分享
2023年人脸识别技术发展综述.doc
下载文档

ID:1540287

大小:12KB

页数:3页

格式:DOC

时间:2023-04-21

收藏 分享赚钱
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
2023 年人脸 识别 技术发展 综述
人脸识别技术发展综述人脸识别技术发展综述 摘 要 随着人工智能的快速发展,人脸识别已成功运用到民生安防的各个领域。相比其他生物识别技术,人脸识别具有交互友好性、方便性等特点。本文主要介绍人脸识别发展的历程,并描述了常用人脸识别方法极其优缺点。关键词 人脸识别 特征提取 深度学习 中图分类号:TP316 文献标识码:A 0 引言 人脸作为人体显著的生物特征之一,包含了丰富的个人信息。人脸识别便是基于人的脸部特征信息进行身份识别的一项技术,在公共安全和生活服务中的各种应用场景发挥着举足轻重的作用,如刷脸支付、人机交互、智能安防、视频监控等。目前,人脸识别算法的识别精度已经超越了人类的识别精度。本文围绕人脸识别技术展开论述,首先介绍人脸识别技术的发展历程,然后针对应用广泛的人脸识别方法进讨论。一个完整的人脸识别过程如图 1 所示。首先是通过图像采集设备获取人脸图像,然后对采集的图像进行人脸检测从中分离出人脸,最后经过图像预处理等操作后进行特征提取,并进行特征比分类识别,从而得到识别结果。1 人脸识别技术的发展历程 人脸识别的发展主要经过以下几个阶段。20 世纪末人脸识别进入快速发展期,出现了众多经典方法如基于主成分分析(Principal Component Analysis,PCA)、基于特征脸的 Eigenface 方法、基于线性判别分析(Linear Discriminant Analysis,LDA)的 Fisherface。而后人脸识别研究进入了成熟期,这一阶段的研究主要是解决人脸识别中因外界因素带来的变化,如光照、表情、姿态、遮挡和噪声等。现在,人脸识别已进入深度研究阶段,深度学习为人脸识别成为主流,大量基于深度学习的人脸识别方法相继被提出。2 人脸识别方法 2.1 基于几何特征的方法 不同人脸的眼睛、鼻子、嘴巴等大小和结构各不相同,该方法通过对人脸中几何特征的关系进行几何描述,作为人脸的中重要特征。基于几何特征的人脸识别最早应用于人脸侧脸轮廓的描述。该方法思路直观易懂,计算相对简单,识别的速度快,对光照的变化有一定的鲁棒性。但当遇到表情或姿态变化较大的情况,该方法的识别精度会受到很大影响,且忽略了人脸局部细节特征,容易造成信息丢失,识别率较低。2.2 基于局部特征的方法 该方法采用提取对表情、年龄、光照等具有鲁棒性的局部特征如鼻子、眼睛、嘴巴等来构建人脸整体特征信息。首先对人脸的整体结构信息进行辨认,然后对选取的局部细节特征进行比对识别。在该方法中,局部细节特征的选取将决定人脸识别的效果。该方法简单,但是特征分布不能全面反映人脸整体特征。尤其遇到遮挡物时,识别效果较差。常见的局部特征方法有 Gabor 特征、LBP特征等。2.3 基于子空间的方法 该方法的基本思想是提取人脸整体特征,根据性能目标寻找一个变换空间,然后利用空间变换将提取的高維特征变换到低维子空间,使子空间中的特征数据分布更为紧凑,分类更加清晰准确,并降低了计算复杂度。该方法由于提取特征稳定、计算量小得到广泛应用。常见的基于子空间的方法有 PCA、基于核的Fisher 判别方法 KFDA 等。2.4 基于稀疏表示的方法 该方法中训练特征集中全部的样本数据构成了稀疏表示所用的字典。该方法对使用的特征不敏感,训练过程简单,把处理后的图像数据排列成一个三维矩阵并将其存储到数据库里面。只要人脸图像包含够多的特征维数,即使提取简单的特征也会包含足够多的信息产生稀疏表示。该方法对图像局部遮挡的情况具有很好的鲁棒性。但训练集的完备性直接影响识别效果,且不能很好地解决姿态、表情、光照等影响。以上介绍的传统人脸识别方法由于自身的局限性,其识别精度受到影响,达不到预期效果。深度学习是模拟人类视觉感知神经系统的认知学习,能够获得更具表征力的高层特征。2.5 基于深度学习的方法 在深度学习框架下,学习算法直接从原始图像学习判别的人脸特征,通过神经网络自动地从海量数据中学习人脸表征,不仅简化了复杂的特征提取过程,还能够通过神经网络学习到人脸图像中的一些隐性规律和特征。该方法的特征提取和分类器训练在一个完整的神经网络中,通过具有多隐含层和大量训练数据的机器学习模型,学习更多有用特征,提高分类和识别的精准度。然而深度学习的计算复杂度较高,训练时间较长,在测试过程中,由于模型较多,不方便在嵌入式设备上直接运行。(下转第 286 页)(上接第 278 页)基金项目:本文受重庆市教委科学技术研究项目(KJ1729405)资助。作者简介:邵艳清(1982-),女,硕士,讲师,主要研究方向移动通信技术、模式识别。参考文献 1 IT Jolliffe.Principal Component AnalysisJ.Journal of Marketing Research,2002,87(100):513.2 Turk,M.&A.Pentland.Eigenfaces for recognitionJ.Journal of Cognitive Neuroscience,1991,3(01):71-86.3 Jain,A,K.&R.P.W.Duin&J.Mao.Statistical Pattern Recognition:A ReviewJ.IEEE Transactions on Pattern Analysis&Machine Intelligence,2000,27(11):1502.4 蒋阿娟,张文娟.人脸识别综述J.电脑知识与技术,2019,15(02):173-174.5 Ojala T&Pietika nen M&Ma npa?T.Multiresolution grayscale and rotation invariant texture classi?cation with local binary patternsJ.IEEE Trans PAMI,2002(24):98-971.6 Daugman,J.G.Complete discrete 2-d Gabor transforms by neural networks for image analysis and compressionJ.IEEE Trans Acoust Speech Signal Process,1988(36):11691179.7 刘小平.基于深度学习的人脸识别技术研究与应用D.成都:电子科技大学,2018.8 Kim,K.I.&K.Jung&J.K.ang.Face recognition using kernel principal component analysisJ.IEEE Signal Processing Letters,2002,9(02):40-42.9 Liu,Q.&H.Lu&S.Ma.Improving kernel Fisher discriminant analysis for face recognitionJ.Circuits&Systems for Video Technology IEEE Transactions on,2004,14(01):42-49.10 杨巨成,刘娜,房珊珊等.基于深度学习的人脸识别方法研究综述J.天津科技大学学报,2016,31(06):1-5.

此文档下载收益归作者所有

下载文档
你可能关注的文档
收起
展开