段崇禧

重庆市通信产业服务有限公司中冉信息分公司 重庆 401121

1 动态人脸识别概述

人脸识别是指能够识别或验证图像或视频中的主体的身份的技术。让人脸识别比其它生物识别方法更受欢迎的一大不同之处是人脸识别本质上是非侵入性的。比如，指纹识别需要用户将手指按在传感器上，虹膜识别需要用户与相机靠得很近，语音识别则需要用户大声说话。相对而言，现代人脸识别系统仅需要用户处于相机的视野内（假设他们与相机的距离也合理）。这使得人脸识别成为了对用户最友好的生物识别方法。这也意味着人脸识别的潜在应用范围更广，因为它也可被部署在用户不期望与系统合作的环境中，比如监控系统中。人脸识别的其它常见应用还包括访问控制、欺诈检测、身份认证和社交媒体[1]。

与基于静止图像的传统人脸识别方法不同，基于视频的动态人脸识别方法以视频流和视频图像序列为目标，并且关注每个图像帧的独特信息。它还会显示您需要的上一帧和下一帧之间的相关信息。因此，基于视频的动态人脸识别具有与静态人脸识别不同的特征：主要研究结果如下：（1）视频图像序列中存在大量冗余信息，这种信息的有效筛选和融合可以在一定程度上提高静态识别的效果。（2）视频中的动态信息提供除静止图像以外的线索以进行人脸识别。面部模型也可以随着时间的变化而动态变化。（3）可以通过脸部等的超分辨率技术生成高分辨率的脸部图像。因此，可以从运动图像的有序脸部获得更准确的脸部表情。但与此同时，由于视频采集过程，这是不可能的。避免引入各种不可控因素的干扰，例如环境照明的变化，人和相机的相对位置的变化，以及通过运动的图像模糊。在面向视频的动态人脸识别中，存在许多未解决的困难和挑战。特别是，它可以总结如下：

1.1 光照问题

照明是影响人脸识别的主要因素之一。不同照明环境中同一人的成像差异可能大于同一照明环境中不同人的成像差异。在实际的监视环境中，缺少辅助光源和室外不均匀光线的干扰可能会影响人脸识别的效果。

1.2 人脸姿势问题

随着人脸识别技术的隐蔽，人脸识别过程不需要用户积极配合，因此人脸在一定范围内变化引起的人脸表情差异是动态的是人脸识别的重要问题之一，需要解决。

1.3 低质量图像问题

监控视频中的人脸图像质量远低于传统静止图像，具有相对较低的分辨率和较低的特征，具有显着的图像噪声和运动模糊。结果表明，当人脸分辨率小于32×32时，人脸识别系统的性能会显着下降。因此，整理低分辨率监视图像和高清晰度原件之间的内在关联有助于消除动态人脸识别技术的实际战斗过程中的障碍。

2 动态视频的人脸识别技术的主流方法

2.1 关键帧方法

已完成的关键帧参考，主要用于视频序列，确定的规则和作为原始输入的关键帧，视频中的面部实际上是关键帧面部图像和但是，这种方法的标准是非常主观的，没有客观的标准，所以从视频序列进行质量筛选和质量比较，可以对静态图像进行实时比对。您需要选择一个图像。该方法的优点是比较频率低，处理速度快。但是，由于没有固定的标准，人们很难接受它。除了选择用于比较的关键帧的方法之外，还比较同一对象的多个关键帧。最简单的方法是通过设备跟踪的几个关键帧来面对视频，比较每个帧，最后根据关键帧识别结果的融合得出结论。这种方法的缺点是识别结果的质量取决于融合规则，但没有统一的规则。

2.2 图像集方法

（1）图像超分辨技术。随着图像分辨率的降低，人脸识别技术的质量下降，运动图像超分辨率技术应用于运动图像识别技术。图像超分辨率技术通过集成多个分辨率来重建图像，并且由于图像的低分辨率而实现识别技术的偏差。然而，图像超分辨率技术对图像集的对齐敏感，并且图像集的对齐是难以克服的问题[2]。

（2）统计模型的方法。视频面部图像是人类阶段的表达描述。如果每个被监视人员的图像被用作观察样本，则图案样本可以满足某些统计特性。在这种情况下，PCA可用于为任何人渲染子空间信息，或者模型可用于表示任何人的面部。集合之间的相关性用于确定集合之间的相似性，以确定不同面部之间的相似性，并确定分类的特征。

（3）3D重构的方法。使用动态视频面部识别技术，面部姿势问题既困难又难以克服。3D重建方法是根据面部结构合成面部的方法。通过应用该方法，可以有效地减小由于面部角度引起的偏移。根据重建对象之间的差异，可以使用重建来实现面部的3D重建，并且可以执行要监视的面部的3D建模。通过预测面部姿势的照明问题，可以使用不同数据库人员的3D面部模型来比较和识别不同数据库人员的2D面部图像。该方法由于姿势的不同而降低了识别难度。然而，由于操作成本高，它没有被广泛使用。

（4）流行的方法。通过集合之间主成分的角度相似性度量，线性子空间与线性子空间之间的距离来测量互子空间的方法。因此，流行度可被视为不同线性结构的快速组合。流行度和流行度之间的距离定义为两个线性结构之间的距离，但是常见的线性近似称为最大线性结构[3]。

3 结语

经过多年的发展，动态人脸识别技术取得了一些成果，但在仍然失控的复杂情况下难以获得良好的识别效果。例如，在车站或钥匙监控场所，由于姿势和面部照明的影响，不能获得良好的识别效果，并且增加了动态视频面部识别技术的难度。