2021年人脸识别技术的应用背景及研究现状

发布时间:   来源:文档文库   
字号:
人脸识别技术的应用背景及研究现状人脸识别技术的应用背景及研究现状1人脸识别技术的应用随着.的不断进步以及各方面对于快速有效的自动身份验证的迫切要求生物特征识别技术在近几十年中得到了飞速的发展作为人的一种内在属性并且具有很强的自身稳定性及个体差异性生物特征成为了自动身份验证的最理想依据当前的生物特征识别技术主要包括有指纹识别视网膜识别虹膜识别步态识别静脉识别人脸识别等与其他识别方法相比人脸识别由于具有直接友好方便的特点使用者无任何心理障碍易于为用户所接受从而得到了广泛的研究与应用除此之外我们还能够对人脸识别的结果作进一步的分析得到有关人的性别表情年龄等诸多额外的丰富信息扩展了人脸识别的应用前景当前的人脸识别技术主要被应用到了以下几个方面1刑侦破案公安部门在档案系统里存储有嫌疑犯的照片当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后可以从数据库中迅速查找确认大大提高了刑侦破案的准确性和效率
2证件验证在许多场合如海口机场机密部门等证件验证是检验某人身份的一种常用手段而身份证驾驶证等很多其他证件上都有照片使用人脸识别技术就可以由机器完成验证识别工作从而实现自动化智能管理
3视频监控在许多银行公司公共场所等处都设有24小时的视频监控当有异常情况或有陌生人闯入时需要实时跟踪监控识别和报警等这需要对采集到的图像进行具体分析且要用到人脸的检测跟踪和识别技术
4入口控制入口控制的范围很广既包括了在楼宇住宅等入口处的安全检查也包括了在进入计算机系统或情报系统前的身份验证
5表情分析根据人脸图像中的面部变化特征识别和分析人的情感状态如高兴气等此外人脸识别技术还在医学档案管理人脸动画人脸建模视频会议等方面也有着巨大的应用前景
2人脸识别技术在国外的研究现状当前很多国家展开了有关人脸识别的研究主要有美国欧洲国家日本等著名的研究机构有美国MITMedialab,AIlab,CMUHuman-ComputerInterfaceInstituteMicrosoftResearch,英国的
DepartmentofEngineeringinUniversityofCambridge综合有关文献目前的方法主要集中在以下几个方面1模板匹配主要有两种方法固定模板和变形模板固定模板的方法是首先设计一个或几个参考模板然后计算测试样本与参考模板之间的某种度以是否大于阈值来判断测试样本是否人脸这种方法比较简单在早期的系统中采用得比但是由于人脸特征的变化很大很难得到有效的模板来表示人脸的共性变形模板在原理上与固定模板相同但其中包含一些非固定的元素一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征如眼睛鼻子和嘴唇等另一种方法是系统自动生成自

适应的曲线或曲面以构成变形人脸模板检测方法是将模板与测试图像进行弹性匹配并加入惩罚机制利用某种能量函数表示匹配程度
2示例学习示例学习的基本思想是从某一概念的已给正例和反例的集合中归纳产生出接受所有正例同时排斥所有反例的该概念的一般规则将人脸样本和非人脸样本送入学习机产生出判别规则从而用于作为判断输入的测试图像是否属于人脸的主要判别依据为了获得较高的精度学习过程需要大量的样本另外样本数据本身是高维矢量因此研究通用而有效的学习算法的关键是精确的区分性和数据维数的降低
将多个表示人脸模式的线性空间进行组合是示例学习的另一条途径采用了Kohonen自组织映射网络对人脸样本和非人脸样本进行聚类对每一类样本进行Fisher线性判别得到每一类的判别平面从而构成图像子空间并运用高斯模型描述每个子空间估计出类条件概率密度这样对于测试图像计算其属于各个子空间的概率分类决策为概率最大的类是它所属的类从而判断测试图像是否为人脸
3神经网络从本质上讲神经网络也是一种基于样本的学习方法将神经网络用于人脸检测取得了很大的进展MIT的学者首先对人脸样本集和非人脸样本集聚类以测试样本与人脸样本集和非人脸样本集的子类之间的距离作为分类的度量利用多层感知器MLP络作为分类器CMU的研究人员直接以图像作为神经网络的输入设计了一个具有独特结构的适用于人脸特征的神经网络分类器并通过前馈神经网络对检测结果优化RaphaelFeraud等利用多个神经网络多层感知器MLP和约束产生式模型CGMConstrainedGenerativeModel),实现了一个可应用于WEB中人脸图像检索的快速而准确的人脸检测方法Shang-HungLin等训练了三个基于概率决策的神经网络PDBNN
ProbabilisticDecisionBasedNeuralNetwork,用于人脸检测眼睛定位和人脸识别实现了一个完整的人脸识别系统
4基于隐马尔可夫模型的方法马尔可夫模型是一个离散时序有限状态自动机隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见外界只能看到各个时刻的输出值对于人脸模式来说我们可以把它分成前额眼睛鼻子嘴巴和下巴这样一个序人脸模式就可以通过对这些区域的有序的识别来检测这正好是隐马尔可夫模型容易做到Samaria等人提出了使用HMM模型进行人脸检测的算法他们使用人脸区域的结构信息作为隐马尔可夫模型的状态迁移条件除此以外基于AdaBoost的人脸识别算法基于彩色信息的方法基于形状分析的方法以及多模态信息融合的方法国外都进行了大量的研究与实验3人脸识别技术在国内的研究现状国内关于人脸自动识别的研究始于二十世80年代主要的研究单位有清华大学哈尔滨工业大学中科院计算所中科院自动化所复旦大学北京科技大学等并都取得了一定的成果国内的研究工作主要是集中在三大类方法的研究基于几何特征的人脸正面自动识别方法基于代数特征的人脸正面自动识别方法和基

