动态人脸识别技术的研究

摘要：本文主要从静态人脸识别局限性的提出，对动态人脸识别技术进行了探讨，介绍其研究背景，工作原理，结果分析，给出了在生活领域中的应用情况，并分析了存在的难题，发展趋势以及在人工智能化潮中的重要作用。

【关键字】人脸识别 动态 人工智能

Abstract: This paper focuses on the limitations of static face recognition, discusses the dynamic face recognition technology, introduces its research background, working principle and results analysis, gives the application in the field of life, and analyzes the existence of The development trend and the important role in the tide of artificial intelligence.

【Keywords】 face recognition dynamic artificial intelligence

引言

在过去有关人脸识别的研究工作中，其对象主要是静态人脸图像。但是静态人脸识别获取图像的过程并不友善。比如在商场中，被识别对象不愿意在被监视的情况下完成服务，静态人脸识别因图像获取的不友善性导致使用者减少。另外在一些移动的场合中，不可能或不方便获取静态的人脸图像，这时就需要用到动态人脸图像的识别。再比如在追踪罪犯的过程中，不可能使用静态人脸图像，因为获取的一瞬间被运动模糊效果干扰。因此，静态人脸识别具有极大地局限性，动态人脸识别技术具有更广泛地应用前景。

1. 研究背景

早在1964年，国外就开始了对人脸识别的相关研究。研究初级人脸识别并没有单独作为一个研究领域，只是作为一般性的模式识别问题进行了探讨。进入20世纪90年代后，人脸研究突飞猛进，不仅建立了数大型人脸库的建立，而且出现了一些商业化的人脸识别系统。

麻省理工大学在这个阶段提出的特征人脸算法（Eigenface）被公认为是经典的人脸识别算法。与此同时，由Belhumeur等提出的PCA结合LDA的人脸识别算法，也是一个重要的里程碑。在20世纪90年代末，Viola提出了AdaBoost算法，在人脸检测方面取得了突破性进展，为后续人脸检测的相关研究奠定了基础。20世纪后期，3D人脸识别，3D人脸检测算法也相应出现。同时，在这一阶段，更多的2D人脸识别算法也相应提出，支持向量机（Support Vector Machine,SVM）作为统计学习理论的代表算法，是最为突出的。

相比于国外，国内的发展相对较晚，但发展迅速。在20世纪90年代起，国内开始在人脸技术方面进行相关研究，各个研究机构开始建立。最具有代表性的有清华大学计算机系，自动化系和电子系，代表人物有徐光佑教授等；中科院自动化研究所模式识别国家重点实验室，代表人物有谭铁牛博士等。这些高校和研究机构，在人脸识别领域进行了许多有意义的尝试，取得了较多的研究成果。

2. 动态人脸识别原理

2.1动态人脸识别系统框架

人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等，其流程如图2-1所示。

图2-1 人脸识别流程图

由于动态人脸识别研究刚刚起步，与静态人脸识别研究相比，研究工作进展尚不足，动态人脸图像识别分为训练和识别两个过程，其总体框图如图2-2所示。

图2-2动态人脸识别系统总体框图

图中虚线上框内示意的是训练过程，由预处理，相关性处理，隐马尔科夫模型状态及属性确定，观察序列概率分布计算，对隐马尔可夫模型训练5个过程组成；虚线下框示意的是动态人脸识别过程，由预处理，相关性处理，观察序列概率分布计算，用隐马尔科夫模型识别4个过程组成。

完整的系统流程是：首先，利用训练样本完成训练过程得到隐马尔科夫模型；然后在识别时，将待识别样本送入隐马尔科夫模型，通过识别过程得到识别结果。

2.2动态人脸识别预处理

预处理过程是识别系统的训练过程，也是识别的第一步，其结果将影响后面的过程。预处理工作分为以下几个部分：

①将动态人脸图像分割为一组不相连的静态人脸图像，一达到过滤部分信息，提高识别速度的目的。人脸图像分割的方式有两种：第一种从MPEG-2视频图像序列中分割出一定的人脸图像，对这些图像进行分析和计算；第二种是利用MPEG-2视频图像，并根据MPEG-2视频图像中P帧和B帧信息对人脸图像处理。

