人臉識別原理

人臉識別技術自上世紀60年代迄今，已取得了長足的發展，涌現出了大量的識別算法。這些算法的涉及到了眾多學科，難以用一個統一的標準對這些算法進行分類。下面介紹兩類人臉識別算法。

1、臉部特征識別算法

       特征臉方法利用主分量分析進行降維和提取特征。主分量分析是一種應用十分廣泛的數據降維技術，該方法選擇與原數據協方差矩陣前幾個最大特征值對應的特征向量構成一組基，以達到最佳表征原數據的目的。因為由主分量分析提取的特征向量返回成圖像時，看上去仍像人臉，所以這些特征向量被稱為“特征臉”。

       在人臉識別中，由一組特征臉基圖象張成一個特征臉子空間，任何一幅人臉圖象（減去平均人臉后）都可投影到該子空間，得到一個權值向量。計算此向量和訓練集中每個人的權值向量之間的歐式距離，取最小距離所對應的人臉圖像的身份作為測試人臉圖像的身份。

       下圖給出了主分量分析的應用例子。圖中最左邊的為平均臉，其他地為對應 7 個最大特征值的特征向量。

        主分量分析是一種無監督學習方法，主分量是指向數據能量分布最大的軸線方向，因此可以從最小均方誤差意義下對數據進行最優的表達。但是就分類任務而言，由主分量分析得到的特征卻不能保證可以將各個類別最好地區分開來。

        線性鑒別分析是一種著名的模式識別方法，通過將樣本線性變換到一個新的空間，使樣本的類內散布程度達到最小，同時類間散布程度達到最大，即著名的 Fisher 準則。

2、彈性圖匹配

        Lades 等人針對畸變不變性的物體識別問題提出了一種基于動態連接結構的彈性圖匹配方法，并將其應用于人臉識別。所有人臉圖像都有相似的拓撲結構。人臉都可表示成圖，圖中的節點是一些基準點（如眼睛，鼻尖等），圖中的邊是這些基準點之間的連線。

       每個節點包含 40 個 Gabor 小波（一種數字信號變換方法）系數，包括相位和幅度，這些系數合起來稱為一個 Jet ，這些小波系數是原始圖像和一組具有 5 個頻率、 8 個方向的 Gabor 小波卷積（一種數字信號處理算子）得到的。這樣每幅圖就像被貼了標簽一樣，其中的點被 Jets 標定，邊被點之間的距離標定。所以一張人臉的幾何形狀就被編碼為圖中的邊，而灰度值的分布被編碼為圖中的節點。如下圖所示：

彈性圖匹配方法中人臉的彈性束圖表示

        為了識別一張新的人臉，需要從該人臉中找到基準點，提取出一個人臉圖，這可用彈性圖匹配得到。彈性圖匹配的目的是在新的人臉中找到基準點，并且提取出一幅圖，這幅圖和現有的人臉束圖之間的相似度最大。經過彈性圖匹配后，新的人臉的圖就被提取出來了，此圖就表征了新的人臉，用它作為特征進行識別。進行識別時，計算測試人臉和現有人臉束圖中的所有人臉之間的相似度，相似度最大的人臉的身份即為測試人臉的身份。

 由于該方法利用 Gabor 小波變換來描述面部特征點的局部信息，因此受光照影響較小。此外，在彈性匹配的過程中，網格的形狀隨著特征點的搜索而不斷變化，因此對姿態的變化也具有一定的自適應性。該方法的主要缺點是搜索過程中代價函數優化的計算量巨大，因而造成識別速度較慢，導致該方法的實用性不強。

[聯系我們] 常錦鵬 13423996558