【正文】 求的要素，如果有就可以判定該區(qū)域就是人臉區(qū)域。二值化就是一個(gè)很好的選擇。根據(jù)圖像獲取的途徑不同，噪聲的融入也有多種方式：1. 圖像是直接以數(shù)字形式獲取的，那么圖像數(shù)據(jù)的獲取機(jī)制會(huì)不可避免地引入噪聲信號(hào)；2. 在圖像采集過程中，物體和采集裝置的相對(duì)運(yùn)動(dòng)。3. 動(dòng)態(tài)跟蹤人臉識(shí)別人臉識(shí)別研究的實(shí)用化階段。從二十世紀(jì)六十年代末至今，人臉識(shí)別算法技術(shù)的發(fā)展共經(jīng)歷了如下四個(gè)階段：1. 基于簡(jiǎn)單背景的人臉識(shí)別人臉識(shí)別研究的初級(jí)階段。人臉圖像獲取人臉檢測(cè)定位人臉區(qū)域預(yù)處理特征抽取人臉特征對(duì)比識(shí)別結(jié)果人臉特征庫(kù)人臉識(shí)別流程人臉識(shí)別的技術(shù)難點(diǎn)在于：1. 復(fù)雜條件下人臉檢測(cè)和關(guān)鍵點(diǎn)定位 2. 光照變化 3. 姿態(tài) 4. 表情 5. 遮擋 6. 年齡 7. 低質(zhì)量照片 9. 樣本缺乏 信息采集設(shè)備帶來的問題2 圖像預(yù)處理人臉圖像獲取設(shè)備有照相機(jī)、攝像機(jī)、掃描儀等。而直方圖均衡化則是將像素的灰度分布盡量展開在所有可能的灰度取值上，這樣的方法同樣能使得圖像的對(duì)比度提高。換句話說，人臉檢測(cè)強(qiáng)調(diào)的是人臉之間的共性，而人臉識(shí)別則要區(qū)分不同人臉之間的差異，二者同屬于模式分類問題。對(duì)稱性規(guī)則、運(yùn)動(dòng)規(guī)則來制定人臉判定規(guī)則。（2）支持向量機(jī)：兼顧模型的復(fù)雜性和學(xué)習(xí)能力，尋找一個(gè)平衡點(diǎn)。將樣本圖像中的 Haar 特征提取出來后，需要通過訓(xùn)練，選出最優(yōu)的Haar 特征轉(zhuǎn)換成弱分類器，最后將弱分類器級(jí)聯(lián)后用于人臉檢測(cè)。如果再將多個(gè)強(qiáng)分類器級(jí)聯(lián)起來，對(duì)人臉的檢測(cè)能力將會(huì)再次飛躍。而且對(duì)有一定傾斜角度的人臉存在檢測(cè)盲區(qū)。不同的光照下臉部色彩復(fù)雜?；谌四樥w特征提取在計(jì)算量和計(jì)算時(shí)間上都多于局部特征提取，而且系統(tǒng)設(shè)計(jì)也相對(duì)復(fù)雜。文獻(xiàn)[3]使用人臉部下巴的輪廓曲線來輔助檢測(cè)人臉特征，然后使用Gabor小波變換(GWT)進(jìn)行人臉識(shí)別，獲得了較理想的實(shí)驗(yàn)結(jié)果。 隱馬爾可夫模型方法利用隱馬爾可夫模型(Hidden Markov Model，HMM)，將人臉圖像按某種順序劃分為若干塊，對(duì)各塊進(jìn)行KL變換，選取前若干變換系數(shù)作為觀測(cè)向量訓(xùn)練HMM。此外，可用一個(gè)能量函數(shù)來評(píng)價(jià)待識(shí)別人臉圖像向量場(chǎng)和庫(kù)中己知人臉向量場(chǎng)間的匹配度，即最小能量函數(shù)時(shí)的匹配。 基于三維的方法把人臉當(dāng)作平面圖像來看待就是二維識(shí)別問題，將人臉用立體圖像來表示，就是三維識(shí)別問題[9][10]。4. 受到環(huán)境和條件的約束：影響二維識(shí)別的不利因素在三維識(shí)別上同樣存在。目標(biāo)不同：模式識(shí)別研究的是有了特定屬性數(shù)據(jù)之后如何設(shè)計(jì)“對(duì)所有可能的情況”最優(yōu)的分類器，而應(yīng)用上卻要考慮“為了解決某個(gè)特定識(shí)別問題”如何去選擇數(shù)據(jù)？只為了識(shí)別中國(guó)人，需要把外國(guó)人的數(shù)據(jù)拿來訓(xùn)練嗎？為了識(shí)別正楷文字，需要把行書也拿來訓(xùn)練嗎？但是，在理論上卻有另一個(gè)問題…關(guān)于泛化能力對(duì)于沒有訓(xùn)練學(xué)習(xí)過的模式樣本的識(shí)別能力。 Mian, . An expression deformation approach to nonrigid 3D face recognition[J]. International Journal of Computer Vision, 2009, v81, n3, 302~316[11] Hochul Shin, SeongDae Kim, HaeChul Choi. Generalized elastic graph matching for face recognition[J]. Pattern Recognition Letters, 2007, v28, n9, 1077~1082寧可累死在路上，也不能閑死在家里！