基于人脸识别技术的应用1.1 人脸识别技术的介绍面部识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。

人脸因具有不可复制、采集方便、不需要被拍者的配合而深受欢迎。

现如今，人脸识别这个词已经慢慢走进了我们的生活，开始逐渐广泛的应用到日常生活之中。

手机、笔记本电脑中的人脸识别软件就是一个很好的例子，它帮助我们解锁手机、电脑，无需再输入密码，不用担心密码泄露从而导致的信息隐私泄露，它很好的帮助我们保护手机、电脑的安全。

除此之外，人脸识别门禁系统开始应用于一些高档住宅和办公楼中，为人们省去了带钥匙刷卡的麻烦，也不用担心密码忘记的苦恼。

人脸识别考勤机也正在被一些企业应用于日常管理。

而一些美颜相机、美图软件的推出更迎合了消费者的市场。

它可以自动识别人脸，并对人脸进行美化。

甚至一些小游戏被开发出来，可将自己的脸与明星的脸比对相似之处，评价出你最有有谁的明星相。

虽然这仅仅是一个游戏软件，只是供人们娱乐，真实度不高，但也可以看出现今人脸识别技术的广泛使用。

人脸识别技术在过去几年中得到了广泛的关注，正是因为它的应用程序涵盖了许多不同的领域。

对于许多的应用程序来说，脸部识别系统的性能在可控的环境下已经达到了一个令人满意的水平。

但是现有的大部分面部识别技术在不受控制的环境下识别性能明显下降。

人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。

从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段[1]：1.基于简单背景的人脸识别这是人脸识别研究的初级阶段。

通常利用人脸器官的局部特征来描述人脸。

但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。

2.基于多姿态表情的人脸识别这是人脸识别研究的发展阶段。

探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。

3.动态跟踪人脸识别这是人脸识别研究的实用化阶段。

通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。

4.三维人脸识别为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。

1. 2 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纪 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[2]：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“稳定视点”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。

1.3 当前人脸识别技术所存在的主要问题[4]尽管人脸识别技术有着广阔的应用前景[3]，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，以及光强等）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）2.1 数字图像的物理基础1. 光度学简介光度学是光学中研究光的辐射，吸收，照射，反射，散射等有关的度量的学科，同时结合人眼的视觉特征来确定光的度量及使用的单位。

2. 色度学简介（1）色调色调由可见光光谱中各分量成分的波长来决定，是彩色光的基本特性。

色调是以光波长为基础的。

（2）饱和度饱和度反映了色彩的浓淡，它取决于彩色光中白光的含量，掺入白光越多，彩色越淡，当白光占主要成分时，彩色淡化为白色，未掺白光的彩色光由纯光谱波长的彩色来呈现彩色，其饱和度最高，饱和度是表示彩色光中纯光谱波长与白光冲淡的指标，也就是彩色光的纯度反映。

（3）色度色调和饱和度统称为色度，它既说明了彩色的波长成分分布，又说明了这种彩色光的深浅浓淡。

（4）亮度亮度指彩色光对人眼引起的光刺激强度，显然它和光的能量有关，彩色光的亮度对人来说是该彩色的明亮程度。

3. 三基色自然界常见的绝大多数彩色都可用适当的三种基本彩色混合组成的等效色来模拟。

这个等效色与实际彩色对人眼引起的彩色视觉相似。

常用的三基色为红（R）,绿（G），蓝（B）三种基本颜色。

一般常见的彩色位图也是以这三种颜色为基础。

3.人脸特征提取常用方法近年来对人脸特征提取的研究主要集中在三个方面：1.几何特征点的提取；2.变换域中的特征提取；3.利用变形模板进行特征提取。

3.1模板匹配方法模板匹配方法是模式识别的传统方法，其思想是：库中存储着已知人脸的若干模板。

识别的时候，将经过预处理的输入图像与库中的所有模板采用归一化相关度量进行匹配识别[5]，来达到分类的目的，完成人脸的识别。

由于这种方法要求两幅图像上的目标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。

上述为静态模板匹配，但是它存在着对不同表情的人脸鲁棒性差的缺点，针对这一情况，人们提出了弹性模板匹配。

3.2几何特征方法基于几何特征的人脸识别方法将人脸用一个几何特征矢量表示，用模式识别中的层次聚类思想设计分类器来对人脸进行识别。

流程大体如下：首先检测出面部特征点，通过测量这些关键点之间的相对距离，得到描述每个脸的特征矢量，比如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，以及这些特征之间的关系。

