【正文】 Abidi, .. Multiscale fusion of visible and thermal IR images for illuminationinvariant face recognition[J]. International Journal of Computer Vision, 2007, v71, n2, 215~233[9] , ChinSeng Chua. Image level fusion method for multimodal 2D + 3D face recognition[J]. Image Analysis and Recognition. 5th International Conference, ICIAR 2008, 2008, 984~992[10] AlOsaimi, 。人臉識別是模式識別的一個典型案例，它為模式識別問題研究提供了一個良好的實驗平臺，所以，眾多模式識別的知名專家、學(xué)者都在從事人臉識別的研究！關(guān)于傳感器與預(yù)處理傳感器：客觀世界模式的測量問題人臉：數(shù)字化為2D圖像？3D形狀？紅外溫譜？分辨率、精度、靈敏度、失真度等等真實性？穩(wěn)定性？預(yù)處理：保證數(shù)據(jù)的純潔度模式識別理論基本不關(guān)心這兩項內(nèi)容，而在應(yīng)用上，是必須作為重要內(nèi)容來考慮的，否則可能根本就是不可解的問題！關(guān)于特征表示問題關(guān)于特征提取與分類器：理想的特征提取過程可使得后續(xù)的分類器設(shè)計成為小菜一碟，萬能的分類器似乎也應(yīng)該使得設(shè)計者不必刻意設(shè)計特征提取過程！沒有萬能的分類器！甚至沒有所謂最好的分類器，不同的分類器有不同的適用范圍！但對具體問題，可能會有最適合的特征表示方法，而不同的特征表示也需要采用不同的分類器。2. 海量存儲和計算量龐大：由于3D識別的數(shù)據(jù)容量和計算量十分巨大，給存儲和運算帶來困難，也對計算機的硬件提出了更高要求。通過在視頻序列中提取連續(xù)的多幀圖像，經(jīng)過圖像重建，可以得到解析度高于輸入視頻序列圖像的單幅高解析度復(fù)原圖像。利用該方法進行人臉識別時，可同時考慮節(jié)點特征向量匹配和相對幾何位置匹配。人工神經(jīng)網(wǎng)絡(luò)由于其固有的并行運算機制以及對模式的分布式全局存儲，故可用于模式識別，而且不受模式形變影響。基于幾何特征的識別方法具有如下優(yōu)點：①符合人類識別人臉的機理，易于理解；②對每幅圖像只需存儲一個特征矢量，存儲量小；③對光照變化不太敏感。基于人臉整體特征的提取是從整個人臉圖像出發(fā)，通過加強反映整體特征來實現(xiàn)人臉面部表情識別。人臉膚色不依賴于細(xì)節(jié)特征且和大多背景色相區(qū)別。雖然第一種方法實現(xiàn)起來比較復(fù)雜，但是計算量小檢測速度較快。積分圖在多種尺度下計算不同特征時，所耗的時間是一樣的，有效地降低了計算量。既保證了效率又兼顧了檢測正確率。這種模型對于狀態(tài)序列來說是隱的。然后通過五官位置和相互之間幾何關(guān)系來檢測人臉。人臉檢測是把所有的人臉作為一個模式，而非人臉作為另一個模式，人臉檢測的過程就是將人臉模式與非人臉模式區(qū)別開來。增強對比度有很多種方法，常見的有直方圖均衡化和“S”形變換等方法。5. 表情/姿態(tài)分析：讓計算機感知表情變化，分析理解人的情緒。人臉識別技術(shù)是一種最友好的生物識別技術(shù)（非接觸、非侵犯），它結(jié)合了圖像處理、計算機圖形學(xué)、模式識別、可視化技術(shù)、人體生理學(xué)、認(rèn)知科學(xué)和心理學(xué)等多個研究領(lǐng)域。4. 三維人臉識別為了獲得更多的特征信息，直接利用二維人臉圖像合成三維人臉模型進行識別，即將成為該領(lǐng)域的一個主要研究方向。這些噪聲信號的存在，嚴(yán)重的情況會直接導(dǎo)致整幅圖像的不清晰，圖象中的景物和背景的混亂。