人脸识别研究综述

摘要:在过去的20年里,研究者提出很多人脸识别的方法。大多数研究者运用了整张人脸来做识别,基本技术路线都是提取人脸特征然后并对。然而在实际的场景中,人脸可能被障碍物遮挡,那么我们就必须识别人的部分脸,部分脸识别大多基于脸部关键点进行识别。本文意在总结基于人脸关键点的全脸和部分脸的识别方法。

1.引言

近20年,大量的人脸识别方法被提出,在一些可控制的条件下,这些方法在一些公开的数据库上都取得了非常好的结果。这些方法大多以整张脸做为识别对象。之前数年,研究者利用LBP,Gabor,PCA,NN,HOG来提取人脸特征.然而人脸非常容易被遮挡,那么这些全局特征将失效,因此识别部分脸将成为人脸识别的关键。部分脸如图1所示。因此我们迫切需要一些方法来解决部分脸的识别问题,而且这些方法对人脸的适度变化具有鲁棒性。使人脸识别能更好地应用于实际的场景中,具有重要的应用价值。

图1 一些部分遮挡的人脸样本。(a)LFW数据库中部分遮挡的人脸样本。(b)AR数据库部分遮挡的人脸样本。

人脸识别具有重要的学术价值,人脸是一类相当复杂的细节变化的自然结构目标,此类目标的识别的挑战性在于:(1)外界光线变化或者表情变化。(2)在真实的环境中,可能存在眼镜,胡须,化妆或者口罩或者其他物体的遮挡。(3)物体遮挡导致在复杂的环境中难以检测出人脸。

2.全脸识别

这儿不介绍全局LBP,Gabor,PCA,NN,HOG来提取人脸的方法,主要介绍下基于关键点的高维人脸特征提取方法[1],事实证明该方法的效果非常好。高维特征提取的关键在于对人脸的关键点的定位,然后对倾斜的人脸进行矫正,那么标定人脸的关键点的位置就是关键,D,C等人主要标定了人脸的眼睛,鼻子,嘴巴等关键点,运用了[2][3]的方法来对人脸进行对齐。高维的含义是提取了多关键点和多尺度的特征。如图2所示。

图2. (a)在人脸上定位关键点。(b)多尺度定位关键点的感兴趣区域并分块。

每一个关键点周围固定大小的正方形的感兴趣区域,如图2(b)所示。对每个子区域提取如LBP,Gabor,SIFT,LE,HOG等特征。对原始的人脸缩放一个单位尺度,同样加上一个固定的大小的框,再对子区域提取相应的特征,依次缩小尺度提取特征。其他的关键点也做相应的操作。

但是这样操作的话会造成维数灾难,而且不容易在数据上进行存储,对于一个嵌入式的系统,需要很大的存储空间,尤其是对一些存储空间比较小的便携式的设备。因此我们需要一个稀疏的转换矩阵,稀疏矩阵需要的存储空间小,[1]利用风险最小化的方式对得到一个稀疏转换矩阵B。图3是提取特征和特征降维的过程。

图3 特征提取和降维的示图(X代表原始的串联的特征,Y代表降维后的特征。B代表稀疏转换矩阵)。

训练样本中降维后的特征可以根据PCA,把X当做输入,Y当做输出,有下面的损失函数。

minB,R  ||RTY?BTX||22+λ||B||1

s.t    RTR=I

λ为正则化系数,上式可以通过最优化的算法解出BT

最后我们保存的特征就为Y。图4是识别率在不同特征下随着提取特征维度的变化曲线。

算法缺点:只适合没有遮挡,缺失的人脸。

3.部分脸识别

与上述完全人脸识别不同的是,部分人脸的信息缺失导致一些特征无法提取,在我们进行人脸识别前我们需要知道人脸的那部分缺失了,缺失的程度有多大。这就是一个难题了。Renliang Weng等人[4]利用SIFT关键点位置信息和纹理信息来对人脸进行识别,关键在于对人脸的校正。对图像不断的进行仿射变换,使完全脸和部分脸的关键点算子之间距离和以及纹理特征之间的距离达到全局最小,这样完成对图像的校正,如图5所示。

