基于CNN的人脸识别论文

转载

lanhy 2024-09-02 13:44:44

文章标签 基于CNN的人脸识别论文人脸识别深度学习 ci 文章分类 机器学习人工智能

王伟, 马建光. 人脸识别常用方法及其发展现状[J]. 兵工自动化, 2002, 21(1).

这是一篇很老的文章，姑且准许我这么说，因为科技发展实在太快了。不过还是非常值得一看的。下面开始正题。

一个自动识别人脸的工作可以分为4部分。

1、人脸检测与分割，也就是我们现在说的人脸对齐，从一个景物图片中，切割出来人脸。

2、人脸的规范化，矫正人脸尺寸，光照和旋转。

3、人脸的表征，就是提取人脸的特征。集合特征，代数特征，特征脸，固定特征模板。

4、人脸识别，通过特征来识别。

下面都是我复制论文的内容说实话，用现代的眼光来看没什么有代表性的东西，不过在当时来说非常不错。

三种正脸识别方法

几何人脸，人脸的五官是由集合关系的，包括识别过程通过椭圆形来判断是不是人脸aam算法。通过这些特定的关系来识别人脸。

这类识别方法首先将人脸用一个几何特征矢量表示，用模式识别中的层次聚类思想设计
分类器来对人脸进行识别。它要求该矢量具有一定独特性，可以反映不同人面部特征的差别。
由于该方法对脸部朝向的改变非常敏感，要求有一定的弹性，以消除时间跨度和光照的影响。
识别工作的流程大体如下：首先检测出面部特征点，通过测量这些关键点之间的相对距离，
得到描述每个脸的特征矢量，比如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，
以及这些特征之间的关系。用这些特征来表示人脸。比较未知脸和库中已知脸中的这些特征
矢量，来决定最佳匹配。基于几何特征的方法内存要求少，识别速度要比基于模板的方法高，
它的缺点是这些特征的准确提取是较难实现的。到目前为止，这种方法在实践中尚没有成
功的应用。

代数特征，就是线性代数矩阵的方法，通过提取图片脸的特征值作为标准，来识别人脸。这个也是以后深度学习用来标准脸的方法。
基于代数特征的人脸识别方法这类识别方法也是用特征矢量来表征人脸，但使用的是代数特征矢量，其中比较经典的方法是本征脸（ Eigenface）方法 [1] [3]。该方法的主要思想是，对于一副由 N 个象素组成的
图像，可以看作是一个 N 维矢量，或是一个 N维空间中的一点 [1] [3]。 Eigenface 方法假设人脸
图像只占据这个高维图像空间的一个很小的子区域，因此可以利用 PCA （ Principle
Components Analysis）原理来得到一个人脸图像的优化坐标系统。即是对这个人脸子区域的
坐标进行降维，使得每个人脸图像可以用很少几个参数来表示，这就大大地降低了人脸识别
的计算复杂度。下面将识别方法详细介绍。假设一副人脸图像由 N 个象素组成，则它
可以表示成一个 N 维的矢量 Г 。设{ Г i∣ i＝ 1, … , M} 是人脸图像的训练集
合。这 M 个图像的平均人脸可表示成：
å=
Y = G
M i
i
M 1
1
则每个人脸 Г i 与平均人脸 Ψ 的脸差 Φ i 为：
Φ i＝ Г i－ Ψ ； i ＝ 1,… , M
训练图像集的协方差矩阵可按如下建立：
C＝ AAT
其中： A＝ [ Φ 1,… ,Φ M]
协方差矩阵 C 的正交特征矢量就是人脸空
间的基本矢量，称作本征脸（ Eigenface）。
一般大小的图像，直接计算 N× N 矩阵 C
的特征矢量非常困难，所以需要一种简化方法。
因为训练图像的数目通常要比图像的象素数要
少得多，只有 M- 1 个（而不是 N 个）有意义的
特征矢量。所以首先通过计算 M× M 的矩阵 L
的特征矢量 ν l（ l＝ 1,… , M）来计算本征脸。
L＝ ATA
矩阵 C 的特征向量 u l（ l＝ 1,… , M），可以
表示为差脸 Φ i（ i＝ 1,… , M）以 ν l（ l＝ 1,… , M）
为权值的线性组合。
U＝ [ u l,… ,u M]＝
[ Φ 1,… ,Φ M][ ν l,… , ν M]＝ A· V
在实际的识别情况，更少的本征脸数 M
ˊ（ Mˊ＜ M）就足够了。
基于本征脸的人脸识别方法由 2 部分组成：
训练阶段和识别阶段。
在训练阶段，每个已知个体的人脸 Г k 投影
到人脸空间，可得到一个 Mˊ维的矢量 Ω k：
Ω k＝ UT (Г k－ Ψ )； k＝ 1,… , NC
其中 NC 是人脸类的数目。
现有 2 种方法描述人脸空间中的人脸类：
【 Turk 和 Pentland】第一种平均表示法，
将对应于某一个人的训练图像的投影矢量的平
均值作为这类人脸的矢量。
【 Murase 和 Nayar】第二种点集表示法，
用对应于某一个人的训练图像的投影矢量的集
合来描述这类人脸。
将任何 2 个人脸类之间的最大距离的一半
定义为表示到人脸类，即人脸空间的最大许可
距离的距离阈值 θ C：
j k c
q c = 2 1 max j,k { W - W }; j, k = 1,..., N
在识别阶段，待识别图像 Г 被投影到人脸
空间，得矢量 Ω 。 Ω 到各人脸类的距离定义为：
e k2 = W j - Wk 2; k = 1,L, N
为了区分人脸图像和非人脸图像，原始图
像 Г 到其从本征脸空间重建图像 Г f 之间的距离
ε 也被计算出来：
2
2
e = G - Gf ； G f = U × W + Y
求得的距离同阈值比较，输入图像可以按以
下规则进行分类：
① 如果 ε ≥ θ C，则认为输入图像不是人
脸图像。
② 如果 ε ＜ θ C 并且 " k， ε k≥ θ C，则认
为输入图像包含一个未知人脸。
③ 如果 ε＜θ C 并且 ε k*＝ mink{ε k}＜θ C，则
认为输入图像包含个体 k*的人脸。
基于代数特征的识别方法，特别是本征脸方
法在应用中是比较成功的。由于代数特征具有
一定的稳定性，所以识别系统对于不同的角度
和不同的表情具有一定的鲁棒性。该方法也存
在一定的弊病，例如在光照、角度的干扰下识
别率会急剧下降，对表情的表述不够充分，所
以难于进行表情分析 [1] [5]。
基于神经网络的方法，很多网络deepid facenet facebox openface等等。
基于神经网络的方法是最近几年比较活跃
的一个研究方向。应用神经网络进行人脸的特
征提取和分类器的设计，有比较成熟的人脸特
征提取方法，如多主分量提取算法 — — 自适应
主分量神经网络提取算法。研究人员还应用传
统方法和神经网络设计了组合分类器，取得了
比较满意的效果，识别率和本征脸方法相当。
该方法在编码压缩和信息处理方面有独特的优
点，但神经元数目多，训练时间长 [7]。