原理就是通過一些算法，設(shè)定黑白二色的閾值，將圖像中的像素顏色均轉(zhuǎn)換為黑白二值，“1”表示黑色，“0”表示白色，這種圖像稱之為二值圖像，便于特征提取。（2）變形范本法：考慮到人臉是可變形體，該方法通過非線性最優(yōu)化方法求得一個參數(shù)模板，該模版如果能使能量函數(shù)最小，那么它就能描述所求參數(shù)特征。其中，Y是亮度信號，Cr Cb是色度信號。 Ada boost 方法該方法中文意思是自適應(yīng)性提升算法，是一種應(yīng)用了迭代思想的機器學(xué)習(xí)方法。該特征模版包含有：邊緣特征、線性特征、和特定方向特征，如下圖31所示。在選取訓(xùn)練樣本的時候，考慮到人臉是具有多種形態(tài)的，所以必須選取具有一定代表性的多個樣本。 人臉特征提取人臉特征提取是人臉識別中的核心步驟，直接影響識別精度。通常采用統(tǒng)計的方法或特征空間變換的方法進行灰度特征的提取，如利用KL變換得到的特征臉，利用小波變換得到的小波特征等[2][3][4]。定義一個參數(shù)描述的形狀模型，該模型的參數(shù)反映了對應(yīng)特征形狀的可變部分，如位置、大小、角度等，它們最終通過模型與圖像的邊緣、峰、谷和灰度分布特性的動態(tài)地交互適應(yīng)來得以修正。它在正面人臉識別中取得了較好的效果。臉上的特征區(qū)被指定為狀態(tài)，即從上到下為人臉圖像進行一維連續(xù)HMM建模。實驗結(jié)果表明支持向量機有較好的識別率。也可以用一個精確的透視模型估計姿態(tài)參數(shù)，同時利用一個稀疏特征集合去插值和提煉其余的臉部結(jié)構(gòu)。一種克服光照影響的做法是通過使用不同的采集源，如熱紅外(IR)圖像，以實現(xiàn)在暗光環(huán)境下的人臉識別，或用來消弱不同角度光照對人臉圖像的影響[7][8]。07, 2007, 250~255[7] , , . Face recognition in lowlight environments using fusion of thermal infrared and intensified imagery[J]. Proceedings of the SPIE The International Society for Optical Engineering, 2006, v6206, p620622112[8] Kong, 。拼一個春夏秋冬！贏一個無悔人生！早安！—————獻給所有努力的人.學(xué)習(xí)參考。 Systems (ICCES 39。在上述因素中，主要的影響來自于光照條件和姿態(tài)的變化。三維人臉識別主要有基于圖像特征的方法和基于模型可變參數(shù)的方法。 支持向量機(SVM)方法近年來，支持向量機是統(tǒng)計模式識別領(lǐng)域的一個新的熱點，它試圖使得學(xué)習(xí)機在經(jīng)驗風(fēng)險和泛化能力上達到一種妥協(xié)，從而提高學(xué)習(xí)機的性能。根據(jù)人臉由上至下各特征區(qū)具有自然不變的順序。特征臉方法在應(yīng)用中是比較成功的。上述為靜態(tài)模板匹配，但是它存在著對不同表情的人臉魯棒性差的缺點，針對這一情況，人們提出了彈性模板匹配。b) 灰度特征灰度特征包括輪廓特征、灰度分布特征(直方圖特征、鑲嵌圖特征等)、結(jié)構(gòu)特征、模板特征等。以上兩個環(huán)節(jié)的獨立性很強。圖35瀑布型級聯(lián)分類器 訓(xùn)練檢測過程及其優(yōu)化 訓(xùn)練：雖然每一個Haar特征都有一個弱分類器與之對應(yīng)，但是并不是每一個都能很好的表征人臉的灰度分布。此時只有選出合適的矩形特征組成的強分類器才能較好的檢測出人臉。預(yù)先將足夠量“正、反”圖像樣本和其識別結(jié)果輸入網(wǎng)絡(luò)，通過訓(xùn)練它就能識別類似的圖像是否包含人臉。相比于亮度而言，人對色度更加敏感。該模版包含人臉輪廓以及五官模型，計算樣本圖像區(qū)域與模板中人臉輪廓的相似性來徐略確定人臉大致區(qū)域，接著通過檢測該區(qū)域中是否含有五官模型中要