人脸识别技术综述作业.doc
文本预览下载声明
人脸识别技术综述
教师:
姓名:
学号:
人脸识别技术综述
一、人脸识别发展
人脸识别技术是生物识别技术的一种,它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今人脸识别算法技术的发展经历了如下四个阶段:
基于简单背景的人脸识别
这是人脸识别研究的初级阶段通常利用人脸器官的局部特征来描述人脸但由于人脸器官没有显著的边缘且易受到表情的影响因此它仅限于正面人脸变形较小的识别。
基于多姿态表情的人脸识别
这是人脸识别研究的发展阶段
3、动态跟踪人脸识别
这是人脸识别研究的实用化阶段。
4、三维人脸识别
为了获得更多的特征信息直接利用二维人脸图像合成三维人脸模型进行识别成为该领域的一个主要研究方向。
人脸识别的研究范围主要包括以下几个方面:
人脸检测:在输入的图像中寻找人脸区域。
人脸的规范化:校正人脸在尺度、光照和旋转等方面的变化。
特征提取:从人脸图像中映射提取一组反映人脸特征的数值表示样本。
特征匹配:将待识别人脸与数据库中的已知
人脸识别流程
二、人脸识别过程及其技术
人脸识别问题是指:对输入的人脸图像或者视频,首先判断其中是否存在人脸,如果存在人脸,则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息,并依据这些信息,进一步提取每个人脸中所蕴含的身份特征,并将其与已知人脸库中的人脸进行对比,从而识别每个人脸的身份。人脸识别的过程可以分为以下三个部分:
1)人脸检测:判断输入图像中是否存在人脸,如果有,给出每个人脸的位置,大小;
2)面部特征定位:对找到的每个人脸,检测其主要器官的位置和形状等信息;
3)人脸比对:根据面部特征定位的结果,与库中人脸对比,判断该人脸的身份信息。
2.1人脸的检测和定位
2.1.1人脸的色彩特性
研究发现,虽然不同种族的肤色差异较大,但在色彩空间中的分布相对集中,因此可以充分利用皮肤的色彩特点进行脸部肤色和五官的分割.这种肤色的分布服从高斯分布N(m,C),其中:均值(Mean):m=E{x},x=(r b)T,协方差(Covariance):C=E{(x–m)(x–m)T}.由高斯分布可得到图像中任一像素的值为肤色的概率Likelihood[3],如下式所示.
2.1.2彩色图转化为灰度图
根据(1)可将原彩色图转化为灰度图.灰度图中的像素值表示该像素为肤色的概率.灰度图中肤色区域和非肤色区域存在着明显的差异,肤色区域要亮一些.
2.1.3灰度图转化为二值图
肤色区域和非肤色区域存在着明显的差异,因此可以用阈值法去除非肤色区域.由于固定阈值法不适用于色彩差异较大的各种人脸图像,因此采用自适应阈值选取法来获取最优阈值.自适应阈值选取法的原理如下:随着阈值的逐步减小,观察分割出的区域数目的增加情况.虽然这种增加速度有逐渐减缓的趋势,但当阈值取到一个很小值以至于部分非肤色区域被保留下来时,分割出的区域数目会产生一个跳变,此时的阈值即为最优阈值.用该阈值对灰度图做二值化处理,即:
其中,gi(x,y)为灰度图中的像素值,T为自适应阈值选取的最优阈值.经过上述处理后,得到一幅二值图.
2.1.4判断保留下的各个区域是否是人脸区域
首先计算该区域的欧拉数E=C-H,其中C为区域连通数,H为洞的数目,对于人脸而言,E应大于1.然后根据欧拉数E判断区域中是否存在洞,若是,则根据下列公式计算矩、质心和倾角.
再利用人脸的几何特性进一步判断:计算区域的长、宽,若长宽比过大则丢弃;将标准人脸模板和区域重合,计算十字相关性.若关联性大于一个即定值,则该区域为人脸.
2.2人脸特征提取
2.2.1利用小波多分辨特性对人脸做降维表达
对人脸图像做一阶小波分解,再对高频图做积分投影.图像积分投影定义如下:给定N×M大小的图像I(x,y),分别定义水平函数量H(y)和垂直投影函数V(x),图像区域为Ψ(x1<x<x2,y1<y<y2=:
2.2.2确定人脸带区
在垂直细节图作积分投影,得到积分投影函数V(x),寻找V(x)的两个极值点,它们就是人脸的左右边界.这两个点的位置确定了一个垂直带区,命名为“人脸外接带区”.人脸左右边界部分的小波系数较大,所以具有较大的值.利用两个峰值,可以确定人脸的垂直带区.
2.2.3特征基线确定
在人脸外接带区范围内,对水平细节图作水平积分投影,得到H(y).在眼睛、鼻子、嘴的位置附近,小波系数的值比较大,寻找H(y)中极值点,它们分别对应眼睛、鼻子和嘴的基线.对水平细节图中基线的区域分别进行垂直积分投影、检测结
显示全部