②对分割出的人脸图像进行边缘监测和人脸的定位工作。

③在图像有光照影响和旋转等条件下，人脸图像需要进行一定的模糊，降噪等处理。

前两种预处理工作是必需的，当人脸图像受外界影响时，必须进行第三种预处理。图2-3给出了3类预处理的工作顺序。

图2-3 动态人脸图像预处理

动态人脸序列经过分割后分解成为一组静态人脸图像，这些图像之间存在内部的信息相关，且可以满足：

Ÿ 减少人脸识别中处理人脸图像数量；

Ÿ 这一组图像能够保证人脸之间的动态性，也就保证不失真。

2.3动态人脸图像定位

在动态人脸移动中，包括两种类型的移动，即相对于成像设备的平移和径向移动。在平移的情况下，人脸在瞬间静态图像中不改变所占区域的大小；二在径向移动的情况下，相邻的两幅图像Si ,Si+1中人脸区域大小并不相同。因此对人脸定位，归一到确定大小是必要的。

图2-4所示为一个人脸图像的定位与归一过程。人脸图像经过二值化过程得到人脸的轮廓，然后与模板图像中的每一个模板图像进行匹配，根据Hausdorff距离和阀值判断取舍，最后根据模板大小对人脸相应区域进行调整到固定值。

图2-4 人脸识别的定位过程

定位时模板是根据认为经验选定的。根据图像区域位置定义了标准图像相应区域作为模板，如图2-5所示，所选取的模板是图像的左上方，模板长度各为图像长度的3/4。这样匹配出的目标将占据人脸图像空间的9/16的区域，也就是说匹配的人脸大小约为9/16空间。同样方法可产生一系列模板。模板图像一般是先在模板图像中填充模板背景色，然后叠加滑动模板形成的。

图2-5 模板及模板图像

2.4动态人脸识别匹配

提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。如下图2-6所示为动态人脸识别辨认匹配过程。

图2-6 动态人脸识别辨认图

3. 动态人脸识别分析

3.1人脸图像的相关性表示

动态视频序列经过图像预处理过程后被分割成多幅单帧图像，分割的瞬间图像以二位矩阵方式存放。因此，人脸图像的相关性问题就转化成矩阵的相关性问题。如果将两张人脸图像分别用矩阵A,B表示，并将矩阵A,B看作两个随机变量：假定随机变量，它们的方差和协方差分别记作业=，当时，的相关系数定义为： （3-1）

它的值介于-1和1之间，之间的线性联系程度越大，就越接近于1。

3.2动态人脸的相关系数

给定一个人脸图像训练样本集，无论样本集合中的人种和组成，都有一个人脸的基本轮廓。因此在任意一个样本集合中，可以计算出人脸的人脸轮廓，这就所谓人脸样本集合的平均脸。平均脸是通过人脸样本集合中的期望值获得的，

即： （3-2）

如果在人脸比较符合整个图像的框架时，平均脸很好地反映了样本集合中人脸的效果。当人脸的范围在整个图像中自由移动时，计算出的平均脸效果不好。这一点可以通过给定的一组实验结果（如图3-1所示）得出。

图3-1 定位平均脸处理后效果图

从图可以看出经过定位后人脸的轮廓能够更好地反映出人脸的基本轮廓特征。

3.3动态人脸识别对比

根据在白天和夜晚受到不同光照等情况的影响，系统在不同光照条件下进行了多次的试验。将开发板固定在特定位置处，人员进入特定区域后，其使用可控制旋转摄像头对人脸进行扫描。在光线暗淡的情况下，鹰眼摄像头可自动调节照明灯的亮度，从而减小像素受到光照的影响。试验效果如图3-2所示，并进行了两类仿真比对试验。

图3-2 动态人脸识别试验效果图

4. 动态人脸识别的应用

动态人脸识别技术在国家安全，军事安全和公共安全领域的应用前景十分广阔，例如智能门卫，智能视频监控，公安布控，出入境管理等都是典型的应用。在民事和经济领域，各类银行卡，金融卡，信用卡的持卡人的身份验证，电子商务和电子政务等方面也具有重要的应用价值。因此，动态人脸识别主要有以下几种典型的应用。

（1）身份鉴定

在鉴定模式下，可以快速地计算出实时采集到的面纹数据库中已知人员的面纹数据之间的相似度，给出一个按相似度递减排列的可能的人员列表，或简单地返回鉴定结果和相对应的可信度。身份鉴定多应用于电脑，网络安全，银行业务，智能卡等领域。图4-1为动态人脸识别在智能卡中的身份鉴定。

图4-1 动态人脸识别在智能卡中的身份鉴定

（2）视频监控

应用面像捕捉，动态人脸识别技术可以在监控范围内跟踪一个人和确定他的位置。在监控范围内发现人脸，不论其远近和位置，能连续地跟踪他们并将他们从背景中分离出来，将他的面像与监控列表进行对比。整个过程完全是无须干预的，连续地和实时的。该技术主要应用与闭路电视监控，交通管理，脸部照片登记系统以及基于Internet的网上追逃系统（如图4-2）等领域。

