《基于人脸识别的门禁系统设计与实现.docx》由会员分享，可在线阅读，更多相关《基于人脸识别的门禁系统设计与实现.docx（31页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上基于人脸识别的门禁系统设计与实现The Study of Face Recognition and Applications in the Venues Access Control System摘要伴随着世界经济的飞速发展，在现代社会当中，对于企业相关知识产权的保护一直是企业关注的重点。但是，由于在日常的经济活动当中，企业内部常常有非内部人员进入到企业当中，因此，如何通过一定的方法限定其活动区域就成为企业保护自身核心竞争力安全的重要方法。而随着现代生物技术产业的飞速发展以及其与计算机领域联系的日益紧密，通过生物学与计算机相结合的方法成为许多门禁系统研究的热门方向。作
2、为一种特殊的生物识别方法,人脸识别系统相比于其他的识别系统而言具有特异性强、识别误差小、使用方便以及普适性优良等特点在许多行业当中得到了广泛的研究与应用。自从上世纪六十年代Chan&Bledsoe提出利用人脸特征进行身份识别与鉴定以来,人脸识别技术得到了长足的发展,并出现了一些典型算法与系统。但是，在实际的应用过程当中，由于实验的条件与现实环境当中的条件存在较大的差异，因此，实验中所取得的数据在现实生活当中并不能完全的重复出来，因此，有多的测试性能良好的识别方式在实际的应用过程当中的效果并不明显。相关的研究表明，早诸多影响因素当中，对于人脸识别影响最为显著的因素主要有采集以及识别过程当中的光线
3、强度、识别对象的表情以及年龄等、信息采集与应用过程当中采集对象的姿态等。因此要研究出实用的、大众可接受的人脸识别系统还有很多工作要做。本文是在现有人脸识别技术的基础上,重点探讨了影响人脸识别性能的几个方面。本论文的主要工作如下:(1)研究了人脸特征点的精确定位方法,介绍了常用的人眼定位方法,指出了这些方法的不足,并提出了一种联合的人眼睛精确定位算法,并测试、分析了该算法定位效果。(2)总结了人脸识别中现有的光照问题解决方法,利用小波技术分析了光照、表情等变化对人脸图像低频信息的影响。提出了一种基于小波重建的人脸去光照方法,并分析和比较了该算法处理受光照、表情影响人脸图像的识别效果。(3)分析了
4、现阶段比较典型的人脸图像的特征提取方法,指出了各个算法的优点和不足之处,提出了一种新提取人脸图像中有利于识别的全局信息和局部结构信息的独立源特征的方法。并在公开数据库上进行了测试比较与分析。(4)设计并实现了一个模块化的人脸识别算法仿真与开发平台,并详细地介绍了各个模块应用的算法与工作流程。结合人脸识别技术在大型场馆门禁系统中的应用,给出了一种基于集群计算机工作模式的门禁系统,并引入了Intel的MMXSSE技术的系统并行加速算法。(5)介绍了人脸识别门禁系统在2008年好运北京测试赛以及29届北京奥运会场馆门禁系统中的应用,给出了系统测试性能,并进行了分析。本论文的研究成果不但在鲁棒人脸识别
5、技术上有一定的参考意义,而且对系统的高速实时运行有一定的借鉴意义,所提出的算法部分已成功地应用在2008年好运北京测试赛、29届北京奥运会以及残奥会场馆门禁系统中。关键词:人脸识别;人脸检测;特征点精确定位;特征提取;门禁系统;并行加速处理第一章 绪论1.1 研究背景与意义门禁系统从字面上理解，就是对于出入口通道权限的管理或者是限制，是从传统的机械锁上逐渐发展而来的。安全管理是企业的生存之本，出入口的安全及管理问题对于每个企业来说更是重中之重。在日常工作中，安全管控最常使用的方法就是对于员工及来访人员的监管，随着企业的做大做强，员工的数量增多，来访人流的加剧，或者说企业内部对于员工的限制，某些
6、区域需要特定的身份才可以进入，某些区域或许就不让员工进入，如何解决这些方面的问题，就成了企业急需解决的问题。门禁系统是解决以上问题的主要办法，现在市场上的门禁系统基本是上使用密码、接触式IC卡，非接触的射频卡或者指纹认证来解决。但是密码被遗忘、卡被盗、指纹被盗的案例屡见不鲜，同时随着人员的增多，这种可以离开人这个本体的物理特征，对于安全管理来说本身就是一个巨大的漏洞。生物识别的出现能够很好的解决物理特征脱离个体而存在的问题。随着快速生活的到来，社会各方面都在致力于研究各种办法来解决快速识别个人身份的问题。如同目前已被广泛使用的指纹、DNA、虹膜、气味及声纹等生物特征，人脸识别是一种新兴的，同时
