【正文】 了一定的成果 .國(guó)內(nèi)的研究工作主要是集中在三大類(lèi)方法的研究：基于幾何特征的人臉正面自姿態(tài)變化 人臉的傾斜，人臉朝向 人臉表情 喜 怒 哀 樂(lè) 甚至心情也會(huì)對(duì)面部圖像產(chǎn)生影響 年齡跨度 年齡的增長(zhǎng)伴隨的皺紋等 成像條件 光照強(qiáng)度 攝像距離 拍攝方向及角度 裝飾 眼鏡 帽子或者項(xiàng)鏈的佩戴與否 遮擋 圖像采集過(guò)程中外部物體產(chǎn)生遮擋 動(dòng)識(shí)別方法、基于代數(shù)特征的人臉正面自動(dòng)識(shí)別方法和基于連接機(jī)制的人臉正面自動(dòng)識(shí)別方法。 上海交通大學(xué) 李介谷 計(jì)算機(jī)視覺(jué)場(chǎng)模型 東南大學(xué) 程永清 基于統(tǒng)計(jì)方法，主要是奇異值分解方法 四川大學(xué) 周激流 具有反饋機(jī)制的人臉正面識(shí)別系統(tǒng)，運(yùn)用積分投影法提取面部特征的關(guān)鍵點(diǎn)并用于識(shí)別，同時(shí)也嘗試了“穩(wěn)定視點(diǎn)”特征提取方法，即為使識(shí)別系統(tǒng)中包含 3D信息，他對(duì)人臉側(cè)面剪影識(shí)別做了一定的研究，并實(shí)現(xiàn)了正 ，側(cè)面互相參照的識(shí)別系統(tǒng)。 南京理工大學(xué) 楊靜宇 奇異值分解方法 北京科技大學(xué) 王志良 人工心理，建立了以數(shù)學(xué)公式為基礎(chǔ)的心理學(xué)模型。主要研究領(lǐng)域涉及計(jì)算機(jī)視覺(jué)、模式識(shí)別、機(jī)器學(xué)習(xí)等，尤其關(guān)注于人臉識(shí)別以及多模式人 機(jī)交互技術(shù)。尤其關(guān)注復(fù)雜環(huán)境下（光照、姿態(tài)、表情、老化等）的人臉識(shí)別問(wèn)題。中國(guó)人臉識(shí)別產(chǎn)品的市場(chǎng)占有量份額十分小。如此迅猛的發(fā)展主要有以下幾個(gè)原因： ，全面的接受普及，國(guó)家政府高度重視，大力支持。除了傳統(tǒng)的門(mén)禁，考勤外，安全問(wèn)題也同樣重要。 。 在全世界范圍內(nèi)，當(dāng)前很多國(guó)家展開(kāi)了有關(guān)人臉識(shí)別的研究，歐美和日本也已經(jīng)研究出較為先進(jìn)的人臉識(shí)別技術(shù)，提出了許多穩(wěn)定可靠的方案。美國(guó)國(guó)家標(biāo)準(zhǔn)技術(shù)局舉辦的 Face Recognition Test 2021 通過(guò)大量的人臉數(shù)據(jù)監(jiān)測(cè)表明，當(dāng)前世界上人臉識(shí)別的精度已經(jīng)超過(guò)人類(lèi)的平均水平。 20世紀(jì) 90年代以來(lái)，隨著高速高性能計(jì)算機(jī)的出現(xiàn)，人臉識(shí)別方法有了重 大突破，進(jìn)入了真正的機(jī)器自動(dòng)識(shí)別階段。更多的學(xué)者則從事利用輸入圖像進(jìn)行計(jì)算機(jī)人臉識(shí)別的研究工作。 人臉識(shí)別主要分為人臉檢測(cè)，人臉處理與人臉識(shí)別三部分。確認(rèn)檢測(cè)目標(biāo)的人臉屬性。人臉處理就是對(duì)圖像進(jìn)行降維處理。如果大于閾值，則是同一人，如果小于閾值就認(rèn)為不是同一人。見(jiàn)表 表 人臉識(shí)別常見(jiàn)方法及特點(diǎn) 人臉識(shí)別方法 方法特點(diǎn) 幾何特征 幾何特征是利用眼、 鼻、嘴等的形狀和它們之間的幾何關(guān)系（如相互之間的距離）。 特征臉（ PCA） 特征臉?lè)椒ㄊ腔?KL變換的人臉識(shí)別方法， KL變換是圖像壓縮的一種最優(yōu)正交變換。