人脸识别系统的研究与实现

以促进人脸识别的研究。日本sony公司最新推出的数码相机已经整合了人脸自动识别功能，在拍照时，可以自动检测出人脸区域并进行对焦，并且还具有识别笑脸的功能，能够自动检测出笑脸。2007年3月，美国 NIST 报告了2006 年人脸识别供应商评测（FRVT2006）结果，对控制光照条件下的极高分辨率正面人脸图像，最小错误接受率为0.001时，最小错误拒绝率已达到0.01，对高分辨率、低分辨率下的正面人脸图像的识别，这个数据也分别达到了0.021 与0.024。在一定条件，有些技术甚至超过了人类的人脸识别力。

国内对于人脸识别的研究较之国外稍晚一些，但是发展速度很快，同时，国家对人脸识别技术的研究也给予了高度的重视。九十年代中后期以来，国内众多研究机构的研究组在国家自然科学基金、863 计划等资助下开始对人脸识别进行了研究。其中，具有代表性的人脸识别系统有：清华大学电子系丁晓青教授研究小组开发的 THfaceID系统；中国科技大电子科学与技术系庄镇泉教授研究小组开发的人脸识别考勤系统（KD-Face2.0）；中科院计算所高文研究组开发的GodEye系统；清华大学电子系苏光大教授研究小组开发的大型人脸综合识别系统；中科院自动化所李子青研究小组开发的人脸识别系统等。2008 年，在北京奥运会及残奥会开闭幕式，使用了由CBSR研制的人脸识别技术进行实名制门票查验。在奥运会及残奥会开闭幕式中，约 36 万人次经过了人脸识别系统的验证后进入开闭幕式现场。为奥运会的安保工作做出了巨大的贡献，该技术拥有完全独立自主的知识产权，人脸识别系统的性能优良，在国际上亦处于领先地位。2011年1月，由台湾政府资助开发出了新型的人脸识别自动售货机，该机器可以应用在某些特殊商品的销售领域中，如保健产品、面膜、剃须刀等，该人脸识别自动售货机可以根据消费者面部的特征向其推荐特定的商品。同时，人脸识别技术也可以帮助解决很多社会问题，比如，目前的解救乞讨儿童的公益活动。其中，以中科院自动化所免费提供人脸识别相关的技术支持，并与多个网络平台合作尽快的付诸于实践。

1.3 本文所做的主要工作及论文内容安排

1.3.1 本文所做的主要工作

本文针对实时视频的人脸检测跟踪与静态图像的人脸识别展开研究，介绍了一种开放源代码的计算机视觉类库OpenCV，阐述了该软件的特点及结构，并对其在VS2010开发环境下的配置作了详细的说明，然后提出了一个基于OpenCV的人脸检测算法[25]和基于隐隐马尔可夫模型的人脸识别方法[24]。对人脸识别技术做了详细综述，着重讨论了人脸识别过程中的几个关键性问题，如图像预处理、识别和检测算法等。在分析和借鉴了国内外人

3

脸识别领域研究成果的基础上，结合实际应用的目的，对人脸识别关键技术进行了深入研究，主要工作包含以下几个方面：

（1）介绍了基于人脸识别的研究背景和意义，总结了现有的人脸识别的方法，分析比较了它们的特点以及存在的问题。

（2）对人脸检测和识别过程中的静态图像预处理技术和特征提取技术展开讨论，重点分析了图像的灰度变换、直方图均衡化、边缘检测等问题。

（3）对国内外人脸检测的Adaboost算法和人脸识别的隐马尔可夫算法的研究进行了跟踪，提出了一种基于Adaboost的人脸检测算法，和一种基于嵌入式隐马尔可夫模型的人脸识别算法，并对算法进行的实验测试进行分析，实验结果表明文章中提出的算法具有较好的人脸检测和识别的准确率。

（4） 从应用的角度出发，结合前面两章的研究成果，设计并实现了一个人脸检测跟踪系统和一个静态人脸图像识别的人脸识别系统。基本思想是：利用文章中提出的的Adaboost算法先检测出候选的人脸区域，再根据特定的算法提取出面部的人脸特征，确定并标示出人脸的位置；另外利用嵌入式隐马尔可夫模型算法开发了一个人脸识别系统进行人脸识别。文章进行了大量的实验测试，并对测试结果进行了分析。

1.3.2 论文内容安排

针对研究内容，本文的结构安排如下：

第一章为绪论，介绍了人脸识别技术研究的背景及意义和国内外的研究现状。 第二章为人脸识别技术的综述，分析了人脸识别的基本原理和方法，重点讨论了人脸识别中的关键算法，指出了现在人脸识别技术的研究难点。

