摘　要　本文綜述了人臉識別理論的研究現狀，根據人臉自動識別技術發展的時間進行了分類，分析和比較各種識別方法優缺點，討論了其中的關鍵技術及發展前景。

　　關鍵詞　人臉識別；特征提取

　　1　人臉識別技術概述

　　近年來，隨著計算機技術的迅速發展，人臉自動識別技術得到廣泛研究與開發，人臉識別成為近30年里模式識別和圖像處理中最熱門的研究主題之一。人臉識別的目的是從人臉圖像中抽取人的個性化特征，并以此來識別人的身份。一個簡單的自動人臉識別系統，包括以下4個方面的內容：

　　（1）人臉檢測（Detection）：即從各種不同的場景中檢測出人臉的存在并確定其位置。

　?。?）人臉的規范化（Normalization）：校正人臉在尺度、光照和旋轉等方面的變化。

　　（3）人臉表征（Face Representation）：采取某種方式表示檢測出人臉和數據庫中的已知人臉。

　?。?）人臉識別（Recognition）：將待識別的人臉與數據庫中的已知人臉比較，得出相關信息。

　　2　人臉識別算法的框架

　　人臉識別算法描述屬于典型的模式識別問題，主要有在線匹配和離線學習兩個過程組成，如圖1所示。

　　圖1 一般人臉識別算法框架

　　在人臉識別中，特征的分類能力、算法復雜度和可實現性是確定特征提取法需要考慮的因素。所提取特征對最終分類結果有著決定性的影響。分類器所能實現的分辨率上限就是各類特征間最大可區分度。因此，人臉識別的實現需要綜合考慮特征選擇、特征提取和分類器設計。

　　3　人臉識別的發展歷史及分類

　　人臉識別的研究已經有相當長的歷史，它的發展大致可以分為四個階段：

　　第一階段：人類最早的研究工作至少可追朔到二十世紀五十年代在心理學方面的研究和六十年代在工程學方面的研究。

　　J. S. Bruner于1954年寫下了關于心理學的The perception of people，Bledsoe在1964年就工程學寫了Facial Recognition Project Report，國外有許多學校在研究人臉識別技術［1］，其中有從感知和心理學角度探索人類識別人臉機理的，如美國Texas at Dallas大學的Abdi和Tool小組［2、3］，由Stirling大學的Bruce教授和Glasgow大學的Burton教授合作領導的小組等［3］；也有從視覺機理角度進行研究的，如英國的Graw小組［4、5］和荷蘭Groningen大學的Petkov小組［6］等。

　　第二階段：關于人臉的機器識別研究開始于二十世紀七十年代。

　　Allen 和Parke 為代表，主要研究人臉識別所需要的面部特征。研究者用計算機實現了較高質量的人臉灰度圖模型。這一階段工作的特點是識別過程全部依賴于操作人員，不是一種可以完成自動識別的系統。

　　第三階段：人機交互式識別階段。

　　Harmon 和Lesk 用幾何特征參數來表示人臉正面圖像。他們采用多維特征矢量表示人臉面部特征，并設計了基于這一特征表示法的識別系統。Kaya和Kobayashi 則采用了統計識別方法，用歐氏距離來表征人臉特征。但這類方法需要利用操作員的某些先驗知識，仍然擺脫不了人的干預。

　　第四階段：20世紀90年代以來，隨著高性能計算機的出現，人臉識別方法有了重大突破，才進入了真正的機器自動識別階段。在用靜態圖像或視頻圖像做人臉識別的領域中，國際上形成了以下幾類主要的人臉識別方法：

　　1）基于幾何特征的人臉識別方法

　　基于幾何特征的方法是早期的人臉識別方法之一［7］。常采用的幾何特征有人臉的五官如眼睛、鼻子、嘴巴等的局部形狀特征。臉型特征以及五官在臉上分布的幾何特征。提取特征時往往要用到人臉結構的一些先驗知識。識別所采用的幾何特征是以人臉器官的形狀和幾何關系為基礎的特征矢量，本質上是特征矢量之間的匹配，其分量通常包括人臉指定兩點間的歐式距離、曲率、角度等。