7、又是一种最为古老的识别方式，因为人与生俱来就具有人脸识别的能力，自上个世纪六十年代起，人们开始对使用机械进行人脸识别进行了研究，作为生物特征比对方式的一种，人脸特征具有唯一性。然而相较于其他的身份鉴定方式，人脸识别具有更友好的采集方式，更快速的对比效率，更低廉的使用成本。目前，人脸识别技术已经被广泛的应用到各个行业内，如公安追踪，海关边检及社会重点区域监控等，接下来人脸识别将走进商业，慢慢的改变我们的生活模式。人脸是相对于其他比对手段来说，是随身携带，长久不变的，人脸的采集具有隐蔽性、非接触性相比其他的身份认证具有很好的友好性，同时人脸识别又是可以避免因使用照片、蜡像等手段骗取密码获取权限的有
8、效手段。目前，国内安防监控技术已经遍布各处，但大多应用在大型公共场合，例如火车站、码头、机场。2008北京奥运会和上海世博会也用到了相应的人脸识别技术。随着科技的兴起，物联网的日益发达，我国家庭安防也步入起步阶段，日后也将会成为网络智能家庭业务的组成部分。1.2 人脸识别的门禁系统研究现状人脸识别系统的开发可以追述到二十世纪初Galton在Nature杂志发表的两篇关于利用人脸进行身份识别的文章,其标志着人脸识别系统开始被人们所意识到，这为后来人脸识别系统额应用开创了方向。自从人脸识别系统被人们意识到之后，其自身显著的优势逐渐引起许多相关学者研究的极大兴趣，在这当中尤以六十年代作为分水岭，从那
9、时起，许多研究人员将大量的经历投入到人脸识别系统的研究与开发当中，也正是在这个时期，人脸识别系统得到了第一次的飞跃式发展。通过对于相关文献的研读，目前，在人脸识别系统的研究领域，将人脸识别的发展历程大体上分为三个主要的发展阶段:第一阶段(1964年一1990年),这一阶段主要是人脸识别系统研究的起步阶段，其主要的研究方向是将人脸识别作为一个一般性的模式识别问题来研究,所采用的主要技术方案是基于人脸几何结构特征(Geometri。featurebased)的方法,这集中体现在人们对于剪影(Profile)的研究上,人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究,人工神经网络也一度被研究
10、人员用于人脸识别的问题中。总体而言,这一阶段是人脸识别研究的初级阶段,因此，其主要的贡献在于对于后续的人脸识别系统的发展奠定一定的基础并积累一定的理论以及实践的经验，所以在这一时期非常重要的成果不是很多,也基本没有获得实际应用。第二阶段(1991年一1997年),尽管从时间跨度上来看，这一阶段仅仅只有7年的时间，相对于第一阶段而言时间较为短暂，但是，其所取得的的成果却是非常丰硕的：在这一时期，相关的理论工作取得了巨大的成绩，有许多人脸识别的算法的一出现，并且得以在实际的生活当中得以应用，二者其中最为著名的就是美国军方的FERET(FacEREcognitionteehn010Test)，其对当
11、时公认的较有前途的相关算法进行了一系列的测试并取得了巨大的成功；在商业化运作方面，第二阶段时期出现了许多与人脸识别系统相关的公司，这当中最为著名的就是VisionicS(现为Identix)的Facelt系统等，其在测试当中以优异的表现给当时的人们留下来深刻的印象，同时也是的当时的研究者以及相关商业公司对于人脸识别的广阔研究领域以及商业市场产生量强烈的渴求。在技术上,麻省理工学院媒体实验室的Turk和Pentland提出的“Eigenface”方法无疑是这一时期内最负盛名的人脸识别方法，由于这一算法对人脸识别系统的研究具有极高的理论价值一次，其被许多后续的人脸识别系统以及相关的算法采用甚至复制
12、。在这之后，麻省理工学院Al实验室的Bruneili和Poggi对于当时备受关注的两种识别系统亦或者说是识别算法即基于结构特征的方法与基于模板匹配方法进行了详细的比对与研究，并对其某些性能进行了详细的比对，结果发现:在诸多评判标准当中，模板匹配的方法均优于基于结构特征的方法。而这一结论在很大程度上对当时的研究方向进行了重新的规划与引导，也就是在此时，先前基于纯粹的基于结构特征的人脸识别方法研究被大多数人所抛弃,而模板匹配的方法受到许多研究人员的追捧，这在很大程度上促进了基于表观(Appearance一based)的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展。现在Eigenface