图五: 图像校正的过程

最后通过比对待识别的部分人脸与数据中的人脸作比较。

这个方法的缺点在于:第一:每次迭代需要的时间长,导致人脸识别的效率比较低,第二:实验是在已经切割好的人脸图像上做的,最关键的检测部分人脸将成为实际场景识别人脸的关键。

Shengcai Liao[5]提出了一种不需要人脸对齐的一种人脸识别方法,他使用一些关键区域作为识别对象,对关键部分进行取子块划分,使用Gabor滤波器提取几个方向的特征然后用PCA降维,最后用稀疏编码把这些特征组成一个字典,最后关键部位来匹配这些人脸。

疑问:第一:如果关键部位被遮挡严重将会提取不到这些关键的特征导致人脸识别不出来。第二:部分人脸检测依旧是问题。

结论:现有的方法是以关键点或者关键位置来做人脸识别,已经取得了一些好的效果,但是如果当这些关键点或者关键位置被遮挡,这些算法可能不鲁棒,而我们需要做的是在做人脸检测的时候,我们需要知道人脸的哪些部位被遮挡,哪些部位未被遮挡,对未遮挡的部位提取特征与数据库比对,关键在于我们只能提取局部的特征。

参考文献:

[1]Blessing of Dimensionality: High-dimensional Feature and Its Ef?cient Compression for Face Veri?cation.

[2]P. Belhumeur, D. Jacobs, D. Kriegman, and N. Kumar. Localizingparts of faces using a consensus of exemplars. In CVPR, pages 545–552. IEEE, 2011. 2

[3]X. Cao, Y. Wei, F. Wen, and J. Sun. Face alignment by explicit shape regression. In Computer Vision and Pattern Recognition, pages 2887 –2894, June 2012. 1, 2

[4]Robust feature set matching for partial face recognition

[5]Partial Face Recognition Alignment-Free Approach

版权声明:本文为博主原创文章,未经博主允许不得转载。

时间: 2024-10-07 21:28:48

人脸识别研究综述的相关文章

实验报告: 人脸识别方法回顾与实验分析 【OpenCV测试方法源码】

趁着还未工作,先把过去做的东西整理下出来~   Github源码:https://github.com/Blz-Galaxy/OpenCV-Face-Recognition (涉及个人隐私,源码不包含测试样本,请谅解~) 对实验结果更感兴趣的朋友请直接看 第5章 [摘要]这是一篇关于人脸识别方法的实验报告.报告首先回顾了人脸识别研究的发展历程及基本分类:随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了详细的阐述:最后作者通过设计实验对比了三种方法的识别效果并总结了人脸识别所面临的困难与

人脸识别算法初次了解

这是转载别人的帖子,认为好,大家一块学习http://www.cnblogs.com/guoyiqi/archive/2011/07/28/2129300.html 前言 在写此文之前,先扯点东西.我一直在找一个东西,让我思考,让我久久的深陷当中,永久的,不断的思考.现在,我意识到,这个东西即是算法.我一直在找一家合适的公司,能让我的兴趣无比放肆的,自由驰骋. ok,由于在一家公司的面试过程中,面试官提到过这个人脸识别算法,由于在此之前,未曾有过了解,所以,特作此番学习与研究.有不论什么问题,欢

OpenCV+Qt:基于PCA主成分分析的人脸识别例程

在模式识别领域中,PCA是一种常用的数据集降维手段,在此基础上,保留数据集中对方差贡献最大的特征从而进行模式分类.OpenCV中提供PCA的类,因此可以方便地使用PCA来进行人脸识别研究.在学习了网上的相关实现和代码,在以下开发平台跑通了代码:win8.1+OpenCV2.4.9+Qt5.3.2. 一.基本步骤 关于PCA的一些理论,可参照:http://blog.csdn.net/liyuefeilong/article/details/45126255 以下是实现PCA的基本思路: 1.把原

