人脸识别技术

《人脸识别技术》由会员分享，可在线阅读，更多相关《人脸识别技术（121页珍藏版）》请在装配图网上搜索。

1、23人脸 脸部热量图 指纹 手形 手部血管分布 虹膜 视网膜 签名 语音 7810生物特生物特征征普遍性普遍性独特性独特性稳定性稳定性可采集可采集性性性能性能接受程接受程度度防欺骗防欺骗性性人脸人脸HighHighLowLowMediumMediumHighHighLowLowHighHighLowLow指纹指纹MediumMediumHighHighHighHighMediumMediumHighHighMediumMediumHighHigh手形手形MediumMediumMediumMediumMediumMediumHighHighMediumMediumMediumMediumMed

2、iumMedium虹膜虹膜HighHighHighHighHighHighMediumMediumHighHighLowLowHighHigh视网膜视网膜HighHighHighHighMediumMediumLowLowHighHighLowLowHighHigh签名签名LowLowLowLowLowLowHighHighLowLowHighHighLowLow声音声音MediumMediumLowLowLowLowMediumMediumLowLowHighHighLowLowA. Jain, L. Hong and S. Pankanti. “Biometrics: Promising

3、Frontiers for Emerging Identification Market”， Communication ACM, 2000生物特生物特征征普遍性普遍性独特性独特性稳定性稳定性可采集可采集性性性能性能接受程接受程度度防欺骗防欺骗性性人脸人脸HighHighLowLowMediumMediumHighHighLowLowHighHighLowLow指纹指纹MediumMediumHighHighHighHighMediumMediumHighHighMediumMediumHighHigh手形手形MediumMediumMediumMediumMediumMediumHighHi

4、ghMediumMediumMediumMediumMediumMedium虹膜虹膜HighHighHighHighHighHighMediumMediumHighHighLowLowHighHigh视网膜视网膜HighHighHighHighMediumMediumLowLowHighHighLowLowHighHigh签名签名LowLowLowLowLowLowHighHighLowLowHighHighLowLow声音声音MediumMediumLowLowLowLowMediumMediumLowLowHighHighLowLownBill Gates: 以人类生物特征进行身份验证的生

5、物识别技术，在今后数年内将成为IT产业最为重要的技术革命12131415n电子商务电子商务n信用卡信用卡n准考证准考证n身份证身份证人脸识别因识别方式友好、可隐蔽而备受学术界和工业界关注（但人脸识别不是万能的）1743研究现状研究现状国际上对人脸及人脸面部表情识别的研究现在逐渐成为科研热点。国内外很多机构都在进行这方面的研究,尤其美国、日本。进入90 年代,对人脸表情识别的研究变得非常活跃,吸引了大量的研究人员和基金支持,EI 可检索到的相关文献就多达数千篇。美国、日本、英国、德国、荷兰、法国等经济发达国家和发展中国家如印度、新加坡都有专门的研究组进行这方面的研究。其中MIT、CMU、Mary

6、land 大学、Standford 大学、日本城蹊大学、东京大学、ATR 研究所的贡献尤为突出 。国内国内的清华大学、哈尔滨工业大学、中科院、中国科技大学、南京理工大学、北方交通大学等都有人员从事人脸及人脸表情识别的研究 505253545556所谓自动人脸识别系统，是指不需要人为干预，能够自动获取人脸图像并且辨别出其身份的系统 一个自动人脸识别系统至少要包含三个部分，即数据采集子系统、人脸检测子系统和人脸识别子系统 “人脸识别”有时是指整个自动人脸识别系统所做的工作，有时是指人脸识别子系统所做的工作数据采集子系统人脸识别子系统人脸检测子系统自动人脸识别系统识别结果：He is !16*16人

7、脸图像预处理预处理归一化直方图均衡Gamma变换特征选择特征选择PCA(特征脸)小波变换BoostingBoosting训练器训练器训练集特征向量输入（1） - 直方图计算（2） - 选择准确率最高的一维作为弱学习机（3） - 根据公式计算相应的权重，调整样本分布（4）- 转向（3）直到到达规定的循环次数 - 输出加权组合后的分类器Boosting训练器内部结构S O MM L P基于网络级联的面部表情识别子系统P C A最近距离分类器基于P C A和最近距离分类器级联的表情识别子系统F L D最大相关分类器基于F L D与最大相关分类器级联的表情识别子系统几何关系最近邻距离分类器基于几何关系

8、与最近邻距离分类器级联的识别子系统图像预处理S V M 信息融合中心识别结果是人脸识别的基准技术，并已成为事实上的工业标准该方法基于主成分分析（PCA）PCA是将分散在一组变量上的信息集中到某几个综合指标（主成分）上的数学方法，实际上起着数据降维的作用，并保证降维过程最大化保留原数据的差异这对最大化类间差异（即不同人之间的差异）并最小化类内差异（即同一人的不同图像间的差异）很有效用PCA将2维数据降到1维的例子，绿色点表示二维数据，PCA的目标就是找到这样一条直线，使得所有点在这条直线上的投影点之间的平均距离最大。也就是最大化地保留了原数据的差异性u直接计算C 的本征值和本征向量是困难的，可以

9、通过对矩阵 做奇异值分解间接求出um值的选择：12(),(),()DxxxX11miiniiT如果将本征向量恢复成图像，这些图像很像人脸，因此称为“本征脸” M. Turk & A. Pentland, JCN91利用PCA分析眼、鼻、嘴等局部特征，即本征特征方法 R. Brunelli & T. Poggio, TPAMI93 A. Pentland et al., CVPR94这实际上相当于：为若干重要的特征建立本征空间，然后将多个本征空间集成起来本征脸利用全局特征，本征特征利用局部特征，二者各有优势待识别图像本征脸识别结果本征特征识别结果 A. Pentland et al., CVPR

10、94(2)(1)(3)(4)难题能否自动确定：该用哪些特征？（眼睛？鼻子？嘴？）特征的确切位置在哪儿？（从哪儿到哪儿算眼睛？）将二者结合，可以得到更好的识别效果同样，这实际上相当于：为若干重要的特征建立本征空间，然后将多个本征空间集成起来由于嘴部受表情影响很严重，因此未考虑嘴部特征0.70.750.80.850.90.951123456789 10 11 12 13 14 15 16 17 18 19 20RankSEMEeigenfaceeigenfeatureeigenface + eigenfeatureCumulative match score X. Geng & Z.-H. Zho

11、u, unpub04FERET人脸数据库上的结果(3)(2)(1)(4)(2)(1)(3)(4)待识别图像出现在算法返回的前Rank个图像中SEME选择的特征本征脸+本征特征所用的特征0.60.70.80.912345RankSEMEeigenfaceeigenfeatureeigenface + eigenfeatureCumulative match scoreSEME的训练（计算）开销很大，但只需训练一次0.90.920.940.960.98112345RankSEMEeigenfaceeigenfeatureeigenface + eigenfeatureCumulative match score X. Geng & Z.-H. Zhou, unpub04将FERET人脸数据库上选择出的本征空间集成直接用于ORL（左）和BioID（右）这两个人脸数据库的结果738093谢谢!