技術(shù)大講堂：3D人臉識別才會(huì )更準確

人臉識別是指利用分析比較人臉視覺(jué)特征信息進(jìn)行身份鑒別的計算機技術(shù)，其可以定義為：輸入查詢(xún)場(chǎng)景中的靜止圖像或者視頻，使用人臉數據庫識別或驗證場(chǎng)景中的一個(gè)人或者多個(gè)人，通常也被稱(chēng)為面部識別、人像識別。人臉識別具有非強制性、非接觸性、并發(fā)性等特點(diǎn)，因此研究者在上世紀六、七十年代就開(kāi)始了人臉識別技術(shù)的研究。進(jìn)入九十年代后，隨著(zhù)高性能計算機的發(fā)展，人臉識別技術(shù)獲得了重大突破。美國國家標準技術(shù)局(NIST)舉辦的FRVT2006(Face RecognitionVendor Test 2006)通過(guò)大規模的人臉數據庫測試表明，人臉識別技術(shù)的識別精度要比FRVT2002至少提高了一個(gè)數量級。部分識別算法的精度超過(guò)了人類(lèi)的平均水平。對于高分辨率、高質(zhì)量的正面人臉的識別率達到100%。

人臉識別技術(shù)的難點(diǎn)
雖然人臉識別技術(shù)經(jīng)歷了較長(cháng)的研究階段，但至今還是被認為是生物特征識別技術(shù)中較為困難的研究課題之一，其原因在于：

1.背景環(huán)境的復雜多樣
在進(jìn)行人臉識別前需要先對監控場(chǎng)景中的人臉進(jìn)行定位，即人臉檢測。人臉檢測的正確與否直接影響人臉識別性能。當監控場(chǎng)景的背景較為復雜時(shí)，人臉檢測率也會(huì )隨之降低，因此能夠適應復雜背景環(huán)境的人臉檢測算法是人臉識別技術(shù)的難點(diǎn)之一。

2. 光照條件的復雜多變
在智能視頻監控系統的實(shí)際應用中，會(huì )由于監控環(huán)境光線(xiàn)的變化造成檢測到的人臉圖像存在不同的陰暗變化，如圖1所示。FRVT2006測試表明，不同光照條件下人臉識別雖然在性能上比FRVT2002有顯著(zhù)提高，但是還沒(méi)在根本上克服光照對識別率的影響。

?圖1 光線(xiàn)變化對采集到的人臉影響示意圖

3. 人臉表情的多樣性
在實(shí)際應用過(guò)程中，人臉的表情隨時(shí)都可能發(fā)生變化。圖2給出了部分表情變化的人臉圖像。從圖2可以看出，當人的表情發(fā)生變化時(shí)，可能會(huì )引起人臉輪廓以及紋理的變化，同時(shí)由于面部肌肉的牽引，面部的特征點(diǎn)的位置也會(huì )隨之改變。不同的表情引起面部的變化都不同，此外，不同的人的相同表情影響也不相同，因此很難用統一的標準來(lái)精確劃分各種表情對不同人的影響。

?圖2人臉表情變化多樣性示意圖

4.采集人臉的角度多樣性
人臉的角度多樣性主要是指由于拍攝角度的不同導致檢測到的人臉圖像的旋轉，包括平面旋轉和深度旋轉。圖3列出了部分不同角度拍攝的人臉圖像。從圖3可以看出，與表情變化對人臉圖像的影響相同，拍攝角度的變化同樣會(huì )導致人臉輪廓的變化，除此之外，由于角度的變化，可能會(huì )導致人臉的部分特征無(wú)法被正確提取，進(jìn)一步導致人臉的錯誤識別。

圖3 采集人臉的角度多樣性示意圖

5.遮擋問(wèn)題
即使是非人為故意遮擋，在實(shí)際應用時(shí)檢測到的人臉圖像也經(jīng)常會(huì )出現如帽子、眼鏡等遮擋物，除了這些，胡子以及劉海的變化也直接影響人臉的特征提取，圖4舉例給出了出現遮擋的部分人臉圖像。當人臉圖像發(fā)生遮擋時(shí)，人臉的很多信息會(huì )丟失，導致人臉識別算法出錯或失效。

圖4采集到的人臉存在遮擋物示意圖

人臉識別系統的步驟
人臉識別系統主要包括四個(gè)組成部分：人臉圖像檢測、人臉識別預處理、人臉特征提取以及特征匹配與識別。

1.人臉圖像檢測
人臉圖像檢測是人臉識別過(guò)程的關(guān)鍵環(huán)節之一。人臉檢測是指對于任意一幅給定的圖像，采用一定的策略對其進(jìn)行搜索以確定其中是否含有人臉，如果有，則返回檢測到的人臉圖像的位置、大小以及姿態(tài)。人臉檢測主要利用人臉圖像的直方圖特征、顏色特征、模板特征、結構特征以及haar特征等。