如果假設(shè)人臉在這些低維線(xiàn)性空間的投影具有可分性，就可以將這些投影用作識(shí)別的特征矢量，這就是特征臉?lè)椒ǖ幕舅枷?。目前有一些改進(jìn)型的特征臉?lè)椒?。這類(lèi)方法同樣需要較多的樣本進(jìn)行訓(xùn)練，而在許多應(yīng)用中，樣本數(shù)量是很有限的。該方法結(jié)合了灰度特性和幾何因素，在比對(duì)時(shí)可以允許圖像存在彈性形變，在克服表情變化對(duì)識(shí)別的影響方面收到了較好的效果，同時(shí)對(duì)于單個(gè)人也不再需要多個(gè)樣本 進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明， LHD在不同光照條件下和不同姿態(tài)情況下都有非常出色的表現(xiàn)，但是它在大表情的情況下識(shí)別效果不好。通常的實(shí)驗(yàn)結(jié)果表明 SVM有 較好的識(shí)別率，但是它需要大量的訓(xùn)練樣本（每類(lèi) 300個(gè)），這在實(shí)際應(yīng)用中往往是不現(xiàn)實(shí)的。 示例學(xué)習(xí) 示例學(xué)習(xí)的基本思想是從某一概念的已給正例和反例的集合中歸納產(chǎn)生出接受所有正例同時(shí)排斥所有反例的該概念的一般規(guī)則 .將人臉樣本和非人臉樣本送入學(xué)習(xí)機(jī)中，產(chǎn)生出判別規(guī)則，從而用于作為判斷輸入的測(cè)試圖像是否屬于人臉的主要判別依據(jù) . 隱馬爾可夫模型 馬爾可夫模型是一個(gè)離散時(shí)序有限狀態(tài)自動(dòng)機(jī)，隱馬爾可夫模型（ HMM）是指這一馬爾可夫模型的內(nèi)部狀態(tài)外界不 可見(jiàn)，外界只能看到各個(gè)時(shí)刻的輸出值 . 圖 二 圖像預(yù)處理 圖像預(yù)處理的過(guò)程是將每一個(gè)文字圖像分別檢測(cè)出來(lái)交給識(shí)別模塊識(shí)別。圖像預(yù)處理最主要目的在于消除圖像之中無(wú)用的信息，恢復(fù)必要的真實(shí)信息，增加相關(guān)信息的可檢測(cè)性以及最大程度地化減數(shù)據(jù)，進(jìn)而增強(qiáng)特征的抽取、 圖像的分割 、匹配以及識(shí)別的可靠性。一幅原始照片灰度的數(shù)字化是空間變量（位置的連續(xù)值）的連續(xù)函數(shù)。為了讓數(shù)字圖像可以重建本來(lái)的圖像 ,對(duì) M 、 N 和 b 值的大小就有規(guī)定的限制。每當(dāng) 取樣的周期等于或者小于原始圖像內(nèi)最小細(xì)節(jié)周期的二分之一時(shí)，重建圖像的頻譜與原始圖像的頻譜相等，因而重建圖像與原始圖像能夠完全一致。幾何變換應(yīng)用在修正圖像采集系統(tǒng)的 系統(tǒng)誤差 以及儀 器位置的不固定誤差所進(jìn)行的交換。在預(yù)處理階段，對(duì)圖像 進(jìn)行優(yōu)化，盡可能去除或者減小外部環(huán)境對(duì)預(yù)處理圖像的干擾，為后續(xù)處理提高質(zhì)量。而灰度圖像在保存基本特征的基礎(chǔ)上減少了信息的總量，便于計(jì)算 .RGB圖像就是彩色 M *N *3的數(shù)組， RGB即是代表紅、綠、藍(lán)三個(gè)通道的顏色，也就是圖像的三原色，這個(gè)標(biāo)準(zhǔn)幾乎包括了人類(lèi)視力所能感知的所有顏色，是目前運(yùn)用最廣的 顏色系統(tǒng) 之一。 RGB是三維直角坐標(biāo)顏色系統(tǒng)中的一體。圖像的灰度化轉(zhuǎn)換關(guān)系式為： BGRG r a y *1 4 *5 8 *2 9 ??? 