　　基于幾何特征的識別方法比較簡單、容易理解，但沒有形成統一的特征提取標準；從圖像中抽取穩定的特征較困難，特別是特征受到遮擋時； 對較大的表情變化或姿態變化的魯棒性較差。

　　2）基于相關匹配的方法

　　基于相關匹配的方法包括模板匹配法和等強度線方法。

　?、倌０迤ヅ浞ǎ篜oggio和Brunelli［10］專門比較了基于幾何特征的人臉識別方法和基于模板匹配的人臉識別方法，并得出結論：基于幾何特征的人臉識別方法具有識別速度快和內存要求小的優點，但在識別率上模板匹配要優于基于幾何特征的識別方法。

　?、诘葟姸染€法：等強度線利用灰度圖像的多級灰度值的等強度線作為特征進行兩幅人臉圖像的匹配識別。等強度曲線反映了人臉的凸凹信息。這些等強度線法必須在背景與頭發均為黑色，表面光照均勻的前提下才能求出符合人臉真實形狀的等強度線。

　　3）基于子空間方法

　　常用的線性子空間方法有：本征子空間、區別子空間、獨立分量子空間等。此外，還有局部特征分析法、因子分析法等。這些方法也分別被擴展到混合線性子空間和非線性子空間。

　　Turk等［11］采用本征臉（Eigenfaces）方法實現人臉識別。由于每個本征矢量的圖像形式類似于人臉，所以稱本征臉。對原始圖像和重構圖像的差分圖像再次進行K-L變換，得到二階本征空間，又稱二階本征臉［12］。Pentland等［13］提出對于眼、鼻和嘴等特征分別建立一個本征子空間，并聯合本征臉子空間的方法獲得了好的識別結果。Shan等［14］采用特定人的本征空間法獲得了好于本征臉方法的識別結果。Albert等［15］提出了TPCA（Topological PCA）方法，識別率有所提高。Penev等［16］提出的局部特征分析（LFA Local Feature Analysis）法的識別效果好于本征臉方法。當每個人有多個樣本圖像時，本征空間法沒有考慮樣本類別間的信息，因此，基于線性區別分析（LDA Linear Discriminant Analysis ），Belhumeur等［17］提出了Fisherfaces方法，獲得了較好的識別結果。Bartlett等［18］采用獨立分量分析（ICA，Independent Component Analysis）的方法識別人臉，獲得了比PCA方法更好的識別效果。

　　4）基于統計的識別方法

　　該類方法包括有：KL算法、奇異值分解（SVD）、隱馬爾可夫（HMM）法。

　?、貹L變換：將人臉圖像按行（列）展開所形成的一個高維向量看作是一種隨機向量，因此采用K-L變換獲得其正交K-L基底，對應其中較大特征值基底具有與人臉相似的形狀。國外，在用靜態圖像或視頻圖像做人臉識別的領域中，比較有影響的有MIT的Media實驗室的Pentland小組，他們主要是用基于KL變換的本征空間的特征提取法，名為“本征臉（Eigenface）［19］。

　?、陔[馬爾可夫模型：劍橋大學的Samaria和Fallside［20］對多個樣本圖像的空間序列訓練出一個HMM模型，它的參數就是特征值；基于人臉從上到下、從左到右的結構特征；Samatia等［21］首先將1-D HMM和2-D Pseudo HMM用于人臉識別。Kohir等［22］采用低頻DCT系數作為觀察矢量獲得了好的識別效果，如圖2（a）所示。Eickeler等［23］采用2-D Pseudo HMM識別DCT壓縮的JPEG圖像中的人臉圖像；Nefian等采用嵌入式HMM識別人臉［24］，如圖2（b）所示。后來集成coupled HMM和HMM通過對超狀態和各嵌入狀態采用不同的模型構成混合系統結構［25］。

　　基于HMM的人臉識別方法具有以下優點：第一，能夠允許人臉有表情變化，較大的頭部轉動；第二，擴容性好。即增加新樣本不需要對所有的樣本進行訓練；第三，較高的識別率。

　　（a） （b）

　　圖2 （a） 人臉圖像的1-D HMM （b） 嵌入式隱馬爾科夫模型