比较未知脸和库中已知脸中的这些特征矢量，来决定最佳匹配。

3.3特征脸方法该方法是从主成分分析[6] (PCA)导出的一种人脸识别和描述技术。

其主要思想是，一副由N个象素组成的图像，可以看作N维矢量，或是N维空间中的一点。

假设人脸图像只占据这个高维图像空间的一个很小的子区域，因此可以利用PCA来得到一个人脸图像的优化坐标系统。

即是对这个人脸子区域的坐标进行降维，使得每个人脸图像可以用很少几个参数来表示，这就降低了计算复杂度。

特征脸方法在应用中是比较成功的。

3.4神经网络方法神经网络是利用大量简单处理单元（神经元)互联构成的复杂系统来解决识别问题。

它在正面人脸识别中取得了较好的效果。

常用的神经网络有BP（反向传播）网络、自组织网络、卷积网络、径向基函数网络和模糊神经网络BP网络运算量相对较小，耗时较短。

其自适应功能有助于增强系统的鲁棒性。

3.5其它方法如：隐马尔可夫模型方法、弹性图匹配方法、支持向量机[7](SVM)方法等。

4.结论人脸图像受到很多因素的影响，比如：光照条件、姿态、背景、面部表情以及附属物等。

这些因素的变化，都会导致人脸图像的明显不同，目前还没有有效的识别算法能够完全解决这些因素的影响。

很多识别算法都是对光照条件、姿态等因素进行约束化简。

在上述因素中，主要的影响来自于光照条件和姿态的变化。

为了消除它们对识别效果的影响，通常的做法是扩大样本空间，收集各种光照和姿态下的样本，识别判断时考虑测试图像与各种条件下样本的差异，然后进行综合分类。

一种克服光照影响的做法是通过使用不同的采集源，如热红外(IR)图像，以实现在暗光环境下的人脸识别，或用来消弱不同角度光照对人脸图像的影响。

对于姿态的影响，可以利用弹性图匹配的方法，跟踪面部关键特征点的变化，估计姿态参数；或使用3D变形模型来匹配面部表情的变化。

总体来说，光照和姿态变化仍是人脸识别所面临的重大挑战，特别是当两种因素混在一起时。

目前看来，弹性图匹配方法、特征脸方法和3D人脸建模是解决当下实际问题的较为行之有效的方法，将会得到更加深入的研究。

参考文献[1] 王建国.特征抽取方法研究及其在人脸识别中的应用[D]:[博士学位论文],南京:南京理工大学, 2008.[2] 刘艳艳.子空间特征提取方法及其在人脸识别中的应用[D]:[博士学位论文],大连:大连理工大学, 2008.[3] 周杰，卢春雨，张长水，李衍达。

人脸自动识别方法综述，电子学报，2000.4，28（4）：（102-106）[4] Weihua Wang, WeiFu Wang. A Gray-Scale Face Recognition Approach[J]. 2008 Second 不International Symposium on Intelligent Information Technology Application, 2008, 395~398 [5] Zhiming Liu, Chengjun Liu. A Hybrid Color and Frequency Features Method For FaceRecognition[J]. IEEE Transactions on Image Processing, 2008, v17, n10, 1975~1980[6] Jiann-Shu Lee, Kai-Yang Huang,Sho-Tsung Kao, Seng-Fong Lin. Face Recognition byIntegrating Chin Outline[J]. 2008 Fourth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP), 2008, 567~571[7] Zhifei Wang, Zhenjiang Miao. Feature-based super-resolution for face recognition[J]. 2008IEEE International Conference on Multimedia and Expo (ICME), 2008, 1569~1572[8] Frederick W.Wheeler, Xiaoming Liu, Peter H.Tu. Multi-frame super-resolution for facerecognition[J]. 2007 First IEEE International Conference on Biometrics: Theory, Applications, and Systems - BTAS '07, 2007, 250~255[9] D.A.Socolinsky, L.B.Wolff, A.J.Lundberg. Face recognition in low-light environments usingfusion of thermal infrared and intensified imagery[J]. Proceedings of the SPIE The International Society for Optical Engineering, 2006, v6206, p620622-1-12[10] Kong, S.G.1; Jingu Heo; Boughorbel, F.; Yue Zheng; Abidi, B.R.; Koschan, A.; MingzhongYi; Abidi, M.A.. Multiscale fusion of visible and thermal IR images for illumination-invariant face recognition[J]. International Journal of Computer Vision, 2007, v71, n2, 215~233 [11] G.P.Kusuma, Chin-Seng Chua. Image level fusion method for multimodal 2D + 3D facerecognition[J]. Image Analysis and Recognition. 5th International Conference, ICIAR 2008, 2008, 984~992。