圖 原圖像 圖 轉(zhuǎn)換后的灰度圖像 圖像增強(qiáng)是一種計(jì)算機(jī)的術(shù)語(yǔ)，它是將原本不清晰的圖像變得清晰或者令某些感興趣的特征變得明顯，亦或是減少不感興趣的特征，使圖像質(zhì)量增強(qiáng)、豐 富信息量，加強(qiáng)圖像判別讀取和識(shí)別效果的圖像處理方法。 從處理的作用域出發(fā)，圖像增強(qiáng)大體可分為兩大類(lèi) :頻率域法和空間域法。采用低通濾波 (即只允許低頻信號(hào)通過(guò) )法，能夠去除圖中的噪聲 ?？臻g域法中具有的代表性的算法有局部求平均值法和中值濾波 (取局部鄰域中的中間像素值 )法等，它們能夠用來(lái)去除或減弱噪聲。基于空域的算法處理時(shí)直接對(duì)圖像灰度級(jí)做運(yùn)算，基于頻域的算法是在圖像的某種變換域內(nèi)對(duì)圖像的變換系數(shù)值進(jìn)行某種修正，是一種間接增強(qiáng)的算法。點(diǎn)運(yùn)算算法即灰度級(jí)校正、灰度變換和直方圖修正等，目的或使圖像成像均勻，或擴(kuò)大圖像動(dòng)態(tài)范圍，擴(kuò)展對(duì)比度。平滑一般用于消除圖像噪聲，但是也容易引起邊緣的模糊。銳化的目的在于突出物體的邊緣輪廓，便于目標(biāo)識(shí)別。 圖像對(duì)比度增強(qiáng)的方法可以分成兩類(lèi) : 。 間接對(duì)比度增強(qiáng)最常見(jiàn)的兩種方法是直方圖拉伸和 直方圖均衡化 。直方圖均衡化是通過(guò)使用累積函數(shù)對(duì)灰度值進(jìn)行“調(diào)整”來(lái)完成對(duì)比度的增強(qiáng)。它反映了圖像灰度值的分布情況，圖像的明暗分布規(guī)律，擴(kuò)展了像元取值的動(dòng)態(tài)范圍以實(shí)現(xiàn)增強(qiáng)圖像整體對(duì)比度的目的。直方圖是一種點(diǎn)操作，常用來(lái)增加許多圖像的局部對(duì)比度，特別是當(dāng)圖像的有意義數(shù)據(jù)的對(duì)比度十分接近的時(shí)候，它逐點(diǎn)改變圖像的灰度值。 這樣可以用于增強(qiáng) 局部的對(duì)比度而不影響整體，通過(guò)有效地?cái)U(kuò)展常用的亮度來(lái)實(shí)現(xiàn)這種功能。 直方圖均衡化算法分為三步 第一步是對(duì)給定的待處理圖像統(tǒng)計(jì)直方圖每個(gè)灰度級(jí)出現(xiàn)的次數(shù)，求出 ??rPr 第二步是累計(jì)歸一化的直方圖，根據(jù)得出的直方圖采用累積分布函數(shù)做變換，求出新的灰度? ? ? ???? rPrTS rkk 第三步是用新灰度值取代舊的灰度值，計(jì) 算新的像素值求出 ??sPs ，同時(shí)把灰度值相等或近似的合并 由圖 ，原圖像灰度值集中對(duì)比效果較差，經(jīng)過(guò)處理過(guò)后的圖像直方圖方位擴(kuò)大，分布稀疏部分壓縮，密集部分拉伸，突出細(xì)節(jié)，使對(duì)比增強(qiáng)，達(dá)到預(yù)期效果。這種方法的一個(gè)主要優(yōu)勢(shì)是它是一個(gè)相當(dāng)直觀(guān)的技術(shù)并且是可逆操作，如果已知均衡化函數(shù)，那 么就可以恢復(fù)原始的 直方圖 ，并且計(jì)算量也不大。這樣才能有選擇性的增強(qiáng)或者讓圖像的灰度值在某貴低昂的范圍內(nèi)。 圖 圖像灰度拉伸又叫對(duì)比度拉伸，它是最基本的一種灰度變換，是運(yùn)用簡(jiǎn)單的分段線(xiàn)性變換函數(shù)進(jìn)行灰度變化的一種方法。 灰度拉伸的兩個(gè)基本操作 ⑴ 直方圖統(tǒng)計(jì)，對(duì)給定的待處理圖像做直方圖統(tǒng)計(jì)，來(lái)確定對(duì)圖像進(jìn)行灰度拉伸的兩個(gè)拐點(diǎn)； ⑵ 灰度變換， 利用步驟⑴確定的拐點(diǎn)，分段線(xiàn)性變換函數(shù)進(jìn)行像素灰度值的映射。 