13、已经成为人脸识别的性能测试基准算法之一。这一时期的另一个重要技术是由Belhumeur等提出的Fisherface人脸识别方法。这一方法的主要特点在于，其第一次将主成分分析(prineipalCo ，onent alysis,PeA, Eigenface)应用于人脸识别的研究当中，并对热脸识别过程中的图像表观特征进行降维然后再通过线性判别分析(Linear Discriminant Analysis ,LDA)的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”,由于该技术对于人脸识别系统具有较强的人别功能，因此在后续的研究当中，许多相关的研究学者对其进行了细致的研究与改进最
14、终使得该技术成为当时甚至是目前均较为流行的主流的人脸识别技术之一。随着相关计算机技术的飞速发展，目前有许多新的人脸识别技术得已产生，例如近年来产生的零空间法子空间判别模型,增强判别模型,直接的LDA判别方法,以及近期的一些基于核学习的改进方法等等，这些相关的人脸识别技术以及相关的算法为人脸识别的现实应用提供了强大的技术以及理论支持。后来Mrr以及 Moghaddam则在Eigenface的基础上,通过对Eigenface的分析与研究，具有针对性的提出了一种新的人脸识别技术与算法及贝叶斯概率估计的人脸识别方法。其具体的试验程序为，通过特定的方法即“作差法”将待测对象与采取图片的近似比较程度转换成
15、为一种分类比较的简单问题，也就是将两幅图片进行一种相似性比对,而相互比对的比较主要通过类内差与类间差进行评判，在实际的比较过程当中，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维,计算两个类别的类条件概率密度,最后通过贝叶斯决策(最大似然或者最大后验概率)的方法来进行人脸识别。在后续广泛应用的弹性图匹配技术(ElasticGraPhMatching,EGM)也是在这一时期被提出来的，其主要的研究以及应用思路就是通过不同的属性来对识别对象进行准确的分类与评判：在实际的采集仪以及应用过程送给您当中，相关属性图片当中的顶点上的关键部位意味着识别对面那个的最为重要的特征部位,其属性为相
16、应特征点处的多分辨率、多方向局部特征Gabor6s,82胭变换特征,称为介才;边的属性则为不同特征点之间的几何关系。在实际的应用过程当中，对于采集到的相关实验对象的脸部图像，系统会更具预设的不同人脸面部区分程度较为明显的特征部位进行识别与区分，也就是说可以通过弹性图匹配对某些预先定义人脸识别过程当中的某些关键特征点进行预先识别,同时提取它们的介才特征,得到输入图像的属性图。最后通过计算其与己知人脸属性图的相似度来完成识别过程。相比去其他的人脸识别系统以计算法而言，这种识别方法的优点是将以前的局部识别与现有的全部识别相互融合，即具有了局部识别精确度高的特点，也同时具有了全部识别准确定强不易遗漏的
17、特性，因此其被大多数的人脸识别算法所采用。随着相关技术的不断发展与更行，近几年来有许多相关的新技术对该算法以及程序进行了更新与提升，使其的识别性本能更加强大与准确。二十世纪初，洛克菲勒大学(助ckefelleruniversity)的Atiek等人通过对以前的人脸识别技术的优缺点的研究提出了一种新的人脸识别技术，即局部特征分析方法(Local Feature Analysis ,LFA)。相比于以前的人脸识别技术而言，该方法在本质上是一种基于统计的低维对象描述方法,与只能提取全局特征而不能保留局部拓扑结构的PCA技术相比,LFA在全局PCA描述的基础上提取的特征是局部的,并能够同时保留全局拓扑
18、信息,从而具有更佳的描述和判别能力。在人脸识别系统当中，由于全局识别与局部识别各自均具有明显的优势，因此，局部识别与整体识别在人脸识别技术的应用当中均占有重要的地位，也正是基于这一原因，其均称为目前人脸识别研究的主要方向。在人脸识别技术实际的应用过程当中，相关均是产业对人脸识别技术的发展产生量巨大的推进作用，在这当中尤以由美国国防部反毒品技术发展计划办公室资助的FERET项目最为著名。最初，美国政府为了加强对于敏感军事单位以及军事技术的保密工作，想开发一种能够为安全、情报和执法部门使用的自动人脸识别技术，其主要的组成部分为庞大的人脸识别库以及具有特异性的人脸识别算法。在这两部分当中，人脸识别库
