人臉識別技術(shù)研究背景與方法-wenkub
2023-06-21 00:52:21 本頁面
【正文】 幅圖像中出現(xiàn)的人臉,通常具有互相對稱的兩只眼睛、一個(gè)鼻子和一張嘴。計(jì)算輸入圖像和存儲(chǔ)的模式間的相互關(guān)系并用于檢測。(2) 特征不變方法(Feature Invariant Approaches) 。所以，提出一種能有效地檢測到任何情況下的任何人臉的通用方法還不現(xiàn)實(shí)。當(dāng)未加工或過濾的圖像輸入到圖案分類器，它的特征空間維度是非常大的（即規(guī)范化教學(xué)圖像的像素）。面像表情識別關(guān)注的是人類的情感狀態(tài)識別（開心、傷心、厭煩）?，F(xiàn)在有許多和人臉檢測密切相關(guān)的問題，面像定位的目的是在假定輸入圖像只包含一張臉的前提下確定這個(gè)單一的臉的位置。人臉識別或辨認(rèn)是將輸入圖像與數(shù)據(jù)庫中的圖像比對,如果存在,報(bào)告匹配結(jié)果。 人臉檢測技術(shù)是少數(shù)試圖識別（而不是抽象的陳述）那些有大量內(nèi)在變異之類圖像的技術(shù)之一。然而,從一幅圖像中檢測人臉是一項(xiàng)極具挑戰(zhàn)性的任務(wù),因?yàn)槠涑叨取⑽恢?、方向和位姿都是變化?面部表情、遮擋和光照條件也是變化的。指紋、人臉、人臉溫譜、虹膜、視網(wǎng)膜和手型為生理特征，聲紋和簽名為行為特征。生物特征識別技術(shù)是利用人體特有的生理或行為特征來進(jìn)行身份識別。目前，所有基于生物特征的自動(dòng)識別系統(tǒng)都有大體相同的工作原理和工作過程。因此基于生物特征識別技術(shù)的個(gè)人身份識別系統(tǒng)具有更好的安全性、可靠性和有效性，正越來越受到人們的重視，并開始進(jìn)入人們社會(huì)生活的各個(gè)領(lǐng)域，迎接新時(shí)代的挑戰(zhàn)。人們希望有一種更加方便可靠的辦法來進(jìn)行身份鑒別，生物特征識別技術(shù)給這一愿望帶來了實(shí)現(xiàn)的可能。由于技術(shù)的發(fā)展，犯罪分子偽造假證件的手段越來越高明，如假身份證、假工作證、假文憑等在現(xiàn)實(shí)社會(huì)中也不時(shí)發(fā)生。人臉識別技術(shù)研究背景與方法1人臉識別技術(shù)研究背景 1 3 32 人臉檢測方法 4 4 7 7 8 其他方法 9 111人臉識別技術(shù)研究背景在計(jì)算機(jī)及網(wǎng)絡(luò)技術(shù)高速發(fā)展的現(xiàn)代社會(huì)中，信息安全顯示出前所未有的重要性。在信息界，黑客攻擊別人的計(jì)算機(jī)系統(tǒng)，破譯計(jì)算機(jī)口令亦常有之。早在古埃及時(shí)人們就開始通過人體生物特征的測量(如人臉、人手等)來鑒別人的身份。美國政府在“”事件以后連續(xù)簽署了三個(gè)國家安全法案，要求采用生物識別技術(shù)。首先是采集樣本，這些樣本可以是人臉圖像、聲音、指紋等。人的生理特征是與生俱來的，而行為特征通常則是后天習(xí)慣養(yǎng)成的。生物特征的詳細(xì)分類如圖1所示。人臉檢測(Face Detection) 是指在輸入圖像中確定所有人臉(如果存在) 的位置、大小和位姿的過程。人臉識別或辨認(rèn)、人臉定位以及人臉追蹤等都與人臉檢測密切相關(guān)。人臉識別的目的是檢驗(yàn)輸入圖像中的個(gè)體的身份,而人臉追蹤方法是實(shí)時(shí)地、連續(xù)地估計(jì)在圖像序列中的人臉的位置和可能的方向。面部特征檢測的目的是在假設(shè)圖像中只包含一個(gè)人臉的前提下發(fā)現(xiàn)眼睛、鼻子、鼻孔、眉毛、嘴、嘴唇、耳朵的存在和特征位置。顯然，在任何自動(dòng)化系統(tǒng)中，人臉檢測都是解決以上問題的第一個(gè)步驟。有人臉和無人臉圖像都絕對具有多通道分布函數(shù)和有效地判定范圍，這個(gè)判定范圍在圖像空間通常是非線性的。2 人臉檢測方法從一幅圖像中檢測人臉的方法可以分為以下四種: (1) 基于知識的方法(Knowledge based Methods) 。該算法的目的是在姿態(tài)、視角或光照條件改變的情況下找到存在的結(jié)構(gòu)特征,然后使用這些特征確定人臉。(4) 基于外觀的方法(Appearance based Methods) 。特征之間的相互關(guān)系可以通過它們的相對距離和位置來描述。如果規(guī)則太概括(通用) ,可能會(huì)有較高的錯(cuò)誤接收率。較高級的規(guī)則通常描述人臉看起來像什么,而較低級的規(guī)則依賴于面部特征的細(xì)節(jié)。人臉的中心部分和上層周圍的灰度不同。這種方法的特點(diǎn)是用從粗—細(xì)的策略來減少所需要的計(jì)算,雖然它沒有很高的檢測率,但采用多分辨率分層的思想和指導(dǎo)搜索的規(guī)則已經(jīng)用到后面的人臉檢測工作中。類似地,獲得垂直的輪廓,局部最小點(diǎn)的確定用于定位嘴唇、鼻尖和眼睛。姜軍等人提出了一種基于知識4的快速人臉檢測方法。實(shí)驗(yàn)結(jié)果表明,其方法具有較強(qiáng)的魯棒性,能夠很好地解決復(fù)雜背景下的多人臉檢測問題。人們已經(jīng)提出了許多先檢測人臉面部特征,后推斷人臉是否存在的方法。它使用邊緣圖和啟發(fā)式算法來去除和組織邊緣,而只保存一個(gè)邊緣輪廓,然后用一個(gè)橢圓擬合頭部區(qū)域和背景間的邊界。其目標(biāo)是找到確定的面部特征的排列。第二階段,檢查感興趣點(diǎn)周圍的邊緣并將它們組成區(qū)域。Sakai 等人使用眼睛、鼻子、嘴和人臉輪廓等子模板建模,檢測照片中的正面人臉。Craw等人提出了一種基于正面人臉的形狀模板(也就是人臉的外形) 定位方法。人臉模型根據(jù)邊緣定義的特征構(gòu)成,這些特征描述了正面人臉的左邊、發(fā)際和右邊的曲線?！?0176。最后,應(yīng)用啟發(fā)式確定人臉的存在。周激流等人提出了一種全新的人臉臉部輪廓提取算法,即運(yùn)用先驗(yàn)?zāi)０寮敖惶嫜a(bǔ)償機(jī)制的方法提取臉部輪廓。學(xué)習(xí)的特征由分布模型或判別函數(shù)形成,用于人臉檢測,同時(shí),由于計(jì)算效率和檢測有效性的原因通常需要降維。不幸的是,x 的高維度使簡單實(shí)現(xiàn)Bayesian 分類器是不可行的,因?yàn)閜
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1