龙玉倩

摘要：随着计算机技术的迅速发展，人脸识别技术得到了广泛应用，例如银行卡的办理，火车站入口站的检测，人脸解锁等等，人脸识别技术的应用大大提高了办事效率，便利了我们的生活。本文综述了人脸识别技术的流程，讨论了其中的关键技术及发展前景。一般来说，人脸识别系统包括人脸图像采集及检测，人脸图像预处理，人脸图像特征提取，人脸图像匹配与识别。系统输入一般是一张或者一系列含有未确定身份的人脸图像以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。

关键词：计算机技术 人脸识别 发展前景

1 人脸识别技术概述

人脸识别技术是指利用分析比较的计算机技术识别人脸。人脸识别是一项热门的计算机技术研究领域，其中包括人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度等技术。人脸识别技术是基于人的脸部特征对输入的人脸图像或者视频流进行检测，首先是判断其是否存在人脸，如果存在人脸，则进一步的给出脸上每一块特征部分的位置、大小信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行比对，从而识别每个人脸对应的身份。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集及检测，人脸图像预处理，人脸图像特征提取，人脸图像匹配与识别等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

2 技术原理

2.1 人脸检测

面部检测是指在动态的场景与复杂的背景中判断是否存在人脸，并分离出这种面人脸。一般有下列几种方法：

①参考模板法

首先设计一个或多个标准人脸的模板，然后判断所采集的样品与标准模板之间的匹配程度，并通过阈值来最终判断是否存在人脸。

②基于几何特征的人脸识别方法

采用的几何特征有人脸的五官如眼、鼻、嘴，耳，眉等的局部形状特征。脸型特征以及五官在脸上分布的几何特征。提取特征时往往要用到人脸结构的一些先验知识。识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征矢量之间的匹配，其分量通常包括人脸指定两点间的距离、角度等。

③神经网络法

這种方法采用模式识别中人工神经网络的方法，通过利用MTCNN和faceNet实现人脸检测和人脸识别。

④肤色模型法

这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。

⑤基于三维模型的方法

这种方法根据图像的色度与亮度来判断人的面部哪些部位是凹陷，哪些部位是凸起，然后再通过纹理映射得到特定人脸的3D模型。值得提出的是，上述几种方法在实际检测系统中也可综合采用。

2.2 人脸跟踪

面貌跟踪是指对被检测到的面貌进行动态目标跟踪。具体采用基于模型的方法或基于运动与模型相结合的方法。此外，利用肤色模型跟踪也不失为一种简单而有效的手段。

2.3 人脸比对

人脸比对是在面像库中进行目标搜索并对被检测到的面像进行身份确认。这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹配对象。通常包括以下两种方法：

①特征向量法

该方法是先确定嘴角、鼻翼、眼角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，再由这些特征量形成描述该面像的特征向量。

②面纹模板法

该方法是在面像库中存贮若干个标准的面像模板或面像器官模板在进行比对时将采样面像与面像库中所有模板进行逐一匹配此外，还有采用模式识别的自相关网络或特征与模板相结合的方法。人脸识别技术的核JC、实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。一般要求判断时间低于1秒。

3 技术流程

人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。

3.1 人脸图像采集及检测

人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。

人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如模板特征、直方图特征、结构特征、颜色特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。

主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。

人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。

3.2 人脸图像预处理

人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行噪声过滤、灰度校正等图像预处理。对于人脸图像而言，其预处理过程主要包括灰度变换、人脸图像的光线补偿、直方图均衡化、几何校正、滤波以及锐化等。

3.3 人脸图像特征提取

人脸图像特征提取：人脸识别系统可使用的特征通常分为人脸图像代数特征、视觉特征、人脸图像变换系数特征、像素统计特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法主要分为以下两大类：

基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的距离、角度和曲率等。人脸由眼、鼻、嘴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。

3.4人脸图像匹配与识别

人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板進行搜索匹配，通过设定一个阈值，当相似度达到或超过这一阈值时，则把匹配到的人脸输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比对的过程，另一类是识别，是一对多进行图像匹配比对的过程。

4 应用前景

随着科技的发展，人脸识别技术已取得巨大的成就，但在实际应用中仍然有着巨大的难度，这一技术不仅要求达到准确，快速的识别，并且还要得到有效的特征描述，准确的分类。利用图像处理方法进行人脸识别，已被广泛应用于生活的各个领域中，通过人脸识别实现人脸支付，人脸解锁，安全检查等。人脸识别技术在电子，通信，安全，金融和探测等领域中都具有很好的应用价值。而随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。

5 结语

人脸识别技术是一项具有广阔发展潜力与应用前景的技术，人脸识别系统主要由人脸检测与人脸识别这两大关键环节组成，不断的提高其精确性与快速性是我们的目标，它主要运用的是图像处理和神经网络这两大技术，而来自于光照，姿态，遮挡和表情的变化等因素所造成的精确识别的影响是其面临的最大挑战。逐渐减小或是消除这些影响将使人脸识别技术上升到另一台阶，而现阶段我们的工作目标就是寻找减小这些影响的方法。

参考文献

[1]张翠萍，苏光大.人脸识别技术综述，中国图像图形学报，2000，5（11）： 885-894

[2]祝秀萍，吴学毅，刘文峰.人脸识别综述与展望[J]，计算机与信息技术，2008（04）：53 56.

[3]吴晓萍，管业鹏.基于人脸关键点与增量聚类的多姿态人脸识别[J/OL].激光与光电子学进展：1-14[201904—_21].

[4]曹欢欢，基于人工神经网络的人脸识别方法[D].吉林大学，2008.