人脸识别算法简介

2023-06-28 理论教育版权反馈

【摘要】：人脸识别算法至今已有60多年的历史，几乎与计算机视觉这门学科同时出现。基于几何特征的人脸识别最早的人脸识别方法是Bledsoe提出的基于几何特征的人脸识别方法。基于特征脸的人脸识别基于特征脸的方法是从PCA导出的人脸识别技术。

人脸识别算法至今已有60多年的历史，几乎与计算机视觉这门学科同时出现。1965年Chan和Bledsoe在Panoramic Research Inc.上发表了人脸自动识别（automation face recognition，AFR）技术报告，这是关于人脸识别最早的学术论文。

人脸识别技术可被分为以下几个阶段。

1964—1990年：这段时间是人脸识别研究的早期阶段，这一阶段主要基于人脸面部几何结构进行研究，对面部剪影曲线的特征进行了大量的分析工作。这一阶段并没有取得太大的成果，也没有将人脸识别投入到实际应用中。

1991—1997年：美国麻省理工学院的Turk和Pentland提出了这一时期十分著名的算法——“特征脸”（eigenface）。

1998—现在：有了机器学习领域的有力支持，人们开始能对不理想条件下的图像进行人脸识别，这使得人脸识别技术向商业化迈进。

（1）基于几何特征的人脸识别

最早的人脸识别方法是Bledsoe提出的基于几何特征的人脸识别方法。该方法的大体思路是先找到人面部特征点如耳朵、眼睛和嘴巴的位置坐标然后测量这些关键点的相对距离，将这些相对距离组成矢量，找出最相近的人脸。

这种方法易于理解且只需要存储一个相关特征的矢量即可表示一张人脸，体量小易应用，对光照的变化不敏感。但是这种方法识别率低运用不稳定，现在已经很少有人继续研究这种方法了。

（2）基于特征脸的人脸识别

基于特征脸的方法是从PCA导出的人脸识别技术。PCA方法最早由Sirovitch和Kirby引入人脸识别领域。20世纪90年代初，由Turk和Pentland提出的特征脸方法是该类别的代表性方法。PCA方法是利用KL正交变换将数据表示降维的一种方法。研究者将其用于人脸的统计特征提取，从低维度的子空间模式识别的方法。

PCA方法具有简、快速、实用的优点，但是也有局限性特征脸方法受拍照的角度，环境光照强度，以及人的面部表情等外部情况干扰较大从而导致实际应用困难。

（3）基于人工神经网络的人脸识别

基于神经网络的方法是目前比较热门的人脸识别研究方法，使用的是人工神经网络学习算法，人工神经网络是一种模仿生物神经网络行为特征的并行，分布处理的运算模型，它由处理单元与单元之间的链接组成。

神经网络方法的优点：

①特征提取过程比较简单，通过过程学习就可以得到关于识别人脸的规律和规则的隐性表达；

②适应性较强向比较传统的识别方法准确度更高。

神经网络方法的缺点是当提高模型层数时训练实际与急剧增长，在准确与性能方面会面临选择。

（4）基于支持向量机的人脸识别

基于支持向量机（support vector machine，SVM）的机器学习方法由Vapnik等提出。该方法是基于结构风险最小化原理的统计学理论，该理论主要用在分类与回归问题上，最核心的思想就是在训练时，学习机器与有限数量的训练样本要适应。Osuna等是最早将SVM应用到人脸检测的，该方法直接利用非线性SVM分类器完成真实人脸与虚假人脸分类。SVM使用的是与传统人脸识别方法完全不同的思想，SVM不像传统方法那样将原输入人脸图像进行空间降维，而是想办法将输入的人脸图像进行空间升维，将高维线性空间中的问题变得线性可分。

SVM的优点是建立了训练样本有限情况下机器学习较实用的方法，SVM既有严密的理论思维，又能正常解决样本数量小、非线性样本、高维数和局部极小点等一些实际训练中存在的问题。该方法的缺点是支持向量机在训练样本时消耗的存储空间较大。

人脸识别算法简介

相关推荐