19、又可以被分为两部分，其中一部分的人脸数据库用于日常的实验研究，即用于对新的算法以及人脸识别系统进行测试，另一部分人脸识别系统的采集对象为美国相关均是部门的从业人员，该部分数据库也是人脸识别系统以及相关算法的真正使用者。最初的实验当中， FERET于1997年通过各种途径采集到了19999个人的14,126幅图像,在这一数据库当中包含了同一个人不同时间段、不同表情以及不同姿势的图片，因此可以说，所采集到的图像具有广适性，进而排除了实验过程当中的特殊性现象。该项目包括三部分内容:资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。通过将所得的人脸识别的算法以及程序
20、应用于得到的人脸图像数据库当中，进而对所得的相关算法以及系统进行测试，从而达到了对于相关算法以及系统的改进与升级,同时给出了人脸识别的进一步发展方向:光照、姿态等非理想采集条件下的人脸识别问题。1.2.1 人脸识别的研究现状人脸识别技术在国外已经得到了长足的发展，其作为一种新的生物技术在相关领域当中的发展也已经经历的半个多世纪的发展历程，在这已发展过程当中，主要可以将其大体划分为三个主要的阶段：第一阶段：机械式识别阶段。这一阶段的主要特征是通过人脸的几何特征来对检测人员进行评价，而其中的评判方法与最终的评判结果并不是由计算机自助完成的额而是由实验人员进行人为的评价，因此，从根本上说该方法并不是
21、真正的自助识别。第二阶段：人机交互式识别阶段。与前一阶段相比，这一阶段的主要特征是大量商业化人脸识别系统的出现。在这一时期，大量的商业企业以及国家将大量的人力物力财力投入到人脸识别系统当中，这当中由其以美国的均是企业贡献最大。在这一时期出现许多的不同的人脸识别算法，其中最为著名的是基于表征空间及统计学的算法。第三阶段：相比于上两个阶段，这一阶段最主要的特征是自动化识别系统。随着相关生物技术以及计算机技术的飞速发展，人脸识别系统的自动化程度越来越高，相关算法的准确程度也越来越高，这些均在一定程度上促进了人脸识别系统自动化识别准确性的提高以及自动化程度的提升。并且在这一阶段，具有划时代意义的3D模
22、糊人脸识别系统得到了开发与初步的应用，这极大地提升了人脸识别系统自动化的准确性与特异性。存在问题：尽管目前人脸识别技术经历了经半个世纪的发展，在这当中也取得了巨大的成绩，但是，目前的人脸识别技术距离人们的目标还存在着一定的差距。相比于人类大脑的人脸识别能力而言，尽管不同的人面部特征存在着较大的差异性，但是通过计算机系统对人脸进行识别还是存在着许多实现难题。与计算机的人脸识别相比，人类可以通过多种感官对不同的人进行识别，这包括长相、说话语气、言谈举止等等。在实际的应用过程当中，相比于人类的一般人脸的辨识可以用单个感官完成,也可以是多感官相配合来存储和检索人脸,而计算机人脸识别并不能利用上述的标准
23、对人脸进行识别，其职能通过相关的由相关图像经过研究人员的定义来将实验对象的对象转换成为相关的数据进而对不同的人脸进行识别与区分，而在实际的应用过程当中，这种视觉数据往往还受到各种因素的干扰影响。用计算机识别人脸的困难主要表现在:人脸表情丰富;人脸随年龄增长而变化;人脸所成图像受光照、成像角度及成像距离等影响;而且从二维图象重建三维人脸是病态较详细地列出了影响人脸识别效果的主要因素,如图1.2所示。图1.2影响人脸识别因素Fig1.2Impaetfaetorsoffacereeognition除了上述的影响计算机人脸识别的硬件因素以外，计算机的人脸识别还面临着人类自身脸部识别的难题。由于人类对于
24、面部不同部位的认识程度不同，不能够从面部大量的数据当中筛选出具有代表性的独特的特征来对人脸识别系统的相关算法进行评价，因此，计算机的人脸识别面临着评价标注不唯一的窘境。对于人类视觉系统的研究表明，人类视觉系统不是单一的系统，其是由许多的不同层次的视同构成，通过不同的层次将外界的视觉图像反映到人类的大脑当中，进而呈现出不同的图像。相关的生理学实验的研究结果表明,人眼视网膜上存在着不同层次的视觉细胞，其大体可以分为低层次和高层次的细胞,在这些相关的细胞当中,低层次的细胞对空间的响应和小波变换的结果相似；而高层次的细胞则依据一群低层次细胞的响应,而作出具体的线、面乃至物体模式的响应,以此为依据进行判
