資源描述：
《人臉識別技術的應用背景及研究現(xiàn)狀資料》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、人臉識別技術的應用背景及研究現(xiàn)狀1．人臉識別技術的應用隨著社會的不斷進步以及各方面對于快速有效的自動身份驗證的迫切要求，生物特征識別技術在近幾十年中得到了飛速的發(fā)展。作為人的一種內(nèi)在屬性，并且具有很強的自身穩(wěn)定性及個體差異性，生物特征成為了自動身份驗證的最理想依據(jù)。當前的生物特征識別技術主要包括有：指紋識別，視網(wǎng)膜識別，虹膜識別，步態(tài)識別，靜脈識別，人臉識別等。與其他識別方法相比，人臉識別由于具有直接，友好，方便的特點，使用者無任何心理障礙，易于為用戶所接受，從而得到了廣泛的研究與應用。除此之外，我們還能夠對人臉識別的結果作進一步的分析，得到有關人
2、的性別，表情，年齡等諸多額外的豐富信息，擴展了人臉識別的應用前景。當前的人臉識別技術主要被應用到了以下幾個方面：（1）刑偵破案公安部門在檔案系統(tǒng)里存儲有嫌疑犯的照片，當作案現(xiàn)場或通過其他途徑獲得某一嫌疑犯的照片或其面部特征的描述之后，可以從數(shù)據(jù)庫中迅速查找確認，大大提高了刑偵破案的準確性和效率。??（2）證件驗證在許多場合（如?？?，機場，機密部門等）證件驗證是檢驗某人身份的一種常用手段，而身份證，駕駛證等很多其他證件上都有照片，使用人臉識別技術，就可以由機器完成驗證識別工作，從而實現(xiàn)自動化智能管理。?（3）視頻監(jiān)控在許多銀行，公司，公共場所等處都設
3、有24小時的視頻監(jiān)控。當有異常情況或有陌生人闖入時，需要實時跟蹤，監(jiān)控，識別和報警等。這需要對采集到的圖像進行具體分析，且要用到人臉的檢測，跟蹤和識別技術。（4）入口控制入口控制的范圍很廣，既包括了在樓宇，住宅等入口處的安全檢查，也包括了在進入計算機系統(tǒng)或情報系統(tǒng)前的身份驗證。（5）表情分析根據(jù)人臉圖像中的面部變化特征，識別和分析人的情感狀態(tài)，如高興，生氣等。此外，人臉識別技術還在醫(yī)學，檔案管理，人臉動畫，人臉建模，視頻會議等方面也有著巨大的應用前景。2．人臉識別技術在國外的研究現(xiàn)狀當前很多國家展開了有關人臉識別的研究，主要有美國，歐洲國家，日本等
4、，著名的研究機構有美國MIT的Medialab,AIlab,CMU的Human-ComputerInterfaceInstitute，MicrosoftResearch,英國的DepartmentofEngineeringinUniversityofCambridge等。綜合有關文獻，目前的方法主要集中在以下幾個方面：（1）模板匹配主要有兩種方法，固定模板和變形模板。固定模板的方法是首先設計一個或幾個參考模板，然后計算測試樣本與參考模板之間的某種度量，以是否大于閾值來判斷測試樣本是否人臉。這種方法比較簡單，在早期的系統(tǒng)中采用得比較多。但是由于人臉特
5、征的變化很大，很難得到有效的模板來表示人臉的共性。變形模板在原理上與固定模板相同，但其中包含一些非固定的元素，一種方法是手工構造參數(shù)化的曲線和曲面以表征人臉中的某些非固定特征，如眼睛，鼻子和嘴唇等。另一種方法是系統(tǒng)自動生成自適應的曲線或曲面，以構成變形人臉模板。檢測方法是：將模板與測試圖像進行彈性匹配，并加入懲罰機制，利用某種能量函數(shù)表示匹配程度。（2）示例學習示例學習的基本思想是從某一概念的已給正例和反例的集合中歸納產(chǎn)生出接受所有正例同時排斥所有反例的該概念的一般規(guī)則。將人臉樣本和非人臉樣本送入學習機中，產(chǎn)生出判別規(guī)則，從而用于作為判斷輸入的測試
6、圖像是否屬于人臉的主要判別依據(jù)。為了獲得較高的精度，學習過程需要大量的樣本，另外樣本數(shù)據(jù)本身是高維矢量，因此，研究通用而有效的學習算法的關鍵是精確的區(qū)分性和數(shù)據(jù)維數(shù)的降低。將多個表示人臉模式的線性空間進行組合，是示例學習的另一條途徑。采用了Kohonen自組織映射網(wǎng)絡對人臉樣本和非人臉樣本進行聚類，對每一類樣本進行Fisher線性判別，得到每一類的判別平面，從而構成圖像子空間，并運用高斯模型描述每個子空間，估計出類條件概率密度。這樣，對于測試圖像，計算其屬于各個子空間的概率，分類決策為概率最大的類是它所屬的類，從而判斷測試圖像是否為人臉。（3）神經(jīng)
7、網(wǎng)絡從本質上講，神經(jīng)網(wǎng)絡也是一種基于樣本的學習方法。將神經(jīng)網(wǎng)絡用于人臉檢測取得了很大的進展。MIT的學者首先對人臉樣本集和非人臉樣本集聚類，以測試樣本與人臉樣本集和非人臉樣本集的子類之間的距離作為分類的度量，利用多層感知器（MLP）網(wǎng)絡作為分類器。CMU的研究人員直接以圖像作為神經(jīng)網(wǎng)絡的輸入，設計了一個具有獨特結構的適用于人臉特征的神經(jīng)網(wǎng)絡分類器，并通過前饋神經(jīng)網(wǎng)絡對檢測結果優(yōu)化。RaphaelFeraud等利用多個神經(jīng)網(wǎng)絡：多層感知器（MLP）和約束產(chǎn)生式模型（CGM，ConstrainedGenerativeModel），實現(xiàn)了一個可應用于WE
8、B中人臉圖像檢索的快速而準確的人臉檢測方法。Shang-HungLin等訓練了三個基于概率決策的神經(jīng)網(wǎng)絡（PDBNN，Pr
