2025年人脸识别综述.doc

人脸识别综述

1引言

人脸识别技术的研究始于20世纪50年代，當時的研究人员重要波及的是社會心理學领域；最早AFR（AutoFaceRecognition）的研究论文見于1965年陈（Chan）和布莱索（Bledsoe）在PanoramicResearchInc.刊登的技术汇报。近年来，人脸识别研究得到了诸多研究人员的青睐，涌現出了诸多技术措施。尤其是1990年以来，人脸识别更得到了長足的发展。几乎所有著名的理工科大學和重要IT产业企业均有研究组在從事有关研究。

人脸识别研究的发展可分為如下三個阶段：

第一阶段（1964年~1990年）。這一阶段人脸识别一般只是作為一种一般性的模式识别問題来研究，所采用的重要技术方案是基于人脸几何构造特性（Geometricfeaturebased）的措施。

第二阶段（1991年~1997年）。這一阶段尽管時间相對短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不仅诞生了若干代表性的人脸识别算法，美国軍方還组织了著名的FERET人脸识别算法测试，并出現了若干商业化运作的人脸识别系统，例如最為著名的Visionics（現為Identix）的FaceIt系统。美国麻省理工學院（MIT）媒体试验室的特克（Turk）和潘特（Pentland）提出的“特性脸”措施無疑是這一時期内最负盛名的人脸识别措施。

第三阶段（1998年~目前）。FERET’96人脸识别算法评估表明：主流的人脸识别技术對光照、姿态等由于非理想采集条件或者對象不配合导致的变化鲁棒性比较差。因此，光照、姿态、表情、遮挡問題逐渐成為研究热點。

人脸识别是一项既有科學研究价值，又有广泛应用前景的研究課題。国际上大量研究人员几拾年的研究获得了丰硕的研究成果，自感人脸识别技术已經在某些限定条件下得到了成功应用，人脸识别技术的研究對模式识别，人工智能，计算机视覺，图像处理等领域的发展有巨大的推進作用。

人脸识别問題可以定义成:输入(查询)場景中的静止图像或者视频，使用人脸数据库识别或验证場景中的一种人或者多种人。基于静止图像的人脸识别一般是指输入(查询)一幅静止的图像，使用人脸数据库進行识别或验证图像中的人脸。而基于视频的人脸识别是指输入(查询)一段视频，使用人脸数据库進行识别或验证视频中的人脸。如不考虑视频的時间持续信息，問題也可以变成采用多幅图像(時间上不一定持续)作為输入(查询)進行识别或验证。

人脸自動识别系统包括三個重要模块[1]：首先是图像预处理模块，由于实际成像系统多少存在不完善的地方以及外界光照条件等原因的影响，在一定程度上增長了图像的噪声，使图像变得模糊、對比度低、区域灰度不平衡等。為了提高图像的质量，保证提取特性的有有效性，進而提高识别系统的识别率，在提取特性之前，有必要對图像進行预处理操作；另一方面人脸的检测和定位模块，即從预处理的图像中，运用人类检测器（目前人脸检测措施重要以Adaboost算法為主，OPENCV在這方面做的比很好）找出人脸及人脸所在的位置，并将人脸從背景中分割出来，對库中所有的人脸图像大小和各器官的位置归一化；最终是對归一化的人脸图像進行特性提取(提取局部特性已逐渐成為主流)，建立特性描述子，将图像之间的特性進行匹配進而完毕识别。

人脸检测与定位特性提取与识别

人脸检测与定位

特性提取与识别

原则人脸图像

识别成果

输入图像

图像预处理

准图像

2概述

人脸识别措施大体分為如下几种：基于几何特性、基于代数特性[2]、基于神經网络模型以及基于三维模型。

（1）基于几何特性

基于几何特性的人脸识别措施是在抽取人脸图像上明显特性的相對位置及其参数的基础上進行识别。最早的人脸识别是用手工的措施确定人脸特性點的位置并将其输入计算机中。识别工作的流程大体如下：首先检测出面部特性點，通過测量這些要點之间的相對距离（欧式距离、馬氏距离等），得到描述每個脸的特性矢量，例如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，以及這些特性之间的关系，用這些特性来表达人脸。比较未知脸和库中已知脸中的這些特性矢量，来决定最佳匹配[3]。基于小模板匹配的措施属于几何特性识别，是已知一种小模板，在人脸的大图像中進行匹配，假如匹配成功，就可以确定其坐標位置[4]。

基于几何特性的缺陷显而易見，對获得的图像规定很高，特性點的定位非常重要，一般人脸特性點的定位會存在误差，這种措施對正面人脸可以获得一定识别效果，假如人脸姿态存在一定的偏转或有遮挡都會很大程度上影响识别的精确性。

（2）基于代数特性

基于代数特性的人脸识别措施具有代表性的是PCA（主元分析法）[5]、K-L（卡胡南－列夫）[6]变换和SVD（奇异值分解）[7]等措施。其重要思想：對于一副由N個象素构成的图像，可以看作