MTCNN人脸识别

最近看了一些人脸识别的综述及几篇经典论文.这里简单记录下MTCNN论文及Tensorflow的复现过程.感觉人脸检测属于目标检测下的一个方向,不过由通用目标检测改为人脸检测,即多分类改为2分类,且为小目标检测.而且人脸检测还加上了关键点检测,可以依靠关键点增加召回率.主要思想还是依靠的通用目标检测,除了yolo和R-CNN系列,还多出的一个算法系列为级联网络结构,MTCNN为其中一个代表.以前讲过通用目标检测的两种方法,这次主要讲一下级联网络的MTCNN这一种方案. 附带一句我理解的阅读论文思路

王文峰《人脸识别原理与实战以MATLAB为工具》PDF及代码+《人脸识别原理及算法(沈理)》PDF+学习参考

人脸识别是当今世界科技领域攻关的高精尖技术.<人脸识别原理及算法:动态人脸识别系统研究>系统介绍了人脸识别研究领域的研究状况以及作者在人脸识别领域的研究工作和研究成果,全书共分为3个部分. <人脸识别原理与实战以MATLAB为工具>作为该技术的进阶指南,在内容上尽可能涵盖人脸识别的各技术模块,立足于作者 在中国科学院.985工程大学国家重点实验室从事视频识别与智能监控项目开发的研究积累及实战体验,分享了作者对人脸识 别算法设计的一些最直观的感触和认识. 参考学习: <人脸识别

一文读懂人脸识别技术

近日,人脸识别技术因多次在抓逃犯的过程中"立功",再度走"红".从20世纪60年代起,人脸识别研究开启,发展到今天有哪些进展?该产业里的竞争,是人工智能投资泡沫带来的浮躁,还是市场规模将持续突进? 何谓人脸识别技术? 20世纪60年代,人脸识别工程化应用研究正式开启.初期的方法主要利用了人脸的几何结构,通过分析人脸器官特征点及其之间的拓扑关系进行辨识.这种方法简单直观,但是一旦人脸姿态.表情发生变化,则精度严重下降. 如今的解决方案多是基于主动近红外图像的多光源人脸

人脸识别(face recognition)

一.前述 1. 发展 以往的人脸识别主要是包括人脸图像采集.人脸识别预处理.身份确认.身份查找等技术和系统.现在人脸识别已经慢慢延伸到了ADAS中的驾驶员检测.行人跟踪.甚至到了动态物体的跟踪.由此可以看出,人脸识别系统已经由简单的图像处理发展到了视频实时处理.而且算法已经由以前的Adaboots.PCA等传统的统计学方法转变为CNN.RCNN等深度学习及其变形的方法.现在也有相当一部分人开始研究3维人脸识别识别,这种项目目前也受到了学术界.工业界和国家的支持. 之后的内容主要参考了下面的链接,

人脸识别

一:发展历程 人脸识别系统的研究始于20世纪60年代,80年代后随着计算机技术和光学成像技术的发展得到提高,而真正进入初级的应用阶段则在90年后期,并且以美 国.德国和日本的技术实现为主:人脸识别系统成功的关键在于是否拥有尖端的核心算法,并使识别结果具有实用化的识别率和识别速度:“人脸识别系统”集成了 人工智能.机器识别.机器学习.模型理论.专家系统.视频图像处理等多种专业技术,同时需结合中间值处理的理论与实现,是生物特征识别的最新应用,其核心 技术的实现,展现了弱人工智能向强人工智能的转化.

人脸识别SDK小结

Face++人脸识别 进入官网 Face++ 致力于研发世界最好的人脸技术,提供免费的API和SDK供企业和开发者调用,更有灵活的定制化服务满足不同需求.已有多家公司使用Face++技术服务,完成包括人脸搜索.定位.识别.智能美化等功能.我们旨在为合作者提供完善的技术与维护服务. 百度媒体云人脸识别 进入官网 百度媒体云人脸识别服务,依托百度业界领先的人脸识别算法,提供了人脸检测.五官定位.人脸属性检测等功能.媒体云人脸识别服务通过提供一系列HTTP Restful API及跨终端平台SDK,实