寧可去碰壁，也不能面壁。 Koschan, A.。在實(shí)踐中驗(yàn)證PR，在理論上回報(bào)PR：驗(yàn)證PR中的基本原理和技術(shù)方法，發(fā)現(xiàn)其可能的問題并修改之。該方法對(duì)光照和表情、姿態(tài)的變化均有較好的魯棒性。視頻序列中人臉識(shí)別面臨如下挑戰(zhàn)：視頻圖像質(zhì)量較差、視頻圖像分辨率較低以及外界各種不確定因素的影響等。 彈性圖匹配方法彈性圖匹配法(Elastic Graph Matching)是一種基于動(dòng)態(tài)鏈接結(jié)構(gòu)(Dynamic Link Architecture，DLA)的方法。通過學(xué)習(xí)獲得其他方法難以獲得的關(guān)于人臉識(shí)別規(guī)律和規(guī)則的隱性表達(dá)。流程大體如下：首先檢測(cè)出面部特征點(diǎn)，通過測(cè)量這些關(guān)鍵點(diǎn)之間的相對(duì)距離，得到描述每個(gè)臉的特征矢量，比如眼睛、鼻子和嘴的位置和寬度，眉毛的厚度和彎曲程度等，以及這些特征之間的關(guān)系。特征提取方法歸納起來分為兩類：基于局部特征的提取方法和基于整體特征的提取方法。其中統(tǒng)計(jì)特征和灰度特征是在人臉定位和特征提取過程中常用到的兩類特征：a) 統(tǒng)計(jì)特征統(tǒng)計(jì)特征即用統(tǒng)計(jì)的方法對(duì)目標(biāo)對(duì)象的膚色、光照變化等因素建模。實(shí)際中圖片中的人臉大小是各不相同的，因此要引入多尺度檢測(cè)機(jī)制。對(duì)原始圖像中的每個(gè)像素進(jìn)行少量類比于微積分的簡(jiǎn)單計(jì)算就能得到積分圖像。將新的數(shù)據(jù)集交給下層分類器繼續(xù)訓(xùn)練。其過程是一個(gè)雙重隨機(jī)過程。主要有以下兩種方法：基于器官特征的方法：該方法首先提取五官的圖像特征。3 人臉檢測(cè)與定位人臉自動(dòng)識(shí)別系統(tǒng)包括兩個(gè)主要技術(shù)環(huán)節(jié)：人臉檢測(cè)與定位和特征提取與人臉識(shí)別。主要的方法是：線性濾波、中值濾波、維納濾波以及小波去噪等。3. 特征提?。簭娜四槇D像中映射提取一組能反映人臉特征的數(shù)值表示樣本。關(guān)鍵詞：人臉識(shí)別；人臉檢測(cè)；人臉定位；特征提取1 引言隨著計(jì)算機(jī)和生物醫(yī)學(xué)工程技術(shù)迅速發(fā)展，利用生物特征來鑒別個(gè)人身份成為安全驗(yàn)證首選方式，具有普遍性、安全性、唯一性、穩(wěn)定性等。包括：數(shù)據(jù)采集、人臉檢測(cè)與跟蹤、人臉識(shí)別這三個(gè)子系統(tǒng)。由于噪聲的引入，將不可避免地造成識(shí)別率的下降。但是Soble算子引入了平均因素，對(duì)圖像中的隨機(jī)噪聲有一定的平滑作用；不過由于它算法的特殊性會(huì)產(chǎn)生邊緣粗而亮的不良后果。該方法比較成熟，實(shí)現(xiàn)起來比較簡(jiǎn)單，但是效率并不高。將人臉檢測(cè)視為區(qū)分“非人臉樣本”與“人臉樣本”的模式識(shí)別問題，通過對(duì)大量人臉樣本集和非人臉樣本集的學(xué)習(xí)、訓(xùn)練產(chǎn)生建立起一個(gè)能正確識(shí)別人臉樣本的分類器。其核心思想是使大量弱分類器聯(lián)合成為一個(gè)強(qiáng)分類器。圖 31 特征模版分類眼睛和鼻子的顏色和周圍的灰度有區(qū)別，鼻梁兩側(cè)和鼻尖的灰度也是有差異的。待檢測(cè)圖像的分辨率應(yīng)該在19乘19以上。特征提取的任務(wù)就是針對(duì)這些干擾因素，提取出具有穩(wěn)定性、有效性的信息用于識(shí)別。實(shí)驗(yàn)證明該方法對(duì)光照和表情/姿態(tài)的變化有一定的容忍力。彈性模板匹配的方法在一定程度上容忍光線等的干擾，對(duì)細(xì)微的表情不敏感。BP網(wǎng)絡(luò)運(yùn)算量相對(duì)較小，耗時(shí)較短。P2DHMM利用了圖像的二維特征，不但能表現(xiàn)人臉垂直方向的空間結(jié)構(gòu)，還能表現(xiàn)水平方向從左至右的空間結(jié)構(gòu)。這類方法一般是基于視頻序列的空間軌跡或概率模型進(jìn)行匹配識(shí)別，因而具有更好的魯棒性。隨著模型形變的關(guān)聯(lián)關(guān)系的改變不斷更新姿態(tài)參數(shù)，重復(fù)此過程直到最小化尺度達(dá)到要求?？傮w來說，光照和姿態(tài)變化仍是人臉識(shí)別所面臨的重大挑戰(zhàn)，特別是當(dāng)兩種因素混在一起時(shí)。 Boughorbel, F.。不奮斗就是每天都很容易，可一年一年越來越難。充分利用手頭樣本：AdaBoost，Bagging等等。這些因素的變化，都會(huì)導(dǎo)致人臉圖像的明顯不同，