人脸识别研究的新进展及趋势人脸识别研究的新进展及趋势
简要回顾了人脸识别技术的研究背景及发展历程,总结了近三四年人脸识别方法的研究进展,根据三维人脸重
构方法的数据来源不同,将其分为基于静态图像和视频序列的三维重构技术。重点对目前多特征和多模态识别
技术进行了分类阐述,分析了一些有代表性的算法并对其识别结果进行了比较。最后,总结了人脸识别技术现
存的研究难点,并探讨了其未来的发展方向。
摘摘 要:要:简要回顾了
关键词:关键词:人脸识别;三维人脸重构;
在现有的众多生物特征(指纹、虹膜、视网膜、掌形等)识别技术中,人脸识别技术具有传统的识别技术无法比拟的优
点,如直接、友好、对用户干扰少、更易于被接受等。人脸识别技术是一门融合了多学科(生物学、心理学、认知学等)、多
技术(
1 三维人脸重构方法三维人脸重构方法
三维人脸重构是指通过含有人脸的图像或视频中有限的人脸信息来建立人脸三维模型。根据人脸信息来源的不同,本文将
三维人脸重构方法分为从静态图像重构和从视频序列重构两大类。
1.1 从静态图像重构三维人脸从静态图像重构三维人脸
传统的三维重建技术大多是通过特征点的提取和匹配计算特征点的三维坐标来获取脸部的三维结构。特征点定位有手工标
定和自动检测两种,特征点数目比较大时,手工标定很难严格定义特征点之间的对应关系。ZHANG C等人[2]采用点对点集的
距离来间接描述特征点之间的相似度,但是,这种局部相似度不能保证全局最优匹配,且有可能造成畸变。
为了减少点对应性的困难,参考文献[3]中提出了以形状匹配为相似性度量的通用头部形变模型,在不需要严格的特征点对
应甚至某些特征点缺失的情况下,完成姿态估计和三维重建。为了解决搜索点之间的最佳相似性,文中还提出了一种多级搜索
的方法,大大减少了搜索时间,但这只是基于多幅图像的情况。虽然多幅图像可以消除人脸特征部件检测的不确定性,但特定
脸的多幅图像一般难以获得,所以当前的很多研究都是基于单一图像的。为了能获得人脸的完整的脸部特征信息,单一图像一
般要求是正面人脸图像且是中性表情。
BREUER P[4]和胡元奎[5]等人都是基于单一图像进行建模。参考文献[4]中提出了一种融合支持向量机(Support Vector
Machine)和三维形变模型(3D Morphable Model)的方法,分别用不同方法检测人脸和人脸的局部特征(鼻尖、眼角、嘴
角),然后确定人脸特征可能的位置并评估特征点的轮廓,通过迭代处理提高算法对头部方向的鲁棒性,最后初始化形变模型
的模型试配流程来产生高分辨率的三维人脸模型。但是,形变模型算法需要花费很长的时间对大量的三维人脸数据进行训练。
参考文献[5]基于通用三维人脸模型的三维人脸合成方法能很好地减少算法的复杂性和训练时间。他们利用了基于知识的特征
点定位算法和ASM(Active Shape Model)方法进行人脸特征点的定位,用SFS(Shape From Shading)算法恢复人脸表面
深度,并利用内插算法对通用三维人脸模型进行变形处理以生成适用于特定人脸的三维模型。此算法的优点是只需要一个通用
的三维人脸模型即可,不需要进行额外的训练,而且对训练数据以及存储空间的实际需求很容易满足,具有明显的优势。
无论是单一图像还是多幅图像,静态图像提供的信息都是相对有限的,例如无法提供连续多帧图像和时间相干性 。于是,
在研究从静态图像重构人脸模型的同时,少数研究尝试了从视频图像序列重构三维人脸模型的方法。
1.2 从视频序列重构三维人脸从视频序列重构三维人脸
从
PARK U等[6]用通用三维人脸模型和两个视频帧来重构特定用户三维人脸模型。他们从立体视频中重建脸部标记点的稀疏集
合,将其用于薄板样条TPS(Thin Plate Spline)的试配过程,在TPS试配的基础上对一般人脸模型进行非线性变换,得到合
适的三维人脸模型,将视频中人脸纹理信息对三维人脸模型进行映射,从而获得真实的三维人脸模型。该方法应用比较广泛,
但在重建的初始化阶段,初始值与通用模型非常相似,导致重建的模型与视频中的人脸相比更近似于通用人脸模型。此缺点可
以利用SFM(Structure From Motion)算法[7]解决。首先,SFM算法能够保留通用人脸模型的特定特征;其次,通过与通用
人脸模型比较,两脸间的误差在能量函数最小化过程中都被修正。但是,不使用通用模型,单纯用SFM算法对视频图像进行
三维估计会使深度估计变得困难,可能会带来其他信息不足或估计误差等问题。文中的算法流程如图2所示[7]。
2 多特征融合人脸识别方法多特征融合人脸识别方法
重构三维人脸模型只是人脸识别的重要手段之一,但其算法相对复杂。目前,使用多方法(二维)融合来提高识别性能还
是人脸识别领域研究的热点[8-15]。多方法融合主要分为融合多种脸部特征(肤色、轮廓和纹理等信息)和融合多种模态(二
维和三维信息)两种。由于图像与形状信息相对独立,多特征融合的人脸识别方法曾经很少使用。
2005年前后,SU Hong Tao[8]和周晓彦等人[9]分别提出了融合主分量分析PCA(Principal Component Analysis)与线性判
别式分析LDA(Linear Discriminant Analysis)混合特征和融合核主元分析KPCA(Kernel Principal Component Analysis)与
核判别式分析KDA(Kernel Discriminant Analysis)的人脸识别算法。在参考文献[8]中,利用库中图像和被检测图像的交互信
息进行粗分类,在图形数据的傅里叶频率区域进行PCA和LDA特征的抽取。由于PCA和LDA能分别反映图像的不同特性,故融
合两子特征将取得比单一特征更好的分类性能。参考文献[9]首先求解KDA的最佳判别矢量,然后基于KPCA准则函数求得另一
评论0