于连接机制的人脸正面自动识别方法周激流实现了具有反馈机制的人脸正面识别系统运用积分投影法提取面部特征的关键点并用于识别获得了比较满意的效果他同时也尝试了定视点特征提取方法即为使识别系统中包含3D信息他对人脸侧面剪影识别做了一定的研究并实现了正侧面互相参照的识别系统彭辉张长水等对特征脸的方法做了进一步的发展提出采用类间散布矩阵作为产生矩阵进一步降低了产生矩阵的维数在保持识别率的情况下大大降低了运算量程永清庄永明等对同类图像的平均灰度图进行SVD分解得到特征脸空间每一幅图像在特征脸空间上的投影作为其代数特征然后利用层次判别进行分类张辉周洪祥何振亚采用对称主元分析神经网络用去冗余和权值正交相结合的方法对人脸进行特征提取和识别该方法所用特征数据量小特征提取运算量也较小比较好地实现了大量人脸样本的存储和人脸的快速识别北京科技大学的王志良教授主要研究人工心理建立了以数学公式为基础的心理学模型
4当前人脸识别技术所存在的主要问题尽管人脸识别技术有着广阔的应用前景但是无论是在识别率还是在防伪性上都与指纹视网膜等有着较大的差距归根结底影响人脸识别效果的原因主要有以下的几个方面
1人脸图像的获取过程中的不确定性如光的方向以及光的强度等
2人脸模式的多样性如胡须眼镜发型等
3人脸塑性变形的不确定性如表情等
4所涉及的领域知识的综合性如心理学医学模式识别图像处理数学等因为在人脸识别的过程中存在上述的各种各样的问题因此在实际的检测和识别过程中当这些因素叠加到一起的时候情况就变得更加复杂基于几何特征的识别方法其存在的主要问题在于没有形成一个统一的优秀的特征提取标准在描述人脸的时候受到表情光照姿态的影响比较大无法准确地描述人脸特征尽管如此基于几何特征的方法在处理人脸表情分析时仍然是一个最有效的依据同时目前已经提出了很多改进的特征提取的算法使得人脸几何特征的提取越来越趋于合理这里面最具代表性的方法就是结合3D人脸信息的特征点提取技术基于代数特征的识别方法是目前在实际应用中使用得最多的一类方法主要原因是由于代数特征矢量即人脸图像在特征空间的投影结果对角度表情等因素都具有一定的稳定性但对于光照而言似乎效果并不太明显这种代数的特征识别方法无法应用于人脸的表情识别
从某种意义上来说人脸识别的各种方法实际上就是在寻找一种人脸的描述方式但是要找到一种能够不受各种因素影响的描述方式非常地困难无论是最早使用的几何描述方式以

本文来源:https://www.2haoxitong.net/k/doc/99c259046d1aff00bed5b9f3f90f76c660374cfe.html

《2021年人脸识别技术的应用背景及研究现状.doc》
将本文的Word文档下载到电脑,方便收藏和打印
推荐度:
点击下载文档

文档为doc格式