25、别。相比于单独的计算机人脸识别系统而言，计算机系统只能够对于仅仅依靠一张图像进行识别,可想而知要想获得准确性极高的识别率这当中涉及到许多的不同的知识系统，主要包括图象处理、计算机视觉、模式识别以及神经网络等学科,要从图像中提取那些适合于分类并且不受光照等影响的特征则困难得多。目前对于已知人脸数据库规模在1000人左右、成像条件理想、用户比较配合的场合,目前最好的人脸识别系统的性能己经达到了90%以上,并已经在限定范围内得到了一些应用。但这并不意味着人脸识别己经是一个被解决了的成熟技术问题,相反,人脸识别研究目前仍旧面临诸多挑战性的问题, 客观地说,在很多应用条件下,最好的识别系统的识别率也往往
26、达不到50%。影响人脸识别效果的因素很多,其中主要集中在以下几个部分:1、复杂背景中的人脸检测与定位随着科技的不断发展，目前的人脸识别系统可以在一定程度上满足某些单位在门禁系统中的应用，但是，其大规模的实际应用任然面临着许多的难题，这些难题极大地限制了人脸识别系统的应用。例如，由于图像采集的环境与被检测人员每次检测的环境并不相同、系统收录的检测者检测时姿势与被检测时可能有所差异，这些问题均限制了人脸检测的进一步应用。2、鲁棒、准确的特征点定位问题作为人脸检测系统最为重要的组成部分，面部检测的准确程度在很大程度上决定着人脸检测系统以及相关算法的准确性。但是，就目前的人脸检测系统而言，其在面部识别
27、方面并不能做到精确的人别，其实别的程度在一定程度上与被识别这所处的环境例如外界光线的强弱等存在着一定的关联性，因此，时常会导致检测环节出现错误，这也是人脸检测急需解决的重要议题。3、识别算法的泛化能力和自适应学习问题作为目前公认的较为准确的人脸识别的主要方法，统计和学习已经成为相关研究者研究的主要方向，而在这两种方法当中，对于大数据的采集与研究均是其关注的焦点问题。因此，如何能够采集到大量的数据，如何能够在最大限度的将不同人之间面部的特征进行精确的区分是目前上述两个方向研究的重要议题。但是，在实际的研究当中，如此大量数据的获取与精密分析并不容易做到，这导致了相关研究学者并不能通过对于大数据的分
28、析，从大量的实验对象当中找出具有针对性的特征。4、光照变化问题,尤其是室外光照变化就目前人脸识别系统的应用而言，其绝大部分是应用于不同的门禁系统当中，而相比于室内的光线条件而言，门禁系统所处的环境较为开放，这导致了其所处的同一地域在不同时间段的光线强度存在着较大的差异。而在实际的应用当中，由于采集使用者图像的光线强度不可能随着室外环境光线强度的变化而变化，这导致了，实验者在应用的过程观念当中，其面部不同区域反射的光强并不相同，这些均会对人脸识别系统的判断造成一定的误差。5、姿态不变的人脸识别算法与光照问题类似,姿态问题也是目前的人脸识别系统实用化的一个巨大障碍。通过对目前现有的人脸识别系统的调
29、查研究我们发现，目前的人脸识别系统对于正面识别的接受程度较高，但是对于侧面亦或者是半侧面人脸的识别能力相对较差，而在实际的应用国产当中，实验者的姿势不可能与采集图像时完全相同，这就有可能导致细心识别的错误。6、墨镜、帽子等饰物遮挡问题对不能要求用户配合的场景,例如全自动的安全监控,被识别的对象往往带有墨镜、帽子等饰物,使得面部被遮挡,从而造成信号数据的缺失,如何较好解决该问题也是值得关注的方向之一。7、大规模人脸库的识别问题随着经济的发展，人脸识别的相关数据库也呈现出爆发式增长的趋势，这就产生量一个极为严重的问题，如何将采集到的，人脸识别数据库当中的才及对象的图像进行准确的区分。如果不能够在数
30、据库当中对其进行细致准确的区分，那么在实际的应用过程当中会对其准确度的判断产生干扰。1.3 本文的研究内容及框架为了完成基于人脸识别的门禁系统，需重点进行如下研究：(1)实现门禁系统基于级联神经网络的人脸检测，基于Daubechies4算法的人脸图像预处理、基于PCA算法的人脸比对识别。(2)实现门禁系统对于员工及访客的比对、控制、授权及记录。(3)实现门禁系统可视化日志的生成。(4)构建数据库模型。(5)构建安全体系，防止门禁系统中的服务器被人为添加基础样本。1.4 本章小结本章的主要内容是通过对于相关文献的研读，对目前人脸识别系统的发展现状进行初步的总结与研究，并对其现存的问题进行初步的探
31、讨。随着经济的发展，各行各业对于其核心技术的保护的关注程度逐渐加大，因此，对于不同区域的管制程度也逐步加大；另一方面，不同单位以及机构为处于安全的目的，对于非本区域的人员的活动方位进行一定程度的限定。传统的门锁形式已经不能够满足人们对于相关信息以及其他隐私的保护要求，而人脸识别系统与存在了几百年的门锁制度相比较而言具有巨大的优势，其独特的专一性能够在很大程度上保护相关人员的各种利益的安全，这些均在很大程度上促进了人脸识别系统在门禁系统当中的运用与发展。各章节的安排作以介绍:第二章：通过对相关文献的研读，我们对目前现有的人脸识别检测技术进行了初步的总结，目前，人脸识别的主要检测方法分为以下几大类
