人脸识别初始

      人脸的自动识别是一种重要的生物特征识别技术，具有直接、友好和方便的特点。近年来，视频人脸的跟踪识别技术受到越来越多研究者的关注，原因包括两方面，一：计算机计算和存储成本的大幅度下降使得以视频速度或近似视频速率采集存储图像序列成为可能；二：视频跟踪识别技术的广阔市场应用前景也是推动研究的动力。视频跟踪技术除了在智能视频监控系统中具有非常重要应用外，在视频会议、人机交互、门禁控制及信息安全等场合有着重要应用。

1.国内外研究现状

        智能监控针对运动图像序列进行分析处理，包括运动目标检测、目标分类、目标跟踪识别及目标行为描述几个过程。

1996-1999，卡内基梅隆大学为首美国十几所高校和研究机构，VSAM，Video Surveillance and Monitoring ，利用视频理解、网络通信。多种传感器融合等技术实现对未来城市、战场等进行自动监控。

欧盟EULTR（European Union Long Term Research），自助比利时Katholieke大学电子工程系、法国国家计算机科学和控制研究院INRIA等欧洲著名大学和研究机构为警察、法庭等司法机构提供基于图像处理的监控系统。

国内，主要集中在多摄像机融合、摄像机标定、目标检测、目标跟踪、行为识别与描述等关键技术方面。目标跟踪识别的实质是通过对图像传感器拍摄到得视频序列进行分析，计算出目标在每帧图像中的位置、大小和运动速度并识别其身份。

2.人脸识别技术

最初对背景单一的正面灰度图像的识别，经过对多姿态人脸的识别研究，发展到能够动态实现人脸识别，目前正在向三维识别方向发展。人脸识别技术通过计算机提取人脸的特征，并根据这些特征进行身份验证，人脸与身体的其他生物特征（指纹、虹膜）等一样与生俱来，具有唯一性和不易被复制的良好特征。

人脸识别技术一般包括三个步骤：人脸检测、人脸特征提取和人脸的识别与验证。

人脸识别方法主要有机遇统计的识别方法、基于连接机制的识别方法等。

（1）基于几何特征的方法

人脸的几何特征指人脸面部器官在几何上体现的特征阁，包括基于先验知识和基于模板两种。

基于先验知识

将人脸面部器官之间的关系 编码准则化，根据人脸面部器官的对称性、灰度差异等先验知识，指定一系列的准则，当图像中的待测区域符合准则，则被检测为人脸。

基于模板

预先将标准脸部模型通过函数预定义或参数化，分类时对输入图像计算检测区域与标准模板的相关值，相关值符合制定的准则则判断检测区域为人脸。多分辨率、多重搜索、子模板及变形模板等技术引入解决不能有效处理搜索大小、姿态及形状等问题。

Miao等提出一种i人脸重心模板的检测方法，首先将输入图像从-20到+20，以5度为步长进行旋转，然后使用Laplace算子进行边缘提取，以从组合提取的6个人脸器官（两个眉毛、一双眼睛、鼻子和嘴巴）的边缘作为人脸模板，最后应用分级式的方法检测人脸。主动形状模型（Active Shape Models ASM）和主动表现模型（Active Appearance Models aam）是变形模板中经典的两种方法，基于关键点分布模型（PDM）。

（2）基于肤色模型

肤色模型主要由肤色描述，常用模型有高斯模型、混合高斯模型和直方图模型。

（3）基于统计理论的方法

将人脸检测问题转化为模式识别的二分类问题，利用统计分析和机器学习的方法寻找人脸样本和非人脸样本各自的统计特征，继而构建分类器，主要包括：子空间方法、神经网络、SVM、隐马尔科夫模型、Boosting方法。

子空间方法

子空间方法也成为基于特征空间的方法，将人脸区域图像变换到某一特征空间，根据特征空间中的分布规律划分人脸和非人脸两种模式。包括主向量分析（PCA，Principal Component Analysis）和线性判别分析（LDA）。PCA根据图像的统计特征进行正交变化（KL变换），以消除原来各分量之间的相关性，取变换后的最大若干特征向量来表示原来的图像，保留原图像差异的最大信息，这若干个特征向量成为主分量。

Turk等奖PCA用于人脸识别，将人脸图像投影到一个由若干最大的特征向量组成的子空间，若要显示某个特定的人脸，通过对这些特征向量加权求和即可。这些特征向量也成为“特征脸 eigenfaces”。

神经网络方法

人工神经网络（Artificial Neural Network）训练一个网络结构，把模式的统计信息隐含在神经网络的结构和参数中。Rowley提出基于神经网络的人脸检测系统，分为两个阶段：（1）基于神经网络的分类器，输入是规定尺寸的检测区域，输出为1到-1的数，由此判断检测区域是否是人脸，（二）合并重复检测并判别。

SVM

支持向量机由S.N.Vapnik提出的基于结构风险最小化原理的统计学习理论基础上发展起来的。神经网络是基于经验风险最小化，SVM是结构风险最小化，目的是为了减小期望泛化误差边界的上限。

隐马尔科夫模型

隐马尔科夫模型（HiddenMarkovModel HMM），前提假设是模型可以被定义为一个参数化的进程，该进程的参数可通过精确的方法估计出来。首先决定隐态并形成一个HMM模型，然后通过学习来自样本集的各个状态间的转移概率来训练HMM，每个样例由一系列观测值表征。最后，观测值的输出概率决定了它的分类。

Boosting方法

Viola提出一种基于AdaBoost的实时人脸检测方法，使用Harri-like特征表示图像，引入“积分图”概念提高特征计算速度，采用AdaBoost方法选择少量特征组成强分类器，使用Cascade策略提高人脸检测速度。