四川理工学院文献综述
面部特征判别系统设计
学 生：洪 之 学 号：17021071035 专 业：生物医学工程 班 级：2017.1 指导教师：李 芬
四川理工学院自动化与电子信息学院
二O二O年五月
1. 前 言
随着金融贸易和安全入口控制等方面应用需要的快速增长，生物统计识别技术得到了十分的重视。同时微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现成为可能。而面部特征判别技术是所有的识别方法中应用最广泛的技术之一，面部特征判别技术是一项近几年来兴起的，我们常常在电影里看到这样的场景：警察将拍到的嫌疑犯的面部照片，输入到电脑中，然后与警方面部数据库中的资料进行比对，并找出该嫌犯的详细资料和相关记录。非虚构的情节！在国外，面部特征判别技术早已被大量使用在国家重要部门以及军警等安防等部门。在国内，对于面部特征判别技术的研究始于上世纪90年代，目前主要应用在公安、网络安全、金融、物业管理以及考勤等领域。
面部特征判别系统现在在许多领域中起到举足轻重的作用，尤其是用在机关单位的安全和考勤、银行、网络安全、物业管理、海关边检、智能身份证、军队安全智能门禁、司机驾照验证等等。我国在这方面也取得了一些较好的成就，国家863项目“面像检测与识别核心技术”通过成果鉴定并初步应用，这就标志着我国在面部特征判别这一科研领域掌握了一定的重要核心技术。北京科瑞奇技术开发股份有限公司在2002年开发了一种面部鉴别系统，对面部特征进行处理，消除了照相机的影响，再对图像进行特征提取和识别。这样对于面部特征特别有着十分重要的价值，因为面部特征判别通常使用正面照，要鉴别的面部是不同时期拍摄的，使用的照相机不一样。系统可以接受时间间隔较长的照片，并能达到较高的识别率，在计算机中库藏2300面部的正面照片，每人一张照片，然后使用相距1--7年、差别比较大的照片去查询，首选率可以达到50%，前20张输出照片中包含有与输入照片为同一人的照片的概率可达70%。2005年1月18日，由清华大学电子系面部特征判别课题组负责人苏光大教授主持承担的国家\十五\攻关项目《面部特征判别系统》通过了由公安部主持的专家鉴定。鉴定委员会认为，该项技术处于国内领先水平和国际先进水平。
2 正 文
2.1 面部特征检测
面部特征检测面部特征判别的第一步。只有在图像中首先定位面部，才能进一步进行判别。面部特征检测作为面部特征信息处理中的一项关键技术，近几年来成为模式识别与计算机视觉领域内一个受到重视、研究十分活跃的题目。
面部特征检测之所以称为面部特征判别的一个关键环节，是因为早期的面部判别研究都主要针对具有较强约束条件的面部图像(如无背景的图像)，往往假设面部的位置已知或者很容易获得，因此面部特征检测问题并没有受到重视。但是，近几年随着电子商务等应用的发展，面部特征判别成为最有潜力的生物身份验证手段，这种应用要求面部特征判别系统能够对复杂背景中的面部具有一定的判别能力。由此使得面部特征检测开始作为一个独立的课题受到重视。
2.2 面部特征识别
面部特征识别是图像分析和理解领域最重要的应用之一。对它的研究可以追溯到20世纪60—70年代，经过了几十年，不断的完善[1]。面部特征识别成为了研究的热点，其根本原因是因为它巨大的社会需求、应用的潜力大、范围广。其应用领域有：
（1）身份鉴定：身份证、护照等鉴定。
（2）使用许可：自动提款机ATM使用许可、机要部门准入。 （3）智能监控：无人值守时、入店行窃和嫌疑犯追踪的报警。 （4）多媒体：人机交互、面部建模和编码。 除了社会上的巨大需求之外，还有其他几个原因：
（1）较生物特征相比，如虹膜、指纹、DNA等，测试时不需要被测试者主动配合，系统可以主动识别，所以适用于各种应用环境。
（2）图像采集自然且容易，不要复杂设备，已经有成熟产品。 （3）和声音相比较，面部特征更加丰富。