圖 原始圖像以及灰度拉伸處理后的效果 圖像的去噪 實(shí)際圖像都會(huì)受到某些干擾而存在噪聲，如果直接進(jìn)行提取會(huì)存在很大的誤差，因此，提高識(shí)別率的重要途徑就是對(duì)圖像進(jìn)行去噪處理。在消除噪聲的同時(shí)不讓圖像輪廓或者線(xiàn)條變得模糊不清是對(duì)平滑技術(shù)的基本要求。局部區(qū)域大小既能夠固定的，也能夠是逐點(diǎn)隨灰度值大小變化而變化的。它是基于圖像的這樣一種特性：圖像像素較多，面積較大的小塊構(gòu)成，噪聲通常以對(duì)應(yīng)的像素?cái)?shù)較少的孤立點(diǎn)的形式存在。 它是圖像預(yù)處理很好的方法。在處理之后，位于窗口正中的像素的灰度值，用窗口內(nèi)各像素灰度值的中值代替。若 220是噪聲的尖峰，則會(huì)被濾除。因此中值濾波方法能出去大的噪聲點(diǎn)，但是將噪聲點(diǎn)帶入非噪聲區(qū)進(jìn)行計(jì)算會(huì)損失圖像質(zhì)量。 中值濾波的優(yōu)點(diǎn)：灰度圖像都是存在對(duì)圖像質(zhì)量產(chǎn)生極大影響的噪聲。中值濾波器先被應(yīng)用于一維信號(hào)的處理中，后被引用到二維圖像的處理中來(lái)。 低通濾波 從頻譜上看，噪聲是一種高頻信號(hào)。因?yàn)樵谶@一處理過(guò)程中，讓低頻信號(hào)全部通過(guò)，所以稱(chēng)為低通濾波。 低通濾波采用圖像領(lǐng)域灰度梯度的方法，過(guò)濾梯度變化大的圖像點(diǎn)，因?yàn)樵肼暤膮^(qū)域面積較小，變化較多，低通濾波可以是把過(guò)濾掉的像素點(diǎn)填充到其附近的位置，因此，低通濾波不僅可以過(guò)濾噪音，更能很好的保護(hù)非噪聲區(qū)域的圖像信息。即濾波器輸入值大于閾值，輸出 1，小于閾值，輸出 0. 在空間域上進(jìn)行濾波就是圖像和濾波器的沖擊響應(yīng)函數(shù)進(jìn)行卷積。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。 簡(jiǎn)介 圖像邊緣檢測(cè)，有許多方法用于邊緣檢測(cè)，它們的絕大部分可以劃分為兩類(lèi) :基于查找一類(lèi)和基于 零穿越的一類(lèi)?；诹愦┰降姆椒ㄍㄟ^(guò)尋找圖像二階導(dǎo)數(shù)零穿越來(lái)尋找邊界，通常是 Laplacian過(guò)零點(diǎn)或者非線(xiàn)性 差分 表示的過(guò)零點(diǎn)。在 二維 乃至更高 維空間 中，需要考慮 透視投影 的影響。在 邊線(xiàn) 的每一邊都有一個(gè)邊緣。然而，在最近幾年，不明顯依賴(lài)于邊緣檢測(cè)作為預(yù)處理的 計(jì)算機(jī)視覺(jué) 處理方法研究取得了一些實(shí)質(zhì)性的研究成果。為簡(jiǎn)化起見(jiàn)，我們 可以先在一維 空間分析 邊緣檢測(cè)。例如，在下面的 1維數(shù)據(jù)中我們可以直觀(guān)地說(shuō)在第 4與第5個(gè)點(diǎn)之間有一個(gè)邊界 : 除非場(chǎng)景中的物體非常簡(jiǎn)單并且照明條件得到了很好的控制，否則確定一個(gè)用來(lái)判斷兩個(gè)相鄰點(diǎn)之間有多大的亮度變化才算是有邊界的 閾值 ，并不是一件容易的事。 檢測(cè)方法 有許多用于邊緣檢測(cè)的方法 , 他們大致可分為兩類(lèi) :基于搜索和基于零交叉。 基于零交叉的方法找到由圖像得到的 二階導(dǎo)數(shù) 的零交叉點(diǎn)來(lái)定位邊緣。 濾波做為邊緣檢測(cè)的預(yù)處理通常是必要的，通常采用 高斯濾波 。 正如許多邊緣檢測(cè)方法依賴(lài)于圖像梯度的計(jì)算，他們用不同種類(lèi)的濾波器來(lái)估計(jì) x方向和 y方向的梯度。