人臉識別基本方式及常見問題解決之道

成都弱電公司訊：

人臉辨認技術是基于人的臉部特征，對輸入的人臉圖像或者視頻流，根據具體的面貌特征信息進行判斷。并與數據庫中的人臉進行對比，從而達到辨認每個人身份的目的。

人臉辨認基本方式

人臉辨認的方法很多，以下介紹一些主要的人臉辨認方法。

(1)幾何特征的人臉辨認方法

幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)。這些算法辨認速度快，需要的內存小，但辨認率較低。

(2)基于特征臉(PCA)的人臉辨認方法

特征臉方法是基于KL變換的人臉辨認方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。假如假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作辨認的特征矢量，這就是特征臉方法的基本思想。這些方法需要較多的練習樣本，而且完全是基于圖像灰度的統計特性的。目前有一些改進型的特征臉方法。

(3)神經網絡的人臉辨認方法

神經網絡的輸入可以是降低分辨率的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行練習，而在許多應用中，樣本數量是很有限的。

(4)彈性圖匹配的人臉辨認方法

彈性圖匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離，并采用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特征向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以答應圖像存在彈性形變，在克服表情變化對辨認的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行練習。

(5)線段Hausdorff距離(LHD)的人臉辨認方法

心理學的研究表明，人類在辨認輪廓圖(好比漫畫)的速度和準確度上絲毫不比辨認灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾分歧的是，LHD并不建立分歧線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在分歧光照條件下和分歧姿態情況下都有非常出色的表現，但是它在大表情的情況下辨認效果不好。

(6)支持向量機(SVM)的人臉辨認方法

近年來，支持向量機是統計模式辨認領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的辨認率，但是它需要大量的練習樣本(每類300個)，這在實際應用中往往是不現實的。而且支持向量機練習時間長，方法實現復雜，該函數的取法沒有統一的理論。

人臉辨認的方法很多，當前的一個研究方向是多方法的融合，以提高辨認率。