（4）大量的神经科学研究表明，面部特征识别在灵长类动物的大脑皮层中有相应的位置和非常重要的地位，对人们理解人脑的工作方式、研究人工智能都
有十分重要的意义。
2.3 肤色模型及检测
肤色是面部的最重要信息，它不依赖于面部的任何细节特征，对于任何变化情况都能适用，具有相对的稳定性，同时和大多数背景物体的颜色相明显的区别。因此肤色这一特征在面部特征判别中是最常用的特征之一。肤色特征主要由肤色模型描述[2]。建立肤色模型，可以使用各种各样的方法。常用的肤色模型有高斯模型[3]、混合高斯模型[4][5]和直方图模型[6]。除这三种肤色模型外，还有直接利用几何参数描述肤色区域分布范围的模型[7]、三维投影模型[8]、基于神经网络的肤色模型[9][10]等。此外还有许多，这里不再一一讲述。
2.4 面部特征判别算法
在大多的视频监视系统、面部特征判别系统、图像检索系统中，都有利用肤色这个人类这个很重要的特征来进行判别。但是，仅仅使用基于肤色模型的方法来检测面部特征是远远的不够的。于是人们又提出了许多面部特征判别的方法。下面是几类典型的方法。
2.4.1 基于知识的由上向下的方法
这个方法是通过面部特征的关系得到一些简单的法则，例如，面部有一个鼻子，一个嘴巴，两个对称的眼睛。用它们之间的距离来表述它们的关系。然后对输入的面部图像，首先抽取面部特征，再得到候选的面部，通过知识来判别，最后验证判别的结果。
一种很典型的面部特征判别方法是Guangzheng Yang和Huang[11]提出的基于镶嵌图(Mosaic Image)的判别方法。所谓的镶嵌图就是将图像划分为一组大小相同的方格，每个方格的灰度为格中各个像素的平均值。这一方法由面部内部区域的灰度分布规律，构建了一个三层基于金字塔结构的面部特征判别系统。
2.4.2 基于特征的自底向上的方法
和上面的方法相反，我们试图寻找面部中不会变化的特征来进行面部判别。
可以利用的面部特征分为灰度特征和颜色特征这两大类。灰度特征包括纹理、边缘、亮度、轮廓等。Sirohey提出一种在完全相同的背景下分割面部的定位方法[12]。它使用Canny边缘检测，然后定向搜索，删除边缘和将边缘归并成组，最后保留面部轮廓，然后来匹配这个边缘。它的方法达到 80％的准确率。Chetverikov使用另外一种方法，就是使用“条纹”streak[13]和“污点”。它们的面部模型由三个白色的“污点”和两个黑色的“污点”组成，分别代表颧骨、鼻子和眼睛。最后使用“条纹”来表示嘴唇，眉毛和人脸轮廓。
2.4.3 基于模板的方法
研究者们很早就开始使用模板匹配方法来试图判别面部。其中，具有代表的是Sinha提出的“比值(ratio)模板”的方法[14]。他的关键思想是面部特征之间亮度的“相对亮度”是基本不变的（例如眼睛总是比周围的区域更暗）。于是，他使用了“比值模板”的方法。
2.4.4 基于外观的方法
基于外观的方法，就是一种基于统计学的方法。它的一般流程是，首先在大量的样本中，对面部和非面部样本进行统计，得出统计规律，这样就得出了分类器。最后对需要检测的图像进行某种预处理，再使用分类器进行判别，最后将判别结果返回。
2.5 IHaar 特征
改进后的Haar算法称为IHAAR算法。IHAAR算法是一种基于特征(feature)的算法，而不是像Haar算法基于象素的算法。因为这个算法算法面对的简单特征数量小于象素的数量。所以速度较快。正交的Haar特征族是Papageorgiou等人引入的[15]。IHAAR使用了其中三种类型的特征：
（1）两矩形特征－两个矩形区域的象素总和的差值。
（2）三矩形特征－两个外部矩形象素总和减去中间矩形象素总和。 （3）四矩形特征－计算对角线矩形象素总和差值。
Rainer Lienhart等人将Haar特征进行扩展[16]。引入了旋转了的Haar特征，
面部特征判别系统文献综述