32、，分别是基于知识的人脸检测方法；基于特征不变的人脸检测方法；基于模板匹配的人脸检测方法以及基于表观的人脸检测方法等，并对目前各种检测方法当中所涉及到的不同的计算方法进行了细致的归纳与总结，通过对不同检测方法以及不同算法的总结与比较，找出其各自的优缺点并在此基础之上对其的主要优缺点进行了初步的总结。第三章：对人脸识别体统的图像预处理进行了初步的探讨与研究，分别从人脸灰度、图像灰度以及滤波去噪等方面对目前人脸识别系统当中的人脸图像处理进行了初步的探讨与研究。第四章：对目前的门禁系统的设计与人脸识别系统在其中的应用进行了细致的研究，分别从目前门禁系统需求的分析、门及系统的设计与人脸识别在门禁系统当中
33、的应用等方面对目前门禁系统中人脸识别系统进行了阐述。第五章：通过对全文的总结以及对于相关文献的研读，在本课题中，将会对如何实现人脸识别的门禁系统进行研究，尤其是对人脸快速检测、采集、比对进行深入研究。采用级联神经网络、Daubechies4及PCA相结合的方法使用户可以方便快捷的使用，达到控制门禁的开关，及对于非授权人员的报警，使得门禁系统更加安全、快捷、可靠。第二章 人脸识别技术概述2.1 概述通常意义上的人脸检测是在一定的条件下，通过将目前的检测对象与已经存在的数据库中的所有图像进行比对，并从中找出与之完全对应的人脸图片，进而达到一定的识别效果。人脸识别的基础是建议一套完善的人脸识别数据库
34、，并将其与人脸检测系统相互配合，因此，一种完善的人脸检测数据库以及人脸检测方法对于人脸检测的实现具有重要的现实意义。而人脸识别数据库以及人脸检测方法之间存在一定的先后关系即人脸检测的准确程度在很大程度上决定了人脸识别数据库的准确程度，这主要是因为，人脸识别数据库当中的相关数据也是通过人脸检测手段将其输入到喜爱那个管的数据库当中的。实际应用中的人脸识别(或辨认)、人脸追踪以及人脸定位等都与人脸检测密切相关。人脸识别的目的是检验输入图像中的个体的身份,而人脸追踪方法是实时地、连续地估计在图像序列中的人脸的位置和可能的方向。在人脸识别算法与程序当中，对于人脸上相关部位的准确定位以及相关特征的准确输入
35、对于后续人脸检测的准确度具有决定性的意义。在实际的人脸检测当中，由于同一人在不同阶段的情绪不可能完全相同，这也导致了其面部表情存在着一定的差异性，这些均对人脸检测在门禁系统当中的应用以及人脸检测系统准确度造成了不同程度的影响。在这一章当中，我们通过对于相关文献的研读，对目前常用的人脸检测方法进行了细致的分析，并对目前的人脸检测的喜爱那个管算法进行了初步的阐述与说明，以期为后续的实验奠定一定的理论基础。2.2 人脸检测方法概述（基于Haar特征提取的人脸检测）Yang等将人脸检测定义为:在实际的应用过程当中，对于随机给定的一张亦或者是一组图像，人脸检测系统可以迅速准确的对其进行判断，并评价其是否
36、存在于一致的数据库当中，如果存在,则返回其位置和空间分布。基于这一概念，我们可以将人脸检测粗略的分为静态与动态两部分:所谓的静止静态部分指的是，在精致的状态下，对人脸进行判断，并评价其是否存在人脸；动态指的是可以通过某些视频图像，对其中存在的人脸进行初步的判断，并进行一定程度的跟踪。除此之外，还可以根据人脸检测所处理图像的不同进行分类：分别为基于彩色图像的人脸检测以及基于灰度图像的人脸检测。对于基于灰度图像的人脸检测,目前存在的方法主要可分为三类:基于表象(aPPelce一based)的方法,基于特征(feature一based)的方法和基于模板(temPlate一based)的方法。对于基于
37、彩色图像的人脸检测方法,由于其能够提供更丰富的信息,因此,可以采用有别于灰度图像的处理方法,利用彩色图像的自身特性进行人脸检测,例如肤色模型等。通过对于相关文献的研读，我们发现就目前而言，人脸检测主要可以分为两大类其分别是基于统计的方法以及基于知识的人脸检测方法。基于知识规则人脸检测手段主要是根据现有的有关人脸局部或者是全部结构的特征的概述进行整体上的归纳与总结，进而提出相应的有关于人脸结构特征的算法，并以此为基础进行评判，例如，人脸结构学指出，人的脸部构造存在着对称性分布的特点，但是，不同的人其脸部的之间的距离来对人脸进行识别。但是，这种方法的局限性在于，其智能应用与采集原始照片清晰的图像当