人臉檢測的難點(diǎn)主要在于：(1)光照的復雜多變，圖像序列中存在的人臉圖像可能由于光源的照射角度或監控環(huán)境中同時(shí)存在的多個(gè)光源而導致陰影或對比度的變化，增加了檢測難度，圖5為光照對人臉檢測影響示意圖，從該圖中可以看出右側第二張人臉圖像無(wú)法被正確檢測，其原因在于由于光照角度問(wèn)題該人臉圖像的左半側與右半側亮度差距較大；(2)拍攝角度以及圖像清晰度，如果成像距離較遠，或者圖像序列分辨率較低，可能會(huì )導致人臉圖像清晰度差而無(wú)法被正確檢測，圖6為圖像清晰度對人臉檢測影響示意圖，從該圖可以看出，圖像成像距離近的人臉圖像都可以被正確檢測，然而最后一排的人臉圖像則無(wú)法被正確檢測到；(3)人臉圖像中可能存在的遮擋物，場(chǎng)景中的人臉圖像可能由于眼鏡、帽子等遮擋物而影響檢測結果，除此之外，劉海、胡子的變化等也可能對人臉圖像造成影響，圖7為遮擋物對人臉檢測影響示意圖，從該圖可以看出，當左側無(wú)遮擋物的人臉圖像可以被正確檢測時(shí)，右側存在遮擋物（帽子和眼鏡）的人臉圖像則無(wú)法被檢測到；(4)人臉復雜的細節變化，人臉的成像可能會(huì )由于表情的變化而略有不同，此外，人臉圖像的角度旋轉也影響人臉檢測的正確檢測率，圖8為細節變化對人臉檢測影響示意圖，從該圖可以看出，左側及右側的人臉圖像都有不同程度的旋轉，當中間未發(fā)生細節變化的人臉圖像可以被正確檢測時(shí)，發(fā)生旋轉的人臉圖像無(wú)法被正確檢測。（圖5、6、7及8的檢測結果均使用haartraining訓練得到的人臉檢測器進(jìn)行檢測得到的，圖片來(lái)源于網(wǎng)絡(luò )下載）

圖4-5 光照對人臉檢測影響示意圖

圖4-6 圖像清晰度對人臉檢測影響示意圖

圖4-7 遮擋物對人臉檢測影響示意圖

圖4-8 細節變化對人臉檢測影響示意圖

2. 人臉圖像預處理
預處理是指在進(jìn)行人臉識別前，為了提高識別率，通過(guò)圖像處理技術(shù)對檢測得到的人臉圖像進(jìn)行的一系列圖像質(zhì)量提高。這些處理主要包括灰度校正、噪聲過(guò)濾、光線(xiàn)補償、直方圖均衡化、歸一化等。

3.人臉特征提取
人臉特征提取是對人臉進(jìn)行特征建模的過(guò)程，提取方法主要分為兩大類(lèi)：基于知識的表征方法和基于代數特征或統計學(xué)習的表征方法。目前人臉識別技術(shù)中使用的人臉特征主要包括視覺(jué)特征、人臉圖像變換系數特征，人臉圖像代數特征等。其中基于知識的表征方法主要是根據人臉五官的形狀描述以及它們之間的距離特性來(lái)獲得有助于人臉?lè )诸?lèi)的特征數據，其特征分量通常是使用特征點(diǎn)間的歐幾里得距離、曲率或角度等?；趲缀翁卣鞯谋碚鞣椒ㄊ侵咐萌四樜骞僦g的結構關(guān)系的幾何描述進(jìn)行人臉表征的方法。

4.人臉匹配與識別
匹配與識別是指利用上一步提取到的人臉特征，與樣本庫中存儲的特征模板進(jìn)行搜索匹配，在這個(gè)過(guò)程中，需要預先定義一個(gè)閾值，當相似度超過(guò)該閾值，則輸出匹配結果。

人臉識別技術(shù)的研究現狀
人臉識別方法大致可以分為兩類(lèi)：基于2D人臉圖像的人臉識別和基于3D人臉圖像的人臉識別。其中，基于2D人臉圖像的人臉識別算法概括起來(lái)人臉識別方法主要分為以下幾個(gè)大類(lèi)：1. 基于模板匹配的方法，其中模板可以使用固定模板和可變模板；2. 基于知識的方法；3. 基于統計學(xué)習的方法。

近些年，利用3D人臉信息提高識別性能得到越來(lái)越多的關(guān)注。三維人臉識別是指將采集獲得的待識別對象的臉部三維形狀數據作為識別依據，與庫中已知身份的臉部三維形狀數據進(jìn)行匹配，然后得出待識別對象身份的過(guò)程。