图4-2 动态人脸识别技术在网上追逃领域上的应用

（3）面像数据压缩

能将面纹数据压缩到84字节以内便于智能卡，条形码或其他存储空间有限的设备中，可实现监控系统联动（如图4-3），内线电话连接，可视对讲等功能。

图4-3 动态人脸识别在监控系统联动领域中的应用

5. 动态人脸识别的展望

人脸识别是一个跨学科，富挑战性的前沿课题，发展很快，并取得了丰硕的研究成果，但是仍然有很多问题有待于进一步的研究，如图像背景复杂，存在很多类似人脸的部分。人脸识别的难度在于，人脸是非刚性物体，并且随着年龄的增长而变化，特征难以完全描述；人脸可能有很多遮挡物，如胡须，眼睛，帽檐等，都成了人脸识别技术中额待解决的问题。

现有的静态人脸识别技术无法满足某些特殊场合的需要，诸如海关监测等需要对视频中的人脸进行动态进行动态跟踪和识别，而满足这种场合需求的动态人脸识别技术相对欠缺。特别“9Ÿ11”之后，为增强安全防范能力，对实时跟踪系统的性能需求大大提高，因此，开展动态人脸识别研究将有着特殊的应用价值和前景。

（1）基于小波神经网络的人脸识别研究

小波自20世纪80年代提出以来，理论和应用都得到了巨大的发展，小波分析的出现被认为是傅里叶分析的突破性进展。同时，随着神经网络的理论研究日趋深入，其重要发展方向之一就是注重于小波，混沌，模糊等非线性科学理论相结合。小波变换与神经网络两者优势结合起来，一直是研究人员关注的问题。

（2）三维人脸识别研究

真实世界中的人脸是三维的，三维信息特别是三维图像较之二维图像更能提供完整而真实的内容。如何有效地利用人脸的三维信息进行识别，将是一个极具挑战性的研究课题。随着三维图像采用技术的发展，利用直接的三维图像信息进行人脸识别已经成为人们研究的重点。

（3）适应于各种复杂背景的人脸分割技术研究

目前在复杂背景条件下的人脸分割研究取得了一定的进展。诸如弹性匹配等方法的应用有一定的效果，但其检测速度和效果还不能令人满意，如何在复杂背景图像中快速有效地检测和分割出人脸将成为研究的重点。

6.结论

现代社会中，随着计算机技术的告诉发展，人工智能已经融入了人们生活的方方面面。而人脸识别技术，正是人工智能领域的关键技术，其广泛应用于智能机器人，智能视频监控系统，门禁系统中。尽管人脸识别技术已经发展多年，但是还未能达到人们预期的目标。因此，动态人脸识别技术的研究已是各大高校和研究机构的研究课题，了解其研究背景，工作原理，结果分析，应用领域，存在的难题以及在人工智能化潮中的扮演角色，对我们更好地利用和发展人脸识别技术起到至关重要的推动作用。

参考文献

[1]Hellappa R,et al.Human and Machine Recognition of Faces:ASurvey[J].Proceedings of the IEEE,2015,83(5):705-740.

[2]王海洋，王宁，朱专专，等.基于人脸识别的智能大数据处理系统的研究[J].科技创新与应用，2017（15） :49.

[3]肖冰,等.人脸识别综述[J].计算机学报,2016,8(8)

[4]尹萍，赵亚丽 . 视频监控中人脸识别现状与关键技术课题［J］. 警察技术，2016（03）:77~80.

文献： [5]张三友，王磊. 基于 Android 的人脸识别系统设计与实现[J]. 软件导刊，2016，04：87-89. [6]沈开荣，张根源，吴飞龙. 基于人脸识别的校车考勤系统设计[J]. 电子测试，2016，08：9-11. [7陈钊. 基于 DCT 和 LDA 融合方法的人脸识别系统设计与实现[D]. 吉林大学，2015. [8]张好,人脸识别技术在视频监控系统中的应用探讨［J］. 科技风， 2015（09）:22

[9]张东.图书馆借阅管理系统中的人脸识别技术[J].[5] 黄敏 . 智能分析 + 人脸识别技术的发展趋势分析 [J].电子技术与软件工程 , 2014(10):199-199. 科技与管理. 2014 (7).

[10]邹国锋，傅桂霞，李海涛，等.多姿态人脸识别综述[J].仪器仪表学报，2014.

[11]曹林.人脸识别与人体动作识别技术及应用[D]. 电子工业出版社,2015.

[12]沈理，刘翼光等.人脸识别原理及算法[D]. 人民邮电出版社,2014.