38、中，并且由于采集的光线会产生一定人脸的结构特性转换为规则。因此，这会在一定程度上导致测量结果的误差脸图像看作一个高维矢量。最初的模板匹配方法的主要原理是将搜集到的人脸图像与被采集人的人脸图像进行比对，找到其相似度，通过相似度高低对人脸进行识别。基于统计的方法哦超过年当中由于将统计学的知识应用于人脸识别系统当中，因此，其对于正面人脸识别的准确度相对较高，能够很好地对目标进行准确的评判，但是，在实验的过程当中，由于被实验者姿势、所处环境光线等的不均匀变化或导致实验结果出现较大的偏差，而这种偏差在一定程度上会使得准确率会相应的降低,从而出现漏检或者误检。下面将对几种常用的方法作简要地介绍。2.2.1
39、 基于知识的人脸检测方法该种方法是建立在一定的统计学的基础之上，即通过对大量的人脸结构的详细比对从中找出特征最为明显，并且最易区分的部位进行目不表评判。在实际的试验以及数据采集过程当中，相关送研究者发现，不同的人其面部器官的分布并不是完全一样的，并且这种分布呈现出一定的统计学规律，例如，人的眼睛总是大体的均匀分布在鼻梁的两侧；人的嘴也是基本上以鼻梁为中心呈现出两侧的对称分布等等。在这种情况下，我们可以通过对人脸上不同器官之间分布的差异性以及不同人脸不器官分布的特殊性对人脸进行一IDing策划高难度的识别。在实验当中，当被检测对象的脸部特征与数据库当中录入的脸部特征存在较高的匹配程度的时候，我们
40、可以认为被检测者与实验数据库当中录入的人员为同一人，否则则判定非同一人。马赛克图像(moasciimgae)是一种简单的图像多分辨率表示方法。Yang和Hunag26采用分层次的基于知识的方法进行人脸检测,他们建立了一个基于知识的三层检测系统。第一层针对4X4的马赛克图像块(quartet),根据相应的知识规则寻找人脸候选区域;第二层针对8x8的马赛克图像块(Octet),也是根据知识规则从各候选区域中确定人脸区域;第三层在人脸区域内,采用改进的边缘检测算法进一步确定眼、嘴等器官的位置。Kotorpuolos和Pitas等卿 将方形块扩展为矩形块,提出了一种改进算法。2.2.2 基于特征不变的
41、人脸检测方法人脸特征定位的基本思路就是通过一定的技术手段，将每个人的脸部特征进行精确的定位，然后录入到计算机系统当中，在比对的时候，只需要将上述录入的特征与待检测的人脸图像与之比对，而在这些特征当中，脸部的各个器官的大小比例以及各个器官之间的间距往往成为一些评判的重要标准。人脸特征点定位可以为人脸识别、人脸跟踪、姿态表情分析等研究工作提供相应基础数据,因此特征点定位的准确与否直接关系到后续算法的可靠性。例如在人脸识别算法中,人脸图像尺寸的归一化通常是特征提取的准备工作,而归一化算法的实现就是依赖于人脸特征点定位的结果。另外一些算法如表情分析等则直接需要各个器官的相对位置及形状或对人脸的局部区域
42、的特征直接加以分析,而这也与人脸特征点定位是否准确息息相关。研究就表明,眼睛位置定位不精确会极大的降低后续的分类识别算法性能,而且特征点定位远不是一个已经解决的问题,尤其需要注意在非理想成像条件下的特征点定位问题。为了开发出实用的人脸识别系统,必须对面部关键特征点的定位问题进行进一步的研究。在众多的人脸特征点定位当中,眼睛的精确定位在人脸识别研究中扮演着极其重要的角色,因而眼睛的精确定位技术一直是研究的重点。下面先简要介绍目前应用较广的眼睛定位算法,然后详细地介绍本文提出的一种适应性强的眼睛精确定位算法。2.2.3 基于模板匹配的人脸检测方法所谓基于模板(tempalet一based)的方法,
43、是指从构造人脸或某个面部器官的模板(模型)出发,通过各种模板搜索与匹配算法,结合对于模板参数的调整,达到检测和定位的目的。早期的尝试skaai,Nagao和Fujibayashi检测照片中的前视人脸。他们使用了眼睛、鼻子、嘴巴和脸部轮廓的多个子模板进行人脸建模。首先将待检子图像与轮廓模板匹配以确定人脸的候选位置,然后在候选的人脸位置将其与各子模板进行匹配,完成人脸检测。Yullie等人提出了基于变形模板的方法,用于人脸特征的抽取。变形模板是由一个根据被测物体形状而设定的参数化的可调模板和与之相应的能量函数所构成,能量函数要根据图像的灰度信息、被测物体轮廓等先验知识来设计。当用变形模板进行人脸检
