李坤 樊宇

摘要：人脸识别技术主要经过人脸轮廓对比分析，对人脸进行识别或验证的一种技术手段。人脸识别技术包括人脸特征提取和分类器设计等，是生物特征识别领域中的重点研究项目。目前人脸识别技术已经开始在我们的生活中应用，也获得了人们的广泛关注，这一技术通常以人体面部特征为主要依据，检测视频中的人脸及位置、大小、形状等信息，通过人脸来识别人的身份。本文主要围绕人脸识别技术展开论述，分析了人脸识别技术的研究进展和研究重点。

关键词：人脸识别技术;技术研究;研究进展

引言

近年来人脸识别技术的研究越来越深入，也获得了较大的研究进展。人脸识别技术相较于指纹和虹膜识别技术来说更加简便且直观，是当下模式识别领域中的重点研究话题。人脸识别技术的研究主要趋向于两个大方向，其一为根据整体的研究方法考虑模式整体属性，其二为特征分析法，识别人脸信息并保存拓扑关系等信息。但除此之外，人脸识别技术研究也逐渐趋向于整体识别与特征分析的结合应用。

一、人脸识别技术研究进展

（一）基于几何特性的人脸识别技术

基于几何特性的人脸识别技术通常会将人脸通过几何特征矢量进行换算，采用层次聚类法设计分类器来准确识别人脸。几何特征矢量便是人脸形状及几何关系的特征表现，分量一般包含人脸既定两点的曲率和角度等信息。对于人脸识别来说，重点在于积分投影形成的波峰和波谷，而基于几何特性的人脸识别技术则主要通过脸部器官集合位置关系来确定其脸部特征。随着人脸识别技术的发展，弹性图匹配法也为几何特性人脸识别具有了更为有力的支持，弹性图匹配法通过属性拓扑图的方式将人脸特征展现出来，在图中各个顶点都包括了一种特征矢量，将人脸中各个点位的信息进行记录，以关键点图作为基础进行匹配计算，节点通常在眼球或眼角等多信息点。弹性匹配法对于人脸要进行模型图计算，所以计算量较大，而基于弹性图动态链接模型的技术手段则很好地改善了这一人脸识别技术，识别效率大大提高，同时也解决了识别率的问题。

（二）基于神经网络的人脸识别技术

基于神经网络的人脸识别技术是当下广泛研究的一种技术，主要利用BP神经网络学习算法。人工神经网络属于仿生物神经网络行为的一种计算模型，结构主要为单元和处理单元。在这一技术应用过程中，需要设计一个神经网络，之后将人脸图像的像素构成与神经元进行对应，从而进行人脸识别。这一技术的优势主要在于人脸特征提取较为简便，根据学习过程能够获取人脸识别规则，并且具有一定的适应能力。同时神经网络在信息处理方面属于并行模式，效率较高，但若是神经元较多，那么样本训练周期也会相应提高。

（三）模板匹配方法

模板匹配方法的应用通常需要利用计算模板和图像灰度判断功能，而且模板匹配方法具有弹性匹配和静态匹配两类。静态匹配方法通过数据库的构建来收录人脸模板，并且人脸模板并不要求一定是整体的人脸，局部模板也可以存储。之后转换识别目标图像，将尺度和灰度進行统一处理，再在数据库中查找条件相似的模板图像。相比于其他人脸识别技术，静态模板匹配方法具有一定限制性，库本身是固定的，灵活性不足。弹性匹配方法与静态匹配方法相比更具优势，将需要识别的人脸特征进行检测和记录，构建特征参数模型，特征灿星能够表现出相对形状的可变部分，这也使得弹性匹配方法更加灵活，但却在计算周期上相对较长，计算量较大。

二、人脸识别技术的研究重点

（一）三维人脸重构法

三维人脸重构指的是利用人脸图像或包含人脸信息的视频中提取信息并建立三维模型，三维人脸模型的构建进一步提高了人脸识别的精确性。根据技术应用方法可以将三维人脸重构法分为静态图像重构与视频序列重构两种。在对于静态图像重构方法的研究过程中，基于单一图像的建模和支持向量机、三维形变模型的方法都无法提供连续多帧图像与实践的相干性，因此便提出了视频图像序列重构法。通过视频重构人脸和静态图像重构法最主要的区别在于源图像，视频源序列中可以选择其中一帧图像来重构人脸，也可以通过两个视频帧重构人脸模型，在TPS试配的基础上实现人脸模型的非线性变换，便能够得到较为完善的三维人脸模型。

（二）多姿态脸识别技术

许多人脸识别技术都采用了正面人脸识别方式，若人脸倾斜一定角度后则可能会影响识别的效率与准确性。而多姿态的人脸识别则会成为今后人脸识别的发展主流，在识别人脸侧面或倾斜一定角度人脸时显然难度更高，但若是研究成功必然成为一项重大突破。

（三）多数据融合人脸识别技术

目前人脸识别技术也越来越成熟，识别方法非常灵活，并且不同的人脸识别技术优点缺点不同，也都适用于不同的条件之下。在这一背景下，将多种人脸识别技术结合取长补短也是一个可以考虑的方向，算法和技术的综合应用，弥补各项人脸识别技术存在的不足，形成一套具有综合性特征且较为完善的识别方法也是一种研究重点，通过融合与创新推助人脸识别技术的发展。

结束语

经过多年的发展，人脸识别技术以及算法也在不断完善和创新，但不同的算法都有不同的实现环境，适用条件不同，因此技术应用方面仍然存在一定的不足或缺陷需要解决。今后的人脸识别技术也会随着有关学科的进步而不断完善不断创新，在人们的生活中也会得到更加广泛的应用。

参考文献

[1]左腾. 人脸识别技术综述[J]. 软件导刊，2017，16（02）：182-185.

[2]马凌宇. 人脸识别技术研究进展分析[J]. 电子测试，2020（05）：127-128+71.

基金项目：2019年海南省自然科学基金青年基金项目《基于边缘计算的深度学习人脸识别CNN关键技术研究》。项目编号：619QN249

作者简介：李坤（1983.9），女，汉，辽宁北票，硕士，讲师，计算机相关