使用這個(gè)信息我們能夠在圖像的亮度梯度中搜尋峰值。 計(jì)算二階導(dǎo)數(shù) 其它一些邊緣檢測(cè)操作是基于亮度的 二階導(dǎo)數(shù) 。在理想的連續(xù)變化情況下，在二階導(dǎo)數(shù)中檢測(cè)過(guò)零點(diǎn)將得到梯度中的局部最大值。如上所述， 邊線(xiàn) 是雙重邊緣，這樣我們就可以在邊線(xiàn)的一邊看到一個(gè)亮度梯度，而在另一邊看到相反的梯度。為了找到這些 邊線(xiàn) ，我們可以在圖像亮度的二階導(dǎo)數(shù)中尋找過(guò)零點(diǎn)。需要指出，大多數(shù)濾波器在降低噪聲的同時(shí)也導(dǎo)致了邊緣強(qiáng)度的損失，因此，增強(qiáng)邊緣和降低噪聲之間需要折中。增強(qiáng)算法可以將 鄰域 (或局部 )強(qiáng)度值有顯著變化的點(diǎn)突顯出來(lái)。 ③檢測(cè) :在圖像中有許多點(diǎn)的梯度 幅值 比較大，而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所 以應(yīng)該用某種方法來(lái)確定哪些點(diǎn)是邊緣點(diǎn)。 ④定位 :如果某一應(yīng)用場(chǎng)合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來(lái)估計(jì)，邊緣的方位也可以被估計(jì)出來(lái)。這是因?yàn)榇蠖鄶?shù)場(chǎng)合下，僅僅需要邊緣檢測(cè)器指出邊緣出現(xiàn)在圖像某一像素點(diǎn)的附近， 而沒(méi)有必要指出邊緣的精確位置或方向。我們將邊緣定義為圖像中 灰度 發(fā)生急劇變化的區(qū)域邊界。經(jīng)典的邊緣檢測(cè)方法，是通過(guò)對(duì)原始圖像中像素的某小 鄰域 構(gòu)造邊緣檢測(cè) 算子 來(lái)達(dá)到檢測(cè)邊緣這一目的的。閾值越低，能夠檢測(cè)出的 邊線(xiàn) 越多，結(jié)果也就越容易受到圖片噪聲的影響，并且越容易從圖像中挑出不相關(guān)的特性。一個(gè)常用的這種方法是帶有滯后作用的閾值選擇。首先使用一個(gè)閾值上限去尋找 邊線(xiàn) 開(kāi)始的地方。這種方法假設(shè)邊緣是連續(xù)的界線(xiàn)，并且我們能夠跟蹤前面所看到的邊 緣的模糊部分，而不會(huì)將圖像中的噪聲點(diǎn)標(biāo)記為邊緣。其它常用的邊緣檢測(cè)模板還有有 Laplacian 算子、 Roberts算子、 Sobel算子、 log(LaplacianGauss)算子、 Kirsch算子和 Prewitt算子等。另外 Canny 引入了非最大抑制概念，它是說(shuō)邊緣定義為在梯度方向具有最大梯度值的點(diǎn) 在一個(gè)離散矩陣中，非最大抑制階梯能夠通過(guò)一種方法來(lái)實(shí)現(xiàn)，首先預(yù)測(cè)一階導(dǎo)數(shù)方向、然后把它近似到 45度的倍數(shù)、最后在 預(yù)測(cè)的梯度方向比較梯度幅度。 按照這種方法，能夠自動(dòng)得到亞點(diǎn)精度的 連續(xù)曲線(xiàn) 邊緣。 羅盤(pán)算子是斯坦福大學(xué)的 Ruzon在 1999 年提出的一個(gè)新的算子，據(jù)實(shí)驗(yàn)以及報(bào)道，性能超過(guò) Canny算子。 Soble邊緣檢測(cè)通常帶有方向性，可以只檢測(cè)豎直邊緣或垂直邊緣或都檢測(cè)。ky=1。ky=0。ky=1。 Sobel算子用了一個(gè) 3*3的濾波器來(lái)對(duì)圖像進(jìn)行濾波從而得到梯度圖像，這里面不再詳細(xì)描述怎樣進(jìn)行濾波及它們的意義等。0 0 0。 水平方向的濾波器 :op的轉(zhuǎn)置 :x_mask=op39。用濾波器與圖