TECHNOLOGY
2015 2014 2013
什麼是人臉識別?
17/1/2014

人臉識別是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流,並自動在圖像中檢測和跟蹤人臉,進而對檢測到的人臉進行臉部的一系列相關技術,通常也叫做人像識別、面部識別。


人臉與人體的其它生物特徵(指紋、虹膜等)一樣與生俱來,它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提,與其它類型的生物識別比較人臉識別具有如下特點:

Facial Characteristic

1. 非強制性:用戶不需要專門配合人臉采集設備,幾乎可以在無意識的狀態下就可獲取人臉圖像,這樣的取樣方式沒有“強制性”;

2. 非接觸性:用戶不需要和設備直接接觸就能獲取人臉圖像;

3. 並發性:在實際應用場景下可以進行多個人臉的分揀、判斷及識別;

4. 視覺特性:“以貌識人”的特性,以及操作簡單、結果直觀、隱蔽性好等特點。

 

技術流程
 

人臉識別系統主要包括四個組成部分,分別為:人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特徵提取以及匹配與識別。

人臉圖像采集及檢測


人臉圖像采集:不同的人臉圖像都能通過攝像鏡頭采集下來,比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的采集。當用戶在采集設備的拍攝範圍內時,采集設備會自動搜索並拍攝用戶的人臉圖像。

Face Image Collection

人臉檢測:人臉檢測在實際中主要用於人臉識別的預處理,即在圖像中准確標定出人臉的位置和大小。人臉圖像中包含的模式特徵十分豐富,如直方圖特徵、顏色特徵、模板特徵、結構特徵及Haar特徵等。人臉檢測就是把這其中有用的信息挑出來,並利用這些特徵實現人臉檢測。

主流的人臉檢測方法基於以上特徵采用Adaboost學習算法,Adaboost算法是一種用來分類的方法,它把一些比較弱的分類方法合在一起,組合出新的很強的分類方法。

人臉檢測過程中使用Adaboost算法挑選出一些最能代表人臉的矩形特徵(弱分類器),按照加權投票的方式將弱分類器構造為一個強分類器,再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器,有效地提高分類器的檢測速度。


人臉圖像預處理


人臉圖像預處理:對於人臉的圖像預處理是基於人臉檢測結果,對圖像進行處理並最終服務於特徵提取的過程。系統獲取的原始圖像由於受到各種條件的限制和隨機干擾,往往不能直接使用,必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預處理。對於人臉圖像而言,其預處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。

人臉圖像特徵提取


人臉圖像特徵提取:人臉識別系統可使用的特徵通常分為視覺特徵、像素統計特徵、人臉圖像變換系數特徵、人臉圖像代數特徵等。人臉特徵提取就是針對人臉的某些特徵進行的。人臉特徵提取,也稱人臉表徵,它是對人臉進行特徵建模的過程。人臉特徵提取的方法歸納起來分為兩大類:一種是基於知識的表徵方法;另外一種是基於代數特徵或統計學習的表徵方法。

基於知識的表徵方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助於人臉分類的特徵數據,其特徵分量通常包括特徵點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成,對這些局部和它們之間結構關系的幾何描述,可作為識別人臉的重要特徵,這些特徵被稱為幾何特徵。基於知識的人臉表徵主要包括基於幾何特徵的方法和模板匹配法。

Facial Expression

基於代數特徵的方法的基本思想是將人臉在空域內的高維描述轉化為頻域或者其他空間內的低維描述。基於代數特徵的表徵方法分為線性投影表徵方法和非線性投影表徵方法。基於線性投影的方法主要有主成分分析法或稱K-L變換,獨立成分分析法和Fisher線性判別分析法。非線性特徵提取方法有兩個重要的分支:基於核的特徵提取技術和以流形學習為主導的特徵提取技術。


人臉圖像匹配與識別


人臉圖像匹配與識別:提取的人臉圖像的特徵數據與數據庫中存儲的特徵模板進行搜索匹配,通過設定一個閾值,當相似度超過這一閾值,則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特徵與已得到的人臉特徵模板進行比較,根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類:一類是確認,是一對一進行圖像比較的過程,另一類是辨認,是一對多進行圖像匹配對比的過程。
 

優勢/困難
 

優勢


人臉識別的優勢在於其自然性和不被被測個體察覺的特點。

所謂自然性,是指該識別方式同人類(甚至其他生物)進行個體識別時所利用的生物特徵相同。例如人臉識別,人類也是通過觀察比較人臉區分和確認身份的,另外具有自然性的識別還有虹膜識別語音識別、體形識別等,而指紋識別、虹膜識別等都不具有自然性,因為人類或者其他生物並不通過此類生物特徵區別個體。

不被察覺的特點對於一種識別方法也很重要,這會使該識別方法不令人反感,並且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點,它完全利用可見光獲取人臉圖像信息,而不同於指紋識別或者虹膜識別,需要利用電子壓力傳感器采集指紋,或者利用紅外線采集虹膜圖像,這些特殊的采集方式很容易被人察覺,從而更有可能被偽裝欺騙。


困難


人臉識別被認為是生物特徵識別領域甚至人工智能領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特徵的特點所帶來的。
 
Similar Faces

相似性:不同個體之間的區別不大,所有的人臉的結構都相似,甚至人臉器官的結構外形都很相似。這樣的特點對於利用人臉進行定位是有利的,但是對於利用人臉區分人類個體是不利的。

易變性:人臉的外形很不穩定,人可以通過臉部的變化產生很多表情,而在不同觀察角度,人臉的視覺圖像也相差很大,另外,人臉識別還受光照條件(例如白天和夜晚,室內和室外等)、人臉的很多遮蓋物(例如口罩、墨鏡、頭發、胡須等)、年齡等多方面因素的影響。

在人臉識別中,第一類的變化是應該放大而作為區分個體的標准的,而第二類的變化應該消除,因為它們可以代表同一個個體。通常稱第一類變化為類間變化(inter-class difference),而稱第二類變化為類內變化(intra-class difference)。對於人臉,類內變化往往大於類間變化,從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。
 


圖文資料轉載自CPS中安網
2013-09-30 13:53:56
作者﹕ 安防小小兵

Comments
 
Be the 1st person to comment.

Leave your comment
 
Name: 
Message: 
Submit Reset
CONTACT US
(852) 2681 9888
© 2013 Armada International Limited
All rights reserved