44、测时,首先,将模板在待测图像中移动,并动态地调整其参数,计算能量函数。当能量函数到达最小值时,根据其位置和参数所决定的可调模板形状应该达到与人脸形状的最佳拟合,这样就检测到了一幅人脸。活跃轮廓模型法是一条在外部约束力作用下的能量最小化样条曲线,亦称蛇形法(snkaesmethod)。它通过迭代的方法可以不断修正,逐步趋近图像中的线条或边缘。Hunag和Cben采用活跃轮廓模型法(activeocnoturmodelmethod)完成了头部轮廓、眉毛及鼻孔的检测39,401。人脸检测是一个艰巨而有趣的问题,目前所提出来的方法很多,一些比较有效的人脸检测系统并不只是采用上述分类中的某一种方法,而是
45、将多种方法有机地结合起来,最大限度地利用从图像本身得到的信息以及从大量样本(包括正例和反例)得到的信息,并充分结合先验知识,共同实现人脸检测。2.2.4 基于表观的人脸检测方法色度学理论认为,任何颜色可以有红(R)、绿(G)、蓝(B)三种基本颜色按不同比例混合得到。根据计算机色彩理论,对每一种颜色而言,在计算机中有不同的表达方式,这样就形成了各种不同的色彩系统,即色彩空间,其作用是在某些标准下用通常可以接受的方式简化色彩规范。本质上色彩模型是坐标系统和子空间的规范,位于系统中的每种颜色都有单独的点来表示。目前所用的大多数色彩模型都是面向硬件的或者面向应用的,如在数字图像处理中,最通用的面向硬件
46、的模型是RGB模型,而CMY(青、深红、蓝)、CMYK(青、深红、黄、黑)模型则是针对彩色打印机的,HIS(色度、饱和度、亮度)模型则更符合人描述和解释颜色的方式,其它常用的的色彩空间还有YCbCr、YIQ、刊v等44。通过研究发现,各种不同肤色的人脸差别主要在于亮度而不是色度的区区别上。如黑人和白人的肤色,其色度聚类是相同的。由于在彩色图像中,人脸肤色对姿态变化不敏感,并且彩色信息特征易于提取,在周围环境较为单调或者与肤色相差较为明显的情况下,利用肤色特征可以很快的摒弃大量的背景,从而将更多的计算集中在可能存在人脸的区域上。近年来,关于肤色模型的研究己经取得很大的进展,并且有很多比较成熟的皮
47、肤检测器得到了较好的应用。如D.Chai和KN.Ngan在文献44中提出的肤色检测器,是判别在YCrCb彩色空I旬中,像素取值范围为C二133,173,Cb=【77,127的点为皮肤。通过该检测器的得到的皮肤检测效果如图2.3所示:图2.4是文献45用肤色模型检测色人脸图像。该文的方法是先将图像在YPbP:颜色空间进行表示,然后应用二维高斯混合模型(BidimensionalGaussianmixturemodel)来判决每个像素是否为皮肤,并采用区域增长的方式来得到人脸区域,如下: 文献46则直接针对人脸肤色特点,采用鉴别分析模型将RGB空间分解为适合肤色理解的颜色空间,测试表明该方法得到的
48、颜色空间更有利于肤色的检测。2.3 人脸识别方法概述（基于PCA（特征脸）的人脸识别算法）PCA方法最早被TurkM和PentlandA36用于人脸识别的研究,取得了不错的效果。由于其在降维和特征提取方面的有效性,在人脸识别领域得到了广泛的应用。P以方法的基本原理是:利用K一L变换抽取人脸的主要成分,构成特征脸空间,识别时将测试图像投影到此空间,得到一组投影系数,通过与各个人脸图像比较进行识别。2.3.1 基于几何特征的人脸识别算法基于几何特征的方法3主要思路是:采用脸型特征、人脸五官的局部形状特征、五官间的几何关系等几何特征所构成的向量来表示人脸,然后用这些向量作为人脸分类依据。该类方法具有
49、简单、实现有效、识别速度快等优点。缺点是太依赖于几何特征的准确提取,受到各种外界因素的影响时,难以稳定精确地在人脸图像中提取有利于分类的几何特征,因而识别性能较低,该类方法的应用受到了很大的限制。2.3.2 基于PCA（特征脸）的人脸识别算法以K一L变换为基础的P以人脸识别方法是统计最优的,它使得压缩前后的均方误差最小,且变换后的低维空间有很好的分辨能力。但PCA方法也存在着缺陷。首先,作为一种图像的统计方法,图像中的所有象素被赋予了同等的地位,可是角度、光照、尺寸及表情等干扰会导致识别率急剧下降,因此较好的识别算法都对人脸进行了矫正预处理,且只考虑裸脸。其次,人脸在人脸空间的分布近似高斯分布,且普通人脸位于均值附近,而特殊人脸则位于分布边缘,因此,越普通的人脸越难识别。虽然特征脸方法抓住了人群的统计特性,但好的表达能力不等于好的区分能力。总之,有效的特征脸识别方法需要做大量预处理,以减少干