第三章为人脸识别系统的需求分析，分析了算法需求和功能需求，为系统的方案设计做好准备。

第四章为人脸识别系统的方案设计和实现，给出了系统的总体设计方案和各个功能模块的设计，详细阐述了整个系统和各个模块的实现过程。

第五章为人脸识别系统的系统测试，阐述了系统的功能测试和测试结果。 第六章为总结与展望，阐述了自己论文的主要成果和仍需要做的改进。

4

第2章 人脸识别技术的综述

人体生物特征识别技术是依靠人体的生物特征来进行人的身份验证的一种高科技识别技术。而人脸识别技术具有比其他生物特征识别技术更直观、简便、准确、可靠及可扩展性良好等众多优势，因而应用广泛。

2.1 人脸识别技术的基本原理

人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流，首先判断其是否存在人脸， 如果存在人脸，则进一步给出每个脸的位置、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涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

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、人脸定位、人脸识别预处理、身份确认以及身份查找等；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。

2.2 人脸识别技术包含的内容

2.2.1 人脸检测

人脸检测是指在动态的场景与复杂的背景[10]中判断是否存在面像，并分离出这种面面像。

下面是几个主要的人脸检测方法：

（1）基于知识的方法：这种方法是基于规则的人脸检测方法，规则来源于研究者关于人脸的先验知识，将典型的人脸形成规则库对人脸进行编码，通过面部特征之间的关系进行人脸定位。一般比较容易提出简单的规则来描述人脸特征和它们的相互关系，如在一幅图像中出现的人脸,通常具有互相对称的两只眼睛、一个鼻子和一张嘴。特征之间的相互关系可以通过它们的相对距离和位置来描述，在输入图像中首先提取面部特征，确定基于编码规则的人脸候选区域。

基于知识的方法存在的问题是很难将人类知识转换为明确定义的规则。如果规则太详细(严格)，由于不能通过所有的规则可能使得检测失败；如果规则太概括(通用)，可能会有较高的错误接收率。此外，很难将这种方法扩展到在不同的位姿下检测人脸，因为列举所有的情况是一项很困难的工作。

5

（2）基于特征不变性的方法：在姿态、视角或光照条件改变的情况下找到存在的结构特征，然后使用这些特征确定人脸。这类方法主要有采用人脸特征检测、基于皮肤颜色纹理特征检测以及基于多个特征综合检测。不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。与基于知识的方法相反，它是寻找人脸的不变特征用于人脸检测。人们已经提出了许多先检测人脸面部特征，后推断人脸是否存在的方法。一般利用边缘检测器提取面部特征(如眉毛、眼睛、鼻子、嘴和发际等)，根据提取的特征，建立统计模型描述特征之间的关系并确定存在的人脸。

这类方法的缺点在于这些特征会由于照明、噪声以及遮挡情况被破坏，人脸的特征边界会被弱化，在这种情况下很多方法都会失效；同时由人脸阴影所形成的边缘可能对几何特征的边缘带来不良影响。

（3）基于模版匹配的方法：这类方法首先人工定义或者参数化的建立一个函数来描述标准人脸模式（通常是正面人脸），然后根据输入的人脸和定义的标准人脸的相关性来进行检测。但是实际上，我们的人脸模式变化太大，人脸模板的构建是相当难的，如果是固定的模板，很难做出准确的判断。也有人提出了带参变量的曲线函数，即变形模板。变形模板可以根据人脸模式的变化自适应地调节匹配模板，提高了模板的适应性和检测精度。最近提出了多分辨率模版、多比例模版、子模版等方法来适应比例及形状的变化。

基于模板的方法较为直观，但是固定模板对位姿、表情和尺度变化敏感；可变形模板虽然对非刚性模式具有较好的适应性，但是可变形模板的选择和参数的确定困难，受人脸各种因素的影响比较大，尤其是在图像背景比较复杂的情况下，模板匹配鲁棒性差，如果待测图像中有多个人脸的话，要实现图像中多个人脸的检测特别困难。

（4）基于外观的方法：这类方法主要依赖于统计分析和机器学习理论，对应于模版匹配的预先定义模版的方法，通过从样本图像学习中获得“模版”进行人脸检测。通过将人脸图像视为一个高维向量，从而将人脸检测问题转化为高维空间中分布信号的检测问题。通常，基于外观的方法依靠统计分析和机器学习技术找到相应的人脸和非人脸图像的特征。学习的特征由分布模型或判别函数形成，同时，由于计算效率和检测有效性的原因通常需要降维。

该类方法主要有，特征脸（Eigenfaces）方法：将KL变换[21]引入了人脸检测，在人脸脸识别中采用的是主元子空间（特征脸），而人脸检测利用是次元子空间（特征脸空间的补空间），用待检测区域在次元子空间上的投影能量，也即待检测区域到特征脸子空间的距离作为检测统计量，距离越小，表明越象人脸。神经网络方法：人脸检测可以看作是只有人脸样本和非人脸样本两个分类的模式识别问题，通过对人脸样本集和非人脸样本集进行学习可以产生分类器。

由于人脸模式的多样性和图像获取过程的不确定性，人脸在图像空间中分布非常复

6