的人臉圖像存在不同的陰暗變化，如圖1所示。FRVT2006測試表明，不同光照條件下人臉識別雖然在性能上比FRVT2002有顯著提高，但是還沒在根本上克服光照對識別率的影響。

圖1 光線變化對采集到的人臉影響示意圖

3. 人臉表情的多樣性

在實際應用過程中，人臉的表情隨時都可能發生變化。圖2給出了部分表情變化的人臉圖像。從圖2可以看出，當人的表情發生變化時，可能會引起人臉輪廓以及紋理的變化，同時由于面部肌肉的牽引，面部的特征點的位置也會隨之改變。不同的表情引起面部的變化都不同，此外，不同的人的相同表情影響也不相同，因此很難用統一的標準來精確劃分各種表情對不同人的影響。

圖2人臉表情變化多樣性示意圖

4.采集人臉的角度多樣性

人臉的角度多樣性主要是指由于拍攝角度的不同導致檢測到的人臉圖像的旋轉，包括平面旋轉和深度旋轉。圖3列出了部分不同角度拍攝的人臉圖像。從圖3可以看出，與表情變化對人臉圖像的影響相同，拍攝角度的變化同樣會導致人臉輪廓的變化，除此之外，由于角度的變化，可能會導致人臉的部分特征無法被正確提取，進一步導致人臉的錯誤識別。

圖3 采集人臉的角度多樣性示意圖

5.遮擋問題

即使是非人為故意遮擋，在實際應用時檢測到的人臉圖像也經常會出現如帽子、眼鏡等遮擋物，除了這些，胡子以及劉海的變化也直接影響人臉的特征提取，圖4舉例給出了出現遮擋的部分人臉圖像。當人臉圖像發生遮擋時，人臉的很多信息會丟失，導致人臉識別算法出錯或失效。

圖4采集到的人臉存在遮擋物示意圖

3 人臉識別系統的步驟

人臉識別系統主要包括四個組成部分：人臉圖像檢測、人臉識別預處理、人臉特征提取以及特征匹配與識別。

1.人臉圖像檢測

人臉圖像檢測是人臉識別過程的關鍵環節之一。人臉檢測是指對于任意一幅給定的圖像，采用一定的策略對其進行搜索以確定其中是否含有人臉，如果有，則返回檢測到的人臉圖像的位置、大小以及姿態。人臉檢測主要利用人臉圖像的直方圖特征、顏色特征、模板特征、結構特征以及haar特征等。

人臉檢測的難點主要在于：(1)光照的復雜多變，圖像序列中存在的人臉圖像可能由于光源的照射角度或監控環境中同時存在的多個光源而導致陰影或對比度的變化，增加了檢測難度，圖5為光照對人臉檢測影響示意圖，從該圖中可以看出右側第二張人臉圖像無法被正確檢測，其原因在于由于光照角度問題該人臉圖像的左半側與右半側亮度差距較大；(2)拍攝角度以及圖像清晰度，如果成像距離較遠，或者圖像序列分辨率較低，可能會導致人臉圖像清晰度差而無法被正確檢測，圖6為圖像清晰度對人臉檢測影響示意圖，從該圖可以看出，圖像成像距離近的人臉圖像都可以被正確檢測，然而最后一排的人臉圖像則無法被正確檢測到；(3)人臉圖像中可能存在的遮擋物，場景中的人臉圖像可能由于眼鏡、帽子等遮擋物而影響檢測結果，除此之外，劉海、胡子的變化等也可能對人臉圖像造成影響，圖7為遮擋物對人臉檢測影響示意圖，從該圖可以看出，當左側無遮擋物的人臉圖像可以被正確檢測時，右側存在遮擋物（帽子和眼鏡）的人臉圖像則無法被檢測到；(4)人臉復雜的細節變化，人臉的成像可能會由于表情的變化而略有不同，此外，人臉圖像的角度旋轉也影響人臉檢測的正確檢測率，圖8為細節變化對人臉檢測影響示意圖，從該圖可以看出，左側及右側的人臉圖像都有不同程度的旋轉，當中間未發生細節變化的人臉圖像可以被正確檢測時，發生旋轉的人臉圖像無法被正確檢測。（圖5、6、7及8的檢測結果均使用haartraining訓練得到的人臉檢測器進行檢測得到的，圖片來源于網絡下載）

圖4-5 光照對人臉檢測影響示意圖

圖4-6 圖像清晰度對人臉檢測影響示意圖

圖4-7 遮擋物對人臉檢測影響示意圖

圖4-8 細節變化對人臉檢測影響示意圖

2. 人臉圖像預處理

預處理是指在進行人臉識別前，為了提高識別率，通過圖像處理技術對檢測得到的人臉圖像進行的一系列圖像質量提高。這些處理主要包括灰度校正、噪聲過濾、光線補償、直方圖均衡化、歸一化等。

3.人臉特征提取

人臉特征提取是對人臉進行特征建模的過程，提取方法主要分為兩大類：基于知識的表征方法和基于代數特征或統計學習的表征方法。目前人臉識別技術中使用的人臉特征主要包括視覺特征、人臉圖像變換系數特征，人臉圖像代數特征等。其中基于知識的表征方法主要是根據人臉五官的形狀描述以及它們之間的距離特性來獲得有助于人臉分類的特征數據，其特征分量通常是使用特征點間的歐幾里得距離、曲率或角度等。基于幾何特征的表征方法是指利用人臉五官之間的結構關系的幾何描述進行人臉表征的方法。

4.人臉匹配與識別

匹配與識別是指利用上一步提取到的人臉特征，與樣本庫中存儲的特征模板進行搜索匹配，在這個過程中，需要預先定義一個閾值，當相似度超過該閾值，則輸出匹配結果。

4 人臉識別技術的研究現狀

人臉識別方法大致可以分為兩類：基于2D人臉圖像的人臉識別和基于3D人臉圖像的人臉識別。其中，基于2D人臉圖像的人臉識別算法概括起來人臉識別方法主要分為以下幾個大類：1. 基于模板匹配的方法，其中模板可以使用固定模板和可變模板；2. 基于知識的方法；3. 基于統計學習的方法。

近些年，利用3D人臉信息提高識別性能得到越來越多的關注。三維人臉識別是指將采集獲得的待識別對象的臉部三維形狀數據作為識別依據，與庫中已知身份的臉部三維形狀數據進行匹配，然后得出待識別對象身份的過程。